《Energy and AI》:GateFormer: Forecast-Space Decomposition for Intra-Hour Solar Irradiance Prediction from Sky Images
编辑推荐:
随着光伏渗透率不断提高,电力系统运行对太阳发电快速变化的敏感度日益增加。在5–15分钟调度、亚小时级平衡以及日益动态化的日内市场等更高颗粒度运行模式下,亚小时级辐照度预测对于电网平衡、储能调度、爬坡率控制及短期能量管理至关重要。然而,基于天空图像的准确辐照度预
随着光伏渗透率不断提高,电力系统运行对太阳发电快速变化的敏感度日益增加。在5–15分钟调度、亚小时级平衡以及日益动态化的日内市场等更高颗粒度运行模式下,亚小时级辐照度预测对于电网平衡、储能调度、爬坡率控制及短期能量管理至关重要。然而,基于天空图像的准确辐照度预测需要将视觉云动态与近期辐照度状态相结合,并适应不同的短期辐照度变化模式,这对许多现有方法构成挑战。为此,研究人员引入GateFormer,一种以GHI为条件的双解码器视觉Transformer(ViT),通过预测空间分解实现亚小时级全球水平辐照度(GHI)预测。GateFormer将观测到的GHI嵌入视觉令牌流中,使其能够通过自注意力机制与天空图像块特征交互。从这一共享表示出发,轨迹头(Trajectory Head)预测未来GHI序列,而增量头(Delta Head)则预测相对于最新观测GHI的最终视界变化。两种最终视界预测在预测空间中被自适应加权,并以幅度和方向监督针对剩余误差进行校正。在NREL-TSI基准上,GateFormer在+30分钟时取得125.01 W/m2的RMSE,在成对时间戳评估下较最先进的Transformer基线提升9.6%。在NREL-TSI、Chilbolton和SIRTA三个数据集上,GateFormer在所有评估基线中取得最低的最终视界RMSE,相对于智能持久性模型的预测技能(forecast skill)为22.97%–28.86%。组件消融实验表明,自适应加权优于单个解码器和固定平均,使GateFormer区别于传统预测组合方法,而监督校正进一步将RMSE降低1.68 W/m2,MAE降低4.86 W/m2。爬坡状态诊断显示,在运行重要的正爬坡事件中增益更大,RMSE降低26.27 W/m2。这些结果将预测空间分解确立为一种替代性预测框架,对其他多模态短视界预测任务具有潜在适用性,且仅需天空图像和实测GHI即可部署。
**GateFormer:基于预测空间分解的亚小时级太阳辐照度预测研究解读**
**1. 研究背景与问题**
随着光伏(PV)渗透率不断提高,电力系统运行对太阳发电快速变化的敏感度日益增加。在5–15分钟调度、亚小时级平衡以及日益动态化的日内市场等更高颗粒度运行模式下,亚小时级辐照度预测对于电网平衡、储能调度、爬坡率控制及短期能量管理至关重要。然而,基于天空图像的准确辐照度预测需要将视觉云动态与近期辐照度状态相结合,并适应不同的短期辐照度变化模式,这对许多现有方法构成挑战。传统数值天气预报(NWP)因时空尺度低于典型业务天气模型输出而难以满足该分辨率需求。地基天空图像能够直接观测局地云场,包括云结构、运动线索、太阳遮挡和云边缘模式,因此成为亚小时级全球水平辐照度(GHI)预测的重要输入。现有深度学习方法虽已通过未来视觉状态预测、Transformer序列建模以及天空图像与辐照度历史、晴空信息的多模态融合提升了预测性能,但仍依赖单一输出路径,难以在云运动导致快速偏离持续性行为时有效表示短期辐照度变化。为此,研究人员提出一种不依赖单一输出通路、而是形成对未来辐照度状态的不同预测并学习如何有效组合的预测框架。
**2. 研究内容与结论**
研究人员引入GateFormer,一种以GHI为条件的双解码器视觉Transformer(ViT),通过预测空间分解实现亚小时级GHI预测。GateFormer将观测到的GHI嵌入视觉令牌流中,通过自注意力机制使其与天空图像块特征交互。从共享表示出发,轨迹头(Trajectory Head)预测每个未来时步直至最终视界的GHI序列,而增量头(Delta Head)直接预测从最新观测GHI到最终视界的变化量。两种最终视界预测在预测空间中被自适应加权形成基础预测(Base forecast),随后残差头(Residual Head)以幅度和方向监督预测剩余校正。在NREL-TSI基准上,GateFormer在+30分钟时取得125.01 W/m2的均方根误差(RMSE),较最先进的Transformer基线SIAT提升9.6%。在NREL-TSI、Chilbolton和SIRTA三个数据集上,GateFormer均取得最低的最终视界RMSE,预测技能(forecast skill, FS)相对智能持久性模型为22.97%–28.86%。组件消融表明,自适应加权优于单个解码器和固定平均,残差校正进一步将RMSE降低1.68 W/m2、平均绝对误差(MAE)降低4.86 W/m2。爬坡状态诊断显示,正爬坡事件中RMSE降低26.27 W/m2,但负爬坡校正仍存在改进空间。这些结果将预测空间分解确立为一种替代性预测框架,对其他多模态短视界预测任务具有潜在适用性。
