基于全局对抗与局部对比学习的迁移学习的新建站点光伏发电预测
《Electric Power Systems Research》:Photovoltaic generation forecasting for newly-built sites based on transfer learning with global adversarial and local contrast learning
【字体:
大
中
小
】
时间:2026年08月30日
来源:Electric Power Systems Research 4.3
编辑推荐:
•在数据稀缺条件下,能够为分布式光伏电站实现高精度预测。
•能够有效跨具有异构光伏图拓扑结构的区域迁移预测知识。
•通过全局对抗域对齐,有效减少跨区域特征差异。
•通过引入对比学习,保留关键的局部时空信息。
引言
光伏发电正在快速发展[1]。由于光伏输出的固有间歇性和波动
•在数据稀缺条件下,能够为分布式光伏电站实现高精度预测。
•能够有效跨具有异构光伏图拓扑结构的区域迁移预测知识。
•通过全局对抗域对齐,有效减少跨区域特征差异。
•通过引入对比学习,保留关键的局部时空信息。
引言
光伏发电正在快速发展[1]。由于光伏输出的固有间歇性和波动性,大规模并入电力系统带来了重大挑战[2]。准确的光伏发电预测不仅能确保供需平衡,还能提高市场效率。因此,开发高精度预测算法具有重要意义。特别是,全球新建光伏电站的快速部署,由于历史数据有限,加剧了预测挑战[3]。
鉴于人们对光伏发电预测的日益关注,过去几十年开发了许多算法。目前,光伏发电预测算法分为三类:基于物理的算法、统计算法和基于深度学习的算法。
基于物理的算法通过建模太阳辐射与光伏发电之间的转换机制来预测实际功率输出[4]。通过线性分位数回归校准的光伏模型链组合被提出,用于将确定性天气预报转换为概率光伏发电预测[5]。这些算法提供了清晰的物理可解释性,但预测精度高度依赖于测量输入数据的精度。因此,参数敏感性显著影响预测结果。
统计算法基于历史数据和时间序列模型预测未来光伏发电,包括自回归积分滑动平均(ARIMA)算法[6]。此外,还开发了一种改进深度置信网络与自回归积分滑动平均相结合的混合算法,以提高准确性和稳定性[7]。虽然统计算法能在一定程度上捕捉线性趋势,但在处理复杂光伏发电模式时,精度会明显下降。
基于深度学习的算法在光伏发电预测方面展现出显著优势[8]。特别是,长短期记忆(LSTM)网络由于其捕捉时间依赖性的突出能力,被广泛应用于光伏发电预测[9]。然而,LSTM的固定记忆单元限制了其学习长期依赖关系的有效性。为了克服这些限制,提出了时序卷积网络(TCN)并将其应用于光伏发电预测。通过采用膨胀卷积结构和残差连接,可以更有效地捕捉长期依赖关系[10]。为了进一步提高预测性能,混合神经网络算法得到了研究。一种典型算法是将双向LSTM与卷积神经网络(CNN)相结合,以利用在提取空间特征方面的互补优势[11]。然而,传统卷积神经网络仅限于处理欧几里得数据[12]。图卷积网络(GCN)通过灵活表示光伏电站之间的空间拓扑关系,克服了欧几里得空间的限制。例如,图卷积长短期记忆(Graph Convolutional LSTM)被探索用于提高光伏发电预测的准确性,其中GCN被用于处理光伏电站之间具有复杂拓扑节点的网络[13]。基于深度学习的算法在捕捉非线性和高维模式方面具有强大能力,但对大量标注数据的严重依赖对数据稀缺场景提出了重大挑战。
已有研究表明,基于深度学习的算法在光伏发电预测方面能够实现良好的性能。然而,数据驱动算法在很大程度上依赖于大量高质量训练数据的可用性[14]。对于新建光伏电站,历史记录的缺失往往导致预测精度大幅下降[15]。此外,不同光伏电站之间存在域偏移问题[16]。这种异质性阻碍了在特定区域数据上训练的预测模型向新建光伏系统的迁移。在此背景下,迁移学习已成为解决新建光伏电站预测挑战的一种有前景的解决方案[17]。
目前,迁移学习已被广泛应用于利用从相关源域获得的知识来提高目标域中的预测精度[18]。迁移学习一般分为基于参数的迁移学习和基于特征的迁移学习[19]。在基于参数的算法中,预训练和微调被最广泛应用。预训练专注于从源域学习通用特征表示。来自数据丰富光伏电站的历史记录被用于预训练,随后模型被部署到新建光伏电站,从而能够在有限数据下实现准确预测[20]。微调整建于预训练模型之上,利用源域知识初始化网络参数,并针对目标预测任务调整特定层[21]。与预训练相比,微调展现出更强的泛化能力。在有限标注数据条件下微调的有效性已通过实验验证[22]。然而,基于参数的迁移学习假设源域数据和目标域数据共享相同的特征空间并遵循相同的概率分布。当这些假设被违反时,域偏移和灾难性遗忘严重限制预测精度[23]。
