《Mathematics》：A Physics-Informed Bayesian Framework for Calibrated, Multi-Horizon Forecasting of Solar, Wind, and Hybrid Renewable Generation
编辑推荐：
可再生能源发电预测是一个概率时间序列问题，其中仅凭点预测精度不足以支撑运行决策。本研究提出了一种物理信息贝叶斯框架，用于太阳能、风能和总可再生能源发电的多时域预测。该任务被构建为一个15维目标-时域问题，涵盖三个发电族和五个预测时域：H1、H3、H6、H12和
可再生能源发电预测是一个概率时间序列问题，其中仅凭点预测精度不足以支撑运行决策。本研究提出了一种物理信息贝叶斯框架，用于太阳能、风能和总可再生能源发电的多时域预测。该任务被构建为一个15维目标-时域问题，涵盖三个发电族和五个预测时域：H1、H3、H6、H12和H24。一种防泄漏数据构建协议从气象观测、发电历史、日历周期、滞后和滚动统计量、爬坡描述符以及物理信息变换中生成因果预测变量。PI-BHTF将422维预测变量空间划分为太阳能、风能、时间-日历和跨上下文四个组件，通过并行非线性分支对其进行编码，并使用跨能量门控融合对表示进行组合。其神经核心使用异方差预测头和蒙特卡洛 dropout来区分依赖于输入的偶然不确定性与认知变异性，而最终混合预测则通过从按时间顺序保留的验证段计算的残差分位数进行校准。在三个预设随机种子下，完整PI-BHTF在内部时间顺序测试中实现了0.0797 ± 0.0007的平均MAE，在锁定外部SCADA验证中实现了0.0686 ± 0.0006的平均MAE。性能和校准在不同目标-时域任务间存在显著差异，包括风能发电在短时域外部验证中的明显欠覆盖。组件级消融研究支持语义特征分区和异方差预测头，而物理信息特征、跨能量门控和物理一致性损失并未独立降低总体MAE。因此，PI-BHTF应被理解为一个可复现且具有竞争力的框架，它在多时域精度、结构化表示、不确定性估计和外部迁移性之间取得平衡，而非一个普遍占优的模型。
论文解读：物理信息贝叶斯混合时域预测框架（PI-BHTF）用于太阳能、风能及混合可再生能源发电的多时域校准预测
一、研究背景与问题
随着可再生能源在电力系统中渗透率的不断提高，短期及多时域发电预测已成为应用数学领域的重要问题。太阳能和风能发电具有气象依赖性、波动性和部分可控性，其不确定性直接影响备用计划、电网平衡、电力市场运行以及可再生能源的安全并网。然而，现有预测研究存在若干关键不足。第一，多数研究以MAE、RMSE、R2等平均点误差指标作为主要评价依据，此类指标无法全面反映模型在不同能源类型和不同预测时域下的行为差异，例如某模型可能在一小时 ahead 的太阳能预测上表现良好，却在12或24小时 ahead 的风能预测上显著失效。第二，点预测缺乏经过校准的不确定性信息，实际运行中调度人员不仅需要单一预测值，更需要了解预测的可靠程度及未来发电量的合理区间，概率预测应同时满足校准性与锐度要求。第三，太阳能与风能通常被分别建模，总可再生能源发电作为联合结构化预测问题的研究相对不足。第四，基于独立SCADA数据的外部验证仍不常见。此外，时间序列预测中的数据泄漏问题严重威胁评估可靠性，当未来信息进入预测变量空间或预处理参数使用了验证、测试及外部数据时，会产生过度乐观的性能估计。因此，研究者提出了物理信息贝叶斯混合时域预测框架PI-BHTF，旨在多时域联合预测框架下平衡结构表示、不确定性估计和外部泛化能力。
二、研究内容与结论
该研究将预测任务形式化为一个15维目标-时域问题：对太阳能发电、风能发电和总可再生能源发电三个目标族，分别在H1、H3、H6、H12和H24五个预测时域（对应未来1、3、6、12和24小时）上进行预测。研究者设计了一套防泄漏数据构建协议：所有预测变量必须是因果的，预处理操作仅在训练集上拟合，外部验证数据在最终评估前保持完全锁定。PI-BHTF模型将422维预测变量空间划分为太阳能、风能、时间-日历和跨上下文四个语义分支，分别通过并行非线性编码器处理，并使用跨能量门控融合进行组合。其神经核心采用异方差预测头表征输入依赖的偶然不确定性，通过蒙特卡洛dropout表征认知变异性，最终混合预测区间使用时间顺序保留的验证段残差分位数进行校准。实验采用内部时间顺序测试与锁定外部SCADA验证相结合的方式，并与经典统计模型、正则化线性模型、梯度提升方法、概率回归器、时序深度学习模型及紧凑神经预测架构等强基线进行系统比较。研究发表于《Mathematics》期刊。研究结论表明：PI-BHTF提供了一个可复现的、具有竞争力的框架，在结构化多时域表示、不确定性估计和外部迁移性之间取得了均衡表现，而非在所有任务上普遍占优。
三、关键技术方法
