隨着全球太陽能光伏（PV）裝機容量的快速增長——2024年達到創紀錄的597 GW——迫切需要強大的預測模型來緩解由太陽輻照間歇性引起的電網不穩定問題。雖然基於地基天空圖像（GSI）的深度學習直接預測已成為主流方法，但現有文獻通常侷限於單一架構評估和單時間點（點）預測。這種侷限性導致模型無法充分利用時間序列中的跨步長依賴關係，從而限制了預測性能。
本文由Sumit Laha等人提出，旨在從傳統的單時間點估計轉向多時間點預測框架，這是一種與架構無關的精度提升方法。研究人員假設，通過對未來值序列進行聯合優化，深度神經網絡能夠更好地捕捉潛在的跨時間步長依賴性，避免網絡在權重梯度和濾波器多樣性方面過早收斂。實驗驗證了這一假設：多時間點訓練促使網絡學習更豐富的特徵表示，從而提升泛化能力。
該研究利用序列天空圖像和歷史光伏發電數據，評估了模型同時預測多個離散未來時間步長輸出功率的能力。方法在多種深度學習架構（包括卷積神經網絡、循環神經網絡和Transformer）上進行了比較驗證。結果表明，多時間點方法顯著提高了整個預測區間的預測精度和魯棒性，同時保持了計算簡潔性。與單時間點模型相比，該工作以可忽略的額外開銷實現了優越性能，為提高現代電網的韌性提供了一種可擴展且高效的解決方案。
此外，該方法的架構無關特性意味着它可以輕鬆集成到現有預測系統中，無需對模型結構進行重大修改。論文還討論了多時間點預測在實際部署中的潛在優勢，例如在太陽能電站調度和電網穩定性維護中的應用。未來工作將探索更長的預測區間以及與其他數據源（如氣象預報）的融合。