英国能源转型中的绿色金融与数字经济基础设施：基于分位数对分位数（Quantile-on-Quantile）和KRLS方法的洞察

《Renewable Energy》：Green Finance and Digital Economic Infrastructure in the UK’s Energy Transition: Insights from Quantile-on-Quantile and KRLS Methods

光伏功率预测中基于STL分解与双流Transformer的交互学习框架研究。提出STL-Twinsformer-TTAO框架，通过STL分解提取趋势、季节和残差成分，利用双流Transformer实现交互式特征学习，结合TTAO优化超参数，显著提升预测精度（nMSE降低14.9%-31.5%），验证了非线性耦合关系建模的有效性。

　　

徐珠月|李松柏|郭玉聪|乔如

兰州交通大学新能源与动力工程学院

摘要

准确的光伏（PV）功率预测对于确保电网稳定性至关重要，但仍然受到太阳能发电固有的非平稳性和不确定性的阻碍。为了解决这些挑战，本文提出了STL-Twinsformer-TTAO框架，这是一种基于季节趋势交互学习的新模型。该方法首先使用Loess（STL）进行季节趋势分解，将原始功率序列分解为平稳趋势、季节性和残差成分。这些特征随后通过Twinsformer的交互式双流架构进行处理，在该架构中，季节模式的学习主动引导趋势演变的表示，以捕捉潜在的耦合关系。此外，引入了三角拓扑聚合优化器（TTAO）来高效确定最优超参数。使用澳大利亚一个光伏电站的实际数据进行综合评估表明，所提出的模型优于八个现有的基线模型，在四个季节中平均归一化均方误差（nMSE）降低了14.9%。此外，在另一个地点Yulara进行的鲁棒性实验显示，与基线模型相比，平均nMSE降低了31.5%。这些发现突显了该模型对空间异质性的鲁棒性，表明其在不同微气象条件下的泛化潜力巨大。

引言

在全球气候变化和能源危机的双重压力下，光伏（PV）已成为能源转型的关键驱动力。如图1所示，光伏容量的指数级增长——到2024年达到2.2太瓦，每年新增容量超过600吉瓦[1]——主要得益于自2010年以来平准化电力成本（LCOE）降低了90%[2]。然而，这种快速增长带来的固有间歇性和波动性对电网稳定性构成了重大挑战，使得准确的短期预测成为电力系统安全不可或缺的手段。

然而，光伏输出的固有波动性——受可变气象条件的影响——对电网频率和电压稳定性构成了重大风险[3]。这些波动不仅增加了备用容量成本，还阻碍了大规模电网的整合[4]。精确的短期预测对于优化调度计划、能源存储配置和电力市场交易变得至关重要[5]。在这些需求推动下，数据驱动的方法迅速成为主流解决方案[6]。

虽然传统方法如优化增强型LSSVM[7]和集成学习策略[8]在特定场景下被证明是有效的，但它们往往难以捕捉深层非线性特征[9]。因此，深度学习已成为主流，从基于注意力的RNN[10]和时空混合模型[11]发展到考虑不确定性的区间预测[12]。最近，Transformer[13]进一步革新了长序列建模。诸如ProbSparse attention[14]和线性复杂度架构[15]等创新显著降低了计算成本，而多周期张量建模[16]和频域融合[17]等特定适应措施增强了特征提取能力。

为了解决非平稳性问题，“分解-预测”范式已经从EMD[18]发展到抗噪声变体如CEEMD[19]和CEEMDAN[20]，然后再进步到数学上更稳健的技术如VMD[21]和WPD[22]。高级架构如Autoformer[23]和Crossformer[24]内部集成了这些概念。然而，大多数现有实现，例如STL-BiLSTM[25]和VMD-Transformer[26]，仍然遵循“分而治之”的范式。这种单向流动忽略了潜在的耦合关系——这是本研究旨在通过交互学习来解决的关键限制。

