面向缺失数据的超短期太阳辐照度预测：一种基于多模态融合的不完全多视图聚类方法

《Renewable Energy》：Ultra-short-term solar irradiance forecasting for missing data: A multi-modal fusion-based incomplete multi-view clustering method

　　

•一个端到端框架联合优化插补与多视图聚类。•自适应加权改进缺失观测下的多模态补全。•天气状态特定模型增强超短期辐照度预测。•在两个数据集上10%–30%缺失率下取得稳健增益。

引言

随着能源需求增长和环境意识提高，光伏发电已成为关键能源资源[1]。太阳辐照度具有固有的间歇性和随机性，阻碍了光伏系统的稳定并网。Ahmed等人[2]系统综述了代表性光伏预测技术及其优化策略。Jonathan等人[3]证明了将天空图像与历史数值数据结合用于超短期太阳预测的有效性。Sarmas等人[4]研究了使用元学习和不依赖数值天气预报的长短期记忆（LSTM）模型进行短期光伏预测。此外，传感器故障、通信错误和极端天气经常导致光伏数据缺失[5]。数据丢失破坏了时间序列的连续性，削弱了时序和多变量相关性的建模，降低了模型鲁棒性。因此，在不完整数据条件下准确预测辐照度仍是相关研究的突出挑战。

现有方法通过时空和统计分析恢复缺失的光伏数据。相关研究已采用超分辨率策略[6]、混合学习[7]、图模型[8]和生成网络[9]进行数据插补。传统方案主要分为统计插值和机器学习方法，包括k近邻（KNN）[10]、编码器-解码器网络[11]、变分自编码器[12]和循环神经网络[13]。近期，天气感知和上下文感知的Transformer框架利用气象信息和时序依赖关系，改善了严重缺失下的光伏数据重建[14]。然而，这些方法难以捕捉光伏时间序列的非线性特征，且无法使插补结果很好地适应下游预测任务。

近年来，深度学习在缺失数据恢复方面取得了重大进展。已提出多种网络结构，如具有自适应插补的循环网络[15]、使用辅助气候数据的模型[16]、混合Transformer[17]以及迁移学习[18]。天空图像与气象观测的多模态融合在超短期辐照度预测方面也证明了其有效性[19]。然而，大多数深度学习方法未能充分挖掘多变量相关性，限制了数据恢复与预测的联合优化。天气感知的分区方法也已被广泛利用以提高光伏预测精度。Yang等人[20]开发了一种基于天气的混合策略用于光伏功率预测。Nejati和Amjady[21]将特征聚类与混合分类-回归预测框架相结合。Feng等人[22]研究了用于短期太阳预测的无监督聚类。近期，Lyu等人[23]使用门控循环单元-Kolmogorov-Arnold网络模型研究了极端天气条件下的数据驱动短期光伏预测。近期工作进一步将数据插补与聚类结合，以增强复杂天气下的模型鲁棒性，例如采用分层聚类的多阶段方案[24]。两种技术的结合改善了缺失数据下的样本选择和特征学习。然而，大多数现有方法采用串行的"先插补后聚类"流程[25]。这种解耦结构阻碍了聚类到插补的信息反馈，妨碍了针对性特征的生成，最终限制了联合优化和整体预测性能。

为了解决两阶段流水线的解耦问题，不完整多视图聚类（IMVC）实现了数据插补与聚类的端到端联合优化，推进了光伏预测。一系列IMVC方法已被提出。一些工作采用对比学习进行表示学习和缺失数据恢复[26]、[27]。其他研究通过鲁棒聚类设计[28]、跨视图对齐[28]和高阶对比学习[29]提高了可靠性。低秩张量建模提供了利用多视图间高阶相关性的另一重要途径。Pan等人[30]将低秩张量正则化引入图模糊学习以捕捉互补的多视图结构。Cai等人[31]进一步开发了用于不完整多视图聚类的张量化锚点对齐，其中对齐的锚点图和低秩张量约束被用于缓解跨视图锚点不匹配并利用高阶相关性。近期深度多视图研究也关注在复杂缺失或有噪观测下的鲁棒性。Xu等人[32]根据缺失模式对样本分组，并通过基于缺失模式树的集成框架聚合多个聚类决策。Xu等人[33]采用样本级注意力和模拟扰动对齐来学习鲁棒的融合多视图表示。He等人[34]结合全局图引导和局部图加权对比学习以提高不完整和有噪多视图观测下的配对利用率。然而，大多数IMVC方法在图像数据上验证并忽略了时间序列的时序特征。即使通用的多视图聚类框架也未能考虑光伏数据中的多模态动态相关性，限制了其在预测任务中的适用性[35]。

与传统的两阶段方法相比，基于IMVC的联合优化消除了串行工作流固有的误差累积和特征不匹配，在不完整数据下表现更好。然而，当前IMVC方法在处理多变量光伏时间序列方面仍存在局限性。首先，大多数方案使用固定权重或静态预测策略进行数据插补，无法针对变化的数据分布和缺失模式动态调整可变权重。其次，现有方法未充分利用天空图像等互补多模态信息，导致特征表示不足。这些缺陷使模型难以在高缺失率下学习鲁棒的聚类特征，从而限制了超短期光伏预测的预测精度和泛化能力。

