PARA-PV：基于冻结基础模型与分布偏移校正的物理感知检索增强光伏预测

# PARA-PV：基于冻结基础模型和分布偏移校正的物理感知检索增强光伏预测  
来源：https://arxiv.org/html/2607.08079  

###### 摘要  
准确的光伏功率预测对于可靠的电网调度和可再生能源并网至关重要，但由于光伏发电同时受天气变化、昼夜交替、工况依赖的动态特性以及严格的物理约束共同影响，预测仍然具有挑战性。现有数据驱动方法通常通过增加模型复杂度来改进时间表征学习，但未能充分利用光伏特有的物理知识，且可能在峰值、爬坡或低功率条件下产生有偏预测。为克服这些局限，我们提出PARA-PV，一个物理感知的检索增强框架，将物理知识嵌入预测全流程。该框架首先将多变量光伏观测编码为片段级表征，并通过物理感知的检索增强学习器，检索与当前窗口在时间形态、功率水平、光伏运行状态和日内时段上一致的历史片段和模拟轨迹，从而获得物理基础预报。为补充局部记忆并融入更广泛的时间知识，基础预报随后通过一个轻量残差适配器对照冻结的Chronos时间序列基础模型先验进行校准，使通用时间规律适应光伏特有动态，而不覆盖物理基础的预测。由于天气和日间工况变化时残差条件分布偏移仍然存在，一个物理感知的分布偏移校正模块随后利用功率、天气、时间戳和昼夜条件，通过门控均值平移和尺度校正对初步预测进行选择性调整。最后，物理约束损失函数将样本划分为峰值、爬坡、夜间和常规工况，并自适应地重新加权其误差贡献，防止主导的常规工况抑制关键运行状态的学习。在两个地理分布不同的光伏电站上的实验表明，PARA-PV在多个预测时域上持续优于七个代表性基线，以少于1M可训练参数实现了更低的点预测误差和更尖锐的预测区间。我们的代码可在https://github.com/weican1103/PARA-PV获取。  

###### 关键词：人工智能，基础模型，物理感知学习，光伏功率预测，检索增强预测  

\\affiliation [inst1]organization=School of Economics and Management, addressline=North China Electric Power University, city=102206, Beijing, country=China  
\\affiliation [inst2]organization=School of Electrical and Electronic Engineering, addressline=Nanyang Technological University, city=639798, 50 Nanyang Avenue, country=Singapore  
\\affiliation [inst3]organization=School of Control and Computer Engineering, addressline=North China Electric Power University, city=102206, Beijing, country=China  
\\affiliation [inst4]organization=Department of Electrical Engineering, addressline=Tsinghua University, city=100084, Beijing, country=China  

## 1 引言  

### 1.1 背景与动机  

随着全球能源需求的持续增长，开发可靠且低碳的能源系统已成为当务之急。在可再生能源中，太阳能因其清洁性、可扩展性和广泛的地理可用性而具有明显优势。在光伏技术进步和政策支持的推动下，光伏发电迅速扩张，正成为现代电力系统日益重要的组成部分[9 (https://arxiv.org/html/2607.08079#bib.bib5)]。准确的光伏功率预测对于太阳能并网和能源管理至关重要[14 (https://arxiv.org/html/2607.08079#bib.bib1), 33 (https://arxiv.org/html/2607.08079#bib.bib2), 25 (https://arxiv.org/html/2607.08079#bib.bib3), 29 (https://arxiv.org/html/2607.08079#bib.bib6), 15 (https://arxiv.org/html/2607.08079#bib.bib7)]。然而，光伏预测仍然极具挑战性，因为功率输出同时受多种气象和时间变量影响，例如辐照度、云运动、昼夜循环，同时受物理运行状态约束，包括夜间零发电、容量限制、峰值发电和快速爬坡动态，这使得隐含信息的提取变得困难[35 (https://arxiv.org/html/2607.08079#bib.bib4)]。  