与以往的范式不同，本研究认为各个组成部分的动态变化并非完全独立。相反，它们之间存在潜在的非线性耦合关系。本研究的核心突破在于从“独立建模”转向“交互学习”。提出的STL-Twinsformer框架引入了双流交互机制。在特征学习阶段，数据流处理长期趋势，流处理季节性通过交互模块实时交换信息。这种设计利用长期趋势来校准短期波动的预测，同时利用短期细节来修正趋势演变。因此，它在架构层面有效地捕捉了各组成部分之间的耦合关系。这种方法在架构上促进了组件之间的深度信息交互，代表了“分解-预测”范式的重大进步。为了支持这一复杂模型的有效实施，我们引入了三角拓扑聚合优化器（TTAO）。该算法用于优化STL-Twinsformer模型的超参数，确保最佳性能。

本文的主要贡献如下：

1.

开发了一种创新的混合预测框架。该框架使用Loess（STL）方法对原始光伏功率序列进行预处理。其主要目标是将复杂信号分解为趋势、季节性和残差成分，这些成分在数学上更易于建模。这种方法的新颖之处在于将这些精细的分解结果与具有交互式双流架构的Twinsformer模型深度融合。该框架有效地捕捉并利用了不同组成部分之间的内在依赖性。

2.

引入了一种专为这项任务设计的高效优化算法。混合预测模型通常涉及许多超参数，并面临重大的优化挑战。为此，引入了三角拓扑聚合优化器（TTAO）。该算法专门用于高效确定复杂STL-Twinsformer模型的最优超参数组合。

本文的其余部分组织如下。第2节详细介绍了所提出的STL-Twinsformer-TTAO预测框架及其理论基础。第3节描述了数据预处理程序、实验设置和评估指标。第4节展示了实验结果，并深入讨论了模型的有效性和鲁棒性。最后，第5节总结了本文，指出了模型的局限性，并概述了未来研究的方向。

节选内容

使用Loess（STL）进行季节趋势分解

在光伏功率预测领域，原始时间序列数据通常具有复杂的模式和噪声干扰。直接将这些原始数据输入预测模型往往无法达到满意的准确性。为了解决这个问题，采用了基于Loess（STL）[27]的季节趋势分解方法。该方法将复杂的光伏功率序列分解为结构更简单、可解释性更强的成分。

数据预处理

完整的数据预处理工作流程如图7所示。该工作流程涵盖了从生成季节子集、异常值检测与缺失值填充到特征相关性分析、回望窗口选择和范围归一化的整个操作序列。

优化算法比较

为了验证STL-Twinsformer的最佳性能，使用了TTAO算法进行超参数调整。为了保证评估的公平性并防止数据泄露，优化过程严格基于验证集的性能反馈进行，目标是最小化验证nMSE。迭代次数最多设置为10次，样本量为30个。

具体针对优化的超参数包括模型的主要维度

结论与讨论

本文提出了一种新颖的“交互学习”范式用于光伏功率预测，并构建了STL-Twinsformer-TTAO混合预测框架。该框架的核心贡献在于其创新的双流交互机制，该机制在特征学习阶段实现了趋势和季节性成分之间的信息交换。这种机制有效地捕捉了不同成分之间的非线性耦合关系。同时，集成

CRediT作者贡献声明

乔如：项目管理。李松柏：撰写——原始草稿、可视化、软件、方法论。郭玉聪：项目管理。徐珠月：撰写——审稿与编辑、方法论、资金获取

数据可用性声明

本研究中使用的Alice Springs太阳能系统的运行数据来自Desert Knowledge Solar Centre（DKASC），可在以下链接获取：https://dkasolarcentre.com.au/。源代码可在以下链接获取：https://github.com/xuzhuye/STL_Twinsformer_TTAO。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。本研究的设计、执行或分析过程中没有涉及任何资金来源、商业隶属关系或外部合同。

致谢

本文得到了多个项目的资助。这项工作部分得到了甘肃省联合科学研究基金一般项目（授权号：23JRRA1486）的支持，部分得到了中央引导地方科技发展基金项目（授权号：24ZYQA055）的支持，以及部分得到了甘肃省高校青年博士项目（授权号：2024QB-039）的支持。