基于主动学习的中国古代建筑结构解析：一个基准数据集和基线方法

《Expert Systems with Applications》：Active learning–based structure parsing of ancient Chinese architectures: a benchmark dataset and baseline

光伏功率预测研究提出融合小波包分解（WPD）、变分模态分解（VMD）与统一Transformer编码器的混合框架，通过多分辨率信号分解提升非平稳光伏信号建模能力，实验表明该方法在阿尔及利亚两个光伏电站的预测中显著降低RMSE（≈429.910kW）和nRMSE（≈4.676%），优于Informer、GRU、CNN-LSTM和XGBoost基线模型。

　　

Khaled Ferkous | Sarra Menakh | Mawloud Guermoui | Soundous Sekayar | Fatima Zohra Oulad Laid

阿尔及利亚加尔达亚大学材料实验室、能源系统技术与环境实验室（LMTESE）

摘要

由于太阳能发电的非平稳性、快速波动性和多尺度特性，光伏（PV）功率预测仍然是一项具有挑战性的任务。本研究提出了一种基于频率感知的混合预测框架，该框架结合了小波包分解（WPD）、变分模态分解（VMD）和统一的Transformer编码器，以实现准确的光伏功率预测。首先，原始光伏信号通过WPD分解为低频和高频成分。高频子带通常包含快速且不规则的波动，进一步使用VMD提取具有更高振荡纯度的固有模态函数。然后使用相同的Transformer架构独立地对每个得到的子成分进行建模，确保在所有频率尺度上保持一致的表示学习。最后，通过重构阶段将所有预测的子成分聚合起来，生成原始光伏信号的预测结果。为了评估所提出方法的有效性，使用了来自阿尔及利亚两个光伏电站的实际运行数据进行了广泛的实验：一个是20 MW的El Bayadh电站，另一个是10 MW的Tindouf电站。将混合WPD-VMD-Transformer模型与四种强大的基线模型进行了对比，这些基线模型代表了不同的建模范式：Informer、GRU、CNN-LSTM和XGBoost。结果表明，所提出的方法在性能上取得了显著提升，RMSE降低了约429.910 kW，nRMSE降低了约4.676%，始终优于所有基线模型。这些发现表明，将分层频率分解与统一的Transformer编码器相结合，为高精度光伏功率预测提供了一种强大且稳健的策略，特别是在高度可变的运行条件下。

引言

光伏（PV）发电的迅速扩张反映了全球向可持续和分散式能源系统的转变。由于其模块化、灵活性和低环境影响，光伏装置正成为现代电力网络的关键组成部分。然而，由于太阳能的固有间歇性和不可预测性，其日益增长的应用也带来了运营挑战（Gómez-Calvet和Gómez-Calvet，2025年2月）。光伏输出在气象条件变化时可能会发生剧烈波动，这给预测、电网稳定性和能源管理带来了复杂性（Zhao等人，2024年）。因此，准确的短期预测对于减少不确定性、支持频率调节、降低备用需求以及改善储能和常规发电单元的调度至关重要。即使是很小的预测改进，例如1%的改进，也能带来显著的经济效益，并帮助公用事业机构满足监管和可再生能源整合目标（Alanazi等人，2023年；Xu等人，2024年；Allouhi等人，2015年；Ali等人，2012年；Goodarzi等人，2019年）。

光伏功率的预测方法传统上分为物理模型和数据驱动技术。物理模型可以实现高可靠性，但需要密集的气象测量和高计算成本，这限制了它们在运营环境中的应用。相比之下，传感技术的普及和机器学习（ML）的进步（Taner等人，2024年；?ZTUNA TANER, ?znur, MERCAN, Hatice, ?OLAK, Anda? Batur等人，2024年——在食品工业中应用人工智能技术进行热交换器预测）加速了向数据驱动方法的转变。线性算法如AR、ARIMA和ARMAX适用于简单或弱非线性系统，但往往无法捕捉光伏信号的内在非线性模式。因此，包括支持向量机和人工神经网络在内的非线性ML方法因能够建模复杂依赖关系而受到关注（Li等人，2023年）。

为了进一步提高性能，通过将信号处理技术与ML估计器相结合，出现了混合预测模型。广泛采用小波分解（Khelifi等人，2025年）、经验模态分解（EMD）、变分模态分解（VMD）和奇异谱分析（SSA）等方法来分离代表性的振荡成分并减轻噪声影响。研究表明，混合框架是有效的：例如，（Zhang等人，2022年）使用相关分析与小波分解进行短期光伏预测，而（Ruan等人，2022年）将VMD与长短期记忆（LSTM）网络结合，以提高湖北省的负荷预测精度。类似的混合分解策略也已应用于其他可再生能源系统和热力学性能预测（Ferkous等人，2025年；Ferkous等人，2022年）。