**3. 关键技术方法**
研究人员采用以下关键技术方法:(1)基于DeiT-III Medium骨干的视觉Transformer编码器,将四幅历史天空图像(224×224像素)分割为16×16图像块,并将实测GHI值投影为GHI令牌嵌入令牌流,结合帧级时间编码与晴空、近期GHI变化特征,通过自注意力实现视觉与辐照度状态交互;(2)双解码器结构:轨迹头使用两层Transformer解码器预测多视界GHI序列,增量头使用并行解码器预测最终视界变化量;(3)自适应门控机制:从编码的视觉表示、数值上下文以及两种解码器预测值及其差异中学习样本特定的混合权重,在预测空间对轨迹与增量预测加权求和;(4)残差校正模块:以软加符号损失监督预测混合后残差的方向与幅度。训练采用两阶段策略:先冻结除最后8个Transformer块外的骨干,预训练编码器与双解码器4轮;随后冻结编码器与解码器,训练门控残差模块6轮。优化器为AdamW,学习率2×10??,权重衰减2.5×10??,批大小8,在单块NVIDIA RTX 3090 GPU上完成。数据集包括美国NREL-TSI(10分钟采样,68,740个序列)、英国Chilbolton(5分钟采样,158,461个序列)和法国SIRTA(2分钟采样,365,811个序列),均来自2017–2019年,按每月固定日期划分为训练、验证和测试集。
**4. 研究结果**
**(1)总体性能**:在NREL-TSI上,GateFormer在Step 1(+10分钟)和Step 3(+30分钟)均取得最低RMSE,Step 3 RMSE从SIAT的138.35 W/m2降至125.01 W/m2,提升9.64%。在Chilbolton(+15分钟)和SIRTA(+6分钟)也分别取得最低最终视界RMSE,FS分别为25.69%和28.86%,表明模型跨站点泛化能力良好。
**(2)季节性表现**:按气象季节划分NREL-TSI +30分钟测试集,夏季(JJA)绝对RMSE最高(161.42 W/m2),且残差校正收益最大(RMSE降低2.22 W/m2,MAE降低7.64 W/m2);所有季节均保持相同的组件排序:轨迹头优于持久性,自适应混合优于单个头,最终预测提供最优季节性RMSE。
**(3)消融分析**:移除GHI令牌使RMSE增加0.43 W/m2、MAE增加0.65 W/m2;移除残差模块使RMSE增加1.68 W/m2、MAE增加4.86 W/m2;将学习型增量头替换为持久性分支(GatePersist)使RMSE增加2.99 W/m2;固定平均混合使RMSE增加4.61 W/m2、MAE增加6.98 W/m2。增量头在极端变化事件(|ΔGHI|>250 W/m2)中优于轨迹头,尤其在大幅下降事件中RMSE从319.48降至294.74 W/m2。
**(4)爬坡状态诊断**:残差校正对正爬坡事件显著改善,在上升超过250 W/m2时RMSE降低26.27 W/m2;但在下降超过250 W/m2时RMSE增加15.46 W/m2。残差方向正确率总体为61.39%,正爬坡时达86.12%,负爬坡时仅为37.62%,负爬坡校正是未来改进方向。
**(5)基线对比与预测空间控制**:与参数匹配的单头模型相比,GateFormer基础预测将RMSE较最优单头(最终视界轨迹头)降低3.13 W/m2,最终预测降低4.81 W/m2;与传统组合方法(等权平均、验证集加权、OLS堆叠、事后动态门控)相比,GateFormer最终预测RMSE降低1.93 W/m2,证明预测空间分解结构优于单纯容量或常规组合策略。
**5. 总结与结论**
研究人员讨论了GateFormer的实践意义:虽然双解码器和两阶段优化增加了训练成本,但推理仅需一次骨干网络前向传递加上轻量门控与残差操作,适用于亚小时级平衡、储能调度和爬坡率管理。负爬坡残差校正仍不理想,是未来研究的重要方向。研究结论指出,通过将预测分解为互补阶段——视觉-辐照度编码、轨迹预测、最终视界变化预测、自适应混合与残差校正——短期辐照度预测显著受益。在NREL-TSI +30分钟基准上,GateFormer达到125.01 W/m2 RMSE和22.97% FS,较SIAT基线提升9.6%;在三个站点均取得最低最终视界RMSE,FS为22.97%–28.86%。消融实验证实,固定平均无法超越较强的轨迹头,而学习型混合不仅优于两个单独解码器,残差校正还进一步降低RMSE 1.68 W/m2和MAE 4.86 W/m2。这些结果证明,在输入路径设计、特征融合和独立系统预测组合之外,通过在共享架构内显式构造互补预测并学习其组合方式,也能带来显著的性能提升。GateFormer仅依靠天空图像和实测GHI即可部署,为多样化的光伏站点提供了有前景的预测基础。