一种面向农村住宅微电网季节性多时段光伏功率预测的、具备不确定性量化的混合双向深度学习框架

《Journal of Building Engineering》:A hybrid bidirectional deep learning framework with uncertainty quantification for seasonal multi-horizon PV power forecasting in rural residential microgrids

【字体: 大 中 小 】 时间:2026年09月23日 来源:Journal of Building Engineering 8.1

编辑推荐:

   • 开发了一种混合双向光伏预测框架,用于乡村微电网。 • 预测范围从日前到周前进行了多时间尺度预测。 • 所提出的框架使用实际乡村微电网数据集进行了验证。 • 集成了保形预测以构建具有不确定性感知的光伏预测区间。 • ConvBiGRU和ConvBiLSTM的R2值超过0.9

  

• 开发了一种混合双向光伏预测框架,用于乡村微电网。
• 预测范围从日前到周前进行了多时间尺度预测。
• 所提出的框架使用实际乡村微电网数据集进行了验证。
• 集成了保形预测以构建具有不确定性感知的光伏预测区间。
• ConvBiGRU和ConvBiLSTM的R2值超过0.93。
• 精确的光伏预测支持了偏远住宅建筑的脱碳。

**引言**

获得可靠电力仍然是全球数百万未接入主电网的乡村家庭的挑战 [1]。在这些偏远地区,独立光伏(PV)微电网已成为提供清洁能源、减少化石燃料依赖并推动气候中和目标实现的可持续且经济高效的解决方案 [2]、[3]。随着全球建筑部门努力实现脱碳,以太阳能驱动的乡村住宅独立微电网在实现能源自主、改善生活水平和支持净零社区转型方面发挥着越来越关键的作用 [4]、[5]。然而,此类微电网的有效运行高度依赖于准确的短期光伏发电量预测,以提供可靠的预期就地发电量估计。在缺乏电网支持的情况下,预测误差可能影响下游能源管理决策的可靠性,包括电池调度、负载平衡和备用容量分配。与大型互联电网不同,独立乡村微电网没有外部备份,使得精确可靠的预测对于日常能源管理至关重要 [6]、[7]。

光伏发电预测已被广泛研究 [8]、[9],但大多数现有方法仅关注确定性点预测 [10]、[11]、[12]。尽管此类预测提供了有价值的信息,但它们并未量化太阳能发电中固有的不确定性,而该不确定性深受随机气象条件影响 [13]。在实际微电网运行中,忽略不确定性可能导致次优甚至高风险的运行决策,特别是在孤立系统中,能源不平衡无法由外部电网补偿。此外,随着预测时间尺度从日前扩展到多日前,预测性能通常会下降。这种性能下降伴随着不确定性增加,必须对其进行显式量化以支持稳健的决策 [14]、[15]。因此,迫切需要预测框架不仅能够跨多个时间尺度提供高预测精度,还能提供可靠的uncertainty estimates。

此外,先进的深度学习架构,特别是图卷积网络(GCNs),已被越来越多地用于捕捉能源系统中的依赖性关系 [16]、[17]。图卷积层也可用于建模时间位置之间的关系,即将序列表示为图,使信息能够根据学习到的邻接结构在时间步之间传播。然而,它们在小型独立微电网中的适用性仍然不确定,尤其是在图结构未显式表示分布式系统组件间有意义的物理或空间交互时。在这种情况下,基于图的架构引入的额外复杂性未必能转化为比简单时序模型更好的预测性能。这一挑战促使研究替代性的混合双向架构,这些架构优先关注时序动态特性,同时保持计算效率、鲁棒性和可解释性。此外,仍然需要能够同时提供跨多个预测时间尺度高确定性精度和可靠不确定性量化的预测框架,以支持实际微电网运行。

光伏发电预测的最新进展越来越依赖于深度学习方法,特别是循环神经网络(RNNs)、长短期记忆网络(LSTM)和门控循环单元(GRU),因为它们能够捕捉太阳能数据中的非线性时序依赖性和复杂发电模式 [18]、[19]。例如,[20] 应用分层RNN架构预测孤立微电网中光伏能量发电量的短期波动,平均RMSE达到2.176。同时,[21] 证明LSTM始终取得最高精度,特别是在夏季和冬季,其显著优于RNN和GRU并减少了预测误差,而RNN主要在秋季表现更好。通过使用多变量输入配合RNN、LSTM和GRU模型,预测精度也得到了提升,并使用均方根误差(RMSE)指标评估性能 [22]。

