一种基于混合深度学习框架的日前光伏发电量预测方法,该方法利用粗粒度天气数据进行预测

《Renewable Energy》:A Hybrid Deep Learning Framework for Day-Ahead PV Forecasting Using Coarse-Grained Weather Data

【字体: 大 中 小 】 时间:2026年01月19日 来源:Renewable Energy 9.1

编辑推荐:

  光伏低分辨率气象数据预测框架与双分支预测策略

  
Xuhui Hu|Huimin Li|Chen Si|Yue Tang
山东大学电气工程学院,济南,25000,中国

摘要

准确的次日光伏发电量预测对于电网的稳定性和市场运作至关重要,尤其是在高分辨率天气数据无法获取的情况下。现有模型在处理粗粒度气象输入时往往会出现预测精度下降或数据泄露风险。本文提出了一种新颖的深度学习框架,该框架利用低分辨率天气数据提高光伏发电量预测性能,并在分解过程中明确避免了信息泄露。所提出的方法结合了三个关键组成部分:(1)相似日重建策略,通过多段加权相似性匹配识别和排序过去的气象-光伏发电量曲线;(2)双分支预测模块,该模块将趋势建模和波动性建模分开,其中多变量变分模态分解用于无泄露地提取趋势;(3)多流学习卷积网络,该网络融合了长短期记忆网络、卷积神经网络、残差网络和注意力机制来捕捉多尺度时间特征。最终预测结果是通过两个分支的加权积分得到的。在三个光伏发电量数据集上的广泛实验表明,所提出的方法在多种天气条件下均优于基准模型(例如长短期记忆网络、Transformer)。即使在低分辨率天气数据的情况下,该方法也能保持稳定的预测精度。该框架展示了强大的泛化能力、在避免信息泄露方面的方法论严谨性,以及在现实世界光伏发电量预测应用中的实际价值,尤其是在高分辨率天气数据难以获取的情况下。

引言

化石燃料长期以来一直推动着经济增长,但其过度使用导致了严重的环境问题,这促使全球向更清洁、低碳和可持续的能源来源转变[1]。其中,光伏(PV)发电由于其可持续性、可扩展性和环境效益而得到了迅速发展[2]。全球光伏发电容量从2010年的40吉瓦增长到2021年的843吉瓦,并预计到2030年将达到1700吉瓦[3]。
然而,光伏发电量本质上具有间歇性和依赖天气的特性,这给电力系统带来了运营挑战[4]。因此,准确的次日光伏发电量预测对于电网稳定性、调度规划和市场参与至关重要[5]。与一小时预测相比,15分钟间隔的预测提供了更细的时间粒度,从而能够做出更好的调度和出价决策。然而,这类预测的准确性常常受到粗粒度或不完整气象数据的限制,这在分布式和小规模光伏系统中很常见[6]。因此,在粗粒度天气数据下提高预测性能仍然是一个关键技术挑战。
次日光伏发电量预测是一个时间序列预测问题[7]。现有方法包括物理模型、统计方法和深度学习技术。物理模型依赖于详细的系统参数和高分辨率气象数据[8][9],这限制了它们的实用性。统计方法如自回归外推(ARE)[10]、自回归积分滑动平均(ARIMA)[11]和带有外生输入的自回归滑动平均(ARMAX)[12]虽然计算效率高,但在模拟光伏发电量的非线性方面存在困难[13]。
深度学习技术如长短期记忆网络(LSTM)[14]、卷积神经网络(CNN)[15]和门控循环单元(GRU)[16]在学习复杂的时间依赖性方面表现出色。混合模型通过结合多种架构进一步提高了性能。例如,Tang等人[17]结合了迁移学习和注意力增强的CNN以及双向LSTM(BILSTM)来提高泛化能力。Houran等人[18]通过超参数调整优化了CNN-LSTM混合模型。Song等人[19]整合了循环神经网络(RNN)、变换器架构和LSTM来捕捉长距离依赖性。其他研究使用增强和历史匹配方法处理不完整或低质量的天气数据:Polasek等人[20]开发了SolarPredictor用于低质量天气预测。Li等人[21]使用相似日数据进行鲁棒训练,Arias等人也进行了类似的研究。
尽管取得了显著进展,但仍存在关键挑战。混合模型通常依赖于网络的简单线性堆叠[17][18],这限制了它们完全捕捉复杂时空依赖性的能力。此外,过于复杂的架构可能会遇到梯度消失或爆炸的问题,从而降低泛化性能[22]。
为了处理数据波动性和不确定性,已经应用了小波包分解(WPD)[23]和小波变换[24]等分解技术来分离高频和低频成分。然而,这些方法往往会导致时空信息泄露,即未来数据无意中影响预测结果,从而降低模型的有效性[22]。
同样,聚类方法(如K-means++ [25])常用于构建相似日组以提高训练样本的质量。然而,这些技术经常存在聚类边界不明确、时间粒度不一致和时间不连续的问题,这降低了实际应用中的预测鲁棒性[26]。
为了克服这些限制,本文提出了一种多阶段混合深度学习框架,能够在粗粒度气象输入下提供准确的光伏发电量预测结果。该框架引入了以下核心创新:
  • 1.
    相似日构建:该方法消除了聚类技术中常见的时间不连续性问题,同时保持了数据完整性,提高了训练输入的质量。
  • 2.
    多变量变分模态分解(MVMD):利用MVMD捕捉类似趋势的波动,同时减少高频噪声。相似日重建的新用法确保了分解过程中不会发生时空泄露,增强了数据完整性。
  • 3.
    多流学习卷积网络(MSLCnet)架构:MSLCnet结合了并行处理路径和残差连接,以增强特征提取能力,保持梯度稳定性,并提高堆叠网络的表示深度。
  • 4.
    双曲线预测策略:结合了关注波动性和关注趋势的分析方法,即使在低分辨率或不匹配的天气数据下也能实现准确和可靠的预测。
  • 在光伏发电量预测领域,由于数据集、天气数据分辨率和站点特定条件的差异,目前还没有被广泛认可的“最先进(SOTA)”模型。正如最近的综述研究[27]所指出的,报告的预测精度差异很大,不同研究之间的可比性很低。为了解决这个问题,我们在相同的数据预处理、训练和评估条件下重新实现了包括CNN-LSTM、BILSTM和Transformer在内的代表性高级模型。选择这些模型是基于它们明确的方法论、透明的数据集使用以及在水文预测领域中的确立相关性。这种方法确保了公平和透明的比较,避免了由于数据集差异、特征工程或调整工作导致的偏见。我们并不是声称比绝对的SOTA更优越,而是展示了在现实、数据粗糙的情景下我们方法的一致性改进。
    虽然该框架主要用于次日预测,但15分钟的粒度也支持实时的日内预测,使市场参与者能够调整策略、减少不平衡惩罚并优化交易决策。本文的其余部分结构如下:第2节详细介绍了所提出的框架和方法论。第3节介绍了MSLCnet混合深度学习模型。第4节描述了数据集、使用的气象数据和实验设置。第5节展示了实验评估和基准比较。第6节讨论了实际考虑因素和局限性。最后,第7节总结了本文。

