基于多任务学习的深度神经网络用于混合光伏-热系统短期功率与热能预测

《Case Studies in Thermal Engineering》：Multi-task learning based deep neural network for short term power and thermal energy prediction of hybrid PV–Thermal systems

　　

在混合光伏-热（Photovoltaic-Thermal, PVT）电站中，准确预测功率输出与热能对于优化能源管理和最大化效率至关重要。传统模型往往难以捕捉此类系统中复杂的时间依赖关系和非线性模式。为应对这些挑战，研究人员提出了Inception嵌入双注意力Bi-LSTM（IDAMBi-LSTM）模型，用于增强混合PVT电站的功率预测和热能预测。该模型整合了Inception层以捕捉多尺度时间特征，双注意力机制以强调重要数据点，以及双向长短期记忆（Bidirectional Long Short-Term Memory, Bi-LSTM）网络以处理前向和后向的序列依赖。研究人员与Inception嵌入注意力机制GRU（IAM-GRU）和Inception嵌入双注意力GRU（IDAM-GRU）模型进行了对比分析，以评估所提出方法的性能和准确性。评估基于多项性能指标，包括均方根误差（Root Mean Square Error, RMSE）、决定系数（R²）、归一化均方误差（Normalised Mean Square Error, NMSE）、平均绝对百分比误差（Mean Absolute Percentage Error, MAPE）和平均绝对误差（Mean Absolute Error, MAE）。结果表明，所提出的Inception嵌入双注意力Bi-LSTM模型在所有指标上均优于IAM-GRU模型，为混合PVT系统的功率输出和热能提供了更准确、更可靠的预测。这项研究凸显了先进深度学习技术在提高可再生能源系统效率和可预测性方面的潜力。

**基于IDAMBi-LSTM的混合光伏-热系统多任务预测研究解读**

**研究背景与问题**

太阳能是全球可持续能源转型的核心支柱，在降低化石能源依赖和减少碳排放方面具有战略意义。然而，太阳能固有的间歇性和气象敏感性给功率预测与能量管理带来了巨大挑战。混合光伏-热（Photovoltaic-Thermal, PVT）系统可同时产生电能与热能，其热-电耦合特性使得面板温度直接影响电功率输出效率，这要求预测模型能够联合建模两类能量输出。传统的物理模型、统计模型及单一任务深度学习模型存在三方面关键局限：其一，单任务模型分别独立预测功率或热输出，忽略了两者间的强耦合关系；其二，现有注意力机制在时空维度上施加统一权重，未能区分空间特征（如面板温度分布）与时间特征（如辐照模式）各自所需的不同关注度；其三，在阴雨等可变天气条件下模型性能显著退化，文献报道的平均绝对百分比误差（MAPE）可从晴天的6%恶化至阴天的15%，严重制约了实际部署。因此，发展一种能够同时优化热-电预测、具备独立时空注意力且对季节变化鲁棒的多任务深度学习架构，成为提升PVT系统能效与可靠性的关键需求。

**研究内容与意义**

针对上述瓶颈，研究人员提出了Inception嵌入双注意力Bi-LSTM（IDAMBi-LSTM）模型，用于混合PVT系统的短期功率与热能联合预测。该模型将Inception多尺度卷积、空间-时间双注意力机制与双向长短期记忆（Bi-LSTM）网络有机融合，并通过加权损失函数平衡两项预测任务的优化目标。系统性的消融研究与跨季节对比实验表明，该模型在夏季和春季两个时段均取得了最优预测精度，较对比模型在均方根误差（RMSE）、决定系数（R²）、归一化均方误差（NMSE）、MAPE和平均绝对误差（MAE）五项指标上全面领先。该研究为混合能量系统的耦合预测提供了可复现的多任务学习框架，对提升可再生能源并网稳定性与能量调度效率具有重要意义。论文发表于《Case Studies in Thermal Engineering》。

