出口约束下嵌入式深度学习用于短期光伏功率预测(Embedded Deep Learning for Short-Term PV Forecasting Under Export Constraints)

《Eng》：Embedded Deep Learning for Short-Term PV Forecasting Under Export Constraints

　　

随着光伏(PV, Photovoltaic)系统渗透率不断提高，需在运行约束下开展准确稳定的短期预测以保障电网可靠运行。研究人员利用某111-kW并网屋顶光伏电站一整年高分辨率(5 min)实测数据，将预测问题建模为预测时域30 min的直接多输出监督学习(direct multi-output supervised learning)任务，综合对比持久模型(persistence model)、基于树的XGBoost以及深度学习方法——长短期记忆网络(LSTM, Long Short-Term Memory)、门控循环单元(GRU, Gated Recurrent Unit)和时序卷积网络(TCN, Temporal Convolutional Network)。结果表明深度学习模型显著优于传统基线，LSTM取得最低归一化均方根误差(nRMSE≈10.3%)，TCN在预测精度、时序稳定性和计算效率间提供较优折衷；采用直接多步(direct multi-step)公式以减少递归预测中的误差传播。除预测精度外，研究人员还评估了计算复杂度和推理延迟(inference latency)以考察在资源受限环境下的实际可部署性，所提框架证明高分辨率真实光伏预测可同时兼顾较强预测性能与运行可行性，可为受监管出口约束的分布式可再生能源系统制定稳健短期预测策略提供参考。

论文解读：《出口约束下嵌入式深度学习用于短期光伏功率预测》

本文研究对象为并网屋顶光伏(prosumer-scale PV)系统在电网限定出口比例（年累计光伏电量之30%）约束下的短期光伏功率预测及嵌入式能量管理。随着光伏装机容量快速增长，其间歇性和不确定性给配电网带来电压/频率偏差与供需失衡风险，准确短期光伏功率预测成为优化调度、降低平衡成本及参与电力市场的关键。传统统计方法（持久模型、ARIMA等）在多变天气下误差较大，现有AI预测虽精度高但常忽视嵌入式低算力平台上的实时部署可行性，而户用/园区级系统需在严格5 min控制周期内完成推理并遵守出口限额，因此需兼顾预测精度与嵌入式计算开销的轻量化方案。研究人员基于突尼斯斯法克斯国立工程学院(ENIS)校园111-kW实际光伏电站一整年5 min分辨率真实监测数据，对比多种基线及深度学习模型，选取最适合嵌入式的时序卷积网络(TCN)部署于Raspberry Pi 4，并集成至轻量级规则型能量管理系统(EMS, Energy Management System)中以验证其提升自发自用、降低网电购入及削减弃光的效果。该文发表于《Eng》期刊。

主要关键技术方法

研究人员采集111-kW并网屋顶光伏电站一整年5 min分辨率实测有功功率及平面辐照度数据，经过去重、物理合理性滤波(P≤P_rated=111 kW)、均匀5 min时间网格重索引后构建全年时序数据集，缺失率<1.5%且不插值，以滑动窗口(历史窗L=24步=2 h，预测步H=6步=30 min)生成有监督样本并按时间顺序80%训练/20%测试划分。输入特征含历史功率序列、可选辐照度及正弦编码的时令特征(小时、年积日)。对比模型含持久基准、Random Forest多输出回归、XGBoost（每步独立回归）、LSTM、PI-LSTM(Physics-Informed LSTM，额定容量约束加入损失函数λ=0.01)、GRU及固定超参TCN(TCN-fixed)；深度学习用Adam优化器、早停与学习率衰减训练，Min–Max归一化，预测值裁剪至[0, P_rated]。评估指标为RMSE、MAE及nRMSE(分母P_rated)。优选TCN-fixed转TensorFlow Lite(FP16)部署于Raspberry Pi 4(Yocto Linux，Python 3，5 min控制周期)，测量CPU占用、RAM及推理延迟；EMS为轻量规则型，实时测PV功率P_PV(t)与负载P_load(t)，区分关键/可控柔性负载，盈余时激活柔性负载并在年累计出口配额(∑P_export≤0.3×∑P_PV)内允许上网，缺额时从电网取电，并利用30 min滚动预测窗口预判即将出现的盈余以提前调度柔性负载，选取冬(2月)、夏(7月)各30天仿真评估自发自用率(SC, Self-Consumption)、自给率(SS, Self-Sufficiency)、出口比(ER, Export Ratio)及弃光率(CR, Curtailment Ratio)，并与无EMS及无预测仅反应式EMS对比。

