基于跨变量线性集成增强Transformer的光伏功率预测方法

《Energy Conversion and Management-X》：Enhancing photovoltaic power forecasting with cross-variable linear integrated enhanced transformer

　　

准确的发电功率预测对于光伏（PV）能源系统的优化运行和战略部署至关重要，有助于实现稳健的能源管理实践，并促进光伏资源顺利并入电网。然而，由于高度动态的天气条件带来的不确定性以及相关变量间复杂的相互作用，实现精确的光伏功率预测仍然十分困难。为解决这些核心挑战，研究人员提出了PV-Client（用于光伏功率预测的跨变量线性集成增强Transformer）。PV-Client集成了增强Transformer模块以捕获光伏系统多个变量之间的依赖关系，同时结合线性模块以获取光伏功率的潜在趋势。与依赖跨时间注意力（Cross-Time Attention）来建模时间依赖性的传统时间序列Transformer不同，PV-Client的增强Transformer模块采用跨变量注意力（Cross-Variable Attention）来显式捕获光伏功率与气象相关输入之间的相互作用。此外，PV-Client还结合了稳定模块，并对其组成模块的内部结构进行了优化。在三个真实世界光伏电站进行的验证实验表明，PV-Client实现了最先进（SOTA）的性能：它在每个电站均持续优于最强基线模型——在京港站（Jingang Station），其均方误差（MSE）较第二名LR模型降低了13.3%，准确率（accuracy）提高了0.9%；在新青年站（Xinqingnian Station），MSE较第二名SVR模型降低了10.1%，准确率提高了0.2%；在红星站（Hongxing Station），MSE较第二名LSTM+Attention模型降低了1.4%，准确率提高了1.1%。广泛的补充实验进一步证实了PV-Client的鲁棒性和泛化能力。

论文解读：基于跨变量线性集成增强Transformer的光伏功率预测

1. 研究背景与意义

光伏发电作为一种关键的清洁能源，在全球能源转型中扮演着重要角色。为了实现光伏发电的最佳利用，必须对系统输出进行精确预测。可靠的光伏功率预测是规划电网、平衡能源负荷和管理资源的核心前提，有助于将太阳能更有效地整合到现有电网中。然而，当前的预测技术面临两大核心挑战：一是天气的内在不确定性，光伏输出受太阳辐射驱动，而辐射的快速波动使得短期动态和长期趋势难以准确跟踪；二是气象条件与光伏功率输出之间存在非线性关系，简单的线性模型无法捕捉光伏系统的复杂动态。尽管Transformer模型在时间序列预测中表现出色，但现有的光伏预测模型主要侧重于光伏序列内不同时间步之间的相互依赖性，导致感受野过于局部化，忽视了气象变量的整体属性。因此，研究人员开展了本研究，旨在通过创新的模型架构提升预测精度。

2. 关键技术方法

研究人员开展了基于深度学习的时间序列预测研究，所提出的PV-Client模型核心技术包括：首先，采用跨变量注意力（Cross-Variable Attention）机制替代传统的跨时间注意力，将光伏功率和各个气象因子视为独立实体来建模其依赖关系；其次，引入线性模块（Linear Module）独立捕捉历史光伏功率序列的长期趋势，与Transformer提取的非线性特征形成互补；最后，应用可逆实例归一化（RevIN）模块处理光伏序列中的数据分布偏移问题。在实验设计上，研究采用了三个位于中国南方的真实世界光伏电站数据集（京港站、新青年站、红星站）进行训练和测试，涵盖了不同的装机容量和地理气候条件，确保模型的泛化能力验证。

3. 研究结果

3.1 模型性能评估

通过与八种基线模型（包括线性回归LR、支持向量回归SVR、LightGBM、XGBoost、长短期记忆网络LSTM及其变体）进行对比，PV-Client在所有三个电站均取得了最优结果。在京港站，PV-Client将MSE降低了13.3%，准确率提高了0.9%；在新青年站，MSE降低了10.1%，准确率提高了0.2%；在红星站，MSE降低了1.4%，准确率提高了1.1%。平均而言，PV-Client实现了8.3%的MSE降低和0.7%的准确率提升。

3.2 消融实验

为了验证各组件的有效性，研究人员进行了系统的消融实验。结果显示，移除增强Transformer模块导致平均MSE增加16.69%，证明了其在捕捉光伏与气象依赖关系中的关键作用；将跨变量注意力替换为跨时间注意力导致平均MSE激增56.78%，证实了跨变量注意力引入了更合适的归纳偏置；移除线性模块和RevIN模块分别导致MSE增加16.87%和10.26%，验证了它们在趋势捕捉和分布稳定方面的不可或缺性。此外，去除嵌入层（Embedding Layer）并用简单的投影层（Projection Layer）替代解码器（Decoder）被证明是有效的架构修改。

3.3 补充分析

研究人员进一步分析了模型在不同条件下的表现。预测分解可视化表明，线性模块有效捕捉了时间序列的趋势，而跨变量Transformer模块则补充了受天气因素影响的局部波动细节。在历史长度实验中，两天的输入时长被证明是最优配置，过短或过长都会导致性能下降。在不同预测 horizons 测试中，较短的（6小时）预测表现更佳，而较长的（3天）预测因辐射预报精度下降导致性能衰减。关于输出变量维度的连接选项，直接将输出连接到输入的PV功率维度效果最好，避免了辐射预报数据带来的潜在偏差。此外，研究还探讨了天气预报误差的影响，并通过在王云山风电场的数据验证了该框架在风能预测中的泛化能力（即WP-Client），以及在两个大规模光伏数据集上的稳定性。

4. 结论与讨论

本研究提出的PV-Client模型通过结合增强Transformer模块和线性模块，成功解决了光伏功率预测中的关键难题。跨变量注意力机制有效刻画了光伏功率与气象因素间的复杂相互作用，线性模块则精准捕捉了功率趋势，RevIN模块进一步增强了模型的稳定性。该模型不仅在三个真实世界的光伏电站中展现出SOTA性能，其核心价值还在于强大的泛化能力，能够扩展应用于风能预测等其他可再生能源场景。未来的研究可考虑在更复杂的数据共享场景中引入隐私保护机器学习方法，并利用元启发式优化和自适应学习策略进一步提升模型在异质天气条件下的适应性。