端到端的协作框架，结合分布式Autoformer和自适应模糊粒化技术，用于光伏概率预测

《Solar Energy》：End-to-end collaborative framework with distribution Autoformer and adaptive fuzzy granulation for photovoltaic probability prediction

　　•提出了一种用于光伏概率预测的协作框架。•基于方差的自适应模糊粒化方法对非平稳序列进行分割。•粒化特征与多源数据融合，以增强输入的物理表示能力。•双分支DAutoformer模型输出参数化分布和分位数。

引言
在全球对清洁能源需求不断增长以及迫切需要缓解气候变化的背景下，光伏发电已成为世界向可持续能源系统转型的关键组成部分[1]。与传统的化石燃料相比，太阳能以其清洁性、可再生性和广泛适用性而著称。它在满足日益增长的电力需求的同时，具有巨大的潜力减少温室气体排放。然而，光伏发电存在强烈的间歇性、波动性和不确定性，这些现象源于太阳辐射、云量、温度和气溶胶浓度等多维气象因素的复杂耦合和随机变化[2]。这种内在的不稳定性对实时平衡、调度优化以及在新能源高比例集成下的电网安全运行提出了严重挑战[3]。因此，开发高精度和高可靠性的光伏发电预测技术不仅是提高电力系统容量和降低运营备用成本的关键，也是风险意识下的电力市场交易和精细调度决策的基础[4][5]。目前，面对光伏序列的非平稳性、多尺度和复杂的不确定性结构，如何构建一个能够同时提供准确点预测和良好校准的全概率密度估计的新一代预测框架，已成为迫切需要解决的核心技术问题，以促进光伏电网的高比例连接和电力系统的智能升级。

准确预测光伏发电对于可再生能源高渗透率的电力系统的安全和经济运行至关重要。根据现有研究，光伏发电预测模型可以根据建模原理和方法分为物理模型、传统统计模型和机器学习模型。早期的光伏发电预测主要依赖于物理模型和统计方法。物理模型通过太阳几何形状和大气传输方程来模拟发电过程[6]，这种方法具有明确的物理意义，但在表征复杂气象条件和非线性效应方面能力有限。基于历史数据的统计方法（如自回归积分滑动平均模型ARIMA[7]和回归模型[8]）往往难以捕捉光伏发电的非平稳性和突变特性[9]。为了克服这些局限性，研究范式开始系统地向数据驱动的机器学习方法转变。机器学习方法以其纯粹的数据驱动特性，绕过了传统方法对先验假设和人工特征的依赖，成为准确模拟光伏发电复杂动态的强大工具。支持向量机（SVM）[10]、随机森林（RF）[11]和梯度提升树（GBT）[12]等方法可以自动学习高维气象输入与发电输出之间的复杂非线性映射，显著提高了预测准确性和对变化天气条件的适应性。近年来，深度学习通过解决特征提取和序列建模这两个核心瓶颈，进一步推动了该领域的发展。研究人员将信号处理技术与神经网络相结合，利用其在分层自动特征提取和序列依赖建模方面的优势。例如，Abed等人使用变分模态分解（VMD）和主成分分析（PCA）对数据进行预处理，使极端学习机（ELM）能够更专注于学习高阶特征并提高预测准确性[13]。Bai等人结合小波分解与长短期记忆（LSTM）网络，前者提供多分辨率分析能力，后者负责时间依赖性建模，从而实现了多尺度时间特征（如短期波动和日周期）的协同捕获，提高了次日预测的准确性[14]。在此基础上，相继提出了多种信号分解与深度学习的混合模型。例如，Chaoui等人提出了统一的小波层次残差注意力框架（WT-N-HiTS-Attention）[15]；Gong等人将小波变换与TS-PatchTST结合使用[16]；Lai等人使用VMD和双向LSTM进行负荷预测[17]；Wang等人结合数值天气预报风速校正和综合预测[18]；Eskandari等人使用最优小波包变换和双向GRU[19]。这些研究验证了信号分解技术在可再生能源和负荷预测中的有效性。此外，在极端天气等复杂场景下，Lyu等人使用Kolmogorov-arnold网络（KAN）增强门控循环单元（GRU），旨在提高模型的可解释性和表达能力，确保在高波动条件下的预测可靠性[20]。这些进展表明，深度学习为处理光伏序列的非平稳性、多尺度特性和不确定性提供了更强大的框架，并为基于注意力机制的后续模型创新铺平了道路。