该研究在数据处理方面融汇了两个数据源：主模型数据采用Mendeley Data的风能与太阳能发电数据集，外部验证数据采用中国国家电网可再生能源发电预测竞赛数据集（含510,816条太阳能和420,879条风能SCADA记录，来自8个太阳能站点和6个风能站点，重采样为17,520条小时级记录）。特征工程构建了422维因果预测变量空间，涵盖气象变量、历史发电量、滞后与滚动统计、爬坡描述符、日历周期及物理信息变换（如辐照度变换、风速-空气密度功率曲线基等）。模型架构方面，语义特征分区将输入空间划分为四个不相交分支（太阳能分支112维、风能分支117维、时间-日历分支8维、跨上下文分支185维），各分支通过包含线性层、层归一化、SiLU激活和dropout的前馈编码器映射为96维隐藏表示后再经跨能量门控融合。训练采用异方差负对数似然损失结合物理一致性软正则项，通过蒙特卡洛dropout进行随机前向传播估计认知不确定性，最终区间通过校准段残差经验分位数进行调整。
四、研究结果
4.1 内部时间顺序测试结果。内部测试表明PI-BHTF混合配置在所有模型中取得了最强的平均MAE表现（约0.080），最接近的提升类基线为LightGBM和HistGradientBoosting（平均MAE约0.082和0.083）。在时域层面，PI-BHTF变体在H1-H6和H24上表现最强：H1时MAE接近0.022，R2接近0.965；在H12上HistGradientBoosting取得最低MAE，但PI-BHTF在RMSE和R2上仍具竞争力。
4.2 锁定外部验证结果。外部验证呈现比内部测试更复杂的格局。PI-BHTF NeuralAugmented、PI-BHTF ClassicalStack和SAINTStyleCompact取得了极为接近的平均MAE（均接近0.069），完整PI-BHTF平均MAE接近0.070。最佳模型随预测时域变化：H1上ElasticNet取得最低MAE，H3和H24上PI-BHTF ClassicalStack最优，H6和H12上紧凑神经和循环模型（如SAINTStyleCompact和GRU）更强。按装机容量换算，PI-BHTF外部MAE在H1占太阳能装机容量3.9%，H12占风能装机容量11.7%。
4.3 PI-BHTF的目标-时域行为。内部测试中H1时三个目标族的R2分别约为：太阳能0.959、风能0.970、总发电0.966。外部验证中总可再生能源发电表现最稳定（H1约0.023，H6约0.064，H12-H24保持在0.059-0.061），风能仍是最困难的目标族（从H1的0.069升至H12的0.117）。
4.4 区间覆盖与校准。内部测试PICP90大体介于0.87至0.95之间；外部验证平均PICP90为0.931648，但存在显著异质性。最突出的外部校准缺陷出现在Wind H1（PICP90约0.65，低于名义水平25个百分点），Solar H1也欠覆盖（约0.77）；长时域则出现反向的保守覆盖（Wind H12-H24约0.99，Total H12-H24接近1.00）。
4.5 统计检验。内部相对于LightGBM的平均配对MAE改进为0.001769，Holm校正后p值为0.000000991，但Diebold-Mariano检验p值为0.0497，95%块自助置信区间包含零，总体效应被定性为较小。外部与SAINTStyleCompact的对比中，Holm校正后p值为0.1906，自助置信区间包含零，不支持任一模型具有稳定的外部优势。
4.6 组件级消融分析。语义特征分区的移除使外部MAE从0.069217升至0.071166，R2从0.444705降至0.394838，是最明确的正面架构证据。移除物理信息特征、跨能量门控或物理一致性损失并未提高外部MAE（最低为移除物理一致性损失时的0.067269），因此这些组件被解释为物理动机的结构先验和一致性机制。不确定性模块中，移除异方差预测头显著恶化外部神经核心质量，而移除保形校正主要改变覆盖率和区间宽度。
4.7 重复种子稳定性。在三个预设种子（20,260,621、20,260,622、20,260,623）下，完整PI-BHTF内部测试MAE标准差为0.000683，外部验证为0.000571，表明对随机初始化敏感性低。
五、讨论与结论
研究讨论指出，可再生能源预测不存在对所有目标和时域普遍最优的单一架构。H1时当前发电量、短滞后和气象状态承载了大部分可预测信号，因此正则化线性模型在特定外部短时域任务中仍具竞争力；H6-H12时序上下文更为重要；H24时周期性和长记忆因素更为关键。本实验设置不使用未来数值天气预报输入，因此结果表征的是基于历史信息的预测能力而非完整运营日前调度预测，这是H12和H24结果解释的重要限制。保形覆盖需在时间依赖和外部漂移情景下谨慎解释，Wind H1约0.65的外部PICP90是实质性校准失败。研究结论为：PI-BHTF在点预测精度、结构化特征表示、不确定性估计和独立SCADA数据迁移性之间提供了可复现的竞争性平衡；组件级消融支持语义特征分区和异方差预测头的贡献，而物理信息特征、跨能量门控和物理一致性损失未显示独立的MAE降低作用；时序残差校正改善了经验覆盖但无法消除外部分布偏移；未来工作应优先考虑数值或集合天气预报输入、自适应或分块保形校准、保形分位数回归、更广泛的跨区域验证以及具有显式跨目标依赖的多元不确定性模型。
