基于GAN增强辐照度图与深度神经网络的时空太阳能功率预测

《Energy and AI》：Spatio-temporal solar power forecasting using GAN-enhanced irradiance maps and deep neural networks

　　

摘要专业翻译 准确的太阳能功率预测对于电力系统的高效规划与运行至关重要。本研究开发了一个集成时空辐照度预测与概率建模的多时域短期太阳能功率预测框架。在该框架内，生成对抗网络（GAN）根据历史观测生成未来的全球水平辐照度（GHI）图，捕捉影响太阳能发电的相关时空变化。随后，将生成的辐照度特征与历史发电量及气象数据融合，利用不同的神经网络产生基于分位数的预测结果。该框架在加利福尼亚州、北卡罗来纳州和得克萨斯州三个案例研究中的七个光伏（PV）系统上进行了评估，使用了NSRDB和PVOutput数据集，预测时域分别为10、30和60分钟。此外，与最近观测到的GHI和观测到的未来GHI进行比较，以检验预测的未来GHI信息的增量价值。结果表明，在10分钟时域上，GAN生成的辐照度特征的贡献有限，但在30和60分钟时域上，其贡献在不同地区和预测架构中变得更加明显。概率评分指标在较长时域上也变得更加有利，尽管覆盖率校准的一致性仍然较差。这些发现表明，生成的未来辐照度可为小时内光伏预测提供补充信息。

论文解读文章

研究背景与问题提出

随着光伏（PV）发电在电力系统中渗透率的持续提升，辐照度波动对电网可靠运行的影响日益显著。准确的太阳能功率预测有助于调度人员管理备用容量、缓解爬坡需求并提升经济效率。已有研究表明，即便预测精度的微小提升，也能在大规模系统中降低燃料消耗、机组启停成本及光伏弃电率。

当前太阳能功率预测方法主要分为四类：物理模型、统计方法、机器学习方法和基于图像的方法。物理模型依赖辐射传输原理与数值天气预报，但常受制于地面测量和卫星影像的空间与时间分辨率；统计方法虽能捕捉历史趋势，却难以表征短期变率中快速变化的非线性动态；深度学习方法，尤其是循环神经网络（如LSTM、GRU及其变体），已被广泛用于捕捉PV发电中的非线性时间依赖，但大多数现有机器学习方法主要依赖历史观测的PV输出和气象变量，无法充分捕捉云结构演变这一超出短提前期的主要不确定性来源。

为克服纯时间模型的局限，近年研究探索通过生成式或基于图像的方法引入前瞻性空间信息。例如，基于LSTM的生成对抗网络（GAN）可从卫星图像预测未来云分布，或生成未来太阳辐照度图。然而，现有方法仍存在若干挑战：其一，许多方法依赖需要详细系统特定参数（如面板朝向、装机容量）的辐照度-功率转换公式，而这些参数对于分布式PV系统往往不可获得；其二，生成模型提供的未来空间信息在概率性PV预测框架中的集成仍然有限，多数研究聚焦于确定性预测；其三，生成的辐照度图在不同时域和气候条件下对预测性能的提升程度尚未被系统研究。

研究内容与核心结论

针对上述空白，本研究开发了一个GAN辅助的短期PV预测框架，将生成的GHI图作为辅助空间特征直接集成到基于神经网络的量化预测模型中，避免了对系统特定元数据的依赖。该框架在10、30和60分钟三个预测时域上，通过确定性与概率性指标及配对统计比较进行了系统评估，并在加利福尼亚州、北卡罗来纳州和得克萨斯州三个地理与气候特征不同的区域进行了跨区域验证。

研究结果表明，在10分钟时域上，GAN生成辐照度特征的贡献有限；但在30和60分钟时域上，其贡献在不同地区和预测架构中均变得更加明显。概率评分指标在较长时域上也更为有利，尽管覆盖率校准的一致性仍有不足。这些发现表明，生成的未来辐照度可为小时内光伏预测提供互补信息。

