一种用于高精度光伏发电功率预测的跨变量光谱相干性增强变换器

《Neurocomputing》：A cross-variable spectral coherence-enhanced transformer for high-precision photovoltaic power forecasting

　　

摘要

准确预测光伏发电量对于将可再生能源大规模整合到智能电网中至关重要。然而，由于天气状况的复杂周期性以及气象变量之间的紧密关联，这一任务仍然具有挑战性。为了解决这一问题，我们提出了CVSC-Transformer模型。该模型首先利用快速傅里叶变换将多变量时间序列映射到频域，然后将每个复数谱分解为实部和虚部。通过策略性地调整序列轴为变量轴，该模型能够明确学习变量间的谱依赖关系，同时严格保持幅度和相位的一致性。此外，该模型还引入了可学习的频率权重，以自适应地突出关键的谱成分，并采用双分支Transformer编码器来捕捉变量间的相关性。最终预测结果是通过逆变换后再进行线性投影得到的。在五个真实世界数据集上的大量实验表明，我们的模型在大多数场景下都取得了最先进的性能，尤其是在长期预测任务中优势更为明显。这项工作为光伏发电预测提供了一种实用且高性能的解决方案，有效克服了现有方法的关键局限，有助于推动可再生能源的整合发展。

引言

得益于零污染、多功能性、可扩展性和可靠性等优势，光伏发电技术正在全球范围内迅速发展[1]、[2]、[3]。然而，由于太阳辐射、温度和湿度等气象条件的不断变化，其输出功率本质上具有不可预测性[4]、[5]。这类由大气因素引起的变化会影响到光伏发电的安全可靠使用，进而威胁电网稳定性和电能质量[6]、[7]、[8]。在此背景下，准确高效的光伏发电预测成为一种既经济可行又至关重要的解决方案。它为现代电力系统的科学规划、最优调度和稳定运行提供了重要支持[9]、[10]、[11]。

在光伏发电预测领域，数据驱动的方法[12]已逐渐取代基于物理原理的传统方法。这一发展过程大致可分为四个阶段：传统的物理模型、经典的统计技术、浅层学习算法，以及基于自注意力机制的现代深度学习架构。早期的研究主要依赖于基于数值天气预报的物理模型[13]。随后，ARIMA及其变体SARIMA等传统时间序列分析方法被广泛用于捕捉线性时间模式。为了解决非线性依赖问题，研究方向转向了包括支持向量机[15]和随机森林[16]在内的机器学习算法。近年来，尤其是那些基于Transformer架构并借助自注意力机制的深度学习模型[17]，已成为捕捉复杂长距离依赖关系的主流方法[18]、[19]、[20]、[21]。

尽管这些方法在模拟时间依赖关系方面表现良好，但它们在处理气象变量之间的相位偏移关系时存在局限性。图1显示，太阳辐射、温度和湿度等变量呈现出具有不同相位和幅度的复杂时间模式，这使得明确建模这些关系变得十分困难[22]。这一限制促使研究人员开始探索频域分析方法，该方法将预测范式从学习时间依赖关系转变为利用谱特征。

频域方法已成为光伏发电预测领域的有力替代方案[23]、[24]。例如，FEDformer[25]通过在频域中计算注意力机制来提升长距离预测能力。FiLM[26]则利用傅里叶分析来保留历史信息。更为近期的混合模型，如DWT-Former[27]和Waveformer[28]，则进一步将小波变换与Transformer架构相结合，在多尺度特征提取方面展现出更出色的性能，有助于能量预测。FITS[29]采用频域滤波和投影技术，而FreTS[30]和FourierGNN[31]则研究了纯粹的频域架构。近期出现的FreqFormer[32]和FreEformer[33]进一步凸显了考虑频域特性的设计的潜力。虽然现有的频域方法在谱表示方面已展现出价值，但它们通常仅独立关注单变量序列或过程通道的谱特征[34]。这种单变量处理方式无法充分利用多变量气象数据中固有的变量间谱依赖关系[12]、[35]、[36]。此外，这类方法也缺乏分析变量间关系的严格数学基础。

