《Applied Sciences》：AI-Based Multi-Timescale Photovoltaic Power Scenario Generation and Forecasting: A Statistical Relational Perspective
编辑推荐：
光伏发电（Photovoltaic, PV）输出表现出显著的随机性、波动性和间歇性，其不确定性将对电力系统的规划评估、调度决策和实时运行产生影响。为系统性地理解光伏发电不确定性建模方法的发展现状，本文围绕光伏发电的年度场景生成和多时间尺度功率预测展开综述，并从
光伏发电（Photovoltaic, PV）输出表现出显著的随机性、波动性和间歇性，其不确定性将对电力系统的规划评估、调度决策和实时运行产生影响。为系统性地理解光伏发电不确定性建模方法的发展现状，本文围绕光伏发电的年度场景生成和多时间尺度功率预测展开综述，并从统计关系与人工智能（Artificial Intelligence, AI）的视角分析光伏输出、影响因素及系统应用之间的关联。针对年度尺度，重点探讨了长期序列的气象驱动场景生成方法，包括概率统计方法、深度生成方法、约束关系及工程应用评估问题；针对日前尺度，利用历史功率、气象变量和数值天气预报（Numerical Weather Prediction, NWP）探索特征提取、概率预测和鲁棒建模方法；针对日内尺度，总结了用于短期功率波动感知的信号分解、深度学习、区域协同建模和多源感知方法。在此基础上，进一步分析了多时间尺度协同建模、多源异构信息融合、可控生成建模、极端场景表征及工程闭环验证等后续研究方向。本文可为高比例光伏并网条件下的场景生成、功率预测及电力系统运行分析提供参考。
本文从统计关系人工智能（Statistical Relational AI, SRAI）的视角出发，对光伏发电（Photovoltaic, PV）的年度场景生成、日前功率预测和日内功率预测方法进行了系统综述。主体部分首先在引言中明确了研究背景与动机：光伏输出受太阳辐照度、环境温度、云演化、天气过程、电站运行状态及并网控制策略的共同影响，呈现周期性规律与随机扰动并存的特征。随着光伏渗透率提升，输出偏差已不再仅影响单个电站的发电计划，而是波及电力系统规划、调度运行、备用分配、储能控制、市场参与及风险评估等多个环节。因此，光伏不确定性的场景生成与功率预测成为可再生能源系统分析及人工智能（AI）赋能能源工程的重要研究课题。现有研究虽在各自时间尺度上取得了进展，但仍存在缺乏统一解释、物理一致性不足及工程适用性受限等问题。统计关系AI为统一分析提供了视角：统计方面强调概率表征，关系方面聚焦结构化关联，AI方面提供特征提取与生成建模工具。本文的贡献在于建立了多时间尺度综述框架，从统计关系AI视角重组现有方法，并讨论了未来方向。
其次，在相关工作部分，综述了现有综述研究的分类与不足。现有研究可归纳为太阳能场景生成综述、光伏预测综述、深度学习导向综述及概率预测综述，它们分别侧重于场景构建技术、预测模型分类、网络架构及概率预报利用，但缺乏对年度8760小时场景构建、日前不确定性预测、日内波动感知及工程验证之间关联的统一讨论。本文通过统计关系AI视角，将年度场景生成、日前预测和日内预测视为同一不确定性建模链中的并行组件。此外，总结了从2015年至2026年间的文献检索策略，并提出了四类评估准则：分布保真度指标、关系一致性指标、计算成本指标及下游工程效用指标，以对不同方法进行一致比较。
在年度尺度光伏发电场景生成方法部分，详细阐述了技术演进路径。首先，基于显式概率建模的随机场景生成方法，包括向量自回归（Vector Autoregressive, VAR）模型、Copula函数及马尔可夫链蒙特卡洛（Markov Chain Monte Carlo, MCMC）采样，适用于长期序列生成，具有模型透明、易于嵌入领域知识的优点。其次，基于特征工程与聚类的场景构建方法，如图聚类、共享权重图聚类（Shared Weight Graph Clustering, SWGC）及复合指标筛选，通过多维相似性度量从历史数据中选取代表性日场景，保持统计代表性。再次，基于深度生成模型的隐式分布学习方法，包括生成对抗网络（Generative Adversarial Network, GAN）、条件GAN（Conditional GAN, CGAN）、Wasserstein GAN（WGAN）及扩散Transformer（Diffusion Transformer, DiT）等，通过神经网络直接学习经验分布，无需显式概率假设。在关系建模、知识约束与周期特征增强方面，讨论了物理约束与知识嵌入（如零夜间辐射约束、物理映射）、多尺度周期特征表征（如昼夜周期、季节变化）及空间相关性建模（如协方差结构、图结构学习）。最后，生成质量评估与工程适用性分析指出，评估应兼顾分布相似性、关系结构保存及工程应用效果，并对比了概率统计方法与深度生成方法的相对优势与不足。
