2026年5月18日，arXiv 平台上发布了一篇题为《通过多时间尺度预测学习光伏发电功率预测中的长期时序依赖关系》的论文（编号 arXiv:2605.19074v1，归类于计算机视觉与模式识别 cs.CV，并交叉列入人工智能 cs.AI）。作者为 Sumit Laha 及另外两位合作者，论文于当日 19:56:34 UTC 提交，全文约 934 KB，并提供 PDF、实验性 HTML 与 TeX 源码等多种访问方式。
研究背景源于太阳能光伏产业的快速扩张。2024 年全球光伏装机容量创下 597 GW 的纪录，而太阳辐照本身具有间歇性和波动性，这种大规模接入给电网稳定性带来了显著压力。因此，构建稳健的功率预测模型成为保障现代电力系统可靠运行的关键环节。在此前的研究中，利用地面天空图像（Ground-Based Sky Images，GSI）结合深度学习进行直接预测已成为主流技术路线，但现有文献普遍存在两点局限：一是往往只评估单一网络架构，二是几乎都聚焦于单一时间尺度（点预测），即只预测某一个未来时刻的功率值。
针对上述局限，论文提出从传统的单时间尺度估计转向多时间尺度预测框架。作者提出一个假设：如果对一连串未来时刻的功率值进行联合优化，深度神经网络能够更好地捕捉各时间步之间潜在的时序依赖关系，从而带来与具体网络架构无关的精度提升。其机制在于，多时间尺度联合训练可以避免网络在权重梯度和滤波器多样性两个层面出现过早收敛，使模型在训练过程中保持更强的表达能力和更丰富的特征学习。
在方法上，研究将连续的天空图像序列与历史光伏发电数据相结合，让模型同时预测多个离散未来时间步的功率输出。为验证该思路的普适性，作者在多种不同的深度学习架构上开展了对比分析，而非局限于单一模型。实验结果表明，多时间尺度方法在完整预测时间范围内都显著提升了预测精度与稳健性，同时保持了计算上的节省。与单时间尺度模型相比，该方法仅带来可忽略的额外开销，却取得了更优的性能，为提升现代电网的韧性提供了一种可扩展且高效的解决方案。
论文还提供了完整的引用信息，DOI 为 10.48550/arXiv.2605.19074，由 DataCite 发放（注册尚待完成）。文章页面同时提供 NASA ADS、Google Scholar、Semantic Scholar 等引用工具，以及 alphaXiv、Hugging Face、Connected Papers、Litmaps、scite 等代码、数据与文献关联服务的入口。总体而言，这项工作强调了预测框架设计本身——而非单纯更换网络结构——对光伏功率预测性能的重要影响，并为多时间尺度预测在可再生能源并网场景中的应用提供了实验依据。