《Next Energy》：VMD-LSTM-transformer: A hybrid approach for robust solar irradiance forecasting in complex terrains with application to photovoltaic systems
编辑推荐：
在复杂地形下，由于强烈的非平稳性、快速的云层过渡以及高度多变的大气条件，准确的全球水平辐射（GHI）预测仍然是一项重大挑战，这些问题直接影响光伏（PV）运行和并网。本研究提出并评估了VMD–LSTM–Trans，一种分解增强型混合深度学习（DL）框架，该框架集
在复杂地形下，由于强烈的非平稳性、快速的云层过渡以及高度多变的大气条件，准确的全球水平辐射（GHI）预测仍然是一项重大挑战，这些问题直接影响光伏（PV）运行和并网。本研究提出并评估了VMD–LSTM–Trans，一种分解增强型混合深度学习（DL）框架，该框架集成了变分模态分解（VMD）、长短期记忆网络（LSTM）和基于Transformer的注意力机制，用于在高度多变的山地条件下进行太阳辐射预测。研究人员采用VMD将辐射信号分解为内在多尺度分量，从而增强在高度多变条件下的信号表示，而混合循环-注意力架构则同时捕获局部时间动态和长程依赖关系。该提出的框架使用从厄瓜多尔国立大学（National University of Loja）安装的光伏系统收集的真实高分辨率测量数据进行验证，该地区位于山地热带区域，以显著的气候变异性为特征。研究人员实施了一个全面的预处理流程，包括质量控制、时间对齐、信号调理和特征工程，以确保稳健的模型开发。该混合模型族在10分钟、30分钟和1小时的时间分辨率以及1小时、6小时和12小时的预测时域上进行了评估。结果表明，所提出的混合配置提供了有竞争力的性能，特别是在短期和选定的中期预测场景中。最佳1小时预测案例的R2值接近0.93，而更长的时域，尤其是12小时，由于太阳辐射动态的不确定性增加，仍然更具挑战性。这些发现表明，分解增强型循环-注意力模型可用于复杂山地环境中的辐射预测，但需要在更多地点和气候条件下进行进一步验证。
论文解读
**研究背景、问题与目的**
随着温室气体排放的持续上升和化石燃料储量的逐渐枯竭，现代能源系统向更可持续替代方案的转型需求日益迫切。在此背景下，可再生能源已成为脱碳和长期能源安全的关键支柱，其中太阳能因其丰富、分布广泛且环境可持续而尤为突出。然而，太阳能的固有变异性和间歇性给其大规模并网带来了技术挑战，影响了可靠的电网运行和系统稳定性。
光伏（PV）能源近年来因安装和运营成本大幅下降而迅速扩张，但高效、可靠的光伏系统运行高度依赖于能够预测太阳辐射波动的准确预测模型。太阳辐射作为光伏发电的主要驱动力，其动态行为受云量、降水、风速、气温和相对湿度等多重气象因素的综合影响，这些因素的相互作用常导致剧烈的辐射波动，直接影响发电的连续性、可预测性和可靠性。在山区和地形复杂区域，如安第斯山脉地区，这种变异性更为显著，大气条件快速演变，预测难度极大。
现有的太阳辐射预测方法可大致分为五类：物理模型、基于持久性的方法、统计技术、机器学习（ML）模型和混合框架。然而，这些方法都存在局限：持久性模型计算简单但预测精度在高变异性条件下迅速下降；物理模型依赖辐射传输方程，计算量大且在不稳定天气下表现不佳；统计方法如ARIMA在面对非线性、混沌或强非平稳辐射动态时鲁棒性有限。尽管人工智能的进步推动了ML和深度学习（DL）技术的发展，但太阳辐射的高随机性、间歇性和非平稳性常常限制了独立ML/DL模型的泛化能力。
