基于MTF-MTS-Mixer与物理信息贝叶斯神经网络的光伏功率预测两阶段混合框架

《Renewable Energy》：A two-stage hybrid framework for photovoltaic power forecasting using MTF-MTS-Mixer and physics-informed Bayesian neural networks

　　

准确的光伏（PV）功率预测对于确保高可再生能源渗透率下电力系统的可靠运行至关重要。本研究提出了一种新颖的两阶段混合光伏功率预测框架，该框架结合了用于确定性日前预测的MTF-MTS-Mixer和用于概率性日内预测的物理信息贝叶斯神经网络（PI-BNN）。该框架整合了多尺度时序特征（MTF，Multi-scale Temporal Features）、时序-通道混合、物理信息建模以及贝叶斯不确定性量化。研究人员利用来自七个光伏电站的两年数据集，开展了大量实验以评估预测精度、鲁棒性和不确定性表征能力。在确定性预测方面，所提出的MTF-MTS-Mixer通过利用MTF和时序-通道混合操作，在所有电站中均取得了优异的性能。其平均相关系数（CC，Correlation Coefficient）达到0.811，与TCN（Temporal Convolutional Network，时序卷积网络）相比，归一化均方根误差（NRMSE，Normalized Root Mean Square Error）和归一化平均绝对误差（NMAE，Normalized Mean Absolute Error）分别降低了14.12%和16.43%。该模型在不同天气条件下均保持了相对良好的性能，特别是在雨天场景中表现突出。在概率性日内预测方面，PI-BNN融合了实时气象输入和物理引导，提升了预测性能和不确定性估计能力。与日前预测相比，其平均CC提高了0.141。在概率性评估方面，与DeepAR（Deep Autoregressive，深度自回归模型）相比，其连续排序概率评分（CRPS，Continuous Ranked Probability Score）改善了40.29%，并生成了校准更优的预测区间，具有更低的预测区间归一化平均宽度（PINAW，Prediction Interval Normalized Average Width）以及更接近标称置信水平的预测区间覆盖概率（PICP，Prediction Interval Coverage Probability）。此外，PI-BNN在不同天气条件下均展现出更可靠的不确定性估计能力。总体而言，所提出的框架在多个光伏电站和天气条件下均表现出具有竞争力和稳定性的预测性能，为不确定性条件下的光伏运行与调度提供了有用信息，支持可再生能源集成电力系统中更可靠的决策制定。

随着可再生能源的快速发展，光伏（PV）能源已成为现代电力系统的重要组成部分，并在全球能源转型中发挥着关键作用。光伏渗透率的不断提高虽然增强了能源系统的可持续性，但受其强间歇性、非线性以及对多变气象条件固有依赖性的影响，也给电力系统运行带来了巨大挑战。准确的光伏功率预测（PPF）对于确保电网安全、支持经济调度和促进有效参与电力市场不可或缺。然而，光伏并网规模的持续扩大加剧了预测难度，尤其在天气条件高度动态变化时，辐照度的快速波动变得更加频繁且难以预测。

现有光伏功率预测方法主要分为统计学习模型和基于物理的数值天气预报（NWP）系统两类。统计方法依赖历史数据建立经验关系，计算效率较高，但在表征气象驱动因素间复杂非线性相互作用方面存在局限，特别是在天气快速演变条件下。NWP模型虽能提供大空间域内物理一致的预报，但其粗分辨率、云相关偏差和高计算成本限制了其在场站级光伏应用中的有效性。因此，两类方法均面临难以准确表征驱动光伏发电多尺度、高变率过程的固有限制。

机器学习的进步推动了深度学习方法的快速发展，其在建模复杂时空依赖性方面表现突出。长短期记忆网络（LSTM）、门控循环单元（GRU）、时序卷积网络（TCN）和Transformer等架构已广泛应用于光伏功率预测，增强了对时序特征、长程依赖和非线性关系的提取能力。例如，基于双流蒸馏机制的时空预测网络架构实现了光伏功率时空特征的协同提取；多阶段预测框架通过整合多种时序分解技术与深度学习大幅提升了预测精度；MTS-Mixer模型则采用双分解模块有效捕获时序和通道依赖性。

光伏发电受太阳辐照度驱动，具有显著的日周期和季节性周期特征，利用该周期性已证明可有效提升预测精度。研究人员通过融入年周期性、日内时间相似性、短时程与长时程模块组合、以及网络连通性与多头自注意力机制结合等手段，实现了多尺度时序特征提取，优化了光伏功率预测性能。

