编辑推荐：
为解决光伏发电间歇性、变量动态关联难捕捉及多尺度周期性建模问题，研究人员提出含细粒度特征聚合、双时间采样策略及多尺度通道相关性建模的框架。实验表明其 RMSE 降低 23.87%，为精准预测提供新路径。
在全球能源转型浪潮中，太阳能作为清洁可再生能源的重要组成部分，其发电系统的电网集成面临着巨大挑战。光伏发电的间歇性与波动性，使得精准预测光伏出力成为保障电网稳定运行和高效能源调度的关键。然而，光伏出力高度依赖太阳辐照度、云量、温度、风速等气象变量，这些因素不仅具有非线性、非平稳特性，其动态交互关系也极为复杂。传统预测模型往往将气象变量视为独立输入，忽视了变量间的动态关联，且在捕捉多尺度时间周期性方面能力不足，导致预测精度受限。此外，细粒度气象数据（如分钟级）在聚合为粗粒度数据（如小时级）时的信息损失问题，也未得到有效解决。
为突破上述瓶颈，安徽大学的研究人员开展了一项针对单站点多变量光伏出力预测的研究。他们提出了一种基于通道相关性感知的多视角建模框架，并将研究成果发表在《Expert Systems with Applications》。该研究通过创新性的模型设计，有效提升了光伏出力预测的准确性，为光伏能源的可靠并网提供了重要技术支撑。
研究人员采用了三个关键技术模块：一是细粒度感知特征聚合模块（FGFA），将细粒度数据融入粗粒度预测任务，以挖掘潜在行为模式；二是双时间采样策略，结合多尺度频率方法与多步长采样方法，增强长短期记忆网络（LSTM）对不同时间尺度周期性模式的学习能力；三是多尺度通道相关性建模，利用可训练的通道相关图结合图卷积操作（GCN），对多尺度变量间的动态依赖关系进行建模，同时降低对噪声的敏感性。研究使用了 Alice Springs 的 HanWha 气象数据集，该数据集包含丰富的高频率气象和运行数据，为模型训练和验证提供了坚实基础。
性能对比与其他深度学习模型
在 96-24 步光伏出力预测场景下，研究人员将所提模型与多种基准模型进行对比。结果表明，该模型能够紧密追踪实际光伏输出，不仅捕捉到主要变化趋势，还能精准反映高频波动，而多数对比模型往往会平滑或遗漏这些细节。从定量指标看，该模型在均方根误差（RMSE）、平均绝对误差（MAE）等所有评估指标中均表现最优，尤其是 RMSE 较现有先进方法降低了 23.87%，显著提升了预测精度。
消融研究
为验证各核心模块的贡献，研究人员开展了消融实验。结果显示，移除细粒度感知特征聚合模块（FGFA）会导致预测误差显著增加，表明该模块在保留细节信息、提升粗粒度预测性能方面至关重要；若替换多尺度通道相关性建模（MCCM）模块为多层感知机（MLP），模型对变量间动态关联的捕捉能力下降，预测精度也随之降低。双尾配对 t 检验进一步证实了各模块对模型整体性能的显著影响。
研究提出的光伏出力预测框架，通过多视角建模策略，有效解决了传统模型在变量动态关联和多尺度时间模式捕捉方面的不足，同时优化了细粒度数据的利用方式。实验结果表明，该框架在单站点多变量光伏预测场景中具有显著优势，为光伏能源的精准预测提供了新的技术范式。其创新点在于将图神经网络（GNN）引入单站点变量关联建模，通过动态可学习的图结构捕捉气象变量与光伏出力间的实时交互，结合频率域分析实现多尺度时间模式的分层提取。这一成果不仅提升了光伏预测的实际应用价值，也为其他间歇性可再生能源的预测研究提供了重要参考。未来研究可进一步拓展至多站点空间关联建模，以构建更具普适性的能源预测体系。