在日前功率预测方法部分，聚焦于未来24小时（分辨率15-60分钟）的功率预测。核心任务是从多源输入特征（历史功率、气象观测、数值天气预报（Numerical Weather Prediction, NWP））建立到次日功率曲线的映射。特征表示方面，早期采用物理辐照度分解模型（如Perez模型），深度学习时代则通过卷积神经网络（Convolutional Neural Network, CNN）、长短期记忆网络（Long Short-Term Memory, LSTM）、注意力机制及Transformer自动提取特征。图神经网络（Graph Neural Network, GNN）用于建模分布式电站空间相关性。不确定性建模方面，介绍了参数化分布估计（如Beta分布）、非参数分位数回归（如分位数回归森林（Quantile Regression Forest, QRF）、分位数回归神经网络（Quantile Regression Neural Network, QRNN））、保形预测（Conformal Prediction）及贝叶斯深度学习（Bayesian Deep Learning）等方法。鲁棒预测方面，针对复杂天气条件，采用天气类型分类、集成与混合建模（如梯度提升机（Gradient Boosting Machine, GBM）、物理-数据混合架构）及迁移学习（Transfer Learning）等策略。最后，表格对比了代表性方法。
在日内功率预测方法综述部分，强调了分钟到小时尺度的滚动预测，核心在于快速波动的实时响应。经典统计学习方法包括基于预测误差统计特性的后处理校正、浅层学习器（如随机森林（Random Forest）、XGBoost、LightGBM）及信号分解技术（如频域分解、经验模态分解（Empirical Mode Decomposition, EMD））。神经网络驱动框架包括循环神经网络（Recurrent Neural Network, RNN）及其变体、卷积操作与注意力机制的结合，以及迁移学习增强跨场景适应性。自注意力机制与序列建模新范式方面，引入了双向长短期记忆网络（Bidirectional LSTM, BiLSTM）与注意力机制、Transformer架构（如Informer、Autoformer、TimesNet）等，以统一建模日内周期性与局部突变。时空协同建模方面，利用图神经网络（GNN）显式构建电站拓扑连接，捕捉空间传播特性，并采用动态图建模调整权重。多源数据融合感知增强策略将历史功率、地面气象观测、NWP、地基云图、卫星遥感等结合，特别是云图融合中提取云特征并建立云-辐照度-功率映射。最后，表格对比了各类方法的核心概念、代表技术及优缺点，并指出空间/区域建模的收益随时间尺度缩短而增加，但计算复杂度也相应提高。
在未来研究方向部分，提出了五个关键方向。多时间尺度协同建模旨在打破年度、日前、日内任务之间的孤立，建立共享数据基础设施与信息传递机制，避免输出冲突，并应对工业部署中的实际挑战（如数据采样率差异、实时性、可扩展性）。多源异构信息融合需解决数据源在时间分辨率、空间尺度、物理含义及可靠性上的差异，而非简单增加变量数量。可控生成建模要求生成模型支持基于季节、天气类型、电站位置等条件控制，并融入辐照度规律、昼夜边界等知识约束。极端场景表征关注低概率高影响事件（如持续低辐照、强云遮挡），结合极值统计、风险感知学习与条件生成，并评估其对系统安全边际的影响。工程闭环验证强调将场景生成与预测结果嵌入电力系统分析工作流，建立统一可复现的应用导向评估程序，包括算法级指标、关系一致性检查及下游工程指标（如电压越限、备用短缺概率）的比较。
最后，结论部分总结了全文：光伏输出呈现显著不确定性、波动性及多时间尺度特征，场景生成与功率预测是规划、调度和风险评估的基础。从统计关系AI视角，年度场景生成关注长期分布与变量关系，日前预测聚焦输出趋势与不确定性，日内预测侧重短期波动感知与多源融合。方法论从传统概率统计向机器学习、深度学习及生成式AI演进，知识约束、物理机制、频域特征、图学习及极端风险建模的引入推动了从数据拟合到关系保存与工程应用的转变。未来需加强跨时间尺度协调、复杂天气与极端场景刻画、多源数据融合、跨区域泛化及统一工程评估框架的建设。
