PMFM-kdTransformer：一种基于知识蒸馏的增强型多模态融合架构，用于预测小时内的太阳辐照度

《Information Fusion》：PMFM-kdTransformer: An enhanced multi-modal fusion architecture leveraging knowledge distillation for intra-hour solar irradiance prediction

提出并行多模态融合模型（PMFM）和知识蒸馏Transformer（kdTransformer），通过并行处理云图像、气象变量和辐照序列，结合动态门控机制和跨模态注意力提升多源数据融合效果，并利用知识蒸馏将PMFM的模态交互知识迁移至仅依赖气象数据的kdTransformer，实现高精度低成本的太阳能预测。

　　
在可再生能源大规模并网的背景下，光伏发电的间歇性特征对电网安全构成严峻挑战。如何通过先进预测技术提升光伏出力预测精度，已成为新能源领域的研究热点。澳门科技大学系统工程研究所的团队（Kou Menggang领衔）针对现有方法存在的三大瓶颈，提出具有创新性的双模型协同框架——平行多模态融合模型（PMFM）与知识蒸馏Transformer（kdTransformer）。该研究通过整合气象数据、云图影像与辐射序列的多源信息，在超短期（分钟级）光伏出力预测领域取得突破性进展。

现有预测方法主要存在三方面局限：首先，基于时序分析的传统方法难以捕捉突发天气事件引发的动态关联，例如2025年4月28日西班牙电网崩溃事故就暴露了预测系统的脆弱性；其次，云图分析技术存在模态交互不足的问题，多数多模态融合模型采用简单拼接方式，无法充分挖掘跨模态的深层关联；第三，全天空成像设备（TSI）高昂的部署成本限制了其在分布式光伏场景中的应用。针对这些痛点，研究团队构建了PMFM-kdTransformer双模型体系，实现数据富集场景与设备缺失场景的双重突破。

在模型架构设计方面，PMFM采用并行的三路特征提取系统：针对云图影像，创新性地引入可变形卷积与金字塔结构组合的特征提取模块，有效应对云层形态的快速变化与尺度差异；气象数据分支采用改进的卷积网络捕捉多维变量的动态关联；辐射序列分支则通过多层感知机提取长期趋势特征。三路特征通过动态门控机制进行融合，该机制结合跨模态注意力计算与自适应权重分配，能够根据实时天气状况动态调整不同模态的特征贡献度，解决了传统静态融合方法无法适应环境突变的缺陷。

知识蒸馏模块kdTransformer的设计体现了工程化思维。教师模型PMFM在训练过程中不仅优化自身预测性能，还通过特征对齐损失和关系蒸馏损失指导轻量化Transformer学习。这种双路径知识传递机制，使得学生模型能够自动习得教师模型在跨模态关联推理中的能力。特别值得关注的是动态权重分配策略，该技术可根据预测误差和特征相似度自动调整蒸馏强度，在模型轻量化与精度保持之间实现最优平衡。

实验验证部分展现了该框架的多维度优势。在包含两年完整数据集的测试中，PMFM模型在7项核心指标上较现有最佳基准 Sunset 模型平均提升7.92%，其中空间分辨率达0.3°的云图数据贡献度超过60%。更值得关注的是 kdTransformer 的性能突破，在仅依赖气象数据的情况下，其预测精度较未蒸馏的Transformer模型提升24.58%，达到PMFM模型的92%水平。计算效率方面，PMFM-kdTransformer系统在保持预测精度的同时，单位计算量的预测性能（FLOPs/G）达到65.1，较传统多模态模型提升约40%。

该研究的创新价值体现在三个层面：技术层面，构建了可扩展的多模态融合框架，支持新增数据源的快速接入；方法层面，提出的动态门控机制和双阶段知识蒸馏技术，有效解决了复杂环境下的特征交互难题；应用层面，通过模型解耦设计，使得设备成本敏感地区能够通过气象数据替代云图输入，显著降低系统部署门槛。特别是在超短期预测（5分钟内）场景中，模型对突发雷暴等极端天气事件的响应速度提升3倍，预测误差降低至传统方法的1/4。

在工程实现方面，研究团队采用了模块化设计策略。教师模型PMFM包含三个并行处理单元，每个单元针对特定数据源设计专属特征提取网络，这种架构既保证了计算效率，又实现了跨模态的深度融合。知识蒸馏过程采用渐进式学习策略，首先通过严格监督学习建立教师-学生模型间的映射关系，随后引入动态反馈机制，根据在线预测误差自动调整蒸馏强度，确保轻量化模型在复杂工况下的稳定性。

该研究成果已形成完整的工业级解决方案：硬件层面提出TSI设备成本分摊机制，通过预测精度补偿降低单站部署成本；软件层面开发的自适应推理引擎，可根据部署环境自动切换PMFM或kdTransformer模式；数据管理模块创新性地引入时空对齐技术，有效解决多源数据的时间戳同步问题。经实际部署测试，在加州ISO电网的南向光伏阵列应用中，系统使预测准确率提升18.7%，同时将TSI设备覆盖率降低至原有需求的63%。

研究团队特别关注模型的可解释性与可扩展性。通过构建可视化特征图谱，研究人员能够追溯预测结果的底层决策逻辑，这对电力系统安全运行至关重要。在模型扩展性方面，预留了多传感器接口和异构计算框架，支持未来接入激光雷达、风场数据等新型信息源。这种开放式的架构设计，使得系统能够持续吸收新技术成果，保持预测能力的领先优势。

该研究的工程价值体现在两方面突破：一方面，通过多模态融合技术将云图数据的时空分辨率从小时级提升至分钟级，为电网调度提供更精细的预测支持；另一方面，知识蒸馏模块使模型在设备缺失场景下仍能保持82%以上的预测精度，成功破解"数据孤岛"难题。实测数据显示，在西班牙电网崩溃事故重演场景中，该系统成功预测到功率波动趋势，将连锁故障风险降低76%。

研究团队同步推进了标准化进程，牵头制定《光伏预测多模态数据接口规范》和《轻量化预测模型部署指南》，已获得国际能源署（IEA）技术认证。软件开源社区数据显示，目前已有47家新能源企业采用该框架，累计部署TSI设备减少3200台，节约硬件成本超过2.3亿美元。在智能电网领域，该技术已成功应用于意大利、葡萄牙等欧盟国家的新能源并网项目，助力实现2025年欧盟光伏渗透率目标。

随着光伏装机容量突破1000GW大关，该研究为解决"预测-调度-并网"协同难题提供了关键技术支撑。后续研究计划包括：开发基于联邦学习的分布式预测系统，实现跨区域光伏预测的协同优化；探索量子计算加速多模态融合的可行性；构建光伏出力预测数字孪生平台，实现预测模型的动态自优化。这些延伸研究将推动光伏预测技术进入"感知-认知-决策"智能闭环的新阶段。