基于知识迁移与冻结预训练编码器的配电网多层级分布式光伏（DPV）短期功率预测方法

《Energies》：A Multi-Level Distributed Photovoltaic Power Forecasting Method Based on Knowledge Transfer

　　

传统独立训练的用于馈线、主变压器和区域电网层级分布式光伏（DPV）功率预测的模型，未能在配电网层级间显式复用时空表征。该研究提出一种基于知识迁移的多层级短期DPV功率预测方法。首先，在配电变压器区—馈线层级构建融合时间卷积网络（TCN）与自适应图卷积网络（Adaptive GCN）的T-GCN编码块，以捕获多尺度时间依赖和隐式空间相关性。其次，将预训练的馈线层级编码器迁移至主变压器任务并冻结，同时为目标任务训练基于Transformer的跨馈线聚合网络和解码器。在电网层级，气象驱动加权网络融合各主变压器的表征。在一项使用真实运行数据的区域案例研究中，所提方法在三个预测层级上相对于独立训练的T-GCN基线，使归一化均方根误差（NRMSE）和归一化平均绝对误差（NMAE）的等权平均相对降低分别约为20.0%和17.5%。主变压器层级的同架构比较进一步表明，与随机初始化训练相比，微调预训练编码器可提高预测精度，而冻结预训练编码器可进一步降低误差。上述发现支持在评估条件下所提出的预训练—冻结策略。

全球低碳能源转型推动光伏装机快速增长，分布式光伏（DPV，指接入配电网的分布式光伏发电）在配电网中的渗透率显著上升。国际能源署（IEA）报告称，2025年全球新增光伏容量698 GW，累计装机接近3 TW；中国截至2025年12月光伏总装机达1200 GW，同比增长35%，其中DPV为530 GW，占44%。装机增长并未同步解决消纳挑战，部分高渗透地区弃光率反弹，反映分布式资源强波动性与配电网多层级调节能力之间的不匹配。准确短期光伏功率预测是“源网荷”协调和提升配电网消纳裕度的核心技术之一。DPV出力受局地气象影响，具有显著随机性、波动性和间歇性，导致区域净负荷不规则变化。既有物理和统计方法受参数敏感、泛化能力有限和噪声鲁棒性较差制约；浅层机器学习改善了非线性映射，但难以刻画复杂时空耦合；TCN、Transformer等深度学习已用于光伏预测，并出现自适应特征提取与时序迁移建模，但仍需联合建模时间依赖和空间相关，并考察学习表征如何跨配电网层级复用。不同电压等级（变压器区、馈线、主变压器）的DPV功率波动逐级传递叠加；不同层级功率时间序列共享相关气象过程和底层光伏单元运行特征信息，但其特性随空间聚合变化，呈现序列平滑和局地气象扰动组合效应。独立建模每层未显式复用其他层表征。已有同层级区域迁移和宽域迁移可复用同一层级气象知识，但未充分考虑变压器区—馈线—主变压器—电网的垂直信息传递。因此，该研究关注如何跨配电网垂直层级复用时空表征，以及如何保留适合各预测层级的聚合机制，并考察馈线级表征能否通过统一迁移框架支撑主变和电网级预测；重点为“变压器区—馈线—主变—电网”层级表征复用，采用冻结下层编码器和可训练上层聚合模块，并评估预训练初始化和编码器冻结。

该研究提出基于知识迁移的多层级短期DPV功率预测方法：在变压器区—馈线层级构建融合TCN与Adaptive GCN的T-GCN编码块，提取多尺度时间依赖和隐式空间相关；将预训练馈线级编码器迁移至主变任务并冻结TCN/GCN参数，训练基于Transformer的跨馈线聚合网络和主变解码器；电网级用气象驱动元学习器按气象输入确定权重融合主变表征；使用中国某地区真实运行数据在馈线、主变、电网三级评价，并在主变级比较随机初始化、全微调预训练编码器、冻结预训练编码器。案例结论为：相对独立训练的T-GCN基线，三级等权平均NRMSE降低约20.0%、NMAE降低17.5%、R²提高约2.4%；同架构比较中预训练初始化优于随机初始化，冻结进一步降低误差，支持预训练—冻结策略。该研究为在所研究区域和实验条件下利用层级表征复用提升多层级短期DPV预测精度提供了方法依据。

