通过全局多维坐标注意力与特征融合技术提升日前光伏发电量预测精度

《Electric Power Systems Research》：Improved day-ahead PV power forecasting through global multi-dimensional coordinate attention and feature fusion techniques

　　•CEEMDAN方法能够将随机天气变化与可预测的光伏发电趋势区分开来。•该模型通过精细的空间特征提取，其性能优于现有基准模型。•LSTM和自注意力机制则可用于捕捉局部和全局的时间依赖性。

引言
随着现代电力系统的快速发展，可再生能源的占比持续上升[1]，在中国某些地区这一比例已超过60%。除了风能之外，光伏发电也已成为主要的可再生能源之一。中国强大的制造能力为太阳能光伏的广泛应用提供了支撑，2023年其装机容量已超过850吉瓦[2]。由于太阳能光伏发电依赖于太阳辐射强度以及不稳定的天气状况，因此其发电具有间歇性和不可预测性。这种不确定性可能威胁电网稳定，还会增加调度控制的难度[3]。准确的功率预测可以提高光伏系统的利用率，为解决上述问题提供有效方案。

预测太阳能光伏发电量的方法大致可分为传统方法与基于机器学习模型的方法两类。传统的光伏预测技术主要包括物理模型预测和统计模型预测。

基于物理原理的预测方法是通过模拟光伏系统的能量生成过程来估算发电量。这类方法会利用光伏组件的关键设计参数，以及数值天气预报数据或包含辐照度特性的本地测量数据，结合现有的光伏晴空指数公式和太阳辐射方程，进而计算出光伏板接收到的太阳能量。然而，光伏组件信息的局限性、数据采集过程中的误差，以及需要根据当地地理信息不断调整数学模型参数，都制约了模型的精度提升。

统计模型预测则着眼于光伏发电量的时间序列特征，利用历史数据中的上升趋势、下降趋势、周期性规律以及季节性特点来进行预测。常见的方法包括自回归模型、自回归积分移动平均模型[4]以及灰度模型[5]。不过，这类统计预测方法过度依赖历史数据，在处理复杂预测任务时表现不佳[6]，且易受气象条件影响，稳定性较差。

机器学习模型预测方法则包括线性回归、决策树、支持向量回归[7]等传统方法，它们能够借助数值天气预报数据准确预测光伏发电量，其预测精度往往高于物理模型和统计模型[8]。机器学习模型具备更好的能力来捕捉复杂的关联关系，但为了提升其预测性能，通常需要复杂的特征工程处理[9]，而且这类模型的计算成本较高。

光伏系统中多模态、异构数据的日益复杂，给浅层机器学习模型带来了巨大挑战[10]。端到端的深度学习模型通过分层特征学习，从原始光伏数据中提取复杂的特征表示，从而实现直接预测[11]，已成为一种极具前景的解决方案[12]。例如，循环神经网络，包括门控循环单元和长短期记忆单元等架构[13]，以及卷积神经网络[14]，都被证明非常适合用于光伏发电量的预测。

为了解决光伏时间序列中特征表示效率低的问题，并进一步提升预测精度，人们开始探索将信号处理技术与深度学习架构相结合的混合方法。具体而言，经验模态分解[15]、变分模态分解[16]和小波变换[17]等方法越来越多地被用于与LSTM和CNN模型结合，以提高光伏发电量预测的精度和稳定性。在某研究中，还运用快速傅里叶变换将光伏输出信号分解为规律成分和随机成分[17]，再分别用CNN模型预测低频和高频成分，最终通过整合两种预测结果得到最终预测值。这类预测模型在极端天气条件下的超短期光伏发电量预测中，表现出较高的精度。另一项研究则采用集成经验模态分解方法，将光伏发电量的原始时间序列数据分解为相应数量的高频和低频信号，再将这些信号输入优化后的LSTM网络进行预测，该方法能有效提取时间序列数据中的有用信息。

混合深度学习模型也被用来解决建模过程中的诸多问题，比如过拟合问题，以及在处理复杂非线性关系时泛化能力不足的问题。有研究表明，引入时间感知的混合LSTM-RNN模型，能够显著提升光伏发电量预测的精度和泛化能力[19]。除了时间动态特征外，空间相关性也为整体发电量预测提供了重要参考。某研究通过CNN从目标站点及周边站点的气象数据中提取空间特征，再通过LSTM从历史辐照度数据中提取时间特征，从而实现精准的短期水平辐照度预测[20]。另有研究指出，先处理时间特征再结合空间特征的LSTM-CNN混合模型，其预测精度优于先处理空间特征再结合时间特征的CNN-LSTM混合模型，也优于单一的LSTM或CNN模型[21]。还有研究提出了基于RNN和CNN的全球与局部特征融合网络GLFFNet，用于集中式和分布式光伏发电量预测。此外，最近提出的改进型正弦算法-金龟子优化算法-双向门控循环单元-时间卷积网络框架也证明了元启发式参数优化能够有效提升预测性能[23]。