尽管机器学习和深度学习模型在光伏发电预测方面取得了显著进展，但仍存在一些固有的局限性[21]。传统的机器学习方法（如SVM、RF和GBT）虽然能够有效捕捉非线性映射，但缺乏对光伏序列中长期时间依赖性的建模能力，而这对于捕捉日常变化和季节性模式至关重要。深度学习模型（如LSTM和GRU）在部分解决了时间依赖性问题，但其内在的序列计算范式在处理持续数小时甚至数天的长序列时会导致计算效率和建模深度的瓶颈。为了克服这些缺点，Transformer类模型因其革命性的自注意力机制和平行计算机制而成为该领域的关键技术突破。Transformer能够并行捕获整个序列的长距离依赖性，显著提高计算效率和建模准确性，特别适用于受累积气象效应和周期性模式影响的光伏发电预测。研究表明，Transformer在全局依赖性建模、长序列处理效率和多源信息融合方面具有显著优势。例如，Dai等人利用Transformer的注意力机制有效建模了气象数据和电厂测量数据之间的复杂依赖性，显著提高了超短期光伏发电预测的准确性[22]。Yu等人提出的Informer模型引入了可学习的稀疏注意力机制，大大降低了长序列的计算复杂性，同时保持了全局依赖性建模能力，实现了高效准确的光伏序列建模[23]。同样，Zhang等人验证了时间融合Transformer（TFT）在集成多尺度时间和静态特征方面的独特优势，其结构可以同时捕获长期趋势和短期波动，并有效量化不同气象条件的异质效应[24]。这些研究共同证实，类似Transformer的模型凭借其并行自注意力机制，在建模光伏序列的长距离依赖性、处理非平稳性和融合多源特征方面优于传统深度学习架构。

在众多Transformer变体中，Autoformer模型因其独特的周期趋势协作注意力机制而成为光伏发电预测研究的理想选择。与Informer的稀疏注意力和TFT的多源特征融合相比，Autoformer的核心优势在于明确分离和建模序列的长期趋势和周期成分，这更符合光伏发电强烈的周期性和非平稳性特征[25]。研究表明，这种明确的结构不仅通过避免周期成分的冗余学习提高了收敛效率和预测准确性[26]，还增强了对序列非平稳性和噪声的鲁棒性[27]。同时，其结构的内在可解释性有助于追踪电力波动的来源[28]。这些特性使Autoformer在时间预测任务中表现优异，特别是作为建模光伏发电不确定性的骨干网络。上述Autoformer的结构优势使其成为构建高精度光伏发电预测框架的理想模型。然而，其原生和改进版本在概率输出能力方面存在根本性限制。现有研究大多集中在点预测或简单区间预测上，无法全面量化和灵活表征预测不确定性[25]，难以满足电力系统中的风险感知和市场决策需求：单一预测值无法反映由气象波动引起的电力变化范围，而简单区间预测缺乏不同置信水平下的概率分布特征描述[3]。实际上，对于新能源高比例集成的电力系统，概率密度预测已成为解决光伏发电不确定性问题的关键技术手段。与传统点预测和区间预测相比，概率密度预测具有显著优势[29]。具体而言，点预测只能提供一个预期值，无法量化预测结果的不确定性；虽然区间预测可以提供一系列值，但无法揭示该区间内的概率分布[30]。相比之下，概率密度预测可以完整输出未来光伏发电的概率分布，不仅提供最优点预测值，还能量化任何置信水平下的不同功率值的概率[31]。这一特性可以为调度员提供更全面的不确定性信息，有助于制定更稳健的单元组合和备用配置计划。同时，通过阐明预测的概率分布模式，可以有效降低由于预测错误导致的电网运行风险，提高新能源消耗的效率并增强电力市场交易的科学性[32][33]。遗憾的是，在光伏发电概率密度预测领域，基于Transformer的模型应用仍存在显著局限性，尚未形成系统的解决方案。大多数现有研究仅将概率输出作为点预测的补充形式，而不是专注于概率密度本身的系统建模。例如，尽管Informer通过稀疏注意力机制提高了长序列建模的效率，但并未涉及概率密度的系统表征[23]；尽管TFT可以整合多源气象和时间特征，但其概率输出依赖于传统的参数化分布假设，难以适应多峰和非对称光伏发电等复杂分布模式[34]。只有少数研究尝试使用类似Transformer的模型进行概率密度建模，如Distribution Transformer引入了分布学习机制以实现概率输出，但并未充分考虑Autoformer的序列分解优势[35]；尽管Crossformer通过分位数回归输出关键分位数，但存在严重的分位数交叉问题，无法适应光伏序列的强非平稳特性[36]。总体而言，仍缺乏能够充分利用Autoformer架构优势并改进光伏场景系统概率密度预测的研究。因此，迫切需要构建一种新型的Distribution Autoformer（DAutoformer）模型，以突破现有框架中概率建模和特征适应性的双重瓶颈，实现从确定性预测到准确校准且理论一致的概率密度预测的根本飞跃。