除了单向循环架构外,双向RNN变体已被引入以解决梯度消失问题,该问题可能限制深度神经网络有效学习长期时序依赖性的能力 [23]、[24]。对于短期光伏发电预测而言,这一点尤为重要,因为时序依赖性可能跨越多天。双向模型,如BiLSTM和BiGRU,通过从序列的两个方向(前向和后向)提取上下文信息来缓解这一限制。在 [25] 中,基于BiLSTM的模型在小时级预测中取得了比其标准LSTM和GRU对应模型更低的RMSE值。同时,[26] 进一步引入了具有群优化增强BiGRU的自注意力机制,以改进微电网中的太阳能发电预测。

将卷积神经网络(CNNs)与双向循环层相结合的混合深度学习架构也作为一种有效方法出现,用于建模复杂的时空依赖性。在进入循环层之前,CNN作为时序滤波器捕捉短期依赖性并最小化无关波动。在 [27] 中,利用集成CNN的混合模型优化BiGRU用于短期光伏发电预测,而 [28] 在BiLSTM和BiGRU架构中采用CNN来增强纳米涂层和传统光伏系统的日前预测行为研究。这些模型提供了有效的局部特征提取能力;然而,它们通常依赖手动选择的时间步配置,在不同预测时间尺度上的适应性可能有限。与此同时,包括分位数回归、贝叶斯神经网络和集成技术在内的概率预测方法因量化预测不确定性而受到关注 [29]、[30]、[31]。保形预测最近作为一种特别引人注目的方法出现,因为它不依赖于分布且提供有效的覆盖率保证。

尽管光伏发电量预测取得了重大进展,但仍有若干挑战限制了可扩展性并阻碍了实际部署。大多数现有研究对不接入主电网运行的乡村独立微电网关注有限,并且通常仅在单个预测时间尺度上评估预测模型,这限制了其对多时间尺度运行规划和决策的有效性。此外,不确定性量化通常与确定性预测分开处理,导致预测精度与预测可靠性之间不一致。此外,输入特征及其季节性变化对预测的影响很少被系统分析,降低了模型可解释性并限制了对影响光伏发电主导因素的理解。此外,基于图的架构在具有弱空间交互特征的小型微电网中的有效性仍未得到充分研究。

上述文献综述表明,在利用循环、双向、卷积、基于图和概率学习方法进行光伏发电预测方面已取得实质性进展。然而,现有研究通常仅涉及与独立乡村住宅微电网光伏预测相关的挑战的子集。大多数研究专注于使用混合架构提高确定性精度,而不确定性量化、对不完整测量的鲁棒性、多时间尺度性能和模型可解释性通常被分开研究或作为次要分析处理 [29]、[30]、[31]。此外,基于图的架构对于具有弱空间交互特征的小型系统的适用性仍未得到充分确立 [16]、[17]。

另一个问题是用于描述预测时间尺度的术语。各研究中对预测时间尺度的分类标准各异,短期与中期预测之间不存在普遍接受的界限。遵循 [9]、[32]、[33] 采用的分类体系,本研究将短期光伏预测界定为约从1小时到1周前的预测时间尺度。在此范围内,研究三个具有运行意义的预测时间尺度:24小时前(日前)、48小时前(两日前)和168小时前(周前)。24小时和48小时时间尺度直接对应日前和两日前的运行规划,而168小时代表了本研究采用的短期范围的上限。其他分类体系可能将超过48-168小时的预测时间尺度归类为中期;因此,本研究中"短期"的使用遵循 [9]、[32]、[33] 的具体分类体系,而非暗示普遍分类。

在此基础上,本研究旨在开发并系统评估一种具有集成不确定性量化的混合双向深度学习框架,用于独立乡村住宅微电网的季节性多时间尺度光伏预测。所提出的框架不声称对任何单一神经网络架构或分析技术具有新颖性。相反,其方法贡献在于在统一实验协议下对已建立的互补技术进行系统整合和对比评估。这一区分很重要,因为以往的混合方法通常侧重于确定性预测精度,而本框架在统一实验协议下同时考虑预测精度、不确定性可靠性、对不完美测量的鲁棒性、季节性和时间尺度依赖性,以及模型可解释性。