为解决上述问题，本研究开发了一种自适应加权不完整多视图聚类引导的辐照度预测（AW-IMVCGIF）框架，采用两阶段任务协调架构，用于多模态不完整观测条件下的太阳辐照度预测。在第一阶段，联合优化缺失特征补全、表示学习和无监督多视图聚类，使聚类目标能够直接优化补全后的潜在表示。在第二阶段，利用学习到的天气状态分配构建有监督的聚类特定辐照度预测模型；预测损失不回传至前面的聚类阶段。采用了包括卷积神经网络（CNN）/双向LSTM（BiLSTM）编码、基于LSTM的自回归建模、InfoNCE对比学习、K-means聚类和匈牙利匹配等标准技术作为基本学习组件。本工作的方法学贡献主要体现在基于ScoreNet的自适应补全机制、其与不完整多视图天气状态学习的集成以及聚类引导的专用预测策略。

主要贡献总结如下：
•本文研究了用于多模态不完整观测下多模态辐照度预测的AW-IMVCGIF框架。缺失特征补全和多视图聚类在无监督前端内联合优化，减少了传统串行插补后聚类策略相关的表示不匹配。学习到的天气状态分配随后指导有监督的聚类特定辐照度预测。
•开发了一种选择性编码和基于ScoreNet的自适应加权补全机制，用于融合多视图跨预测和基于LSTM的自回归预测。配备ScoreNet进行动态样本加权，该机制有效捕捉多变量数据间的复杂相关性，并产生可靠的插补结果。
•引入了一种多级对比学习策略以增强不完整多模态光伏数据的聚类。它捕捉共享的跨视图特征并通过语义约束正则化聚类结果。通过伪标签匹配和损失优化，所提方法逐步精化特征表示和聚类性能。

本文其余部分组织如下。第2节描述研究问题并简要介绍针对数据缺失场景提出的AW-IMVCGIF模型。第3节描述了关键模块的详细信息，包括自适应缺失值插补和预训练、具有聚类精化的多级特征对比学习以及预测策略。第4节使用公共国家可再生能源实验室（NREL）数据集和从山东某光伏电站采集的实际运行数据验证了所提方法的有效性和优越性。第5节总结了本文。

问题描述

我们研究一个包含N个样本的多模态光伏预测数据集，第i个样本由D个观测视图表示为$\{x_{ij}\}_{j=1}^{D}$。多模态输入包括气象时间序列$X_i^t \in \mathbb{R}^{T \times C}$和地面云图像序列$X_i^I \in \mathbb{R}^{T \times C_I \times H_I \times W_I}$。其中，T和C分别表示输入时间长度和气象变量数量，$C_I$、$H_I$、$W_I$分别代表云图像的通道数、高度和宽度。对于本工作中使用的IMVC公式，每个气象变量……

自适应缺失值插补和预训练

固定权重融合无法在高缺失率下充分利用多模态互补信息。为解决这一问题，本文提出了一种自适应特征补全机制。该机制将每个气象变量序列和地面天空图像序列作为独立的观测视图，直接编码可用视图，同时通过跨视图预测和基于LSTM的自回归预测生成缺失特征候选值。

对于每个样本，所提框架采用……

对比方法和评估指标

为全面评估所提AW-IMVCGIF在缺失数据下的表现，选择了七个基线设置并分为三组：完整数据模型、传统插补方法（均值、KNN、LSTM插补）和针对不完整数据的先进聚类方法。后者涵盖三种代表性方法：不完整数据上的聚类表示学习（CRLI）[37]、基于扩散的缺失视图生成（DMVG）[38]以及全局图引导和局部图……

结论

本文提出了一种两阶段任务协调的AW-IMVCGIF框架，以解决光伏预测中普遍存在的缺失数据问题。该框架在其无监督前端内联合优化缺失特征补全和多视图聚类，随后进行有监督的天气状态特定辐照度预测。通过集成选择性编码、基于ScoreNet的自适应加权和多视图对比学习，模型有效挖掘了互补的……

作者贡献声明（CRediT）

Jingxin Zhang：写作–审阅与编辑，写作–原始草稿，验证，监督，资源，项目管理，方法论，调查，经费获取，形式化分析，概念化。
Xiaoqin Wang：写作–审阅与编辑，写作–原始草稿，可视化，软件，方法论，形式化分析，数据整理，概念化。
Yiming Zhou：写作–审阅与编辑，写作–原始草稿，可视化，方法论。

利益冲突声明

作者声明他们没有已知的竞争性经济利益或个人关系，这些关系可能会影响本文所述工作的发表。

致谢

作者衷心感谢国家自然科学基金（项目编号62303114和62527805）、江苏省自然科学基金（项目编号BK20230825）、中央高校基本科研业务费以及东南大学至善青年学者计划提供的资金支持。资助机构在研究设计、数据收集、数据分析、结果解释、论文撰写过程中未参与任何工作。

Jingxin Zhang | Xiaoqin Wang | Yiming Zhou