《Energies》:Transformer-Based Solar Irradiance Forecasting Model for Coastal and Microclimate-Sensitive Areas of First District of Batangas
编辑推荐:
准确的太阳能辐照预测是实现可靠的光伏(PV)运行、有效的能源管理和系统优化的关键前提。传统的预测方法,如历史平均法、持久性模型和粗分辨率数值天气预报输出,在辐照度具有快速非线性大气变率特征的沿海和微气候敏感环境中往往表现有限。菲律宾八打雁第一区是一个沿海和半岛
准确的太阳能辐照预测是实现可靠的光伏(PV)运行、有效的能源管理和系统优化的关键前提。传统的预测方法,如历史平均法、持久性模型和粗分辨率数值天气预报输出,在辐照度具有快速非线性大气变率特征的沿海和微气候敏感环境中往往表现有限。菲律宾八打雁第一区是一个沿海和半岛区域,尤其受到海陆风环流、对流云发展、湿度波动和气溶胶输送的影响,导致高度非平稳的辐照度模式和持续的预测误差。尽管近来深度学习的进展,特别是基于Transformer的架构,已在复杂大气时间序列建模方面展现出强大潜力,但针对菲律宾沿海环境本地化开发和验证的模型仍然匮乏。本研究通过开发FAT-Former填补了这一空白,这是一种基于Transformer的太阳能辐照预测算法,旨在捕捉八打雁第一区的微气候特征。该模型显著优于持久性基准,并表现出强大的时间表征能力,实现了最低的平均峰值时间误差,并保留了观测方差的101.30%。然而,在降水事件和高变异性日光条件下,预测性能有所下降,且所得预测区间呈现欠校准状态。这些发现表明,沿海环境中的预测性能不仅取决于模型复杂度,还取决于模型适应快速变化大气状态的能力。总体而言,FAT-Former展示了基于Transformer的架构在本地化和不确定性感知的太阳能辐照预测方面的潜力。建议在多样的沿海和微气候敏感位置进行进一步评估,以检验该模型的稳健性、可迁移性和更广泛的泛化能力。
论文解读:FAT-Former——面向沿海微气候区域的太阳能辐照预测新框架
一、研究背景与问题提出
太阳能辐照预测是光伏(PV)系统可靠运行、智能电网调度与能源优化的重要基础。传统预测方法,包括历史平均法、持久性模型以及粗分辨率数值天气预报(NWP)输出,在气候均一的内陆地区尚可胜任,但在沿海和微气候敏感区域往往力不从心。菲律宾八打雁省第一区地处沿海半岛地带,受海陆风环流、快速对流云发展、湿度波动与气溶胶输送等多重局地大气过程共同作用,其辐照度呈现高频、非线性、非平稳的复杂变化特征,传统模型难以精确刻画由此导致的系统性偏差和短时预测误差。近年来,基于深度学习的预测模型,尤其是长短期记忆网络(LSTM)和Transformer架构,已在复杂环境时间序列建模中取得显著进展。LSTM虽擅长捕捉序列依赖,但其循环结构限制并行计算效率,难以充分表征长程时间依赖;Transformer则通过自注意力机制直接建模任意时间步之间的关联,并借助多头注意力提取多尺度气象关系,同时支持序列并行处理。然而,针对菲律宾沿海微气候环境开发并验证的Transformer预测模型仍属空白。为此,研究人员构建了FAT-Former(Feature-Augmented Transformer),一种融合特征工程与Transformer编码器的本地化太阳能辐照预测模型,专门面向八打雁第一区的微气候特征。
二、研究内容与总体结论
研究人员利用NASA/POWER CERES/MERRA2再分析小时数据集(2015年1月1日至2024年10月22日,经纬度13.9955°N、121.0165°E,平均海拔162.3 m),以过去24小时为回溯窗口、提前1小时为预测步长,对FAT-Former进行了严格的训练、验证和独立测试。实验按时间顺序划分数据集(训练、验证、测试比例分别为70%、15%、15%),确保所有预处理参数仅从训练分区估计,杜绝信息泄漏。结果显示,FAT-Former在独立测试集上较持久性基准模型实现RMSE降低68.45%、MAE降低78.48%,R2从0.8778提升至0.9878;其平均峰值时间误差最低(0.5639 h),并保留了观测方差的101.30%,表现出较强的时间动态表征能力。模型亦通过三个分位数回归头(τ=0.1、0.5、0.9)提供名义80%预测区间,原始预测区间覆盖概率(PICP)达到87.98%,优于LSTM和Transformer-Lite。然而,在降水条件下模型误差显著增大,且预测区间经共形校准后仍呈现欠校准或过保守状态,表明在快速变化的大气状态面前,仅靠增加模型复杂度并不充分。总体而言,FAT-Former验证了特征增强型Transformer架构在沿海微气候区域进行本地化、不确定性感知辐照预测的可行性,但模型的鲁棒性、可迁移性与泛化能力仍需在多站点、多气候条件下进一步检验。
三、关键方法概述
FAT-Former的核心方法包括:(1)因果时间域特征:构建24小时滚动均值、滚动标准差、一阶差分和24小时季节差分;(2)频率域特征:对因果24小时窗口计算离散傅里叶变换及谱能量;(3)辅助特征压缩:对气象辅助变量执行主成分分析(PCA),保留前五个主成分(约78%方差);(4)基于互信息(MI)的特征相关性排序与筛选;(5)仅使用训练集参数进行z-score标准化并构造24步多变量序列;(6)编码器型Transformer架构:含三层编码器块、四头注意力、正弦位置编码、残差连接与层归一化;(7)量化回归:通过三个分位数输出头结合pinball损失函数实现概率预测,并辅以基于验证集的共形校准。
