一种基于非参数自适应保形推断的逐小时光伏发电概率预测方法

为何更好的太阳能预测很重要

随着越来越多的家庭、企业和公用事业采用太阳能电池板来获取清洁电力，电网必须应对随云层变化而波动的发电资源。电网调度员不仅需要知道一小时后大概会有多少太阳能发电，还需要了解该预测的不确定性。本文提出了一种为短期太阳能出力预测加上“误差棒”的新方法，使规划者在更自信地依赖太阳能的同时，仍能保证供电可靠。

从单一估计到考虑风险的预测

传统的太阳能预测常将未来简化为一个数值，例如“下一小时2.5千瓦”。但实际上，太阳能出力会随天气和时间波动，电网决策——如安排多少备用电源——依赖于我们对这些数值的确信程度。因此，现代方法采用概率性预测：它们不只给出一个值，而是提供一系列可能的结果，并说明真实值应落在该区间内的频率。该研究聚焦于波兰弗罗茨瓦夫一所大学屋顶电池板的逐小时预测，利用五年的历史数据。目标是生成既可靠（大多数情况下包含真实出力）又尖锐（区间尽可能窄，避免毫无意义的宽范围）的预测区间。

更智能的调整不确定性方式

这里研究的核心技术是自适应保形推断（Adaptive Conformal Inference，ACI）。简言之，ACI可以包裹在任何预测模型之外——本文中为一种名为堆叠长短期记忆网络（stacked LSTM）的深度学习模型——并根据近期的预测误差决定下一步预测区间应有多宽。如果近期预测频繁失准，ACI会自动加宽区间；若预测准确，则收窄区间。然而，标准的ACI假设数据随时间平滑变化。太阳能并非如此：每晚出力归零，清晨的第一缕阳光与前一晚的情况几乎无可比性。这种昼夜间断循环会导致ACI的调整参数发生漂移，随着时间推移使区间不必要地膨胀。

每天重置以获得新的起点

为了解决这一不匹配，作者引入了一个简单但有效的改进：在每天开始时重置ACI内部的“未覆盖率”参数。概念上，这告诉算法忘却漫长且信息量低的夜间时段，仅基于白天行为重新校准。基础的LSTM仍从多年数据中学习模式，包括季节性变化和典型的日形曲线，但ACI层不会再让夜间的零出力扭曲其对不确定性的判断。每天重置可防止在一段低信息时段后区间变得不必要地宽大，并使方法能快速适应每天的日照情况，无论是晴朗、多云还是高度可变。

新方法的表现如何

研究比较了四种表达太阳能预测不确定性的方法：改进的ACI、直接预测若干分位数的深度模型（深度分位回归）、内部估计不确定性的贝叶斯LSTM，以及为分位数预测调优的强大基于树的算法CatBoost。测试在一年的未见数据上进行。改进后的ACI在可靠性上表现最佳，其区间大约有91%的时间包含真实功率，接近预期目标，同时保持了适度的区间宽度。贝叶斯LSTM次之，可靠性较高但区间相对更宽。CatBoost给出最窄的区间但更常错过真实值，低估了不确定性。深度分位回归总体表现最差，覆盖率较低且区间较宽，惩罚分数更高。重要的是，改进的ACI在仅为基础LSTM增加少量计算开销的情况下实现了其优异表现。

这对未来太阳能电网意味着什么

从实际角度看，该工作表明更好地处理昼夜节律能显著提升太阳能发电风险估计的质量。通过每天早晨重置校准，改进的ACI方法提供了既可信又相对较窄的置信带，使电网运营者和能源管理者更容易规划备用容量、进行电力交易并在不对不确定性过度反应的情况下整合更多太阳能。由于ACI与模型无关且不依赖详尽的天气预报，作者认为这种每日重置方案可以广泛应用于其他太阳能装置和预测工具，为未来能源系统中使太阳能成为更可预测的伙伴提供一种稳健、以数据为驱动的方法。

引用: Suresh, V., Revathi, B.S. & Guerrero, J.M. A non-parametric adaptive conformal inference based probabilistic hour-ahead solar PV power forecasting method. Sci Rep 16, 11730 (2026). https://doi.org/10.1038/s41598-026-40911-x

关键词: 太阳能发电预测, 概率性预测, 不确定性量化, 保形推断, 可再生能源电网