研究人员采用的关键技术方法如下：构建融合时间卷积网络（TCN）与自适应图卷积网络（Adaptive GCN）的T-GCN编码块；在馈线级进行源域预训练；采用层级知识迁移，冻结预训练编码器并在主变级训练基于Transformer的跨馈线聚合网络与解码器；电网级设置气象驱动的轻量元学习器，以主变区域网格化气象特征生成融合权重，再经电网解码器输出；采用中国江苏省某地区配电网2025年1月1日至12月31日真实光伏运行数据与网格化数值天气预报（NWP）数据，采样间隔15 min，输入96步（24 h），预测16步（4 h），按8:2时间划分训练与测试；以归一化平均绝对误差（NMAE）、归一化均方根误差（NRMSE）和决定系数（R²）评价。

5.1 评价指标：选取NMAE、NRMSE和R²，并建立M1 CNN、M2 TCN、M3 T-GCN、M4 Transformer、M5所提多层级知识迁移模型进行对比，以评价预测精度和拟合优度。

5.2 实验结果与分析：三级测试集误差比较中M5各项指标最佳；M3为无迁移基线，M5在馈线级同样使用T-GCN编码器，但其优势主要来自主变和电网级的迁移复用与上层聚合微调。相对最佳基线，M5的NRMSE平均降低约20.0%、NMAE降低约17.5%、R²提高约2.4%。预测曲线比较显示M5在三个层级最接近实际功率，馈线级快速波动跟踪较好，M1和M2偏差较明显；经馈线和主变聚合后随机波动有所平滑，但多峰、肩峰和局地谷特征仍存在，说明基于Transformer的跨馈线聚合和气象驱动元学习器可按天气条件调整不同区域表征贡献，缓解固定权重聚合的局部误差放大。层级误差比较显示，随聚合层级增加，功率波动被平滑且总体误差一般下降，但极端天气和快速爬坡期局地波动仍可增加误差；M5在各层级保持最佳拟合，在所研究区域和时段具有较好的准确性和稳定性。

5.3 消融实验：以主变级为案例，M5为同时冻结TCN与GCN；M6仅冻结TCN、GCN参与微调；M7仅冻结GCN、TCN参与微调；M8不冻结任何底层参数且随机初始化；另设M9加载馈线级预训练TCN与GCN组合编码块参数但不冻结。结果显示M5精度最高；与M6相比，M5的NRMSE和NMAE分别降低7.8%和7.9%，R²提高0.0093；与M7相比分别降低16.8%和17.2%，R²提高0.0221；与M8相比分别降低25.6%和26.9%，R²提高0.0392。预测曲线显示M6、M7、M8在峰值和爬坡段偏差递增，说明同时冻结TCN和GCN底层参数有助于保留馈线级一般时空知识并降低主变级微调过拟合风险；可冻结底层模块越少，NRMSE和NMAE越高、R²越低，验证了完全冻结T-GCN底层特征提取器的有效性。

讨论部分指出，该研究目前限于单一区域和确定性点预测，未开展重复训练运行的统计分析、季节特定评估和训练集规模实验；结论限于所研究区域和实验条件，不建立统计稳健性、跨季节泛化或有限训练数据下的优势。主变级比较主要检验预训练初始化与参数冻结；未对电网级气象条件聚合模块进行专门消融，因此无法从当前图表和误差指标中隔离其单独性能贡献。未来工作将扩展至多区域迁移，进一步考察分布偏移和NWP不确定性，引入概率预测和在线更新，并研究配电网拓扑变化下的自适应迁移。

研究结论翻译如下：（1）构建融合TCN与Adaptive GCN的变压器区—馈线编码块，用于提取单个变压器区内多尺度时间依赖及其间隐式空间相关性，为更高层级预测提供可复用时空表征。（2）采用冻结下层编码器并微调上层模块的垂直迁移机制；主变级由Transformer聚合跨馈线特征，电网级由气象驱动轻量元学习器融合主变表征，实现馈线、主变和电网层级的渐进知识复用。（3）案例研究表明，相对于独立训练的T-GCN基线，所提模型在馈线、主变和电网层级实现NRMSE约20.0%和NMAE约17.5%的等权平均相对降低，R²等权平均相对提高约2.4%。主变级同架构比较表明，在当前实验条件下，采用预训练编码器的全参数微调优于随机初始化训练；冻结预训练TCN和GCN编码器参数进一步降低预测误差，支持本案例研究中预训练—冻结组合策略的有效性。