具体而言,该框架结合Conv1D-BiGRU和Conv1D-BiLSTM架构,并辅以基于图的替代方案,为卷积时序模型与基于图的方法在小型微电网中的对比提供受控评估。为应对乡村部署中常见的数据质量问题,集成了质量感知注意力和可学习时间衰减机制。纳入24、48和168小时的滚动统计特征以捕捉短期和中期的发电变化。另一个显著特点是确定性的点预测和概率的不确定性量化在同一个框架中集成,使用保形预测构建90%、95%和99%的预测区间,无需假设预定义的错误分布。最后,SHAP、排列重要性和消融分析被联合运用以调查输入变量的贡献及其季节性变化。因此,本研究的主要贡献是在框架层面整合并系统评估混合双向时序学习、基于图的替代方案、数据质量感知建模、多尺度时序特征、多时间尺度预测、保形不确定性量化以及季节性可解释性,适用于独立乡村住宅微电网。新颖性因此在于这些维度的系统组合、对比评估和联合评价,在于实验一致的框架中,而非提出任何单项新技术。

主要贡献概述如下:(1)**混合与对比预测框架**:开发了统一框架,集成Conv1D-BiGRU和Conv1D-BiLSTM架构,并结合基于图的替代方案,在独立乡村住宅微电网中进行光伏功率预测并进行了系统对比。这使得在相同实验协议下能够对卷积和基于图的时序表示进行受控评估。(2)**多尺度时序表示与数据质量感知**:纳入了24、48和72小时的滚动统计特征,同时质量感知注意力和可学习时间衰减机制改进了对噪声和不完整测量的处理。(3)**确定性与概率预测集成**:将保形预测与点预测耦合以产生90%、95%和99%的预测区间,使预测精度和不确定性可靠性能在共同方法论下评估。(4)**系统多时间尺度与季节性评估**:在夏季和冬季条件下于24、48和168小时前进行框架评估,从而表征预测时间和季节性对预测性能和不确定性的影响。(5)**综合模型可解释性**:SHAP、排列重要性和消融分析识别了有影响力的预测因子并研究其季节性依赖,提供了更具可解释性的预测模型评估。总体而言,本研究通过超越孤立地对比个别深度学习架构,转向对独立乡村住宅微电网在不完备数据条件下光伏预测的预测精度、鲁棒性、不确定性、时间尺度依赖性和可解释性进行集成且实验一致的评估,从而填补了上述识别的差距。

本文其余部分分为四个主要章节。第2节详细介绍了所提出预测框架的方法论,包括混合双向架构、注意力和时间衰减机制、训练策略、超参数优化、不确定性量化以及框架评估指标。第3节呈现案例研究和数据特征,涵盖微电网描述、实验设置和框架开发。第4节报告并讨论关键发现,包括输入预测因子分析、多时间尺度确定性预测性能以及不确定性量化结果。最后,第5节总结本研究,概括双向架构的性能、注意力和时间衰减机制的作用、数据质量投资优先级、不确定性量化成果以及局限性与未来研究方向。

**章节片段**

**方法论**

本节呈现了在低质量数据条件下乡村微电网光伏产量预测的方法论框架。该方法论结构化为七个主要部分,系统性地解决了在不完美测量数据条件下短期预测的挑战。2.1节概述了基于光伏的微电网产量预测框架,该框架专为未接入主电网的乡村家庭设计。2.2节

**案例研究**

本节呈现了用于评估所提出的预测框架的案例研究和实际数据集,该微电网为三栋独立住宅集群供电。该微电网提供了具有实际测量约束特征的真实测试平台,包括传感器噪声、缺失数据和可变采样率。

这些条件具有许多农村住宅能源系统的代表性,因此能够对其进行真实评估。

**结果与讨论**

本节首先介绍并分析预测框架中最相关的输入特征。随后,对框架内各模型在多种预测时间跨度下针对所有目标变量的性能进行评估。最后,对农村微电网背景下总体预测性能及相关不确定性量化进行评估与讨论。

**结论**

本研究提出了一种用于独立农村微电网季节性多时间尺度光伏功率预测的混合双向深度学习框架。该框架融合了卷积架构和双向循环架构,具体包括Conv1D与BiLSTM及BiGRU的组合,以及基于图的替代方案,以捕捉光伏发电时间序列中的局部时间模式和双向依赖关系。除了确定性点预测之外,该框架还整合了不确定性……

**CRediT作者贡献声明**

Abdulrahman H. Ba Alawi:写作—审阅与编辑、可视化、软件、方法论、调查、概念构思、数据管理。

Abdo Abdullah Ahmed Gassar:写作—审阅与编辑、可视化、验证、软件、方法论、调查、数据管理、概念构思、形式分析、资源、写作—原始草稿

**数据可用性**

数据可在请求时提供。

**利益冲突声明**

? 作者声明没有已知的竞争性财务利益或个人关系可能影响本文所报告的工作。

**致谢**

作者感谢指出,本研究未获得任何外部资助。

Abdo Abdullah Ahmed Gassar | Abdulrahman H. Ba Alawi
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    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