基于模态耦合多尺度光伏功率预测框架及可靠性加权自一致性正则化的研究

《Computers and Electrical Engineering》：Research on a modality-coupled multi-scale photovoltaic power forecasting framework with reliability-weighted self-consistency regularization

　　任伟豪|刘海鹏|李凌峰|李耀文|余继文|郭媛媛中国云南省昆明市650500，昆明理工大学信息工程与自动化学院摘要在光伏发电预测中，一个重大挑战在于捕捉跨时间尺度的依赖关系，因为不同的时间分辨率下主导关系会有所变化。传统的一维时间序列模型堆叠使用往往会导致能力受限且存在冗余。为解决这一问题，我们提出了一种模态耦合的深度学习框架，该框架能够同时对特征通道和时空二维表示进行建模。该框架采用改进的MSGNet作为多尺度二维核心网络，并结合局部突发模式提取分支，从而实现全局周期性模式与局部变化的互补融合。Deform Time分支通过数据通道-空间协作模块预测动态时间偏移，这一模块增强了注意力机制并减少了卷积瓶颈。为处理光伏数据中的不确定性和异常值，该框架采用了基于可靠性加权的辅助约束机制，在训练过程中对样本进行软加权处理，以此提升模型的鲁棒性。在两个真实世界数据集上的实验表明，该模型的性能始终优于基准方法。在澳大利亚数据集上，与Informer模型相比，平均绝对误差和均方根误差分别降低了37.6%和45.5%；与TimesNet模型相比，则分别降低了54.6%和40.8%。引言随着全球能源需求的持续上升，化石燃料储备却逐渐枯竭。继续大力发展传统化石能源显然违背了可持续发展的原则[1]。此外，化石燃料的使用还会导致环境污染、温室气体排放以及其他亟需全球解决的难题。有限的化石燃料储备与不断增长的能源需求之间的矛盾日益加剧。减少对不可再生能源的依赖对于社会稳定与发展至关重要，刻不容缓。为应对这一能源困境，各国正在积极发展可再生能源，以加速向绿色低碳能源转型[2]。根据国际可再生能源机构的数据，2023年全球新增可再生能源装机容量达到了473吉瓦，其中太阳能和风能占了这一增长量的97.6%，成为最主要的能源来源。然而，可再生能源的发电量高度依赖于气候条件，其输出功率会随天气变化而波动，这给电力系统的稳定运行带来了挑战[3]。光伏发电本身具有波动性和间歇性，其输出功率会因阳光条件的变化而改变。不准确的光伏发电预测可能会导致电网失衡——要么出现电力短缺，要么出现过剩——进而影响系统稳定性。精确的光伏发电预测能够提前预知发电能力的波动，从而优化电网调度和负荷分配，避免电力过载或频率波动，确保电力供应的稳定性。在电力预测领域，人们通常采用多种方法来提高预测精度。这些方法可分为传统的统计方法、基于物理模型的技术以及数据驱动的方法。传统的统计方法通常依靠历史数据和统计原理来进行建模。例如，线性回归模型通过建立功率与多个影响因素之间的线性关系来预测功率输出，但其捕捉复杂非线性关系的能力有限。另一种方法是时间序列模型，如自回归移动平均模型和季节性自回归积分移动平均模型，它们利用历史数据中的时间依赖性来预测功率。这类方法适用于具有明显周期性模式的场景，但在准确捕捉突然的天气变化方面可能力不从心。基于物理模型的方法则考虑了光伏板的工作原理及其与气象因素的相互作用。这类方法通常需要详细的系统模型和全面的气象数据才能有效实施。随着数据量的不断增加，数据驱动的人工智能方法在电力预测领域展现出显著的优势和潜力。支持向量机、随机森林、决策树、长短期记忆网络、卷积神经网络以及深度神经网络等技术已被广泛应用于电力预测。这些方法能够有效处理光伏发电数据中存在的复杂非线性关系和时间序列特征，帮助识别不规则的模式。然而，光伏发电的输出受到众多因素的影响，包括天气状况、季节变化以及不同时间段的因素。通常，单个模型只能捕捉到这些特征的某些方面，要兼顾所有影响因素极为困难，这可能导致较大的预测偏差。相比之下，混合模型则整合了多种模型的优点，能够更准确地捕捉各种特征和变化模式，从而提高预测结果的准确性。通过整合不同模型的优势，混合模型能够揭示历史数据中的复杂模式，进而提高预测的精度和稳定性。例如，有研究提出了一个综合模型，该模型结合了双向时间卷积网络、双向门控循环单元以及Kolmogorov–Arnold神经网络。通过将这三种网络无缝集成，该模型充分利用了不同架构之间的互补特性。随着计算技术的飞速发展，出现了更多用于时间序列预测的先进深度学习模型，如TimesNet模型、Informer模型、PatchTST模型以及各种基于Transformer的模型。有研究设计了改进版的TimesNetV2网络，该网络将一维时间序列转换为二维张量，并引入Concept V2模块来提取特征，识别多变量数据在尺度变化下的分布特征。不过，这种方法并未解决特征提取过程中的信息冗余问题。因此，另有研究提出了一种用于光伏发电预测的新型特征提取模块，用以替代原有的TimesNet模块，从而减轻标准卷积带来的特征冗余和核共享问题。然而，这种方法仅考虑了空间数据之间的相互作用，忽略了通道级的关系。目前的电力预测方法通常从时间序列的角度构建预测模型，这可能会限制数据信息的提取深度。因此，许多研究开始探索将时间序列数据转换为双通道的二维图像数据。