面向快速频率响应的物理信息稀疏深度神经网络太阳能发电预测框架

《Scientific Reports》：Physics-informed sparse deep neural networks for ultra-fast solar power forecasting and frequency response support in ancillary service markets

　　# 摘要随着太阳能光伏（PV）系统在现有电网中的渗透率不断上升，由此带来的大幅波动和不确定性对频率稳定性和可靠的辅助服务构成了关键挑战。本研究提出了一种新颖的"物理信息稀疏深度神经网络"（PI-SDNN）框架，专门用于实现快速准确的太阳能发电预测，以满足辅助服务市场中快速频率响应（FFR）的需求。该方法将辐照度-功率相关性、逆变器动态特性和爬坡速率限制等领域特定的物理约束融入稀疏促进的深度学习中，从而具备更优的泛化能力、更低的计算复杂度和更高的可解释性。PI-SDNN模型利用结构化物理信息正则化，从高分辨率气象数据和历史发电数据中提取丰富的时空特征。该方法确保快速推理，适用于实时电网运行，同时在高度动态的环境场景中保持预测精度。此外，预测结果与频率响应支持模块高度关联，有助于太阳能并网辅助服务的主动部署和备用容量配置。基于真实太阳能数据集的大量仿真表明，所提出的框架优于经典深度学习和统计模型，在预测精度指标上提升了25%–40%，并显著降低了计算延迟。PI-SDNN与电网频率管理的结合增强了反应速度，减少了扰动期间的频率最低点波动。研究结果表明，物理信息稀疏学习作为一种颠覆性工具，具有广阔潜力，可推动太阳能可靠、可扩展且商业可行的参与快速频率响应服务，从而提升未来低碳电力系统的韧性和可持续性。