尽管取得上述进展，准确捕捉光伏输出的固有随机性仍存挑战。确定性预测方法在表征光伏发电不确定性方面存在局限，可能导致高渗透率可再生能源系统中的不可靠运行决策。因此，概率性光伏预测作为应对可再生能源变率的重要方法应运而生，通过区间估计、分位数建模或概率密度表征等方式显式量化预测不确定性。概率性预测方法主要分为两大类：上下界估计（LUBE）方法直接估计预测区间的上下界，避免显式建模底层概率分布以提高计算效率；另一类基于点预测误差进行概率密度区间构建，利用贝叶斯推断、核密度估计等技术表征复杂不确定性。

深度学习在概率性光伏功率预测中取得显著进展，但仍存在局限：分位数方法主要聚焦预测区间构建，对预测分布的信息提供有限，且通常需分别估计多个分位数水平；贝叶斯概率模型多建立在纯数据驱动架构上，较少融入光伏发电的物理机制，在天气快速变化或训练数据有限时性能通常下降。为克服这些挑战，新兴研究探索了物理信息深度学习框架，将已知物理定律、约束和领域先验显式集成到网络架构中，以增强数据稀缺或快速演变条件下的模型鲁棒性、泛化性和可解释性。

针对上述研究空白，本研究提出了一种新颖的两阶段混合预测框架，整合确定性日前预测与概率性日内预测，以提升跨运行时间尺度的准确性和可靠性。日前阶段引入MTF-MTS-Mixer模型：将多尺度时序特征（MTF）与日前气象因子拼接后，由执行层级时序下采样和通道因子化的MTS-Mixer进行处理，实现跨尺度和跨通道依赖关系的提取，改善了对日周期模式和辐照度驱动动力学的表征。日内阶段采用物理信息贝叶斯神经网络（PI-BNN）对确定性基线进行精细化修正：该模型接收MTS-Mixer输出与实时气象观测，将物理引导融入损失函数，并采用贝叶斯推断表征认知不确定性（epistemic uncertainty）和偶然不确定性（aleatoric uncertainty）。两组件耦合实现了确定性预测与日内不确定性修正，提升了跨规划和运行时间尺度的光伏预测可靠性。

该研究的主要贡献包括：提出由确定性预测模块和概率性日内预测模块组成的两阶段混合预测框架，增强跨规划和运行时间尺度的预测可靠性；提出用于确定性日前预测的新颖MTF-MTS-Mixer架构，通过结合多尺度时序特征提取与层级时序下采样及通道因子化，捕获细到粗的时序交互和跨通道依赖，提升对光伏发电模式的表征能力；引入用于日内概率精细化修正的PI-BNN，将源自光伏发电机制的物理引导嵌入损失函数，采用贝叶斯推断建模认知不确定性和偶然不确定性，在快速变化的日内条件下生成良好校准的预测分布。

本研究使用的数据集来源于中国国家电网公开数据集，包含位于不同气候区和地理区域（包括华北、华中和西北地区，地形涵盖沙漠、山脉和平原）的八个光伏电站运行数据。发电量和气象变量以15分钟间隔记录，时间跨度为2019-2020年两年。研究人员从三个层面全面评估所提框架：首先，研究不同时序特征方案的有效性以揭示时序表征对预测性能的贡献；其次，将确定性日前预测结果与多种基准深度学习模型比较以评估点预测精度；第三，检验概率性日内预测性能。

在确定性日前预测方面，MTF-MTS-Mixer在所有电站均表现优异，平均CC达0.811，较TCN的NRMSE和NMAE分别降低14.12%和16.43%，且在雨天等挑战性天气条件下仍保持相对良好性能。在概率性日内预测方面，PI-BNN较日前预测平均CC提升0.141，CRPS较DeepAR改善40.29%，生成校准更优的预测区间，PINAW降低且PICP更接近标称置信水平，在不同天气条件下展现出更可靠的不确定性估计能力。

研究结论指出，光伏 power 向现代能源系统的持续渗透加剧了对准确可靠预测技术的需求，以支持电网安全运行和可再生能源高效利用。本研究开发的两阶段混合预测框架整合了多尺度时序特征提取、时序-通道混合、物理信息建模和贝叶斯不确定性量化，包括MTF-MTS-Mixer确定性日前预测模块和PI-BNN概率性日内预测模块。该框架在多个光伏电站和天气条件下表现出具有竞争力和稳定性的预测性能，为不确定性条件下的光伏运行调度提供了有用信息，支持了可再生能源集成电力系统中更可靠的决策制定。