关键技术方法概述

研究人员构建的框架包含三个主要组成部分：数据预处理、基于GAN的时空GHI预测模块，以及深度神经网络预测模块。数据预处理方面，利用美国国家太阳辐射数据库（NSRDB）的2公里分辨率网格数据，通过普通克里金插值（ordinary kriging with spherical variogram）将9×9的原始网格加密至约250米有效分辨率，形成64×64像素的GHI场。发电量数据来自PVOutput.org平台，覆盖7个小型PV系统。特征筛选采用皮尔逊相关系数（PCC），以|r|≥0.3为阈值保留与PV发电量具有至少中等关联的变量，如GHI、太阳天顶角、一年中的第几天及日出后分钟数。GAN方面，训练了三个时域特定的分层多尺度GAN，每个模型接收相同的输入张量X∈??×??×??（5帧历史GHI图），分别预测10、30和60分钟的未来GHI图。预测模块采用多种神经网络架构（包括LSTM、BiLSTM和Transformer等）生成基于分位数的概率预测。

研究结果

4.1 GAN生成辐照度图质量评估

研究人员通过定量指标和可视化比较评估了GAN生成GHI图的质量。结果表明，生成图在空间结构和辐照度梯度方面与真实观测具有较高的一致性，能够合理捕捉云团移动和演变特征。不同时域下生成质量存在差异，较长时间域（60分钟）的生成图与真实图的偏差相对更大，但仍保留了有价值的空间信息。

4.2 确定性预测性能比较

在10分钟时域上，加入GAN生成辐照度特征对预测精度的提升有限，与仅使用历史观测的基线模型相比差异不显著。然而在30和60分钟时域上，包含生成辐照度特征的模型在多个地区和多种预测架构下均表现出更低的均方根误差（RMSE）和平均绝对误差（MAE），表明未来辐照度信息在较长提前期下具有增量价值。配对统计检验进一步确认了这些改进的显著性。

4.3 概率预测性能评估

概率评分指标（如连续排名概率分数CRPS）在较长时域上更为有利，加入生成辐照度特征后概率预测的锐度有所提升。然而，覆盖率校准的一致性在不同地区和时域下表现不稳定，部分情况下预测区间过宽或过窄，表明概率预测的不确定性量化仍有改进空间。

4.4 跨区域比较分析

三个案例研究区域（加利福尼亚、北卡罗来纳、得克萨斯）的结果显示，GAN生成辐照度特征的贡献在不同气候条件下存在差异。在云量变化更频繁、辐照度波动更剧烈的区域，生成辐照度信息的价值在较长时域上更为突出。总体而言，跨区域结果一致支持生成未来辐照度可作为小时内光伏预测补充信息的结论。

4.5 计算性能与局限性

研究人员报告了GAN训练和推理的计算成本，指出在标准GPU硬件上可满足近实时预测需求。局限性方面，研究指出NSRDB数据的时间分辨率（10分钟）限制了更短时域预测的评估；GAN生成图的误差会随提前期延长而累积；概率预测的覆盖率校准一致性不足，可能需要更复杂的后处理或不确定性建模方法。

讨论与结论

讨论部分指出，GAN生成辐照度特征在较长时域（30和60分钟）上的贡献更为明显，这与云动力学的时间尺度一致——较短提前期内辐照度的持续性较强，历史观测已包含大部分预测信息；而较长提前期内云结构演变带来的不确定性增加，使前瞻性空间信息更具价值。研究还讨论了不同预测架构对生成特征吸收能力的差异，以及跨区域结果差异的可能原因。

研究结论部分总结如下：本研究开发并系统评估了一个GAN辅助的短期光伏功率预测框架，将生成的时空GHI信息直接集成到神经网络的量化预测模型中，无需依赖辐照度-功率转换或详细系统元数据。在三个地理和气候不同区域、七个PV系统上的评估表明，GAN生成的辐照度特征在10分钟时域贡献有限，但在30和60分钟时域上提供了显著的增量价值，概率评分在较长时域上也更有利，尽管覆盖率校准一致性仍需改进。这些发现表明，生成的未来辐照度可为小时内光伏预测提供互补信息，为高光伏渗透率电力系统的运行调度提供了有价值的参考。未来研究方向可包括改进GAN架构以提升更长时域的生成质量、开发更稳健的概率校准方法，以及将框架扩展至更多样化的地理和气候条件。