四、主要研究结果
4.1 模型训练与收敛
FAT-Former在第15个epoch达到最低验证损失,LSTM和Transformer-Lite分别为第25和第87个epoch。FAT-Former和Transformer-Lite的训练/验证损失曲线间隙小,未见严重过拟合;LSTM后期验证损失回升,出现过拟合迹象。
4.2 独立测试集点预测性能
FAT-Former取得最低RMSE(31.1755 Wh/m2)、MAE(13.3501 Wh/m2)、WAPE(6.5227%)和nRMSE(3.0937%),R2最高(0.9878)。较LSTM的RMSE降幅约4.50%、MAE降幅约14.62%;较Transformer-Lite的RMSE降幅约1.22%、MAE降幅约9.12%,表明FAT-Former在所有确定性指标上均具有稳定优势。
4.3 日光时段性能
仅评估日光时段时,FAT-Former仍保持最低RMSE(43.508 Wh/m2)、MAE(25.841 Wh/m2)、WAPE(6.483%)和nRMSE(4.319%),R2为0.9758,验证了其在运行关键时段的优越性。
4.4 降水和非降水条件下的性能
非降水条件下FAT-Former RMSE为16.4603 Wh/m2,MAE为8.5748 Wh/m2,优于全部基线;降水条件下误差升至RMSE 31.5887 Wh/m2,提示快速大气状态转换仍是当前配置的主要挑战,单纯堆叠Transformer层数无法充分解决此问题。
4.5 概率预测与预测区间性能
FAT-Former原始PICP为87.98%,高于Transformer-Lite(78.15%)和LSTM(66.85%);同时其MPIW最窄(36.43 Wh/m2),区间分数最低(63.92),显示更好的覆盖度与锐度平衡。共形校准后LSTM的PICP调整至81.62%,Transformer-Lite和FAT-Former未获得校正量,FAT-Former仍保持最优的整体概率表现。
4.6 独立测试期预测行为
可视化结果显示FAT-Former能准确复现日内辐照度基本形态,预测区间在白天扩张、夜间收缩;但日内骤降式的辐照突变未被完全同幅度复现,模型倾向于生成更平滑的轨迹,与降水分层结果一致,说明对局地扰动的瞬时响应仍有待提升。
4.7 模型差异的统计显著性
Diebold–Mariano(DM)检验显示,FAT-Former对持久性模型的DM统计量为?62.401,差异极其显著;对Transformer-Lite的DM统计量为?1.1539(p=0.2485),未能拒绝等精度原假设。配对t检验则显示FAT-Former与Transformer-Lite误差差异显著,提示两种检验假设不同导致结论略有差别,对Transformer-Lite的优势应谨慎解读。
4.8 峰值辐照度追踪
FAT-Former取得最低平均峰值时间误差(0.5639 h),优于Transformer-Lite(1.0000 h);但峰值幅值误差处于中间水平(31.1157 Wh/m2),表明模型更擅长判断峰值出现时刻而非精确预报峰值大小。
4.9 时间变率表征
FAT-Former保留观测方差101.30%(方差比1.0130),优于LSTM(0.9273)和Transformer-Lite(1.0197);一阶差分能量为62.7454,与观测值(62.0499)非常接近,表明模型并未过度平滑短时辐照波动。
4.10 计算需求
FAT-Former含101,315个可训练参数,分别约为LSTM和Transformer-Lite的5.22倍和5.73倍,单次推断时间亦显著更高,故存在通过消融实验压缩模型规模以提升效率的空间。
五、讨论与结论
讨论部分指出,FAT-Former的意义不在于引入新的注意力机制,而在于将因果时间特征、频域信息、PCA压缩、互信息排序、标准化和量化回归系统集成于编码器型Transformer框架中,从而对沿海微气候环境的辐照预测形成特征增强和不确定性量化能力。研究同时表明,在24小时输入和1小时预测步长下,单层注意力的Transformer-Lite已能捕捉大部分可预测的时间结构,更深层的FAT-Former在更复杂任务(如丰富气象输入、多季节、更长历史或沿海多站点)中才可能体现更大优势。研究工作最终得出如下结论:研究人员开发了FAT-Former,一种面向沿海和微气候敏感环境、用于提前1小时太阳能辐照预测的特征增强型编码器Transformer框架。通过整合因果时域与频谱特征、基于PCA的气象压缩、自注意力和量化回归,该框架可同时捕捉确定性辐照动态和预测不确定性。实验结果表明,该模型较持久性基线有大幅改进,并展现出在时间峰值追踪和方差保持方面的优良能力。然而,LSTM和Transformer-Lite在本实验中取得了较低的聚合预测误差,表明需要进一步的架构改进和更丰富的微气候特定气象输入以提升预测精度。FAT-Former的意义并非确立普遍优越性,而是展示特征增强型Transformer架构在本地化和不确定性感知太阳能辐照预测中的潜力,其稳健性、可迁移性与更广泛泛化能力仍需在多样化的沿海微气候位置、天气状态和预测时域中加以验证。