重新思考深度学习方法在光伏发电预测中的应用

《Nature Communications》：Rethinking the use of deep learning methods for photovoltaic power forecasting

　　

摘要

精确的光伏发电功率预测对电网稳定至关重要，但这一任务仍面临天气不确定性以及如何将历史观测数据与未来预测相结合的难题。我们重新评估了用于时间序列预测的深度学习模型中的现有架构选择，并证明了在同时拥有天气预报和历史数据的情况下，采用完整的编码器-解码器架构以及考虑通道依赖性的建模方法的重要性。基于这一认识，我们提出了Cross-Unet，这是一种基于Transformer的架构，它通过多尺度时间编码、具有相关性意识的通道注意力机制以及分层交叉注意力解码功能，将历史发电数据与天气预报相结合。该模型在中国北方四座大型光伏电站以及澳大利亚中部一座聚合电站的公开数据集上进行了测试，使用的未来预测输入包括数值天气预报、卫星测得的辐照度以及基于人工智能的天气模型预测。在涵盖五座光伏电站、五种预测时间范围（4小时至7天）以及三种预测来源的大部分测试配置中，Cross-Unet的表现均优于十种深度学习基准模型及传统运营基准模型。通过将现代人工智能天气模型等先进预测系统整合到端到端的预测流程中，Cross-Unet能够实现4小时至7天时间范围内的15分钟分辨率的实时预测，从而为电网调度和能源交易提供支持。