尽管光伏预测模型已从统计方法发展到深度时间架构，但其在复杂气象和运行条件下的预测可靠性仍然有限。首先，许多现有模型主要追求更具表现力的数据驱动架构，但未能充分融入光伏发电的物理约束，例如夜间零输出、容量限制、峰值发电状态和快速爬坡行为。这些模型可能很好地拟合历史观测，但在天气条件和运行状态变化时仍然产生物理不一致或工况有偏的预测。其次，大多数研究尚未充分利用时间序列基础模型的最新进展，这些模型在适当校准下能提供有用的通用时间建模先验。第三，现有方法通常侧重于改进预测模型本身，而对预测后的分布偏移校正关注不足。然而，气象变化和时间条件会改变光伏输出的分布。因此，仅将天气或时间变量作为模型输入可能提高精度，但并不能从根本上纠正预测的分布偏差。  

### 1.2 相关工作  

近年来，高精度光伏功率预测模型发展迅速。根据以往研究，预测模型大致可分为物理模型、统计模型和人工智能模型。物理模型通过基于太阳辐照度、组件特性和系统配置描述光伏系统的能量转换过程来估计发电量。例如，Zhi等人提出了一种结合气象参数预测、辐照度计算、等效电路模型和改进最大功率追踪算法的物理模型，用于屋顶光伏功率预测，在各种天气条件下实现了15.9%的平均绝对误差[37 (https://arxiv.org/html/2607.08079#bib.bib9)]。尽管这些模型通常可解释且物理一致，但其性能往往依赖于气象输入的准确性和详细的系统参数[31 (https://arxiv.org/html/2607.08079#bib.bib10)]。  

统计模型，包括ARIMA（自回归积分滑动平均）[19 (https://arxiv.org/html/2607.08079#bib.bib11)]和基于回归的模型[18 (https://arxiv.org/html/2607.08079#bib.bib12)]，主要通过建立历史光伏功率观测值与相关解释变量之间的数学模型，提供高效预测。例如，Doubleday等人提出了一种贝叶斯模型平均后处理方法用于概率性公用事业规模光伏预测，通过加权概率密度函数校准有偏数值天气预报集合[7 (https://arxiv.org/html/2607.08079#bib.bib13)]。尽管统计模型能捕捉趋势变化，但在建模复杂非线性关系时常常面临挑战[1 (https://arxiv.org/html/2607.08079#bib.bib14)]。  

受近期人工智能进步的推动，机器学习方法，如支持向量回归（SVR）[6 (https://arxiv.org/html/2607.08079#bib.bib15)]、随机森林（RF）[34 (https://arxiv.org/html/2607.08079#bib.bib16)]和梯度提升决策树（GBDT）[28 (https://arxiv.org/html/2607.08079#bib.bib17)]，已越来越多地应用于时间序列预测任务。例如，Eseye等人提出了一种混合小波-PSO-SVM模型，该模型结合小波变换和支持向量机建模数值天气预报变量与光伏功率之间的非线性关系[8 (https://arxiv.org/html/2607.08079#bib.bib18)]。Hategan等人提出了一种加权集成模型，结合机器学习和基于天空图像的方法，提高了小时内光伏功率预测精度[11 (https://arxiv.org/html/2607.08079#bib.bib19)]。尽管机器学习模型已广泛用于光伏功率预测，但其性能往往受限于强数据依赖性、弱物理可解释性以及在快速变化天气条件下的鲁棒性降低[21 (https://arxiv.org/html/2607.08079#bib.bib20)]。  

深度学习模型由于其更强的非线性时间模式捕获能力，已越来越多地用于光伏功率预测，例如基于循环神经网络的模型[2 (https://arxiv.org/html/2607.08079#bib.bib21)]、基于图卷积网络的模型[30 (https://arxiv.org/html/2607.08079#bib.bib22)]和基于Transformer的模型[24 (https://arxiv.org/html/2607.08079#bib.bib23)]。例如，Liu等人提出了一种PBiLSTM-CNN模型，该模型结合多模态分解与并行双向长短期记忆网络和卷积神经网络，提取关键气象和时间特征，从而提高短期光伏功率预测的准确性[20 (https://arxiv.org/html/2607.08079#bib.bib24)]。Kim等人提出了PVTransNet，一种基于Transformer的模型，整合历史光伏功率、天气观测、天气预报和太阳几何数据，用于多步日前预测，从而提高了次日光伏功率预测的准确性[17 (https://arxiv.org/html/2607.08079#bib.bib25)]。除了短期和日前预测，基于片段的长期序列架构也已探索用于中期光伏预测；例如，Tian和Liang提出了PVMTF，一种端到端框架，结合基于片段的时间建模与信息融合编码来增强中期光伏功率预测[26 (https://arxiv.org/html/2607.08079#bib.bib8)]。  

