智能能源系统中稳健的光伏发电量预测与爬坡能力估算

《Array》：Robust Photovoltaic Power Output Forecasting and Ramping Capacity Estimation for Smart Energy Systems

光伏功率预测与系统可调节容量估计方法研究。本文提出融合增强型时序卷积网络（TCN）和预训练启发式不变风险最小化（PHIRM）的光伏功率预测模型，通过历史气象数据和预报信息融合提升预测精度，并构建基于预测光伏出力的可调节容量评估方法。实验表明，PHIRM-TCN在IEEE 33节点系统上MAE达到3.14MW，误差率8.97%，较传统方法降低30.2%-47.7%。其创新点在于采用预训练策略解决IRM的收敛问题，并验证了该方法在50%气象预报偏差和20%数据缺失下的鲁棒性。

　　随着全球对可再生能源的重视，光伏发电作为清洁能源的重要组成部分，其在电力系统中的占比不断提升。然而，光伏发电的间歇性和波动性给电网的稳定运行带来了新的挑战。特别是在高比例光伏发电接入的电网中，如何准确预测其输出功率并合理评估系统的爬坡能力，成为保障电力系统安全和高效运行的关键。本文提出了一种新的光伏发电输出预测模型，该模型结合了改进的时序卷积网络（TCN）与预训练的启发式不变风险最小化（PHIRM）方法，旨在解决传统预测方法在天气预测不确定性及区域间预测误差差异方面的局限性。

光伏发电输出预测模型的核心在于对时序数据的深度建模能力。传统方法如循环神经网络（RNN）和长短期记忆网络（LSTM）在处理长序列数据时存在梯度消失或爆炸的问题，且计算效率较低。相比之下，TCN作为一种基于卷积的模型，能够通过因果卷积和扩张卷积有效地捕捉时序数据中的长期依赖关系，同时具备并行计算的优势，显著提高了训练效率。此外，TCN的接收场可以通过调整层数、扩张因子和卷积核大小进行灵活控制，使其在处理复杂时序模式时表现优异。在本文中，TCN被进一步改进，以更好地适应光伏发电输出预测任务的需求。

然而，实际应用中，天气预测误差在不同地区存在显著差异，这使得模型在不同环境下的泛化能力受到限制。为了解决这一问题，本文引入了不变风险最小化（IRM）方法，该方法旨在通过识别在不同环境条件下保持不变的特征，提高模型的鲁棒性和泛化能力。IRM假设光伏发电与太阳辐射之间的因果关系是稳定的，而地区间的天气预测误差则是干扰因素。通过将训练数据划分为多个环境，并在这些环境中优化模型，可以确保模型在不同地区都能保持良好的预测性能。然而，IRM在处理不平衡数据集时，其性能通常不如经验风险最小化（ERM）方法，且训练速度较慢。

为了解决上述问题，本文提出了一种预训练的启发式不变风险最小化（PHIRM）方法。该方法首先使用ERM框架对TCN进行预训练，以获得一个初步的模型参数。预训练阶段仅进行20个训练周期，而非完全收敛，从而为后续的IRM训练提供一个稳定且具有泛化能力的初始化点。PHIRM在ERM的基础上增加了不变性损失项，使得模型在训练过程中能够更关注那些在不同环境下保持不变的特征，而不是特定环境下的局部模式。这种方法不仅提升了模型的泛化能力，还显著提高了训练效率，使得PHIRM在处理不同地区的天气预测误差时表现优于传统的ERM和IRM方法。

在实验部分，本文基于修改后的IEEE 33节点配电系统，对提出的PHIRM-TCN模型进行了评估。该系统包括三个光伏电站和一个热电厂，分别连接在不同的节点上。实验数据来自中国三个光伏电站的两年现场数据，时间分辨率为15分钟。数据预处理阶段，首先排除了非日照时段的数据，因为光伏发电仅在白天进行。随后，对数据进行了归一化处理，以确保模型训练的数值稳定性。实验结果表明，PHIRM-TCN模型在预测误差率、均方根误差（RMSE）和平均绝对误差（MAE）方面均优于传统方法。

在15分钟的时间尺度上，PHIRM-TCN模型的平均预测误差率为8.97%，显著低于Vanilla-TCN（12.85%）和IRM-TCN（9.17%）。在极端天气条件下，如天气预测误差增加至50%，PHIRM-TCN模型的预测误差率仅增加至11.69%，而Vanilla-TCN和Vanilla-TimesNet的误差率分别增加至24.00%和42.29%。这表明PHIRM-TCN在面对天气不确定性时具有更强的鲁棒性。此外，针对数据缺失的情况，PHIRM-TCN也表现出更优的性能，其在20%数据缺失时的MAE仅为4.33 MW，远低于其他模型的预测误差。

在爬坡能力评估方面，PHIRM-TCN同样表现出色。在15分钟的时间尺度上，该模型的平均爬坡能力预测误差仅为0.14%，而Vanilla-TCN和IRM-TCN的误差分别为0.30%和0.16%。当评估时间为每小时时，PHIRM-TCN的平均预测误差进一步降低至0.23%，远低于Vanilla-TCN（0.45%）和IRM-TCN（0.27%）。这些结果表明，PHIRM-TCN不仅在光伏发电输出预测方面优于传统方法，还在爬坡能力评估中表现出更高的准确性。

本文的研究成果对高比例光伏发电接入的电网具有重要意义。准确的光伏发电输出预测和爬坡能力评估能够帮助电网运营商更好地进行调度和优化，确保电力系统的稳定运行。同时，PHIRM-TCN的提出为解决因数据分布变化而导致的模型性能下降问题提供了新的思路。该方法通过预训练阶段获取的初始化参数，有效减少了模型在训练过程中的不稳定性，提高了其在不同环境下的适应能力。

此外，PHIRM-TCN的结构设计也体现了对光伏发电输出特性的深入理解。模型仅使用太阳辐射作为预测输入，因其与光伏发电输出具有最强的关联性，且其预测精度通常高于其他气象参数。通过这种聚焦于关键变量的设计，PHIRM-TCN减少了因其他气象参数预测误差带来的不确定性传播，提高了模型的预测可靠性。

综上所述，本文提出的PHIRM-TCN模型在提升光伏发电输出预测精度和增强电网爬坡能力评估方面取得了显著成果。其核心在于通过预训练阶段获取的初始化参数，为后续的不变性优化提供了更稳定的起点。这一方法不仅提高了模型的泛化能力，还显著降低了训练时间和计算资源的需求。未来，该模型有望被进一步推广到其他可再生能源的预测任务中，为构建更加智能、灵活和可持续的电力系统提供技术支持。