图2证实了这种此前被忽视的依赖关系的存在及其重要性。在频域中，太阳辐射、温度和湿度在特定的频率上（如每日周期）呈现出同步的谱峰。尽管有如此明确的证据，目前的预测方法仍分别处理每个变量的频谱特征。这一关键缺陷阻碍了对光伏系统行为的准确建模，以及其与能量存储系统的整合，因为不同变量会在特定频率上共同变化[6]、[37]。

为了解决这一根本性缺陷，我们提出了CVSC-Transformer，这是一种全新的架构，能够在频域中明确建模气象变量之间的相互依赖关系。我们的方法从根本上改变了预测范式，从模拟时间依赖关系转变为模拟谱依赖关系。具体而言，它通过快速傅里叶变换将多变量时间序列转换为频域，并策略性地将该频域表示中的序列轴转换为变量轴。这样的设计使得模型能够明确学习变量间的谱依赖关系，同时严格保持幅度和相位的一致性，从而直接解决了现有方法所忽略的核心问题——即变量间的谱依赖关系。

本研究的主要贡献如下：

• •
  我们提出了一种基于频域的预测范式，该范式从模拟时间依赖关系转变为模拟谱依赖关系。这种方法能够准确捕捉气象变量之间的同步频谱行为，从而克服了现有方法在处理相位偏移关系和变量间谱依赖关系方面的局限性。
• •
  我们设计了一种专门的Transformer架构，该架构能够策略性地将在频域中的序列轴转换为变量轴。这样一来，就可以直接建模气象变量之间的谱关系，有效处理具有相位偏移的多变量模式。
• •
  我们开发了一种自适应的谱过滤机制，该机制利用可学习的频率权重自动识别并优先处理具有物理意义的频率成分。这不仅提升了模型的可解释性，还无需手动选择频率区间。
• •
  通过在五个光伏数据集以及九种基准模型（包括最新的考虑频域特性的模型和状态空间模型）上的大量实验，我们证明了所提方法的优势，尤其是在长期预测场景中。这些结果表明，基于谱依赖关系的建模方法是可再生能源预测和智能能源管理领域的一个极具前景的方向。

章节节选

概述

我们提出了CVSC-Transformer，这是一种全新的架构，它从根本上改变了预测思路，从模拟时间依赖关系转变为学习多变量时间序列的谱依赖关系。其核心创新在于能够在频域中明确捕捉气象变量之间的相互依赖关系，从而将复杂的時間模式转化为易于处理的谱关系。

如图3所示，整个框架由四个关键部分组成：（1）输入

实验设置

数据集。我们将在五个真实的光伏发电数据集上测试所提出的CVSC-Transformer模型。为确保透明度并便于重复实验，本研究所使用的所有数据集均为公开可获取的。

• •
  Dataset0与Dataset4：这两组数据是我们行业合作伙伴在中国运营的商业光伏电站所收集的专有数据。Dataset0用于记录高频的发电动态，而Dataset4则作为具有代表性的工业数据集。此前

结论

本文提出了CVSC-Transformer模型，旨在改善在复杂天气周期以及气象变量之间强相互依赖关系下的光伏发电预测效果。该模型首先通过快速傅里叶变换将多变量时间序列映射到频域，再将每个复数谱分解为实部和虚部。通过策略性地调整序列轴为变量轴，CVSC-Transformer能够明确学习变量间的谱依赖关系，同时保持

CRediT作者贡献说明

张彦斌：撰写——初稿、软件实现、方法设计、概念构思。吕志豪：撰写——审阅与编辑、项目监督、项目管理。袁烨：项目监督、资源协调、资金筹集。

利益冲突声明

作者声明，他们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。

致谢

本研究部分得到了中国国家自然科学基金的支持，项目编号为62372385。

张彦斌目前在中国重庆的西南大学汉红学院攻读软件工程学士学位。他目前为大三学生，具备时间序列分析和半监督学习在语义分割中的应用背景。他的当前研究兴趣包括时间序列预测和计算机视觉领域。他可以通过[e-mail]与他联系。

张彦斌|吕志豪|袁烨

中国重庆，400715，西南大学，汉红学院