基于多源融合的跨维度时间特征增强型光伏发电预测模型

《Renewable Energy》:Multi-source Fusion-based Cross-dimensional Temporal Feature-enhanced Photovoltaic Forecasting Model

【字体: 大 中 小 】 时间:2026年03月27日 来源:Renewable Energy 9.1

编辑推荐:

  向春文|张云鹏|刘兴斗|王冠|张一岩 中国山东省济南市山东大学电气工程学院,250061 **摘要** 精确的光伏发电功率预测对于电力系统的安全高效运行至关重要。然而,现有方法往往仅关注单一数据源或多种数据源的简单组合,忽视了跨维度特征之间的相互作用。因此,本文提出

  向春文|张云鹏|刘兴斗|王冠|张一岩
中国山东省济南市山东大学电气工程学院,250061

**摘要**
精确的光伏发电功率预测对于电力系统的安全高效运行至关重要。然而,现有方法往往仅关注单一数据源或多种数据源的简单组合,忽视了跨维度特征之间的相互作用。因此,本文提出了一种结合混合神经网络与数据清洗重构的光伏发电功率预测框架。该框架整合了光伏运行数据、现场气象观测数据以及数值天气预报数据。所采用的混合网络模型融合了时间卷积网络与Crossformer,能够更有效地提取跨维度及跨时间特征。在跨时间特征提取模块中,时间卷积网络用于从不同类型的数据流中提取时间特征,这些特征随后被输入多层感知器以学习非线性关联,并与Crossformer的多头自注意力机制相结合,从而捕捉特征间的相互依赖关系。在跨维度特征提取模块中,保留了Crossformer的路由机制,以便有选择地强化关键特征信息。在数据处理方面,采用了基于角蜥优化变分模态分解算法的数据清洗重构策略,并结合斯皮尔曼组合评估方法进行数据重构,以此降低数据采集中的噪声影响。实验结果表明,在6小时的预测时间内,与原始Crossformer相比,所提模型的平均绝对误差降低了11.49%至19.71%;与最优的单数据源基准模型相比,则降低了4.37%至7.93%。此外,该模型在所有季节下的决定系数均大于0.90,并且在极端天气条件下仍能保持良好的趋势跟踪性能。

**引言**
可再生能源是全球碳减排战略的核心,推动着绿色能源转型与气候目标的实现。作为可再生能源领域的重要技术,光伏发电的性能直接受太阳辐射强度和温度的影响[1],同时还会受到云层覆盖、湿度、风速等间接因素的影响[2][3]。这些因素导致光伏发电具有强烈的间歇性、波动性和不确定性[4],给光伏电力并网带来了严峻挑战。准确的光伏发电功率预测有助于优化电力调度、提升可再生能源的渗透率[5][6]。

目前,光伏发电功率预测方法主要分为机理驱动型和数据驱动型两类[7]。机理驱动型方法通过整合气象数据和光伏系统参数构建物理模型,具有明确的物理可解释性和较强的解释能力,但由于过度依赖高精度的数值天气预报,难以应对复杂的天气状况[8]。而数据驱动型方法——包括统计方法和人工智能技术——则侧重于利用历史运行数据构建预测模型,通过深入挖掘光伏发电数据中的时间特征和非平稳特性,建立输入变量与功率输出之间的非线性映射关系。虽然传统的统计方法如自回归积分移动平均模型[9]、线性回归和马尔可夫链[10]在处理小规模线性数据集时具有较高的计算效率,但在面对光伏发电数据复杂的非线性关系和长期依赖特性时,其建模能力存在明显局限。

随着计算技术的快速发展,人工智能模型因其在捕捉非线性特征方面的优势而被广泛应用于光伏发电功率预测领域。基于人工智能的方法通常分为机器学习法和深度学习法两大类[11]。典型的机器学习方法包括极端梯度提升算法[12]、极限学习机[13]、相关向量机[14]和支持向量机[15]。尽管机器学习方法的预测精度高于传统统计方法,但在处理大规模数据集时仍易出现过拟合问题[16]。深度学习方法,尤其是长短期记忆网络[17][18],由于具备更强的时间特征提取能力,在光伏发电功率预测中得到了广泛应用。虽然LSTM能够有效从非线性数据中提取潜在信息并处理周期性变化模式,但其捕捉长期依赖关系的能力仍存在局限[19]。完全基于注意力机制构建的Transformer架构在捕捉全局依赖关系方面表现优异,已成为时间序列预测研究的前沿方向。近期有一些研究通过改进Transformer结构或将其与传统架构结合,显著提升了时间预测性能[21][22]。尽管人工智能模型在处理非线性关系和时间依赖性方面具有显著优势,但单一模型方法的固有局限性仍然制约着光伏发电预测精度的进一步提升[23]。因此,整合多种算法优势的混合预测模型已成为研究热点。