基于特征的迁移学习通过构建源域和目标域之间的共享特征空间来最小化域间差异,近年来获得了显著关注[24]。域对抗(DA)被认为是基于特征的迁移学习中的主流算法,其中通过对抗训练实现跨域对齐[25]。然而,大多数DA算法仅在全局特征空间中对齐不同域的分布。因此,具有不同标签的样本可能会收敛到相似的特征嵌入,导致标签耦合[26]。此外,现有算法主要设计为从单一源域到单一目标域的迁移,未能充分考虑分布式光伏系统的特征[27]。一方面,区域分布式光伏电站表现出强烈的时空相关性。另一方面,不同区域的光伏电站数量和网络结构差异显著。因此,迫切需要开发针对跨区域分布式光伏发电预测的迁移学习算法。
现有迁移学习算法在减少域间差异方面展现了良好的性能。然而,主流方法依赖全局特征对齐,仅追求整体分布匹配,容易忽视局部判别性特征,从而导致预测精度下降。此外,现有算法不适合跨区域分布式光伏发电预测。异构图拓扑不可避免地阻碍了通用特征的学习,限制了预测性能。为解决上述挑战,本文提出了一种基于全局对抗和局部对比学习的时空预测算法(GL-STNet)。本文的主要贡献总结如下:
•设计了一个ST-Net模块,以充分捕捉分布式光伏发电的空间和时间特征。为了解耦对全局邻接矩阵的依赖,开发了局部化GCN结构,以增强跨异构图拓扑的知识迁移能力。此外,膨胀卷积结合双分支门控机制扩展了感受野并增强了非线性表示能力。
•开发了全局对抗网络,以提取源域和目标域之间的域不变特征。具体来说,构建了一个端到端的对抗架构,其中判别器被用于识别输入特征的域归属。目标域特征通过判别器与特征提取器之间的对抗交互被强制变得不可区分,从而实现源域和目标域的分布对齐。
•设计了局部对比学习,以增强关键局部特征的捕捉并提高跨域泛化能力。构建正负样本对来优化嵌入空间中的特征距离,促进相似特征的聚类和异质特征的分离。从而,在全局对抗训练期间常常丢失的关键局部信息得以保留。
本文其余各节组织如下。第2节介绍了跨域知识迁移下新建站点光伏发电预测的问题定义。第3节介绍了所提出GL-STNet算法的框架和详细实现,该算法集成了全局对抗学习和局部对比学习,用于新建站点的光伏发电预测。第4节通过实验分析了所提出GL-STNet算法的性能。最后,第5节对论文进行了总结。
各节片段
问题定义
在本节中,正式定义了基于迁移学习的新建分布式站点光伏发电预测,并在表1中总结了相关符号。
所提出GL-STNet算法的目标是提高数据稀缺区域(目标域)中新建站点的发电预测精度。这是通过将数据丰富区域(源域)的相关知识迁移到目标域来实现的。具体来说,具有充足数据的...
时空特征提取网络
为从图结构中提取关键信息,GCN通过训练卷积核参数计算中心节点与其他节点之间特征的加权总和[28]。不失一般性,传统图卷积网络的逐层传播规则如下:
H^(l+1) = σ(D?^(-1/2) A_t D?^(-1/2) H^(l) W^(l))
其中 A_t = A + I,A_t 是提供图结构信息的邻接矩阵。对角元素通过加1变换为1...
数据描述与迁移任务
所提出的GL-STNet算法在两个真实世界区域光伏发电数据集上进行评估。Region1数据集由河北省10个光伏电站在90天内的数据组成,时间范围为2019年3月25日至6月23日。每15分钟记录一次测量值,每个光伏电站每天产生96个数据样本[31]。Region2数据集来自澳大利亚沙漠知识太阳能中心(DKASC),包含16个光伏电站30天内的测量数据...
结论
为了解决新建光伏电站数据有限带来的挑战,本文提出了一种集成全局对抗学习和局部对比学习的GL-STNet算法。通过开发ST-Net模块,该算法有效建模了光伏发电数据中的时空依赖关系,并在源域和目标域中实现了更全面表征。此外,全局对抗网络的设计有效缓解了分布...
CRediT作者贡献声明
Juanru Zhang:撰写——审阅与编辑,方法论,形式化分析,概念化。Yinghui Zhang:监督,资源,概念化。Dongxu Wang:撰写——审阅与编辑。Jinhao Yin:验证,方法论,数据整理。
利益冲突声明
作者声明他们没有已知的竞争性经济利益或个人关系,这些利益或关系可能影响本文报告的工作。
Juanru Zhang | Yinghui Zhang | Dongxu Wang | Jinhao Yin
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号