例如，有研究提出了基于改进的ResNet架构和注意力机制的双并行1D-2D融合分类方法，该方法充分发挥了多特征维度与深度学习模型的优势。还有研究将海拔高度和气象因素结合起来，通过多模态方程建立耦合映射网格，有效捕捉了耦合关系，克服了传统时空模型在处理多模态数据融合时的局限性。与此同时，还有研究提出了一种创新的双分支时空预测框架，该框架整合了视觉信息，实现了风电序列的多模态表示学习。然而，这些研究都忽视了一个重要的研究方向：捕捉时间序列中的周期性突变，这在多维建模中尤为重要。因此，在多维模型中引入有效的机制来检测周期性突变，对于进一步提高预测精度具有巨大潜力。在多变量时间序列预测领域，传统模型——包括上述那些模型——常常面临另一个关键问题：它们无法有效捕捉不同时间尺度下多个时间序列之间不断变化的相关性[16]。如图1所示，所展示的两个时间序列总体上呈正相关关系。但在较短的时间尺度上，某些片段——如蓝色框标出的部分——会出现负相关的变化。经过一段时间后，相关性又会恢复到一致的正面关系，如红色框所示。目前的一个关键挑战在于理解不同时间尺度下序列之间的相关性。关于如何开发能够有效理解和整合气象变量与电力之间变化相关性的模型，目前仍缺乏相关研究。另一个值得注意的点是，现有文献中提出的许多方法都由多种堆叠技术构成。例如，有研究通过多模型集成实现了高精度预测和良好的泛化性能，但这种方法可能会带来过拟合的风险。为了解决这个问题，有研究提出了一种结合粒子群优化和优先特征选择的集成模型方法，这在一定程度上降低了过拟合的风险。然而，上述研究都忽视了限制训练数据样本可能产生的梯度干扰的必要性。为解决上述问题，本研究的主要贡献如下：（1）通道-时空协作过滤机制实现了更精准的注意力机制。该机制设计了一个特征提取和过滤模块，用于协同进行通道选择和二维特征图建模。这一设计解决了Deform Time核心模块中由于核共享导致的感受野不匹配问题，同时抑制了冗余通道，突出了重要特征。此外，还整合了一个自适应特征重排模块，以提高模型的非线性表示能力，进而提升模型拟合的准确性。（2）通过改进的GMSGCNet实现二维相关性建模。该方法利用Gramian角场将时间序列信号转换为图像表示，从而使GMSGCNet扩展为一种能够建模时变序列之间依赖关系的二维框架。由此产生的卷积核心网络能够有效捕捉周期性变化和局部突发变化模式，显著降低预测误差。（3）可靠性加权辅助约束学习机制。我们提出了一种基于光伏数据不确定性和异常特征的样本级软加权机制，将该机制融入到自一致性学习框架中。这种方法能够有效抑制噪声异常样本对辅助梯度的干扰，同时不会改变主要的监督信号，从而在提升训练稳定性的同时，显著提高验证性能和跨区域泛化能力。本文的其余部分结构如下：第2节介绍了该模型工作原理背后的方法论和算法分析；第3节介绍了所提出的框架；第4节给出了实验数据及模型的结构参数；第5节针对两个数据集进行了对比测试、离散化测试以及消融实验；最后，第6节总结了研究结论并探讨了未来展望。段落摘录GMSGCNet在多变量时间序列预测领域，传统模型常常面临一个重大瓶颈：它们无法有效捕捉不同时间尺度下序列之间相关性的动态变化。为解决这一问题，MSGNet通过频域分析提取关键的周期尺度，利用自适应图卷积学习特定尺度的相关性，同时还采用了协作模型框架。我们提出了一种模态耦合的多尺度混合深度学习框架MCHS-Net，用于超短期光伏发电预测。该框架的结构如图10所示，由以下组成部分构成：首先，我们利用Gramian角场将一维时间序列子序列转换为二维时间序列图像。基于这种表示形式，我们开发了一种改进的多尺度图时空卷积网络，即GMSGCNet。在GMSGCNet中，存在着局部周期性特征。数据信息为了验证本文提出的太阳能发电预测方法，我们选择了澳大利亚爱丽斯斯普林斯沙漠知识太阳能中心的实测数据作为实验对象。该数据集包含从2016年9月到2017年8月的71,576条历史记录，采样间隔为5分钟。此外，为了减少区域因素对模型性能的影响，实验还使用了新疆某光伏电站的34,753条历史数据。对比实验为了有效验证所提模型的性能，我们选择了十种先进的模型——DLinear、PatchTST、TimesNet、iTransformer、Deform Time、MSGNet、Informer、Transformer、XGBoost和LSTM——以及过去三年中出现的标准基准模型，进行了对比实验。这些实验直观地展示了所提模型的性能。我们通过变量控制方法验证了该预测模型的可行性和有效性。结论与未来展望总之，所提出的MCHS-Net在两个区域数据集上均表现出强劲且稳定的预测性能，展现了出色的泛化能力。通过整合周期性突发模式捕捉、多尺度特征提取以及跨模态耦合机制，MCHS-Net能够有效描述复杂运行条件下的突发功率波动，从而提高预测精度。此外，可靠性加权的辅助约束机制也进一步提升了模型的性能。CRediT作者贡献声明任伟豪：概念构思、方法设计、资源获取、软件应用、验证分析、可视化处理、初稿撰写。刘海鹏：指导监督、资金申请、论文审阅与编辑。李凌峰：可视化处理、研究分析。李耀文：可视化处理、研究分析。余继文：形式分析、研究分析。郭媛媛：可视化处理、研究分析。利益冲突声明作者声明不存在任何可能影响本文研究的已知财务利益或个人关系。致谢本研究部分得到了中国国家自然科学基金（NSFC）（62163019）、中国云南省应用基础研究项目（202101AT070096）以及学校人事培训基金项目（KKZ3202403191）的支持。