比利时短期光伏功率预测中的横截面协调分层方法

《Franklin Open》：Short-term hierarchical photovoltaic forecasting with cross-sectional reconciliation in Belgium

　　

由于太阳能资源具有强时间变异性与空间多样性，光伏（PV）发电的准确预测对电网稳定性、能源交易与容量规划至关重要。研究人员评估了比利时三级空间层级（国家、区域、省，2020年1月至2025年3月）下的短期PV功率预测。在统一行走前向交叉验证框架下，使用气象、日历与周期变量作为外生输入，对统计、机器学习、基础模型与混合深度学习等多样化模型进行24小时超前预测。研究人员评估了六种横截面协调方法：自底向上（Bottom-Up, BU）、普通最小二乘（Ordinary Least Squares, OLS）、加权最小二乘（Weighted Least Squares, WLS）、结构缩放（Structural Scaling, SS）、基于协方差（Covariance-based, COV）与基于收缩（Covariance Shrinkage-based, COVSh）。在所有协调配置中，XGBoost配COV与LightGBM配BU取得最低归一化均方根误差（Normalized Root Mean Squared Error, NRMSE），均为0.74。协调对深度学习模型的相对降幅更明显：WLS使KAN的NRMSE降低50.8%（至0.93），NBEATSx降低39.5%（至0.96），NHITS降低30.7%（至1.24）。TBATS配BU达1.02，TimeGPT配COV达1.08，协调仅带来约2%的小幅改善。结果表明，在该研究中机器学习模型总体精度最佳，而协调在保障层级一致性的同时带来依赖模型族的性能变化。

研究背景与动机

光伏（PV）发电受大气与季节条件驱动，具有随机性与强时空异质性，独立在各层级建模会导致聚合不一致，即下级预测加总不等于上级总量，削弱电网监测、平衡与市场申报的可用性。现有文献多聚焦单尺度模型或单一模型族，缺乏在统一实验设计下跨统计、机器学习（ML）、深度学习（DL）与基础模型（Foundation Models）比较横截面协调（cross-sectional reconciliation）收益的证据。为此，研究人员以比利时Elia开放数据集（2020年1月—2025年3月，15条时序：1国家+3区域+11省）为对象，开展24小时超前短期PV预测与层级协调的系统实证。

论文发表于《Franklin Open》，研究意义在于填补"协调收益是否跨模型族泛化"的空白，并为运营级层级一致性提供可控实验证据。

主要关键技术方法

研究人员采用季度数据聚合成小时兆瓦时（MWh）序列，构建国家—区域—省三级横截面求和矩阵S_cross（15×11）。外生变量保留短波辐射、温度、相对湿度及小时径向基（RBF）编码与日照时长；ML与DL模型用滞后/滚动/扩展均值特征，TBATS与TimeGPT作单变量全局或局部零样本设定。预测在行走前向交叉验证（31个截止点、每点24小时）下完成。协调阶段在广义最小二乘（GLS）投影框架内实现BU、OLS、WLS、SS、COV及Ledoit–Wolf收缩COVSh，权重矩阵仅由样本内残差逐截止点估计并用于样本外。精度用层级平均NRMSE，显著性用对齐秩变换（Aligned Rank Transform, ART）方差分析与多重比较（MCB/Nemenyi），偏差用Bias Factor与分桶偏差框架评估，计算成本单独计时。

研究结果

1. 1.
   引言与相关工作
   研究人员综述物理、统计与数据驱动三类范式，指出集成与分解可提升单点精度但不能强制层级一致；既有太阳能协调研究多基于模拟电站或辐照代理，缺真实电网多模型族对照。由此确立本文贡献：在真实比利时层级上统一评估协调作为后处理步骤的跨族表现。
2. 2.
   横截面协调理论
   层级约束表述为?^cross=S_cross?_b^cross；GLS协调?=R?，R=S_crossG，G=(S_cross^?W^?1S_cross)^?1S_cross^?W^?1。W的六种设定覆盖单位阵（OLS）、结构对角（SS）、节点方差对角（WLS）、样本协方差（COV）与Ledoit–Wolf收缩（COVSh）；BU不属GLS但作确定性基准。
3. 3.
   数据与特征
   Elia小时PV序列（MW→MWh），NOAA与Open-Meteo省级气象对齐聚合。相关性分析保留短波辐射（与PV最强相关）而剔除外强共线辐照量。日历侧用小时RBF与日照时长；ML补24–336小时滞后及多窗口滚动/扩展均值。
4. 4.
   实验结果与诊断
   4.1 误差分析：ART显示模型与主效应显著（全局Model F=41.65，Reconciliation F=5.64，p?0.001），但Model×Reconciliation交互不显著。MCB表明所有基线重叠临界差带，无单一模型统计胜出。全局最低NRMSE为XGBoost:cCOV（0.7383）与LightGBM:cBU（0.7394）。LightGBM在区域（0.7214）、省（0.7920）亦以BU最佳；XGBoost国家级SS最佳（0.6986），全球级COV最佳。OLS使两树模型恶化2%–3%。
   4.2 相对BU改善：深度学习获益最大，WLS使KAN降50.8%、NBEATSx降39.5%、NHITS降30.7%；NBEATSx:cCOV反而升75.0%。TimeGPT与XGBoost仅COV/COVSh带来≤1.8%改善。TBATS与LightGBM在BU已近最优，替代法无益。
   4.3 偏差与残差：Bias Factor上XGBoost:cCOVSh全局1.40%（基线2.65%）；TBATS全配置负偏约?15%；TimeGPT:cCOV把全局偏从?15.50%修正到?13.86%。深度学习BU偏差极大（KAN基线21.19%，WLS降至?4.58%），WLS同步削峰期过预测。分桶偏差中XGBoost:cCOV与LightGBM:cBU最接近经验基线1.0，NBEATSx:cWLS与NHITS:cWLS多桶过预测至Fair/Insufficient，TBATS:cBU与TimeGPT:cCOV低估。
   4.4 计算时间：TBATS训练1075.91s/截止点最贵，TimeGPT零训练仅推理3.35s，XGBoost训练51.58s，LightGBM20.82s。协调应用本身0.65–1.18s，成本主要在COV/COVSh协方差估计（1.4–3.0s）。LightGBM综合精度—成本占优，XGBoost精度最高但矩阵估计更贵。

讨论与结论翻译

研究人员结论：协调未跨模型族产生均匀增益，其价值取决于基模型质量。ML模型（LightGBM、XGBoost）总体最佳，协调仅带来1%–2%微益，BU对LightGBM/TBATS已近最优，复杂协方差法可能引入噪声抵消收益；深度学习（KAN、NBEATSx、NHITS）在方差感知法（尤WLS）下误差与偏差改善显著，但整体未超越树模型。局限含层级较小、仅24小时 horizon、样本外仅31天（冬末春初）、未引入空间静态特征。基础模型TimeGPT零样本下协调收益微弱。该研究表明：当底层预测已强时，简单BU常比复杂GLS协调更稳；层级协调应作为依赖基模型误差结构的后处理而非普适良方。

（全文约1520汉字，未添加原文未出具之推测，专业术语首现括注英文缩写，上下标以呈现，无HTML转义、无svg、无表格。）