光伏功率中期预测的混合算法：两阶段聚类-CNN-BiLSTM-Attention——以秘鲁利马为例

《Renewable Energy》：Hybrid algorithm for medium-term photovoltaic power prediction. Two-stage clustering-CNN-BiLSTM-Attention: Case study Lima (Peru)

　　

太阳能电站的装机容量确定需要安装地季节性气象变率的历史信息。为保障光伏（PV）发电高效生产，必须提供能识别变率的准确预测。现有各类混合预测模型大多未对聚类质量进行明确验证，且当前PV预测模型架构虽精度更高，但计算时间显著增加。研究人员提出一种新颖混合模型，采用真实历史数据执行两阶段聚类：先用物理-确定性聚类划分气候季节，再用K-Medoids方法对阴天与晴天进行分割，其结果作为CNN-BiLSTM-Attention预测模型的输入，该模型在簇均值基线之上对残差进行训练，在1、2、4、7、14和21天的时间跨度上取得竞争性结果。聚类质量由三项指标联合优化支撑：轮廓系数（Silhouette Score, SS）介于0.6698至0.8616，Calinski–Harabasz指数（CHI）最高达655.86，Davies–Bouldin指数（DBI）低至0.4320，并确定K*=2为四季最优簇数。所提模型在分层7日切分、5折扩展窗口交叉验证、95%自助置信区间及Diebold–Mariano检验下，六个时间跨度R2介于0.8330至0.8453，RMSE介于0.1585至0.1627 kW，MAE介于0.1156至0.1171 kW。在2023–2024年海岸厄尔尼诺事件期间，模型R2较正常条件提升+2.6%（0.8721对0.8498），证明两阶段聚类在异常气候区制下具有稳健性。

研究背景方面，全球能源结构向光伏（PV）广泛集成转变过程中，刚性确定性模型的局限日益显现，PV功率间歇性挑战需转向弹性自适应系统。现有文献指出，依赖深度学习架构解码大气波动性的预测模型有效，但多数混合模型未对聚类质量做严格验证，且更复杂架构（如QT-MARF、WNPS-LSTM-Informer、xLSTM-TCCNN）虽提升精度却忽视预处理优化与计算时效，亦少有在异常气候（如秘鲁海岸厄尔尼诺）下评估。因此，研究人员开展本研究，旨在以两阶段聚类增强预处理、以残差方式驱动CNN-BiLSTM-Attention（卷积神经网络-双向长短期记忆网络-注意力机制）实现中期（1–21天）PV功率预测，论文发表于《Renewable Energy》。

关键技术方法上，研究人员使用秘鲁天主教大学（PUCP）利马屋顶1.5 kW光伏阵列2023–2024年1分钟分辨率数据，经物理限幅与功率/辐照相关性筛除异常日后聚为650日，重采样至15分钟；融合ERA5通过Open-Meteo获取的8项数值天气预报（NWP）变量，构造27维特征。第一阶段按南半球天文季划分四季，第二阶段在各季内以10维日曲线描述子（辐照均值/中位/标准差、日幅、日能量、最大功率及其时刻、容量因子等）行K-Medoids聚类，K*由SS、CHI、DBI联合网格寻优定为2（晴/阴）。预测端以簇均值作基线，CNN提取局部潜特征，BiLSTM建模双向时序依赖，Attention加权关键时段，网络在残差上训练；评估采用分层7日切分、5折扩展窗口交叉验证、B=500自助区间与Diebold–Mariano（Harvey-Leybourne-Newbold修正）检验，并与三类近期深度学习及三类经典基准、五组消融变体比较。

研究结果部分，摘要与引言已阐明两阶段聚类质量（SS 0.6698–0.8616、CHI≤655.86、DBI≥0.4320、K*=2）与六跨度性能（R² 0.8330–0.8453、RMSE 0.1585–0.1627 kW、MAE 0.1156–0.1171 kW）。数据库小节注明样本为利马海岸（-12.07°, -77.08°）686原始日/650精筛日、07:00–17:30窗口、输入窗长5–42日、ERA5八变量。预处理与归一化小节给出物理效率比η_ratio(t_i)=P(t_i)/G(t_i)，η_min≤η_ratio≤η_max为弃日准则。NWP集成小节确认27维特征对所有对比模型一致。两阶段聚类小节确认季节块内K-Medoids得晴/阴二类。方法论图（Fig.1）与预处理流（Fig.2）按原文描述为六阶段（采集、清洗、聚类、特征工程、CNN-BiLSTM-Attention建模、评估）。海岸厄尔尼诺小节报告正常期R²=0.8498、事件期R²=0.8721（+2.6%）。

讨论与结论翻译：研究人员证明，两阶段聚类（物理-季节划分+季内K-Medoids日型分割）在SS、CHI、DBI联合判据下获得可验证优质簇结构（K*=2），将CNN-BiLSTM-Attention训练于簇均值基线的残差上，可在1–21天中期跨度以较低计算成本取得与更复杂架构可比的精度（R²≈0.84，RMSE≈0.16 kW）；该框架在2023–2024海岸厄尔尼诺异常气候下R²反升2.6%，表明日型感知预处理提升了对气候区制转移的鲁棒性。研究意义在于将聚类验证、残差建模与中等复杂度深度学习结合，弥补了PV预测中“重架构轻预处理、聚类无量化”的缺口，并为秘鲁海岸及类似低降雨高湿沿海站点的中期调度提供可复现协议。