集成多通道信息概率扩散发电技术的光伏集群功率超短期跨季节预测方法及改进的偏差损失策略

《Expert Systems with Applications》：Photovoltaic cluster power ultra-short-term cross-seasonal prediction integrating multi-channel information probabilistic diffusion generation and improved offset loss strategy

本研究提出一种融合气象波动分析与季节特征建模的超短期光伏功率预测框架，创新性采用多通道Gram角和场（MGASF）变换矩阵捕获多维气象特征，结合去噪扩散概率模型（DDPM）增强罕见气象场景生成，并构建时空特征融合的视觉Transformer（VIT）与双向长短期记忆网络（BILSTM）模型，通过改进的变权重平滑L1损失函数实现季节自适应预测。在内蒙古1,395MW光伏集群实测数据验证中，预测误差降低3.02%，决定系数提升2.19%，有效解决跨季节数据稀疏与气象多变问题。

　　在当前的太阳能光伏发电（PV）预测研究中，准确预测在复杂气象条件下的发电功率仍然是一个具有挑战性的任务。特别是由于显著的季节性变化，使得发电模式变得模糊不清，从而增加了预测的难度。本文提出了一种创新的超短期预测框架，该框架融合了气象波动性分析与季节特征建模，以提升预测的准确性。研究中引入了一种专门设计的多通道Gram角和求和场（MGASF）变换矩阵，用于全面捕捉气象波动信息，随后利用去噪扩散概率模型（DDPM）对代表性不足的天气场景进行策略性增强，以提高相似日识别的准确性。此外，研究还构建了一个融合多通道视觉Transformer（VIT）与双向长短期记忆（BILSTM）网络的混合架构，以协同分析光伏发电相似识别中的时间依赖性和空间模式。为了进一步适应不同季节的预测需求，研究还设计了一种改进的变量权重Smooth L1损失函数，建立了一个优化的季节对齐机制，实现了在不同气象条件下高精度预测，同时降低了计算成本。通过在内蒙古西部的一个大型光伏集群的实际运行数据中进行严格的验证，所提出的方法在预测精度上取得了显著的提升，包括归一化均方根误差（NRMSE）降低了3.02%，归一化平均绝对误差（NMAE）减少了1.65%，而R2则提升了2.19%。这些显著的改进表明，该框架能够有效缓解季节性影响，同时在复杂气象环境中保持预测的可靠性。

在现有研究中，超短期PV功率预测主要依赖于人工智能、统计或物理建模方法，基于历史功率或数值天气预测（NWP）进行预测。然而，受天气混沌性的影响，频繁发生的极端天气事件、突发的气象变化等不确定性因素，使得当前的预测精度提升仍面临技术挑战。为了解决这一问题，已有研究主要集中在输入特征的提取与选择、预测模型的优化、预测结果的校正以及基于相似日筛选的精细建模。大量研究表明，PV气象波动是影响预测精度的主要不确定性来源。值得注意的是，短期气象变化，如突然的云层变化，会直接使预测误差的标准差增加20%–35%。在特征提取方面，许多研究采用基于时域或频域分解的方法，从气象或功率序列中提取低频成分，从而提高PV功率的可预测性。例如，Yan等人（2021）采用小波分解方法，以提升超短期PV功率的预测能力，一些研究也应用了这种方法以提高短期功率的预测能力。Rathore等人（2025）提出了快速傅里叶变换（FFT）方法，用于预测日前PV功率。为了适应不同的预测性能和任务需求，许多研究将功率或气象因素分解为不同频率的成分，并采用组合预测方法以提高可预测性。

在模型优化方面，大多数研究采用了集成预测、模型改进以及基于群体智能优化算法的模型优化方法，以增强模型的泛化能力和提高PV功率预测的准确性。例如，Yang等人（2025）提出了基于图卷积网络（GCN）与长短期记忆网络（LSTM）的PV功率预测模型。类似的模型包括GCN与BILSTM的结合（Jannah等人，2024）以及图注意力（GAT）与BILSTM的结合（Yang等人，2025）。Xiao等人（2023）提出了一种改进的模型，基于卷积神经网络（CNN）与LSTM。Khan等人（2022）提出了一种基于深度学习的改进堆叠模型，而Hu等人（2024）提出了一种基于自注意力机制的改进模型。这些改进模型在一定程度上提升了原始模型的学习性能和泛化能力。基于群体智能优化算法的模型优化策略，如麻雀搜索算法（SSA）（Li等人，2024）、灰狼优化（GWO）算法（Ge等人，2020）以及秘书鸟优化（SBO）算法（Liu等人，2025），能够通过优化模型参数显著提升预测性能。在预测校正方面，适当校正原始预测结果可以有效减少误差，提高不同场景下的预测准确性。这些方法通常包括基于误差的映射校正、基于场景的精细校正以及误差时间序列预测的校正。然而，基于提取可预测成分的方法不仅需要大量的建模时间成本，还可能导致信息泄露，从而产生虚假的预测准确性。基于模型优化或改进的方法虽然可以提升模型的泛化能力或学习能力，但优化时间成本会随着模型参数数量的增加而呈指数增长。在数据分布不均匀的情况下，这些方法的效果并不显著，而数据本身存在的跨季节性变化使得模型难以通过学习捕捉到这些变化，因此不适用于动态气象场景。误差校正策略需要额外的误差校正建模，而校正集群则必须考虑更复杂的误差演变机制，校正结果呈现出一定的随机性。