除了混合深度学习模型外，注意力机制也为解决复杂非线性关系带来的过拟合和泛化能力有限等问题提供了另一种有效方案。注意力机制能够让模型有选择地聚焦于输入数据中的关键部分，从而提升模型识别复杂模式和依赖关系的能力。这种针对性强的处理方式不仅能提高模型性能，还能增强模型的适应性，为光伏发电量预测领域的现有混合技术带来了重要补充。由某研究提出的Transformer架构，能够利用自注意力机制有效捕捉长距离依赖关系[24]。还有研究引入了带有跳连接的创新型时间自注意力机制，提升了模型对时间变化的适应能力，进而提高了光伏发电量预测的精度[25]。另有研究提出了将注意力机制与CNN和双向LSTM网络相结合的混合模型。还有改进型模型将LSTM网络与自注意力机制相结合[27]，通过LSTM捕捉时间特征，再利用自注意力机制识别多变量时间序列中的关联关系。

尽管上述混合深度学习模型在时空特征提取方面取得了显著进展，但现有方法仍面临一些根本性挑战。具体来说，RNN/CNN架构固有的局部感受野和梯度衰减问题，限制了模型对长距离依赖关系的捕捉能力，难以实现跨小时的辐照度与发电量动态关联分析。而且当时间尺度和输出维度增大时，预测结果往往无法达到预期效果。因此，精细的时空注意力机制对于提升预测精度至关重要[28]。

受上述研究的启发，本文提出了一种创新的完整集成经验模态分解与自适应噪声处理技术相结合的全球注意力融合网络，该网络通过全局上下文感知和动态特征交互优化，能够实现更精准的光伏发电量预测。该框架首先运用CEEMDAN算法对原始光伏发电量序列进行自适应模态分解，有效抑制非平稳干扰。随后，全球多维坐标动态注意力机制模块会对多源气象数据中的空间异质性和通道相关性进行动态加权处理，充分利用发电量与气象信息之间的协同作用。最后，该框架还采用了结合LSTM和Transformer模型的混合骨干网络，既能捕捉时间依赖关系，又能把握全局上下文，从而实现多步骤、多尺度的高精度未来一天发电量预测。这种综合性的方法显著提升了光伏发电量预测的精度和可靠性。

本文的创新点与主要贡献如下：
1. 该框架引入了多项创新元素，包括用于自适应模态分解的CEEMDAN算法，以及专为动态加权气象数据而设计的GMDCA模块。
2. 该框架构建了结合LSTM和Transformer模型的混合骨干网络，能够同时捕捉时间依赖关系和全局序列特征，从而提升发电量预测的准确性，同时增强发电量与多源气象数据之间的关联分析能力。
3. 基于公开数据集的实验表明，所提出的模型性能优于各类基准模型，能够在未来一天的光伏发电量预测中实现高精度预测。

本文的其余结构如下：第2节将介绍所提出的预测模型框架概要；第3节会对所提模型与基准模型的实验结果进行对比分析，重点说明其在预测精度方面的优势；第4节则总结本文的主要研究发现及其意义。

CGAFN框架结构
所提出的光伏发电量预测模型采用两阶段框架，即数据集重建阶段和模型构建与验证阶段，如图1所示。在框架设计阶段，研究人员对多种主流的混合深度学习架构进行了全面评估，其中包括最近提出的带有Transformer模块的双向门控循环单元框架[29]，这类架构在时间序列预测任务中表现优异。

数据集与数据处理
本研究使用的公开数据集整合了气象服务机构提供的数值天气预报数据，以及光伏电站每隔15分钟记录的本地测量数据[32]。该光伏电站的装机容量为20兆瓦，其精确的地理位置（包括纬度和经度坐标）如图5所示。表1列出了所有输入变量以及目标光伏发电量输出值的物理定义、单位以及关键的统计特性（均值、标准差、最小值和最大值）。

结论
本文提出了基于CEEMDAN技术的全球注意力融合网络，用于实现更精准的光伏发电量预测。该网络首先利用CEEMDAN算法进行自适应模态分解，有效抑制非平稳干扰，从而分离出由天气因素导致的随机波动与可预测的发电趋势，得到的各分量具有明确的物理意义。随后，GMDCA模块负责将光伏发电数据与多源气象数据融合，通过特定的机制提取精细的空间特征。

CRediT作者贡献声明
郑东阳：撰写——初稿撰写、可视化处理、验证、软件使用、资源获取、方法设计、研究实施、数据整理。朱荣武：撰写——审稿与编辑、验证、资源获取、项目管理、方法设计、资金申请、概念构思。陈哲：撰写——审稿与编辑。

利益冲突声明
作者声明不存在任何可能影响本文研究结果的已知财务利益或个人关系。

郑东阳|朱荣武|陈哲