**关键技术方法**

研究数据来自奥地利Pinkafeld地区PVT系统实测数据，夏季训练时段为2021年7月11日至9月6日，春季测试时段为2021年5月9日至11日。主要技术包括：（1）采用生成对抗网络（GAN）进行缺失数据插补，通过生成器与判别器的对抗训练重建缺失值，保持变量间相关性；（2）Inception模块并行执行1×1、3×3、5×5卷积与最大池化，提取多尺度时序特征；（3）双注意力机制分别计算空间注意力权重（??_??）与时间注意力权重（??_??），并对隐藏状态进行加权融合；（4）Bi-LSTM网络双向编码序列上下文，捕捉前后向依赖；（5）加权损失函数（?_??????????=???_??????????+???_{?????????????}）实现多任务联合优化。

**研究结果**

**6.1.1 热能预测（夏季）**

对比IDAMBi-LSTM、IAM-GRU与IDAM-GRU三种模型的热能预测性能，测试时段为2021年7月13日23:06:45至7月15日23:10:05。IDAMBi-LSTM取得最低RMSE-T（13.619）、最高R²-T（99.79%）、NMSE-T（0.00393）、MAPE-T（3.65%）及MAE-T（3.725），全面优于IAM-GRU（R²-T=97.50%）和IDAM-GRU（R²-T=95.60%），证明双注意力与双向编码能够显著提升热能预测精度。

**6.1.2 电功率预测（夏季）**

同一测试时段下，IDAMBi-LSTM的RMSE-E为1.85、R²-E高达99.99%、NMSE-E为0.00038、MAPE-E为4.05%、MAE-E为7.377，较IAM-GRU（RMSE-E=3.90）和IDAM-GRU（RMSE-E=7.87）大幅降低误差，实现了近乎完美的电功率拟合，验证了模型对强非线性功率序列的建模能力。

**6.2.1 热能预测（春季）**

春季测试时段为2021年5月9日23:09:35至5月11日23:08:55。IDAMBi-LSTM保持最优表现，RMSE-T为13.712、R²-T为99.58%、MAPE-T为3.72%、MAE-T为3.789，均优于IAM-GRU（R²-T=97.12%）和IDAM-GRU（R²-T=95.34%），表明模型在不同辐照模式的季节条件下均具有稳健的泛化能力。

**6.2.2 电功率预测（春季）**

IDAMBi-LSTM在春季电功率预测中取得RMSE-E=1.74、R²-E=99.90%、NMSE-E=0.00037、MAPE-E=4.05%、MAE-E=6.995，显著优于对比模型，进一步验证了其跨季节的一致性与可靠性。

消融研究表明，双注意力机制较单注意力使热能RMSE降低35.8%（21.200→13.619），电功率RMSE降低52.6%（3.90→1.85）；双向处理较单向GRU变体全面占优，热能R²从95.60%（IDAM-GRU）提升至99.79%（IDAMBi-LSTM）。

**讨论与结论**

讨论部分指出，IDAMBi-LSTM的优异性能归因于Bi-LSTM双向架构对时序上下文更全面的捕捉能力，以及双注意力机制对空间与时间特征的自适应加权。在实际应用中，该模型所达到的预测精度（MAPE<4.05%、R²>99.79%）使运维人员能够优化日前能量调度，将化石燃料备用依赖降低15%–20%，通过检测异常热-电模式实现预测性维护，并可将电池储能过配规模缩减10%–15%且维持电网稳定，还可参与实时电力市场交易以获得更优电价。结论部分确认，IDAMBi-LSTM在所有关键性能指标上均优于IAM-GRU与IDAM-GRU模型，为混合PVT系统的热-电联合预测提供了更准确、可靠的解决方案；该模型不仅增强了PVT系统的可预测性与能源管理效率，也彰显了先进深度学习技术在可再生能源预测领域的巨大潜力，有望成为该领域的新标准。未来工作可探索物理信息神经网络（PINN）、联邦学习、不确定性量化及多模态遥感数据融合等方向，以进一步增强模型对气候变化的适应能力。