    部分摘录

    预测框架

    如图1所示,所提出的预测框架包括三个阶段:相似日数据集构建、双分支预测曲线生成和最终预测曲线合成。
  • 1.
    相似日数据集构建:该过程首先识别与目标日的天气预报最匹配的历史日子。使用2小时的时间段粒度,通过相似性匹配算法从数据库中重建最相似的历史日子。
  • MSLCnet架构

    大多数现有的光伏发电量预测混合学习模型采用顺序堆叠设计,通过层层叠加神经网络来增加深度。然而,这种方法往往降低了可解释性,减慢了收敛速度,并限制了泛化能力。此外,将特征提取限制在单个网络中会限制灵活性和可扩展性。不同的网络架构在捕捉不同模式方面表现出色,但简单的堆叠方式未能充分利用它们的互补优势。

    数据集划分和描述

    为了全面评估所提出框架的可靠性、泛化能力和预测准确性,我们使用了三个不同的数据集进行实验验证:
  • •
    青岛数据集(QD-PV):该数据集来自中国山东省青岛市的一个分布式光伏电站,涵盖了2023年10月12日至339天的数据,采样间隔为15分钟。它包括真实的光伏发电量输出数据以及外部获取的历史和预测天气信息。
  • 实验

    为了全面评估所提出方法的有效性、适用性和适应性,我们设计了三种类型的实验:
  • 1.
    框架消融研究(实验1):在该实验中,我们在QD-PV数据集上评估了框架中每个组件的贡献。通过系统地移除各个组件并评估它们的影响,我们验证了每个模块的必要性,确保了框架设计的合理性和有效性。
  • 实际考虑因素和局限性

    我们的实验表明,使用典型的消费者计算能力,我们的方法只需几秒钟即可完成训练和预测,这突显了其在日内市场中的潜在应用价值,日内市场的交易间隔通常为几分钟。为了有效支持日内市场,预测模型必须能够根据最新可用数据动态更新。最近的研究,如Kothona等人[60],探索了基于自适应Transformer的模型,这些模型可以持续改进预测性能。

    结论

    准确预测次日的光伏发电量在96个时间点对于维持电网稳定性、优化调度和提高分布式光伏电站的盈利能力至关重要——特别是随着这些电站越来越多地参与电力市场交易。然而,许多分布式站点在获取高分辨率气象数据方面面临限制,这影响了预测的准确性。
    为了解决这个问题,我们提出了一种新颖的多阶段混合深度学习框架。

    CRediT作者贡献声明

    Xuhui Hu:撰写——审稿与编辑、撰写——原始草案、可视化、验证、软件、方法论、调查、形式分析、数据整理、概念化。Huimin Li:撰写——审稿与编辑、验证、监督、资源管理、项目协调、方法论、资金获取、概念化。Chen Si:撰写——审稿与编辑、验证、软件、方法论、调查、数据整理。Yue Tang:撰写——审稿与编辑、验证、调查

    未引用的参考文献

    37.

    数据可用性声明

    支持本研究发现的数据集在GitHub上公开可用:https://github.com/XUhui-gpu/Photovoltaic-data-set.git

    利益冲突声明

    ? 作者声明以下可能被视为潜在利益冲突的财务利益/个人关系:
    相关新闻
    生物通微信公众号
    微信
    新浪微博
    • 搜索
    • 国际
    • 国内
    • 人物
    • 产业
    • 热点
    • 科普

    热点排行

      今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

      版权所有 生物通

      Copyright© eBiotrade.com, All Rights Reserved

      联系信箱:

      粤ICP备09063491号