具有多尺度时序建模和按变量注意力的可解释超短期光伏功率预测

为何以分钟为单位预测太阳能发电很重要

随着太阳能电池板发电占比上升，电网调度者必须不断平衡发电量与用户用电量。突发云层、季节性变化和天气波动会在几分钟内使光伏出力剧烈波动，威胁这种平衡。本文提出了一种在15分钟内预测大型光伏电站功率的新方法，旨在在四季中保持预测准确性，同时让模型的推理过程更易于人工审查。

在多重时间尺度上观察太阳与气象的规律

光伏功率受几分钟、几小时到几个月等不同节律影响：太阳的昼夜起伏、短时的云层遮挡和缓慢的季节性变化。传统预测工具常只关注其中某一时间尺度或将各种尺度混为一谈，当条件迅速变化时就可能产生较大误差。所提出系统的第一部分称为多尺度 Kolmogorov–Arnold 网络（MKAN），通过将过去的数据切成不同长度的重叠片段来应对这一问题。每个片段都会经过一个小而灵活的数学模块，学习在该尺度下功率如何响应近期模式。这些尺度特定的视角随后被拼接回去，形成对光伏电站近期行为的丰富概述。

让气象变量“相互对话”

光伏发电并非依赖单一读数（如辐照强度）；它来源于多种因素的复杂相互作用，包括直接辐照与散射辐照、温度、湿度、气压以及电站自身的近期出力。框架的第二部分称为 iTransformer，旨在通过把每个变量视为对话中的“token”来捕捉这些相互作用。iTransformer不是逐步扫描时间点，而是横向考察不同变量，利用注意力机制决定在给定预测中哪些变量应当彼此强烈影响。这种按变量的关注使得揭示例如何时湿度强烈影响光照效应，或何时模型因天气不稳而高度依赖近期出力，变得更容易。

将两种思想融合成单一预测引擎

作者将 MKAN 与 iTransformer 串联组合，形成 MKAN-iTransformer 模型。首先，MKAN 将原始的15分钟分辨率的气象与功率历史转换为多尺度时序特征，区分快速闪变与更平滑的趋势。随后 iTransformer 使用其注意力机制将这些特征中不同变量的信息交织在一起，生成对未来15分钟电站功率的最终估计。该系统在中国一座30 MW光伏电站的两年数据上进行训练与测试，仅使用每天06:00至20:00之间的白天读数。数据按季节时间顺序拆分以模拟真实部署情形，并将模型与大量替代方法进行比较，从经典的循环网络到较新的基于 Transformer 的设计及其作者自己改进的 KAN 变体。

在春、夏、秋、冬中的表现如何

在几乎所有季节和误差度量上，MKAN-iTransformer 都与竞争方法持平或优于它们。在春季和秋季——天气快速变化且功率曲线受不规则斜坡影响时——它实现了最低的平方误差和最小的平均误差，同时能解释超过94%的功率变异。在冬季这一特别困难的工况（低太阳高度角且波动迅速）中，与标准 Transformer 相比，模型在某些误差指标上降幅超过一半，并且明显优于循环网络。夏季对大多数模型而言相对容易一些，但 MKAN-iTransformer 仍然提供最低的平方误差，这意味着它能更好地抑制偶发的大幅失误。详细的消融研究表明，仅使用 MKAN 或仅使用 iTransformer 无法完全解释这些性能提升；正是它们的结合——多尺度时序与跨变量注意力——带来了跨季节最稳定的表现。

为能源运营者打开黑箱

除了原始精度外，作者还强调可解释性。由于 MKAN 将预测构建为若干简单可学函数的总和，这些函数可以可视化，从而揭示模型在不同输入层次（例如低或高辐照）下的响应方式。对功率信号的多尺度分解显示出日趋势、中期天气变化和由云造成的快速跳变是如何被分离并处理的。与此同时，iTransformer 的注意力图展示了不同季节变量重要性的转换：春季和冬季以直接日照为主导，而夏季和秋季湿度及某些辐照测量变得更加重要。这些可视化工具帮助工程师理解模型在不同大气条件下的行为原因，从而在预测出错时支持信任建立与故障诊断。

这对太阳能预测的未来意味着什么

通俗地说，该研究表明可以构建既“广”又“深”的太阳能预测模型：在不同气象信号上很宽广，并在多重时间尺度上很深入，同时仍然对人类部分可读。对于电网调度者，这可能意味着全年更可靠的15分钟预报、更少的供给突变惊喜，以及更高效地利用储能和备用电厂。对于研究人员，MKAN-iTransformer 提供了一个将可解释构件与强大注意力机制结合的蓝图，指明了朝着既准确又能解释太阳、云层与大气如何共同塑造可再生电力流动的预测工具发展的方向。

引用: Liu, L., Liu, M., Han, Z. et al. Interpretable ultra-short-term photovoltaic power forecasting with multi-scale temporal modeling and variable-wise attention. Sci Rep 16, 10336 (2026). https://doi.org/10.1038/s41598-026-39797-6

关键词: 太阳能发电预测, 光伏电网, 时间序列建模, 季节性变异, 可解释人工智能