通过多时间点预测学习光伏发电输出的长期时间依赖性

随着全球太阳能光伏（PV）装机容量的快速增长——2024年达到创纪录的597 GW——迫切需要强大的预测模型来缓解由太阳辐照间歇性引起的电网不稳定问题。虽然基于地基天空图像（GSI）的深度学习直接预测已成为主流方法，但现有文献通常局限于单一架构评估和单时间点（点）预测。这种局限性导致模型无法充分利用时间序列中的跨步长依赖关系，从而限制了预测性能。

本文由Sumit Laha等人提出，旨在从传统的单时间点估计转向多时间点预测框架，这是一种与架构无关的精度提升方法。研究人员假设，通过对未来值序列进行联合优化，深度神经网络能够更好地捕捉潜在的跨时间步长依赖性，避免网络在权重梯度和滤波器多样性方面过早收敛。实验验证了这一假设：多时间点训练促使网络学习更丰富的特征表示，从而提升泛化能力。

该研究利用序列天空图像和历史光伏发电数据，评估了模型同时预测多个离散未来时间步长输出功率的能力。方法在多种深度学习架构（包括卷积神经网络、循环神经网络和Transformer）上进行了比较验证。结果表明，多时间点方法显著提高了整个预测区间的预测精度和鲁棒性，同时保持了计算简洁性。与单时间点模型相比，该工作以可忽略的额外开销实现了优越性能，为提高现代电网的韧性提供了一种可扩展且高效的解决方案。

此外，该方法的架构无关特性意味着它可以轻松集成到现有预测系统中，无需对模型结构进行重大修改。论文还讨论了多时间点预测在实际部署中的潜在优势，例如在太阳能电站调度和电网稳定性维护中的应用。未来工作将探索更长的预测区间以及与其他数据源（如气象预报）的融合。