基于CNN-LSTM-PINNs混合模型的光伏发电功率预测

《Energies》：Photovoltaic Power Generation Forecasting Based on CNN-LSTM-PINNs Hybrid Model

　　

准确的光伏（PV）功率预测对于可靠的微电网运行、高效的能源调度以及提高可再生能源利用率至关重要。现有预测方法通常难以充分表征气象条件与光伏功率输出之间的非线性关系，也倾向于低估光伏发电的时间动态特性以及控制光伏能量转换的物理原理。为解决这些局限性，研究人员提出了一种混合预测框架CNN-LSTM-PINNs，该框架集成了卷积神经网络（CNN）、长短期记忆网络（LSTM）和物理信息神经网络（PINNs）。在该框架中，CNN提取多元气象变量之间的空间依赖性，LSTM网络捕捉光伏发电中的时间依赖性，而PINNs则引入源自光伏能量转换机制的软物理约束。该模型利用中国三个大型光伏电站的公开数据集进行评估，观测记录间隔为15分钟。实验结果表明，CNN-LSTM-PINNs在主要电站级数据集上优于传统的CNN-LSTM基准模型。与基准模型相比，所提框架降低了平均绝对误差（MAE）和均方根误差（RMSE），并提高了决定系数（R²）。这些结果表明，将物理约束嵌入数据驱动预测模型可以提高光伏功率预测的准确性。该模型在不同运行条件下也表现出更强的鲁棒性和泛化性能，但其有效性依赖于相对稳定的数据分布。特征重要性分析进一步表明，全球水平辐照度（GHI）和辐照度派生变量是光伏功率输出最具信息量的预测因子。总体而言，本研究为微电网应用中的高分辨率光伏功率预测提供了一种物理信息混合建模方法。

随着全球光伏（PV）装机容量在2025年达到约2800 GW，太阳能PV成为全球最大电力来源，但PV出力受全球水平辐照度（GHI）、环境温度、湿度、风速等气象因素驱动，表现出强烈的随机性、间歇性和波动性，给微电网的安全可靠运行带来显著挑战。现有预测方法可分为物理模型、统计模型、机器学习模型、深度学习模型和混合模型五类。物理模型需精确组件参数，统计模型难以捕捉非线性动力学，深度学习方法（如卷积神经网络（CNN）和长短期记忆网络（LSTM））虽能提取空间和时间特征，但缺乏对光伏能量转换物理机制的显式约束。混合模型虽已成为主流范式，但现有研究多聚焦于二维融合（如CNN-LSTM的空间-时间融合或物理信息神经网络（PINNs）的数据-物理融合），缺乏同时集成空间特征提取、时间依赖建模和物理约束的三维框架。为解决这一问题，研究人员提出了CNN-LSTM-PINNs混合预测框架，该框架有机整合了CNN的空间特征提取能力、LSTM的时间建模能力和PINNs的物理约束机制。研究使用中国三个大型光伏电站（分别代表稳定基准、高噪声弃光影响和高原季节性波动）的公开数据集（2016年4月至2018年7月，15分钟采样间隔），通过系统对比实验验证模型性能，并采用SHAP框架进行特征重要性分析。研究成果发表在《Energies》期刊上。

本研究主要采用以下关键技术方法：（1）卷积神经网络（CNN）模块：将高维多元气象数据构建为三维张量，通过多层堆叠的卷积和池化层提取气象参数间的空间分布特征和相互关联。（2）长短期记忆网络（LSTM）模块：将CNN提取的高层气象特征与历史PV功率时间序列拼接，输入堆叠LSTM网络进行时序建模，捕捉短期波动和长期趋势。（3）物理信息神经网络（PINNs）模块：基于光伏电池物理方程（如输出功率与辐照度、温度的关系式），构建物理约束损失项，实现端到端物理信息训练。数据来源于中国三个地理和气候特征不同的公用事业级光伏电站（稳定型、高噪声弃光型、高原季节性波动型），预处理包括前向填充缺失值、3σ准则检测异常值及5点滑动窗口中值滤波校正。特征工程包含基本特征（时间特征、标准化）和扩展特征（辐照度派生项、交互项、非线性变换）。模型评估使用平均绝对误差（MAE）、均方根误差（RMSE）和决定系数（R²），超参数经系统优化确定。

**预测性能**：在电站1和电站2的独立测试集上，CNN-LSTM-PINNs较CNN-LSTM基准模型实现显著性能提升。电站1中，MAE降低58.17%，RMSE降低49.80%，R²提升351.00%；电站2中，MAE降低3.69%，RMSE降低14.65%，R²提升87.43%。这些结果表明，嵌入第一性原理物理约束可有效提高预测准确性，增强模型对未见运行条件的鲁棒性。然而，在电站3的测试集上，由于存在严重协变量漂移（数据分布偏移：归一化测试集均值约为-0.65 vs 训练集均值约0.1，标准差缩小约19.5倍，数值范围极度压缩），CNN-LSTM-PINNs和CNN-LSTM均出现严重泛化失败（R²分别为-106.03%和-86.16%），表明极端分布偏移无法通过模型架构改进解决，需在部署前进行数据质量分析。

**特征重要性分析**：采用SHAP框架对电站1和电站2测试集进行特征重要性分析，发现以下关键结论：（1）阵列平面辐照度（POA）是最主要的预测特征，在两个数据集均排名第一；（2）辐照度相关特征（包括GHI、POA及其派生组合）占据重要性排名前列；（3）特征交互项（如GHI×相对湿度、GHI×环境温度）的预测能力优于单一气象特征；（4）非线性变换特征（如GHI平方）和时间特征（如距离日峰值时间）也具有较高重要性。交叉站稳定性分析表明，共同特征的变异系数（CV）适中，验证了所选特征的有效性。

**讨论与结论**：研究讨论指出，物理约束的引入在数据分布稳定的条件下有效提升了预测性能，但无法克服极端分布偏移。针对电站3的问题，研究人员建议采用领域自适应、在线增量学习、数据增强与重新校准等策略。结论部分总结如下：（1）所提CNN-LSTM-PINNs混合框架在电站1和2测试集上显著优于CNN-LSTM基准，MAE和RMSE大幅降低，R²显著提升，验证了物理约束可有效提高预测准确性；在数据分布稳定时，该框架具有更强的鲁棒性。（2）当数据集存在严重协变量漂移时（如电站3），即使加入物理约束，两个模型均出现严重泛化失败，表明极端分布偏移无法通过模型架构改进解决，部署前需进行全面的数据特性分析。（3）SHAP特征重要性分析显示，阵列平面辐照度（POA）是跨电站最主要的预测特征，辐照度相关特征及交互项均具有较高预测能力。研究还指出局限性：物理模型基于简化的辐照度-温度方程，未考虑光谱效应和模块退化；数据时间跨度仅三年；物理损失权重通过网格搜索确定，缺乏自适应策略。未来方向包括引入更全面的物理模型、扩展至概率预测、开发在线学习机制以及在更多地区和气候条件下验证模型。