近期研究越来越关注将物理约束融入光伏功率预测，因为预测准确性直接关系到模型是否尊重太阳能发电的固有特性，如夜间不发电、容量限制以及辐照度变化下的爬坡行为。例如，Liu等人提出了一种双物理驱动框架，整合物理一致的数据重建与边界约束的DLSTM预测器，从而改善有缺陷光伏数据校正和稳健的屋顶光伏预测[23 (https://arxiv.org/html/2607.08079#bib.bib26)]。此外，大语言模型和时间序列基础模型的出现为光伏预测引入了一种新的建模范式，其中从大规模数据中学习到的通用时间知识可适配到能源时间序列预测。例如，Gao等人提出了一种基于LLM的重编程框架，将冻结预训练LLM的先验知识迁移到少样本日前太阳辐照度预测[10 (https://arxiv.org/html/2607.08079#bib.bib27)]。He等人提出了一种提示学习和两阶段微调LLM框架，将光伏预测转换为文本生成任务，并通过交叉注意力和DQ-LoRA将文本提示与数值特征对齐[12 (https://arxiv.org/html/2607.08079#bib.bib28)]。  

此外，由于气象变量与光伏发电强相关，探索有效的气象信息融合方法已成为近期光伏预测研究的核心议题。例如，Dai等人提出了一种基于天气类型可信度预测和多模型动态组合的光伏预测方法，该方法估计日前天气类型预测的可靠性，并自适应选择预测模型[5 (https://arxiv.org/html/2607.08079#bib.bib29)]。尽管这些研究通过引入物理约束、适配基础模型架构和利用气象信息推动了光伏预测的发展，但仍存在若干挑战。研究空白可总结如下：(1) 许多现有方法仍将物理知识视为辅助约束，而非将其整合到预测全流程中，这限制了它们在不同运行状态下建模光伏发电的能力。(2) 尽管基于LLM的预测兴趣日益增长，但如何有效适配通用时间先验到光伏特有动态仍探索不足。(3) 气象信息通常作为输入特征引入，但其与时间模式和变化的光伏运行状态的交互并不总是被显式建模。(4) 大多数预测模型仍以通用误差目标进行优化，难以在正常、极端和过渡期间平衡预测精度。这些空白表明光伏预测研究仍有相当大的改进空间。  

### 1.3 贡献  

在本文中，我们提出PARA-PV模型，这是一种物理感知的检索增强框架，用于光伏功率预测。具体来说，PARA-PV首先将多变量光伏观测编码为片段级时间表征，并从记忆库中检索物理一致的历史模式；然后使用冻结的Chronos时间先验校准预测，通过物理感知校正模块修正依赖工况的分布偏移，并使用自定义损失函数训练模型，该损失函数对峰值、爬坡、夜间和常规发电时段赋予显式重要性。主要贡献总结如下：  

- **1. 用于光伏预测的物理感知检索增强学习器模块：** 我们开发了PA-RAL，一种检索增强预测模块，在物理可比的运行条件下融入历史光伏模式。PA-RAL维护一个片段记忆库，存储两种互补形式的历史信息：用于特征级记忆增强的潜在片段表征，以及用于轨迹级预测指导的模拟功率轨迹。在预测过程中，当前序列被编码为片段级表征，并使用同时考虑时间形态、功率水平一致性、光伏状态一致性和日内接近度的相似度分数检索排名最高的历史片段。检索到的片段表征转化为局部记忆，并通过门控机制与从当前输入提取的全局时间记忆融合。同时，相应的检索模拟轨迹根据检索置信度进行聚合，并与最新观测功率值对齐，使其演化模式作为轨迹先验，而不会直接复制不匹配的绝对量级。可学习门控随后确定其输出前的贡献。  

- **2. 基于Chronos引导的时间先验校准策略以增强光伏预测：** 我们引入该模块以利用时间序列基础模型的通用时间建模能力，同时使其输出适应光伏发电的物理特性。具体来说，归一化的历史光伏序列输入到冻结的Chronos模型，该模型为目标功率轨迹产生未来时间先验。