同时，无论模型的输出形式如何，其预测能力最终取决于输入特征的质量。特别是对于依赖于高质量输入来挖掘序列模式的先进架构（如Autoformer），特征质量是决定其性能的核心前提。高质量输入可以显著提升模型捕获确定性模式和不确定性的能力[37]。光伏发电序列的强非平稳性、多尺度波动和复杂的物理驱动机制使得传统特征处理方法难以满足高精度预测的要求。尽管当前研究强调了特征工程的重要性，但仍存在明显不足。例如，一些研究通过天气模式识别对原始气象数据进行了编码，以优化Transformer的输入，但在相同的天气类型下未能精细描述局部动态波动，导致模型对短期变化（如云层覆盖变化）的适应性不足 [38]；还有一些研究引入了天气类别信息来指导注意力计算，但特征融合仍停留在表面层次，未能充分捕捉多源特征之间的非线性耦合关系 [36]。为了增强序列中局部动态和不确定性的表示能力，模糊信息粒化（FIG）已被引入光伏预测领域，作为一种有效的时间数据抽象方法。FIG可以将时间序列数据转换为语义模糊粒化，降低数据维度和计算复杂性，同时提取局部统计特征和不确定性信息，为后续建模提供结构化的输入 [39]；进一步的研究将其与支持向量分位数回归结合，验证了其在预测风能和太阳能概率密度中的应用价值 [31]。然而，传统的FIG使用固定的时间窗口进行粒化，这难以适应由于云层动态和气象变化导致的光伏强烈的间歇性，并且无法动态匹配序列的局部平稳性，从而限制了特征表征非平稳动态的能力。迫切需要一种能够动态适应序列局部平稳性的粒化方法。

近年来，一些研究试图通过特征增强或模型优化来提高光伏预测的特征适应性，但核心缺陷尚未得到解决。例如，尽管特征增强的多变量集成模型整合了时空特征，但特征融合仍然依赖于简单的拼接，并未为光伏序列的非平稳特性设计出适应性特征提取机制，导致捕捉局部波动的能力有限 [40]；尽管并行时间序列网络（TimesNet）和注意力信息器（AT-Informer-AT）方法提高了短期预测精度，但它们没有系统地整合多源外部变量与序列内部动态之间的相关性，导致特征的物理可解释性不足 [41]；还有一些改进的变压器模型用于光伏电池的缺陷检测，但它们专注于图像特征处理，无法直接适应光伏功率时间序列数据的动态波动和多尺度特性 [42]。总的来说，现有的特征工程方法要么仅限于单尺度特征，要么缺乏对非平稳序列的适应能力，或者未能充分捕捉多源特征之间的非线性耦合关系，导致输入特征难以全面反映光伏功率的复杂生成机制，限制了如Autoformer等先进模型的建模潜力。因此，迫切需要构建一种能够动态响应光伏序列固有非平稳性的特征表征机制，并设计能够捕捉气象、时间和物理变量之间复杂非线性耦合的多源融合方法。这种增强的特征工程框架不仅为下游预测模型提供了更丰富且更具物理可解释性的输入，还充分释放了其在高精度点预测和校准概率不确定性量化方面的协同潜力，从而为可靠的电网调度和科学能源市场决策提供了不可或缺的全面风险信息支持。

研究空白

在新能源电网集成比例较高的背景下，现有的光伏发电预测方法在适应非平稳序列、量化不确定性和整合多源信息方面仍存在显著不足。该领域的研究仍然相对较少。具体局限性如下：

（1）缺乏系统集成、适应性特征工程和概率模型改进的优化框架。

主要贡献

为了克服特征工程中表征光伏序列非平稳性的难度以及Autoformer模型中缺乏理论一致的概率输出机制的双重挑战，本文提出了一种基于多变量适应性模糊信息粒化（MAFIG）和双分支概率输出网络的DAutoformer协作优化框架。主要贡献如下：

1. DAutoformer协作优化

提出的模型

本章系统阐述了所提出的光伏概率预测框架。首先，使用MAFIG方法处理标准化数据：通过基于方差的变化点检测实现适应性模糊信息粒化（AFIG），以提取局部趋势和不确定性特征；然后，引入滞后项和滚动窗口统计，将粒化特征扩展为多尺度时间特征，并与多源外部特征深度融合。

数据集和预处理

本研究使用了美国国家太阳辐射数据库（NSRDB）提供的太阳辐照度和气象数据。选择了两个地理位置不同的光伏站点作为主要实验地点：站点58,491（37.78°N,122.39°W，加利福尼亚州旧金山湾区，2023年1月1日至2024年12月31日）和站点3,515,578（32.49°N,89.38°E，中国青海省玉树藏族自治州，2018年1月1日至2019年12月31日）。每个站点包含...

结论

本文提出了一种光伏概率预测的协作优化框架，有效解决了现有基于Autoformer的方法在特征输入质量和模型结构方面的几个关键局限性。该框架的核心在于从MAFIG特征提取到DAutoformer概率输出的端到端协作优化。在特征处理层面，通过CRediT动态提取光伏序列的局部趋势和不确定性特征...

作者贡献声明

沙静云：写作——原始草稿、可视化、软件

王俊杰：写作——审阅与编辑、验证、方法论、概念化

利益冲突声明

作者声明他们没有已知的竞争财务利益或个人关系可能影响本文报告的工作。

致谢

本研究得到了中国国家自然科学基金（项目编号72371136和71971122）的支持。

沙静云 | 王俊杰