一种用于复杂环境下光伏功率预测的混合 TimeGAN–xLSTM–Transformer 框架

为什么更好的太阳能发电预测很重要

随着越来越多的家庭、企业乃至整个城市接入太阳能，保证供电成为了一项预测挑战。阳光虽然免费，但也多变：云层、雾霾、温度波动和季节变化都会使太阳能输出上下波动。电网运营商必须在数小时之前知道太阳能电场将产生多少电力，以便安全且经济地平衡供需。本文提出了一种新的人工智能（AI）框架，它从历史数据中学习，甚至生成逼真的新数据，从而在复杂、真实的气象条件下使太阳能发电预测更加可靠。

光伏增长遇上天气混沌

中国光伏装机的快速扩张反映了全球趋势：太阳能正成为现代电力系统的支柱。然而，与煤电或燃气发电不同，光伏输出不能随意调节；它受大气影响。云层可能飘来，雾可能停留，或者空气变热变稀，这些都会推动光伏面板的发电上下波动。为了维持电网稳定，运营者依赖三种主要预测类型：单值预测、可能值范围和基于概率的完整情景。传统工具通常需要大量历史数据，且仍难以应对罕见但关键的事件，例如太阳能输出的突然下降或激增。它们也难以捕捉阳光、温度、湿度与发电之间随时间纠结的相互关系。

教 AI “创造”逼真的太阳能日历

这项工作的第一个关键思想是“扩展”数据集，而不是接受其局限性。作者使用一种专为时间序列数据设计的模型 TimeGAN 来生成看起来与真实记录相似的合成太阳能功率数据。TimeGAN 学会了光伏输出如何随着光照和温度等气象因子逐步变化。训练完成后，它可以生成具有相同模式的新序列，包括原始数据中罕见的极端起伏。使用可视化工具的测试表明，合成数据在局部细节和总体分布上都与实测数据高度重合。当用这一扩展数据集训练简单的预测模型时，其误差显著下降，证实这些“想象出”的太阳能日对 AI 更好地泛化到未见过的条件有帮助。

融合短期波动与长期趋势

框架的第二个支柱是巧妙地融合两种强大的序列学习模型。一种扩展形式的长短期记忆网络，称为 xLSTM，负责处理太阳能输出的细微结构。与标准版本不同，xLSTM 使用更丰富的记忆结构和多重时间尺度，使其能够追踪像过云这样快速的变化，以及跨小时或数日的较慢变化。在此之上，作者放置了一个 Transformer 模块，这一架构以其在语言模型中的成功而著称。Transformer 关注跨越较远时间步的关系，有效地决定在预测未来时哪些过去的时刻最为重要。这些组件共同组成了一条流水线：TimeGAN 丰富训练数据，xLSTM 提取分层时间特征，Transformer 在全局上对这些特征加权以生成精确的预测。

在真实光伏电场上的测试

研究人员使用来自国家电网下的一个真实分布式光伏集群的六个月数据对其方法进行了验证，数据以每 15 分钟采样，包含功率输出、温度、湿度和光照强度。他们将混合 TimeGAN–xLSTM–Transformer 框架与更传统的 LSTM 和 Transformer 模型进行了比较。结果惊人：与最好的传统基线相比，新模型将均方根误差降低了约 48%，平均绝对误差降低了约 44%。其百分比误差降至约 2.7%，且基于 TimeGAN 的数据增强带来的益处十分明显——没有合成数据训练的模型在面对太阳能功率的剧烈波动时表现要差得多。

这对日常用电意味着什么

简而言之，研究表明将逼真的“想象”数据与分层 AI 设计相结合，即使在天气状况不佳时也能使太阳能发电预测更可靠。对日常生活而言，更好的预测意味着更少的停电、更少为备用化石燃料浪费的功率，以及可再生能源更平稳地并入电网。随着太阳能装机在城市和乡村的普及，像这种混合 TimeGAN–xLSTM–Transformer 框架的工具可以帮助电力系统更有信心地提前规划，使我们更接近更清洁、低碳的能源未来。

引用: Chu, B., Shu, J., Zhao, C. et al. A hybrid TimeGAN–xLSTM–Transformer framework for photovoltaic power forecasting under complex environmental conditions. Sci Rep 16, 8782 (2026). https://doi.org/10.1038/s41598-026-36073-5

关键词: 太阳能发电预测, 光伏能量, 深度学习, 时间序列数据, 可再生能源并网