基于BiLSTM-Informer混合模型的光伏发电输出实时增强预测及其网络推理应用

为解决光伏(PV)系统发电不确定性对电网稳定性的挑战，研究人员开发了一种新型BiLSTM-Informer混合模型，通过傅里叶变换和循环编码优化特征，结合ProbSparse自注意力机制，实现了多步长PV输出高精度预测。该模型在39.2?kWp系统上验证，平均绝对误差(MAE)仅1.22?kWh，确定系数(R2)达0.952，在线预测精度提升20.1%，并通过Streamlit平台实现了实时网络推理，为智能电网管理提供了可靠工具。

　　

随着全球能源结构向可再生能源转型，光伏(PV)发电的大规模接入给电网运行带来了显著挑战。光伏输出功率高度依赖气象条件，具有间歇性和波动性，导致电网调度困难。传统预测方法如递归神经网络(RNN)和长短期记忆网络(LSTM)虽能处理时间序列数据，但存在长程依赖捕捉能力弱、训练效率低及误差累积等问题。因此，开发一种能够高效准确预测多时间尺度光伏输出的模型，对于提升电网稳定性和能源管理效率至关重要。

本研究由Edge Hill大学团队开展，旨在通过融合双向长短期记忆网络(BiLSTM)和Informer架构，构建一种新型混合模型，以提升光伏发电的多步预测精度。研究利用英国奥姆斯柯克地区一个39.2?kWp光伏系统五年的小时级数据，结合NASA气象资料，通过特征工程和实时网络推理验证模型性能。论文发表于《Regional Studies in Marine Science》，为可再生能源预测提供了创新解决方案。

研究采用了几项关键技术方法：首先，使用傅里叶变换和循环编码对时间特征（如小时、日、月）进行周期性处理，以更好地捕捉季节和日变化模式；其次，通过滞后特征处理关键气象变量（如太阳辐照度、温度），增强时间依赖性建模；第三，应用BiLSTM层捕获序列双向依赖，并结合Informer的ProbSparse自注意力机制优化长程依赖处理；最后，利用自适应矩估计(Adam)优化器进行模型训练，并通过随机搜索调优超参数。数据来源于实际光伏系统监测和NASA全球天气资源中心，确保了模型的真实性和适用性。

2.1. 系统描述与探索性数据分析

研究基于一个网格连接的39.2?kWp光伏系统，数据涵盖2018年1月至2023年8月的小时级记录。通过皮尔逊相关性分析，确定了太阳辐照度、温度和风向为正向相关特征，而降水和风速影响较小。数据清洗采用热甲板和冷甲板技术处理缺失值，确保了数据质量。

2.2. 自回归特征优化

特征工程阶段提取了时间特征（如小时、日、月），并通过傅里叶变换转换为正弦和余弦编码，以避免线性处理带来的突变问题。还引入了滞后特征（如温度滞后、太阳辐照度滞后），增强了模型对时间依赖性的学习能力。

2.3. 问题表述分析

研究将光伏预测表述为一个优化问题，目标是基于历史时间步和气象协变量，预测未来时间步的输出分布。输入矩阵构建了缩放后的PV功率序列和天气数据，用于训练和测试。

2.4. Bi-LSTM神经网络

BiLSTM层通过遗忘门、输入门和输出门调控信息流，有效捕获短期序列模式。其内部细胞状态和隐藏层输出支持长时间信息保留，提升了时间序列预测的准确性。

2.5. Prob稀疏Informer

Informer模型采用ProbSparse自注意力机制，通过KL散度优化注意力分布，减少计算复杂度至O(L log L)，解决了长序列处理中的效率问题。解码器支持生成式预测，直接输出多步预测结果，避免了误差传播。

2.6. proposed模型实现流程

混合模型堆叠BiLSTM和Informer层，BiLSTM处理双向序列依赖，Informer聚焦关键特征。输入矩阵包含24个特征（如PV功率、气象数据、循环编码），通过超参数优化（如头数4、头大小64、丢弃率0.2）实现最佳性能。训练使用Adam优化器，学习率0.005，批量大小64，周期30，并采用早停防止过拟合。

2.7. 建模超参数和评估指标

评估采用均绝对误差(MAE)、均方根误差(RMSE)和确定系数(R²)。模型在Python 3环境中开发，80%数据用于训练，20%用于测试，2023年数据用于离线验证。

3.1. 基准模型

比较了多种机器学习和深度学习模型，包括LASSO、KNN、XGBoost、SVR、堆叠集成和LSTM/GRU。XGBoost表现较好(R²=0.81)，但深度模型如GRU(R²=0.899)和LSTM(R²=0.874)在长时预测中因误差累积而性能下降。

3.2. 在线模型跨指标预测性能

BiLSTM-Informer模型在测试中达到R²=0.952，MAE=1.22?kWh，RMSE=2.21?kWh，优于所有基准模型。短时预测（小时和日）准确率超90%，长时（周和月）更稳定，整体精度91-97.3%，处理时间合理。

3.3. 特征增强对性能的影响

特征优化显著提升模型表现，太阳辐照度和循环时间特征成为 top predictors。可视化比较显示，该模型能准确捕捉峰值和低谷期，验证了其鲁棒性。

4. 网络推理验证离线准确性

模型通过Streamlit在Orender部署，实时推理准确率95%，延迟最大311毫秒。季节性分析显示春季和冬季精度最高，夏季略低 due to天气不确定性。模型在各种时间尺度上均保持高精度，支持电网管理和故障检测。

研究结论表明，BiLSTM-Informer混合模型通过特征优化和先进架构，显著提升了光伏发电预测的准确性和可靠性。实时部署验证了其在实际应用中的有效性，为智能电网和可再生能源集成提供了强大工具。未来工作可探索概率预测、跨区域迁移学习以及多传感器数据融合，以进一步增强模型在极端天气或低数据场景下的韧性。