研究背景
- 分布式光伏发电增长迅速：截至2024年底，中国光伏装机容量达357.3GW，占全球新增容量的60%以上，累计装机容量达1TW；分布式光伏产量预计增长200%以上。
- 我国功率预测相关标准：包括GB/T32031-2016、GB/T19964—2012、GB/T30153—2013、GB/T40604—2021、GB/T40607—2021等，要求10MW及以上光伏电站配置功率预测系统，具备短期和超短期预测功能。
- 光伏发电功率影响因素：主要受地理位置、安装角度、自身参数、天气等影响，其中辐照度、温度、风速影响较大。
- 光伏发电功率与辐照波动规律：晴空辐照受太阳高度角和日照长短影响，云层衰减受天气影响，机理复杂，光伏发电具有随机性和间歇性特点。
挑战
- 区域内光伏电站数量多、独立建模难：众多电站存在差异，建模计算资源需求呈指数级增长。
- 区域气象预报不精确且传感器部署难：电站精准气象数据缺失，安装微气象站成本高。
AI大模型功率预测方法
- 数据来源：实测数据（美国、澳大利亚、比利时、中国，共1856174个时间点，1428个场站）和合成数据（基于机理模型生成）。
- 光伏模型链：考虑动态损失影响，输入气象参数（GHI、温度、风速），输出系统功率。
- 气象数据：哥白尼大气监测服务（CAMS）提供数据，构建虚拟电站。
- 训练流程：输入生成数据+实际数据，模型架构为Transformer网络，权重通过误差反馈更新。
- 预训练与微调：预训练采用无监督学习（序列掩码），微调采用有监督学习。
- 数据集：欧洲、非洲、中国山西省共246个分布式光伏电站。
- 超参数优化：预训练数据增加，预测误差减小；参数数调整为12.63M，110个站时训练损失稳定在0.06。
- 结果展示：模型误差分布更紧凑，相对误差范围更小，预测准确性更高。
多模态融合功率预测方法
- 模型：融合视觉信息与物理特征，利用安防设备获取时序图像。
- 数据来源：中国吉林省西部某分布式光伏电站，数据包括风速、温度、风向、辐照度、板面温度、光伏输出功率和光伏板可见光图像。
- 图像分析：采用结构相似性（SSIM）进行图像质量评估。
- 数据重构：提出三阶段混合数据重构方法，解决数据缺失、噪声和时间不同步问题。
- 图像嵌入层：由主干层、阶段层、上下文加权训练层、过渡层、卷积块注意模块层组成。
- 可学习权重交叉注意力特征融合层（LWCAF）：实现跨模态注意力计算和特征融合。
- 性能评估：单步和多步预测性能均优于其他模型，误差带更接近零线，能捕捉长期依赖关系。
- 消融实验与敏感性分析：CAF+Huber模型表现最佳，对数据捕获能力随输入信息增加而增强。