为了减少跨季节场景差异和气象波动导致的预测误差，研究人员关注于相似日识别和天气模式分类，以从类似气象条件下提取确定性成分，从而实现跨季节场景的预测。大多数研究倾向于使用聚类方法进行相似日选择，包括局部敏感哈希算法（LSHA）（Yang和Huang，2018）、k-means++聚类（Bai等人，2023）以及基于k-medoids聚类的软动态时间规整（Li等人，2021）。其他方法则通过历史功率数据间接描述相似日（Gu等人，2021），云层覆盖指标（Zhen等人，2019）以及卫星云图（Zhen等人，2024）来表征相似日。这些方法主要通过聚合相似样本来减少预测不确定性，提高模型的泛化能力和学习能力，相关系数分析（Hu等人，2020）等其他指标也常被采用。

尽管无监督聚类可以识别具有相似性的样本，但PV功率通常受到多维气象交互的影响，因此单一性能指标和有限的PV样本可能会影响聚类性能，导致误分类或类别重叠，从而降低建模准确性。为此，研究人员探索了PV样本生成和监督分类方法。在样本生成方面，Wang等人（2019）利用生成对抗网络（GAN）与CNN相结合的方法来识别天气模式，而Assaf等人（2023）则应用GAN与卷积支持向量机（CSVM）相结合的方法以提高预测能力。Park等人（2024）提出了一种基于Wasserstein GAN与梯度惩罚（WGAN-GP）的网络策略，以缓解传统GAN输出中的噪声问题，而Huang等人（2022）则开发了一种基于BILSTM驱动的条件生成方法，用于时间依赖性样本的生成。然而，传统GAN、条件GAN（CGAN）和WGAN-GP框架在训练稳定性、多条件冲突和噪声数据方面存在挑战，阻碍了稳定高保真样本的生成。

在监督天气模式识别方面，Venugopal等人（2019）采用CNN进行天气状态识别，Zheng等人（2023）采用极端学习机器（ELM）进行波动天气预测，而Li等人（2022）则实施深度神经网络（DNN）进行云层覆盖检测。为了提高时间序列数据中信息的敏感性，Wang等人（2024）采用CNN与单通道Gram角和场（GAF）相结合的方法，以识别异常的PV曲线。Hong等人（2020）基于单通道GASF提取时间特征，并用于预测太阳辐射。He等人（2025）采用GASF与CNN-LSTM相结合的方法，以识别异常的PV功率条件。虽然单通道GAF可以实现敏感特征的提取和典型特征的放大，但单个GAF所包含的信息可能不足以描述特定场景，因此需要融合多维特征以增强典型场景的捕捉能力。尽管CNN等深度学习方法可以实现合理的预测精度，但其对序列特征的不敏感性、对局部细节的不足捕捉以及对时间依赖性的建模能力有限，使得其在复杂气象场景和多标签分类任务中的性能受到限制。

PV功率表现出明显的季节性特征，受到地球自转的影响，春季和夏季的太阳辐射水平显著高于秋季和冬季，显示出明显的周期性变化。由于季节性影响，单一预测模型可能难以获得泛化的预测性能。为此，许多研究探索了季节性PV建模框架，采用针对不同季节的多个模型。Zhou等人（2020）和Hu等人（2018）开发了四个专门的模型，用于季度PV功率预测，Yang和Dong（2018）提出了一个季节时间序列集成方法用于PV预测。Han等人（2019）引入了一种考虑季节性PV波动的多模型融合方法，一些研究甚至将季节性模式整合扩展到长期PV预测（Lee和Kim，2019；Bett等人，2022）。尽管多模型集成提高了跨季节预测的准确性，但高建模成本和在有限训练样本下的泛化能力下降，逐渐限制了季节性建模策略的实用性。