单数据源模型往往无法快速响应快速变化的天气条件。为进一步提升光伏发电功率预测的稳健性和准确性,学者们提出了结合天气预报数据与光伏电站监测数据的混合预测方法。天气预报信息主要来源于气象站、卫星、天空图像以及数值天气预报系统[23]。不过,气象站的数据易受电磁干扰[24],卫星数据精度有限[25],而天空图像的维护成本较高[26]。相比之下,数值天气预报系统能够提供高分辨率且准确的气象信息,其预报产品通常可免费获取,因此成为混合预测中的重要气象数据来源。然而,现有的多数据源融合方法大多采用简单的“特征堆叠”方式,即将具有不同物理意义和时间特性的数据直接扁平化并拼接在一起。有研究提出利用实测辐照度对数值天气预报的辐照度数据进行校准,将历史数据与实测数据结合到PSO-ELM模型中用于功率预测,但该方法忽略了多数据源之间的耦合关系[27]。还有研究提出了WT–PSO–SVM混合预测模型,该模型同时考虑统计数据和物理数据输入,并对数值天气预报中的气象变量进行特征提取,但其输入数据本质上仍是通过特征向量拼接得到的。这种特征堆叠策略忽略了不同特征维度之间复杂且随时间变化的相互作用,即跨维度特征交互作用。在光伏发电功率预测中,跨维度特征指的是来自不同物理来源或属性的特征序列之间的相互影响,例如辐照度、温度、风速以及历史功率等。例如,温度对光伏组件效率的影响在很大程度上取决于当前的辐照度水平,而在高温和高辐照度共同作用下,效率损失会更为明显。同时,风速通过对流冷却作用调节光伏组件的温度,进而间接影响发电量,形成从风速到温度再到发电量的级联效应。现有方法通常按时间步对多维特征进行对齐,然后直接将它们作为模型输入,迫使LSTM或Transformer等模型在潜空间中艰难地学习这些复杂的依赖关系,从而导致学习效率低下。此外,在训练数据中未能充分体现的复杂天气模式下(例如云层快速变化导致辐照度与温度关系出现剧烈波动),这类模型的泛化能力和预测精度往往会大幅下降。因此,如何明确建模并利用不同特征之间的跨维度动态交互作用,仍然是提升光伏发电功率预测模型精度和稳健性的关键研究课题。

此外,光伏发电的特征序列具有典型的非平稳特性,给预测工作带来了很大挑战。近年来,信号分解技术在光伏发电功率预测领域受到了广泛关注。其基本思想是通过分解方法将光伏数据转换为平稳子序列,从而降低信号的随机性和波动性。常见的分解方法包括小波变换方法[29]、经验模态分解[30][31][32]以及变分模态分解[33][34]。不过,小波分解的性能受小波基函数和阈值选择的限制,适应能力较差。经验模态分解容易面临模式混杂和端点效应等问题。而变分模态分解由于难以自动确定惩罚因子α和分解层级K等关键参数,需要借助其他方法进行参数确定或后续处理。近期的一些研究通过将多源信息处理与神经预测模型相结合,进一步提升了光伏发电预测的性能。范等人针对历史数据较少的新建光伏电站提出了IDS-Net模型,该模型结合了迁移学习、可解释的动态特征选择以及特征信息融合技术,提升了小样本预测性能和模型的可解释性[35]。刘和盖则提出了PV-MLP模型,用于长序列光伏发电功率预测,该模型通过异常校正、特征冗余消除、基于补丁的MLP建模以及时频域融合等技术,在较低的计算成本下提升了长时段预测精度[36]。这些研究表明,将多源信息处理与神经网络模型相结合在光伏发电预测中确实具有显著效果。不过,这些研究的主要焦点在于通过迁移学习、动态特征选择、轻量级长序列建模以及时频特征融合来提升预测性能,而对于嵌入在多源光伏数据中的复杂跨维度依赖关系的学习仍不够深入。在实际的光伏发电预测工作中,面临的挑战不仅在于整合多源数据,还在于明确捕捉不同变量之间的隐含耦合关系,以及协调上游的数据质量提升工作与下游的预测过程。