为此，信号分解技术应运而生，如经验模态分解（EMD）、集合经验模态分解（EEMD）和小波变换（WT），它们通过将太阳辐射表示为多尺度时间成分来改善预测性能。变分模态分解（VMD）因其能够从噪声中分离出物理上有意义的振荡分量而成为一种有效选择。同时，可再生能源预测的研究前沿已转向混合DL架构，如CNN-LSTM、Conv-GRU、Conv-BiLSTM和基于Transformer的框架，这些模型能够同时捕获局部时间模式和更广泛的上下文依赖关系。尽管取得了进展，但现有研究仍存在不足：多数集中于超短期（1-3小时）预测，限制了其在中期能源规划（6-12小时）中的应用；季节性变异性常被忽视；缺乏针对真实世界光伏数据的全面预处理流程，影响了模型的鲁棒性、泛化性和可迁移性。
为应对这些挑战，本研究提出了一种混合预测框架VMD–LSTM–Trans，该框架集成了VMD、LSTM网络和基于Transformer的注意力机制，旨在开发一个稳健、可靠的短期和中期太阳辐射预测框架，以支持高气候和地形复杂性区域的电网集成和能源管理。
**研究内容与结论**
研究人员利用厄瓜多尔国立大学（位于安第斯山脉地区，海拔约2100-2200米）安装的光伏系统数据，对VMD–LSTM–Trans框架进行了验证。该数据包含2023年1月至2024年2月期间5分钟分辨率的高频测量值，变量包括全球水平辐射（GHI）、气温、降水量和风速。研究设计了两个季节性案例场景（雨季和旱季），并采用了滚动向前回测策略。实验评估了10分钟、30分钟和1小时三种时间分辨率，以及1小时、6小时和12小时三种预测时域。结果表明，所提出的混合模型族在大多数全特征预测场景中，尤其是在短期和选定的中期预测场景中，持续优于独立的LSTM和Transformer模型。其中，最佳1小时预测案例的R2值接近0.93，而更长时域（尤其是12小时）的预测仍具挑战性。该研究发表在《Next Energy》期刊上。
**主要关键技术方法**
1. **变分模态分解（VMD）**：作为预处理技术，将滤波后的GHI信号分解为K个带限固有模态函数（IMF），以增强信号的多尺度表示，减少噪声，改善下游学习模型的输入。
2. **长短期记忆网络（LSTM）**：作为循环编码器，从包含气象变量和VMD分解增强特征的多元输入序列中提取局部顺序动态和短期到中期的序列模式。
3. **基于Transformer的注意力机制**：通过多头自注意力机制，对LSTM编码器输出的隐藏状态序列进行建模，以捕获更广泛的上下文依赖关系和长程时间交互。
4. **全面的数据预处理流程**：包括质量控制、时间同步、缺失数据插值（单调三次插值）、物理过滤（日光掩码、异常值剔除）、时间重采样（10分钟、30分钟、1小时）和特征工程（循环时间编码、滞后变量、移动平均特征）。
**研究结果**
**3.1 基线预测性能**：研究人员评估了持久性、滚动平均和小时气候学三种传统基线模型。结果显示，小时气候学模型在传统基线中表现最佳，而滚动平均模型表现最弱。所有基线模型的误差在白天条件下均有所增加，表明简单参考模型仅能捕获部分时间结构，需要更复杂的预测架构。
**3.2 特征重要性分析**：基于Transformer模型在10分钟分辨率下的置换特征重要性分析表明，短期时间依赖性（尤其是第一个辐射滞后项ghi_lag1）主导了预测性能，而通过VMD获得的IMF（IMF1-IMF5）也是最重要的预测因子之一，为使用分解增强信号表示提供了实证支持。
**3.3 独立LSTM模型的基线性能**：独立LSTM模型在较短预测时域和较细时间分辨率下表现最佳，但在12小时预测时域下性能显著下降，R2值较低。这表明循环架构虽能有效建模局部顺序连续性，但在更长的预测条件下捕获更广泛上下文依赖关系的能力有限。
**3.4 基于Transformer模型的基线性能**：Transformer模型在细时间分辨率下的短期预测中表现有竞争力，但在预测时域延长和时间分辨率变粗时，性能逐渐下降，尤其在1小时分辨率场景下出现负R2值，表明其对输入数据的时间粒度敏感，在长时域和低分辨率下鲁棒性不足。
**3.5 VMD-LSTM-Trans混合模型的性能**：混合模型在所有时间分辨率的1小时预测时域下均表现出高精度，R2值超过0.92，并在6小时预测场景下保持了稳健性能。