综上所述，当前关于跨季节PV功率预测的研究存在以下问题：首先，PV功率的气象综合性和PV样本的稀缺性使得难以通过无监督聚类获得准确的类别边界，误分类或类别混淆难以避免。其次，在样本生成方法中，传统基于GAN、CGAN和WGAN-GP的生成策略存在训练不稳定、多条件冲突和噪声数据等问题，使得难以获得稳定和高保真的真实样本。第三，基于深度模型如CNN的场景识别方法难以捕捉时间依赖性和局部敏感的细节，单一的序列特征信息限制了模型的学习能力。第四，当前的跨季节PV功率预测方法难以在建模成本和预测精度之间取得平衡，且难以避免样本的误分类或类别混淆，对于稀疏样本场景难以获得高度泛化的预测结果。针对上述问题，本文提出了一种跨季节PV预测方法，摒弃了传统的无监督聚类方法，引入了多通道GASF以提取多维特征中的敏感时间信息，并以多通道图的形式生成输入，融合了机器视觉与时间依赖性捕捉器，采用VIT与BILSTM的结合方式，以学习多维气象包含的关键场景特征。提出了一种基于DDPM的PV场景生成方法，以减少生成数据的噪声并提高样本的稳定性。设计了一种针对跨季节PV场景预测的改进加权Smooth L1损失函数，能够引导模型做出向上和向下偏移的决策，实现高精度和高效率的跨季节PV功率预测，而无需进行季节分类和多模型训练与选择。

本文的其余部分包括：第二节“方法论”，第三节“案例研究”，第四节“分析与讨论”，以及第五节“结论”。在方法论部分，研究详细介绍了多通道GASF图转换矩阵的构建过程。GAF（Yang等人，2024）是一种可以将时间序列转换为二维图像的方法，通过坐标变换提取时间序列中隐藏的敏感信息，是一种有效的特征提取方法。GAF包括Gram角差场（GADF）和Gram角和场（GASF）。本文主要采用GASF进行特征提取，其主要原理如下：假设存在一个包含n维特征的矩阵G，该矩阵用于捕捉气象波动信息，通过多通道GASF的构建，可以有效地融合不同维度的气象特征，从而提高预测的准确性。

在案例研究部分，为了验证本文方法的有效性，研究使用了中国内蒙古西部一个大型光伏集群从2020年至2022年的数据，包括每个站点的测量功率和网格化NWP。该集群共有30个光伏电站，总装机容量为1,395?MW，所有数据均以15分钟为间隔进行采样。为了评估预测效果，本文主要采用了归一化均方根误差（NRMSE）和归一化平均绝对误差（NMAE）等指标，以衡量预测的准确性。通过对比不同预测方法，研究进一步证明了所提出方法在实际应用中的有效性。

在跨季节光伏集群动态划分的可行性分析部分，研究首先对比了不同的光伏预测方法。为了有效预测不同波动过程中的光伏功率，研究将30个光伏电站划分为不同的集群。具有相似波动天气的光伏电站被划分为一个子集群，最终获得三个具有不同波动程度的光伏子集群。通过这种方式，有效地实现了波动趋势的预测。为了进一步证明其有效性，研究引入了不同的预测方法进行对比，以评估所提出方法在实际应用中的性能。

在结论部分，本文提出了一种跨季节光伏集群功率预测方法，该方法集成了三个核心创新：第一，基于DDPM的概率扩散机制与VIT-BILSTM气象生成的结合；第二，增强的偏移损失函数；第三，熵增强的k-means聚类用于构建分层波动样本集。该框架采用多通道GASF来融合关键的气象要素，利用DDPM和VIT-BILSTM进行天气场景的生成，从而提高了预测的准确性。同时，该方法通过改进的加权Smooth L1损失函数，实现了高精度和高效率的跨季节PV功率预测，而无需进行季节分类和多模型训练与选择。

综上所述，本文提出的方法在提高跨季节PV功率预测的准确性方面具有显著优势。通过引入多通道GASF图转换矩阵，有效捕捉了多维气象特征中的时间波动信息，从而提升了预测的稳定性与精确度。此外，基于DDPM的样本生成策略减少了生成数据的噪声，提高了样本的稳定性，为后续的预测建模提供了更可靠的输入数据。改进的加权Smooth L1损失函数能够灵活应对不同天气场景下的偏移问题，从而实现高精度的预测，而无需额外的季节分类或多模型训练。通过在实际案例中的验证，所提出的方法在多个指标上均表现出优于传统方法的性能，充分证明了其在复杂气象条件下的适用性与有效性。这些创新不仅提升了预测的精度，还降低了计算成本，使得该方法在实际应用中具有更高的可行性与推广价值。