基于局部加权回归的季节趋势分解（STL）与变分模态分解（VMD）及自适应优化结合的卷积神经网络（CNN）-iTransformer短期光伏功率预测方法

《Energies》：A Short-Term Photovoltaic Power Forecasting Method Based on Multiscale Decomposition and Adaptive Optimization

　　

现有研究在刻画光伏时间序列复杂时间模式方面仍存在局限，当前预测模型往往难以捕捉局部突变波动及变量间非线性关系，且超参数优化仍具挑战。为克服上述局限，研究人员提出一种基于多尺度分解与自适应优化的CNN-iTransformer短期光伏功率预测方法。首先，采用基于局部加权回归的季节趋势分解（STL）将原始光伏功率时间序列分解为趋势、季节与残差分量；随后对残差分量进一步施加变分模态分解（VMD），以充分提取序列中隐含的多尺度时间信息。其次，利用卷积神经网络（CNN）提取局部波动特征，同时采用iTransformer建模多种气象变量与光伏功率间的非线性关系与长期时间依赖。最后引入向光性生长算法（PGA）优化预测模型关键超参数，从而提升其在多季节场景下的泛化能力与预测精度。研究人员基于澳大利亚Alice Springs某光伏电站真实数据开展仿真实验，结果表明在相同PGA优化条件下，所提模型相比基线iTransformer的均方根误差（RMSE）与平均绝对误差（MAE）分别降低约19.12%与17.43%，且优于若干主流深度学习模型，验证了该方法在复杂季节变化下的泛化能力与预测精度。

研究背景方面，传统化石能源储量有限且排放大量温室气体，太阳能因清洁、分布广受关注，光伏（PV）发电依赖太阳辐照、温度、云量等气象因素，输出呈随机、间歇与非平稳特性，给电网调频与调度带来困难。短期（1–72 h）光伏功率预测对日前调度、储能管理与电力市场交易至关重要。现有方法分统计、机器学习与深度学习三类：统计方法难以建模非线性非平稳；机器学习（RF、SVM、XGBoost等）长程依赖弱；基于循环神经网络（RNN）的LSTM、GRU受梯度消失制约；Transformer类（Informer、FEDformer、PatchTST、TimeXer）虽擅长长序列，但iTransformer等变量级注意力对局部短时波动提取不足，且超参数敏感。单阶段分解（EMD、ICEEMDAN、VMD）或两阶段经验-频率分解仍耦合趋势周期与随机项，物理可解释性不足。因此研究人员开展一项结合多尺度分解、局部-全局混合建模与智能优化的短期光伏功率预测研究，论文发表于《Energies》。

关键技术方法上，研究人员使用澳大利亚Alice Springs沙漠知识中心Site1B电站2017年全年15 min分辨率数据（含9项气象变量）为主集，中国国网竞赛数据集B（2019–2020年）与新疆电站数据集C（2019年）作泛化验证；先以Pearson相关系数（PCC）与最大信息系数（MIC）融合筛选辐照与温度等5个强相关气象变量；对功率序列施STL得趋势、季节、残差，再对残差施VMD获多本征模态；构建CNN-iTransformer，CNN在变量嵌入后做局部卷积提取邻域波动，iTransformer以变量为token沿变量维做多头自注意力建模气象-功率非线性耦合；以向光性生长算法（PGA）优化隐藏层维数、嵌入维数与学习率，适应度用MSE；评估用RMSE、MAE、R²。

研究结果部分，按原文小节浓缩如下。

多尺度分解比较（3.5节）：在统一框架下对比STL、VMD、EMD、ICEEMDAN，STL-VMD在RMSE与MAE上均最优；EMD/ICEEMDAN有模态混叠，VMD抑高频佳但缺趋势周期，STL提趋势季节但残差仍含高频，两级互补最全。

多尺度分解可视化（3.6节）：STL出平滑趋势、周期季节、随机残差；VMD把残差拆为IMF0大振到IMF4渐衰多频模态，降噪明显；训练测试独立分解加滑动窗与掩码防泄漏。

优化算法有效性（3.7节）：PGA与CPO、WOA、SSA、GWO、PSO各跑20次，PGA约第7代收敛至1.5×10^?4，标准差0.31×10^?4最低，早中期全局探索与后期局部开发平衡，优于其余五者。

消融实验（3.8节）：以iTransformer（M0）为基，加CNN得M1（RMSE降6.22%），加STL得M2（再降7.10%），单VMD得M3（降5.98%），STL-VMD-CNN-iTransformer即M4无PGA时RMSE 2.925、MAE 1.511、R² 0.981；经PGA后M4达RMSE 2.711、MAE 1.421，较M0降19.12%与17.43%，证明分解、CNN、iTransformer、PGA四者协同。

不同天气泛化（3.9节）：晴日边界陡变、阴日连续起伏、雨日强随机三场景下，FEDformer与DLinear在陡升陡降滞后，Informer全局注意力削峰填谷，所提模型因STL-VMD分频、CNN抓局部、iTransformer抓变量耦合，三者跟踪均优。

季节对比（3.10节）：春、秋规整，夏连续波动，冬低频突变；四季各跑20次，所提模型较iTransformer四季RMSE降18.35%–18.86%、MAE降17.45%–20.57%，较全对比模型RMSE降11.81%–62.14%。

跨数据集泛化（3.11节）：数据集B所提RMSE 3.364、R² 0.983；数据集C（新疆）RMSE 1.797、MAE 0.883、R² 0.985，均居首，证实地域迁移稳健。

讨论与结论翻译部分：研究人员指出，为应对光伏时序复杂时间特征刻画难、模型抓局部突变与变量非线性弱、超参数难调三问题，提出基于多尺度分解与自适应优化的CNN-iTransformer短期光伏功率预测方法。多尺度分解降低非平稳性并细化残差高频；CNN-iTransformer混合架构提升局部突变与变量关系捕获力，仿真得RMSE 2.711、MAE 1.421、R² 0.984，优于各消融变体。PGA优化使各模型RMSE降4.37%–7.90%、MAE降3.32%–7.78%，提升配置稳定性。未来可融云图与数值天气预报（NWP）增强突变天气感知，并压缩结构搜索成本以适配电站在线调度。该研究的意义在于为复杂季节与跨区光伏场景提供了一套分解-局部-变量-优化闭环方案，发表于《Energies》支撑可再生并网调度实践。