相较于独立LSTM和Transformer基线，混合模型在捕获短期波动和减少偏差方面有显著改进，表明其有效结合了局部顺序连续性和更广泛的时间上下文信息。
**3.6 混合V2模型的性能**：混合V2模型通过引入卷积特征提取和双向循环编码，在特定场景（如30分钟分辨率的1小时和6小时预测）下取得了有竞争力的性能，但其性能在不同场景间的一致性低于基础混合模型，表明增加架构复杂性并不总能带来更好的泛化性能。
**3.7 VMD去除消融实验**：通过比较同一混合循环-注意力架构在有无VMD导出IMF的情况下的性能，发现VMD增强配置在短期预测场景中改善了预测性能，证实了VMD分解阶段对提升预测精度的积极作用，而非仅作为辅助预处理步骤。
**3.8 混合V2架构消融研究**：对混合V2模型的消融研究表明，模型性能对解码器配置、卷积容量和输入序列长度特别敏感。最佳配置为两个解码器层、128个卷积滤波器和较短的48步回溯窗口，获得了最低的误差指标和最高的判定系数，表明有效的预测性能取决于局部特征提取、时间编码和上下文建模之间的平衡。
**3.9 混合V3模型的性能**：混合V3模型采用双编码器结构，结合双向循环建模和扩张卷积特征提取，在30分钟和1小时分辨率下表现出色，尤其在30分钟分辨率的1小时和6小时预测任务中取得了最强性能，证实了中等时间聚合与增强时间编码相结合的有效性。
**3.10 跨预测场景的基准比较**：综合比较表明，混合架构在大多数评估场景中优于独立的LSTM和Transformer基线。原始混合模型在多个场景中表现出平衡和稳定的性能，混合V3模型在特定操作相关场景中进一步提升了预测性能，而混合V2模型在选定的长时域场景中表现出竞争力。
**3.11 预测行为与实践意义讨论**：实验结果证实了分解增强型混合架构在高变异性大气条件下的有效性。混合模型通过结合多尺度信号分解、循环时间编码和注意力上下文建模，提供了比单独使用循环或注意力模型更合适的归纳偏置。研究还发现，预测性能受时间分辨率和预测时域的强烈影响，且没有单一架构在所有场景中占优。从操作角度看，该框架可能支持高气候和地形变异性区域的光伏调度、电池管理和电网决策。
**讨论与结论**
**结论部分翻译**：本研究提出了一种混合太阳辐射预测框架，称为VMD–LSTM–Trans，旨在改善高度多变气候条件和复杂山地地形下的短期和中期预测。该方法结合了VMD、LSTM网络和基于Transformer的注意力机制，以联合建模多尺度时间结构、局部顺序动态和更广泛的上下文依赖关系。从厄瓜多尔国立大学单个光伏装置收集的真实光伏测量数据获得的实验结果表明，分解增强型混合架构可在高度多变的山地热带条件下提供有竞争力的预测性能。然而，由于验证仅限于一个地理位置和一个光伏系统，这些发现应被解释为特定地点的证据，而非通用性的普遍证明。特别是，所提出的混合模型族在大多数全特征预测设置中，尤其是在短期和选定的6小时预测场景中，持续优于独立的LSTM和Transformer模型。在评估的变体中，原始混合模型表现出最平衡的整体行为，而混合V3模型在多个操作相关场景中取得了最强结果。从方法学角度看，结果表明，纯粹的循环架构或纯粹的注意力架构均不足以在复杂大气环境中一致地捕获太阳辐射的多尺度非平稳动态。相反，研究结果支持使用分解增强型混合学习策略，作为在现实操作条件下进行可再生能源预测的更有效建模范式。从应用角度看，该框架为光伏能源管理提供了实用价值，包括调度支持、本地计划和电网感知运行规划。其能够在多个时间分辨率和预测时域下保持有竞争力的性能，进一步增强其在实际部署中的相关性。未来工作应在多个光伏装置、气候制度、地理区域、光伏技术和系统配置下验证该框架，以评估其跨站点泛化性和实际可迁移性。此外，未来研究应纳入能够提供预测区间和不确定性估计的概率预测策略，这些对于光伏调度和电网管理至关重要。最后，所提出的混合模型族的轻量级和自适应变体可能为下一代智能光伏系统的实时部署提供有前景的方向。