研究结果

2. System Description and Dataset（系统与数据集描述）

研究人员介绍111-kW南向固定倾角屋顶光伏阵列及SCADA/数据记录仪5 min采样监测平台，给出系统参数(逆变器接口、POA辐照传感器等)。原始数据为日报表按12月文件夹组织，经时间戳标准化、去重拼接得到105 121个时间点(2025-01-01至2026-01-01)，变量含P_PV、G_POA及时间索引；滤波后最大观测功率109.12 kW，缺失<1.5%，滑动窗(L=24,H=6)产生48 666个有效样本(训练38 932，测试9 734)。结论：所建真实世界高分辨率含噪声与缺测的数据集可代表实际光伏监控部署条件，适合嵌入式预测模型评估。

3. Methodology: AI-Based PV Power Forecasting（基于AI的光伏功率预测方法）

研究人员将问题形式化为给定历史窗X_t=[P(t-L+1),…,P(t)]及辅入特征F_t预测未来H步Y_t=[P(t+1),…,P(t+H)]的直接多步回归；采用正弦编码捕捉日/季周期，可选G_POA作外生变量。对比持久基准、Random Forest、XGBoost(逐步独立回归)、LSTM、PI-LSTM(损失函数中加λ·max(0,P?-P_rated)²，λ=0.01)、GRU及TCN-fixed；Min–Max归一化，预测裁剪至[0,P_rated]，按时间切分训练验证测试，用RMSE/MAE/nRMSE评估。结论：直接多步策略减少递归误差传播，所选轻量特征组便于嵌入式实现，PI-LSTM通过物理约束提升预测物理一致性而不改架构。

4. Forecasting Results and Analysis（预测结果与分析）

定量显示所有学习型模型优于持久基准，LSTM与PI-LSTM nRMSE最低(≈10.26%)，GRU接近，TCN-fixed略高但差距小；多次随机初始化nRMSE标准差<0.15%，模型排序稳定；历史窗L=24(2 h)在精度与计算量间最优。典型日TCN预测曲线贴合实测晨升、午峰及晚降，快速辐照波动段响应稳定无明显滞后振荡；误差分布近零均值、无系统偏置，极端大误很少；随预测步增加RMSE缓升，30 min内退化可接受。加5%高斯噪声或随机丢失10%输入窗时nRMSE升幅有限，框架具鲁棒性。结论：虽RNN类精度略优，TCN-fixed以更低架构复杂度、并行卷积特性及稳定表现更适合嵌入式部署。

5. Embedded Implementation and Performance Evaluation on Raspberry Pi（树莓派嵌入式实现与性能评估）

研究人员将TCN-fixed与LSTM转TFLite(FP16)部署于Raspberry Pi 4(四核Cortex-A72，无加速硬件，5 min周期)。TCN-fixed平均CPU占用、RAM及平均推理延迟(亚毫秒～数毫秒级)均显著低于LSTM，最坏延迟亦满足5 min实时约束；24 h监测无内存泄漏，夏季/冬季场景一致。PI-LSTM因物理解算引入额外开销。结论：TCN-fixed在精度-资源权衡上最优，适宜资源受限边缘设备长期运行。

6. Integration into Energy Management System（集成至能量管理系统）

EMS将总负载拆分为关键P_crit与可控柔性P_flex，计算瞬时盈余P_surplus=P_PV-P_load；盈余时先启柔性负载再按年累计出口配额限上网，缺额时电网供电；每步用新30 min多步预测滚动预判即将盈余以提前将柔性负载推迟至下一间隔。2月与7月各30天仿真表明：带EMS使7月自发自用率SC由61.21%升至84.56%(+23.35%点)，2月由69.50%升至81.50%；相比仅反应式(no-forecast)EMS，引入预测使7月SC再提升约5.6%点、日网电购入由501.19降至343.70 kWh/天(-31%)，2月再提升约4.7%点、日网电购入由540.53降至444.15 kWh/天(-18%)；7月弃光由57.73 kWh/天降至近零(无EMS→有EMS)，2月由35.27降至0.27 kWh/天；出口峰值被平滑削减。结论：短时光伏预测辅助的规则型EMS可有效提升园区光伏消纳、降低网购电及弃光，严格遵守30%出口约束，且无需复杂优化求解器，适合实际部署。

7. Conclusions（结论）

研究人员提出并验证了一套面向出口约束下产消者规模系统的短期光伏功率预测与嵌入式能量管理集成框架。基于111-kW实站全年5 min数据，直接多步预测中LSTM达最低nRMSE(≈10.26%)，PI-LSTM通过物理约束增强一致性；TCN-fixed虽精度略低但在嵌入式平台CPU占用、内存及推理延迟方面显著更优。将轻量规则型EMS与预测模块部署于Raspberry Pi 4(TensorFlow Lite)，预测辅助EMS使光伏自发自用率提升超20个百分点，网电购入最高降低31%，基本消除弃光且严守30%出口限额。该框架桥接高精度短期光伏预测与实用嵌入式能量管理，为智能建筑、产消者能源社区及园区尺度系统在高比例可再生及出口约束下的应用提供了可扩展、低成本、合规的解决方案。尽管基于单一站点，经重新训练与参数适配可迁移至其他并网光伏系统。