Page 147 - 《中国电力》2026年第5期
P. 147

杨超颖等：基于深度学习的集中式光伏电站在线增量功率预测方法                                           2026  年第 5 期



              通过建立太阳辐照强度、温度、风速等气象因素                                 3）提出基于样本重要性的经验回放策略。根
              与光伏组件输出功率的物理映射关系实现预测，                             据历史样本对模型性能的贡献度，设计样本筛选
              对气象数据的精度要求极高              [14-16] 。统计模型，如自        与存储机制，在降低内存占用的同时，最大化历
              回归求和滑动平均（autoregressive integrated moving         史知识的保留效果。

              average，ARIMA）模型      [17] 、指数平滑法    [18]  等，基
              于历史功率数据的统计规律进行预测，计算复杂                             1    在线增量多变量时间序列预测
              度较低，但仅适用于平稳时间序列。基于深度学习
              的预测模型因具备强大的非线性拟合能力与特征                                 光伏功率预测本质是多变量非平稳时间序列
              提取能力，成为当前光伏功率预测研究的热点                      [19-21] 。  建模问题，其核心挑战在于同步捕捉气象变量与
                  目前，主流的深度学习预测模型主要包括循                           功率序列的时空依赖关系、多尺度周期性特征，
              环神经网络（recurrent neural network，RNN）     [22] 、长   以及在数据分布动态漂移场景下实现知识的稳定
              短期记忆网络（long short term memory，LSTM）        [23] 、  传递  [31-33] 。本研究基于特征高效提取-知识增量保
              Transformer 及其变体等     [24-26] 。尽管现有深度学习           留的双目标设计原则，构建融合                  PatchTST  架构与
              模型在离线静态预测场景下已取得较好的预测效                             DER++增量学习机制的分块时序经验回放（patch
              果，但在实际工业应用的在线动态场景中，仍面                             time experience replay，PTER）模型。
              临两大核心问题：1）数据动态演变导致的模型                                 光伏发电功率受多种环境因素与时间因素共
              性能衰减。集中式光伏电站的运行过程中，光伏                             同影响，其输出不仅取决于太阳辐照强度，还与
              组件会因老化、灰尘覆盖等因素出现性能退化等                             温度、湿度、季节变化等其他变量相关。这些因
              问题。若预测模型始终基于初始离线数据集训练，                            素具有高度非线性与相互依赖性，给预测模型的
              未及时融入新的运行数据，其预测精度会随时间                             设计与性能优化带来了极大挑战。基于自注意力
              推移逐渐衰减，难以满足长期在线预测需求                       [27-28] ；  机制的  Transformer 架构能够有效捕捉变量间的依
              2）模型更新过程中的灾难性遗忘。为缓解数据                             赖关系。PatchTST      作为一种基于       Transformer 的时
              动态演变带来的性能衰减，需对模型进行在线更                             间序列模型，融合了分块与注意力机制，可捕捉

              新，但传统的全量更新方式需重新训练整个模型                             光伏系统中气象变量的动态变化与相互作用，从
              易导致模型遗忘历史训练数据中的关键知识，反                             而提升预测精度。
              而降低预测可靠性         [29-30] 。                            具体而言，PatchTST       首先将输入的多变量时
                  为解决上述问题，本文提出一种基于深度学                           间序列分割为重叠或非重叠的块，每个块代表一
              习的集中式光伏电站在线增量功率预测方法，以                             个局部时间上下文。通过线性投影层对这些块进
              PatchTST  为基础架构，引入深度经验回放++（deep                   行处理，得到高维嵌入向量，并添加位置编码以
              experience replay， DER++） 增 量 学 习 机 制 ， 构 建       保留时间顺序信息。块嵌入向量送入                    Transformer
              “分块特征提取-在线知识保留”双核心预测框                             编码器，通过多头自注意力机制捕捉不同时间块之
              架，主要贡献如下。                                         间 的 依 赖 关 系 。 将 编 码 器 输 出 送 入 全 连 接 预 测
                  1）提出分块特征提取与在线知识保留双核心                          头，生成未来光伏功率预测结果。该架构使                   PatchTST
              框架。将     PatchTST  的高效特征提取能力与           DER++     能够同时对受天气变化影响的局部动态特征与全
              的增量学习优势相结合，通过                PatchTST  的多尺度       局时间模式进行建模。
              分块特征提取能力，可同时捕捉光伏功率的日周                                 经 验 回 放 （ experience replay， ER） 是 增 量 学
              期、季节周期等多维度规律。                                     习中常用的策略之一           [34-35] 。训练过程中，模型在
                  2）优化多变量时间序列的增量更新策略。针                          学习当前任务的同时，整合内存中存储的历史任
              对光伏功率预测的多变量特性，在                  DER++机制中         务数据，并在每次训练中回放这些历史数据，从而
              引入多变量参数约束项，确保更新过程中多变量                             在学习新任务时保留对旧光伏数据的记忆。当输
              依赖关系的稳定传递，提升模型对多变量动态演                             入数据流发生突变时，传统经验回放仅通过回放
              变的适应能力。                                           历史数据样本来保留先验知识，易引入偏差，进

                                                                                                           143
   142   143   144   145   146   147   148   149   150   151   152