综上所述,当前研究中仍有若干问题亟待解决。首先,尽管在多数据源融合之后,不同变量之间的跨维度耦合关系仍缺乏明确的建模方法,而这些交互作用在复杂天气条件下的光伏发电预测中至关重要。其次,虽然通常会引入预处理、异常校正或分解等方法,但这些方法往往被视为独立的辅助步骤,数据清洗重构与后续预测框架之间的协同整合仍缺乏足够的研究。第三,目前尚未以统一的方式系统评估这类框架在不同季节、不同天气条件以及不同预测时间跨度下的有效性和稳健性。这些局限性表明,当前研究尚未充分解决多源光伏预测中多特征耦合、数据质量提升与预测的协同优化以及多场景系统验证等共同面临的挑战。

基于以上分析,本文提出了一种基于混合网络模型并结合数据清洗重构的光伏发电功率预测方法。该方法通过整合多源数据构建光伏特征数据集,再利用角蜥优化变分模态分解算法和基于斯皮尔曼的组合评估方法对数据进行清洗重构,最后将处理后的数据输入时间卷积网络-Crossformer混合网络模型,以此建立多源数据输入与输出之间的映射关系。通过消融实验和对比实验,验证了所提模型在各种场景下的性能提升效果。本文的主要贡献如下:
1)提出了一种考虑多源数据耦合特性的TCN-Crossformer混合网络预测模型。该模型整合了光伏运行数据、光伏气象站数据以及数值天气预报数据,充分利用了多源数据的互补优势,提升了预测的稳健性。模型结合了时间卷积网络与Crossformer的多头自注意力机制,并融入多层感知器,形成TCN-MLP-MSA结构,从而并行提取时间特征,同时保留路由机制以强化对关键特征的筛选,实现特征的跨维度捕获。TCN-Crossformer与多源数据的有效结合,展现了其出色的跨维度时间序列特征捕捉能力。
2)提出了一种基于HLVMD的光伏数据清洗重构策略。该策略以信息熵作为HLVMD的适配度标准,用于设定多决策条件下的参数优化过程,从而提高分解效率并提升识别信号的精度。同时,引入斯皮尔曼等级相关系数来判断分解得到的惯性模态函数组合与目标光伏功率之间的相关性,并以此作为数据重构的依据。在保留与光伏功率密切相关模式的前提下,去除以噪声为主的惯性模态函数,从而提升数据质量。
3)采用所提方法在不同季节、不同天气条件以及不同预测时间跨度下进行了预测实验,并与多种主流算法进行了比较,证明了所提模型预测结果的有效性。实验结果表明,所提出的方法在不同的季节、天气条件以及预测时段下均展现出更出色的预测性能。

基于HLVMD算法的光伏数据清洗与重构
本节提出了具有参数自优化结构的VMD——HLVMD,通过ρ值来确定IMF组合与目标光伏功率之间的非线性关联,以此作为数据重构的基础。该数据处理方法旨在提升数据质量并减少噪声干扰。

用于光伏功率预测的TCN-Crossformer混合方法
本节提出了一种结合多源数据耦合特性的TCN-Crossformer混合预测模型,并详细阐述了其在光伏功率预测方面的结构优化优势及优异性能。同时,还建立了一套全面的模型评估指标,以准确量化其有效性。该模型通过有效捕捉跨维度时间依赖关系及多变量相互作用,提升了预测精度。

实验部分
本节通过一个实际光伏电站的案例研究来验证所提方法的有效性。首先描述了数据集,随后采用基于HLVMD的数据清洗与重构方法对数据进行预处理。之后,将重构后的历史气象特征及其对应的数值天气预报预测变量、全球水平辐照度以及历史光伏功率记录输入到所提模型中,以此进行实验验证。

结论
为解决多源数据集成问题考虑不足的问题,本文提出了一种基于混合网络模型并结合数据清洗与重构的光伏功率预测方法。TCN-Crossformer混合网络采用了TCN-MLP-MSA架构,增强了局部和全局时间特征的提取能力。通过其路由器机制,该网络能够有选择地强化提取出的特征,从而显著提升跨维度特征的处理效果。

CRediT作者贡献声明
文向春:撰写——初稿、软件、方法论。张云鹏:撰写——审阅与编辑、指导、数据整理、概念设计。刘兴斗:撰写——审阅与编辑、验证、软件、方法论、概念设计。王冠:撰写——审阅与编辑、资源获取、研究工作。张毅岩:撰写——审阅与编辑、数据整理。

利益冲突声明
我们声明与任何可能不当影响我们工作的个人或组织不存在财务或个人关系,也不存在任何可能影响本文观点或评审结果的产品、服务或公司的专业或其他个人利益。

致谢
本研究得到了国家自然科学基金委员会区域创新发展联合基金重点项目U23A20654以及中国国家重点研发计划2025YFE0106900的支持。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号