引入了几种改进的EMD变体，包括EEMD（Guermoui等人，2023年；Qiu等人，2023年；Prasad等人，2020年；Wang等人，2018年）、CEEMD（Niu等人，2020年）、CEEMDAN（Li等人，2020年）和ICEEMDAN（Cao等人，2024年；Khaled等人，2022年），以改善从非平稳信号中提取固有成分的效果。虽然这些版本缓解了经典EMD的一些限制，但单独的分解通常无法完全消除不规则性，导致残余随机性或成分过度碎片化（Zhang等人，2022年）。过度分解可能会生成具有不一致频率分布的子序列，从而增加模型复杂性并降低预测性能（Ferkous等人，2021年6月）。

最近的研究强调了在分解和预测之间添加重构阶段的价值，以重新组织或融合分解成分，提高特征代表性并恢复时间一致性（Alanazi等人，2023年；Zhang等人，2022年）。传统的机器学习和深度学习模型，包括随机森林、梯度提升和LSTM网络，在短期预测任务中显示出了有竞争力的结果（Das等人，2018年；Qu等人，2021年；Jailani等人，2023年；Al-Selwi等人，2024年）。然而，基于分解的流程通常依赖于LSTM等循环架构，这些架构受到顺序处理的限制，收敛速度慢，难以捕捉长距离或日内快速变化的模式。相比之下，基于注意力的深度学习的最新进展，特别是Transformer架构，提供了并行序列处理和多头自注意力，使得能够更有效地建模具有突发波动的多尺度、非平稳的光伏信号。

尽管有许多研究探索了混合分解预测流程，但大多数现有方法要么依赖于单阶段分解（例如WD、EMD、VMD、SSA），要么依赖于LSTM和GRU等循环架构，这些架构难以捕捉快速变化的光伏动态和长距离依赖性。此外，应用单一分解方法往往会导致次优的成分分离、残余不规则性和过度碎片化，最终在高度波动的条件下限制了预测精度。

为了解决这些限制，本研究提出了一种分层频率感知的预测框架，该框架结合了多分辨率信号分解和基于注意力的学习。所提出的方法利用小波包分解和选择性变分模态分解来增强光伏（PV）功率时间序列中频率依赖动态的表示，同时使用统一的Transformer编码器确保各成分之间的一致时间建模。通过将频率处理与架构复杂性解耦，该框架旨在在高度可变的运行条件下提高鲁棒性。

使用来自阿尔及利亚南部两个光伏电站的真实30分钟光伏发电数据对WPD-VMD-Transformer模型进行了评估，并与广泛使用的预测模型进行了对比，包括Informer、GRU、CNN-LSTM和XGBoost。实验结果表明，在不同的天气条件和预测范围内，预测准确性和稳定性都有显著提高，突显了分层频率感知建模在解决非平稳光伏功率预测挑战方面的有效性。

相关工作

光伏（PV）功率预测已广泛使用深度学习模型进行研究，以应对太阳能发电的非平稳性和多尺度特性。为了在高度可变的运行条件下提高鲁棒性，许多研究将信号分解或时频预处理与基于学习的预测器相结合，旨在减少波动性并改善潜在动态的表示（Liu等人，2025年）。最近，基于Transformer的方法

变分模态分解（VMD）

变分模态分解（VMD）作为第一阶段的信号处理技术，用于从原始光伏功率时间序列中提取固有振荡模式$P\left(t\right)。$ 通过将信号分解为K个固有模态函数$\mathrm{IMFs}$，VMD隔离了不同的频率成分，减少了随机噪声，并提高了平稳性。这种分解提高了下游深度学习模型学习复杂时间依赖性的能力，特别是在由

数据收集和站点描述

本研究考虑了阿尔及利亚南部的两个公用事业规模、并网的光伏电站。第一个数据集对应于El Bayadh的Abiadh Sidi Cheikh光伏电站（23.92 MWp，93,792个光伏模块），而第二个数据集来自Tindouf的10 MWp光伏电站。这两个站点都在干旱的撒哈拉条件下运行，通常以高辐照度、低湿度和间歇性沙尘事件为特征，这些因素会放大功率输出的短期波动性和非平稳性。

结果与讨论

本节通过分阶段分析评估了所提出的预测策略。首先，对五种广泛使用的模型（Informer、GRU、CNN-LSTM、XGBoost和Transformer）在原始光伏序列上进行了基准测试，以确定一个强大的独立基线；然后，将提出的WPD-VMD-Transformer与这些独立模型和混合变体（WPD-Transformer、VMD-Transformer和WPD-VMD-Transformer）进行了比较，以量化其优势

结论

本研究提出了一种基于频率感知的混合预测框架，该框架结合了WPD、VMD和统一的Transformer编码器，以解决短期光伏（PV）功率预测的关键挑战。首先，原始光伏信号被分解为多分辨率子成分，使模型能够分别表示缓慢变化的趋势和快速波动，同时减轻噪声、模式混合和非平稳性，这些因素通常限制了传统预测器的性能。然后对每个成分进行建模

CRediT作者贡献声明

Khaled Ferkous：概念化、方法论、软件、数据整理、形式分析、调查、可视化、初稿撰写、审稿与编辑。Sarra Menakh：方法论、验证、形式分析、审稿与编辑。Mawloud Guermoui：资源、数据整理、审稿与编辑。Soundous Sekayar：软件、可视化、验证、审稿与编辑。Fatima Zohra Oulad Laid：监督、项目管理、资金获取

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。