Ultra-short-term solar power forecasting by deep learning and data reconstruction

📄 arXiv: 2509.17095v1 📥 PDF

作者: Jinbao Wang, Jun Liu, Shiliang Zhang, Xuehui Ma

分类: cs.LG, cs.AI

发布日期: 2025-09-21

💡 一句话要点

提出基于深度学习和数据重构的超短期太阳能发电功率预测方法

🎯 匹配领域: 支柱四：生成式动作 (Generative Motion)

关键词: 太阳能发电预测 超短期预测 深度学习 数据重构 CEEMDAN 时间序列分析 能源调度

📋 核心要点

  1. 太阳能发电的间歇性对电网稳定和能源调度构成挑战，现有方法难以准确预测超短期功率。
  2. 论文提出一种基于深度学习和数据重构的方法，分解数据并提取时空依赖性，以提高预测精度。
  3. 实验结果表明，该方法在数据重构方面具有更好的泛化能力，并提高了超短期太阳能发电功率的预测精度。

📝 摘要（中文）

随着绿色能源转型的推进，太阳能发电的整合日益增加。然而，太阳能发电的间歇性给电网稳定性和能源调度带来了挑战。准确且近乎实时的太阳能发电预测对于容忍和支持分布式和波动性太阳能发电在能源系统中的渗透至关重要。本文提出了一种基于深度学习和数据重构的超短期太阳能发电功率预测方法。我们分解用于预测的数据，以促进对数据内空间和时间依赖性的广泛探索。特别地，我们使用具有自适应噪声的集成经验模态分解（CEEMDAN）将数据重构为低频和高频分量。我们将气象数据与这两个分量集成，并采用深度学习模型来捕获针对目标预测周期的长期和短期依赖性。通过这种方式，我们过度利用历史数据中的特征来预测超短期太阳能发电量。此外，由于超短期预测容易受到局部最优的影响，我们通过惩罚长预测间隔来修改深度学习训练中的优化。在不同设置下的数值实验表明，与基线模型相比，所提出的方法在数据重构中实现了更好的泛化，并为超短期太阳能发电量实现了更高的预测精度。

🔬 方法详解

问题定义：论文旨在解决超短期太阳能发电功率预测问题。现有方法难以有效捕捉太阳能发电的间歇性和波动性，导致预测精度不高，无法满足电网稳定和能源调度的需求。特别是在超短期预测中，容易陷入局部最优。

核心思路：论文的核心思路是通过数据重构和深度学习相结合，充分挖掘历史数据中的时空特征，提高超短期太阳能发电功率的预测精度。数据重构旨在将原始数据分解为不同频率的分量，以便更好地捕捉不同时间尺度的依赖关系。深度学习模型则用于学习这些分量与目标预测值之间的复杂映射关系。

技术框架：该方法的技术框架主要包括以下几个阶段：1) 数据分解：使用CEEMDAN将原始数据分解为低频和高频分量。2) 特征融合：将气象数据与分解后的低频和高频分量进行融合。3) 模型训练：使用深度学习模型（具体模型类型未明确说明）学习融合后的特征与目标预测值之间的关系。4) 优化调整：通过惩罚长预测间隔来修改深度学习训练过程，避免陷入局部最优。

关键创新：该方法的关键创新在于将数据重构技术与深度学习相结合，充分利用了历史数据中的时空特征。通过CEEMDAN分解数据，可以更好地捕捉不同时间尺度的依赖关系，从而提高预测精度。此外，通过惩罚长预测间隔来优化深度学习训练过程，可以有效避免陷入局部最优。

关键设计：论文中未明确说明深度学习模型的具体结构和参数设置。但是，提到使用了CEEMDAN进行数据分解，并集成了气象数据。此外，通过惩罚长预测间隔来修改损失函数，以优化训练过程。具体的惩罚函数形式和参数设置未知。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

论文通过数值实验验证了所提出方法的有效性。实验结果表明，与基线模型相比，该方法在数据重构方面具有更好的泛化能力，并显著提高了超短期太阳能发电功率的预测精度。具体的性能提升数据未知，但强调了在不同设置下均表现出优越性。

🎯 应用场景

该研究成果可应用于智能电网、能源调度和太阳能发电站等领域。准确的超短期太阳能发电功率预测有助于提高电网的稳定性和可靠性，优化能源调度策略，降低能源成本，并促进太阳能发电的更广泛应用。未来，该方法可以进一步推广到其他可再生能源的预测中。

📄 摘要（原文）

The integration of solar power has been increasing as the green energy transition rolls out. The penetration of solar power challenges the grid stability and energy scheduling, due to its intermittent energy generation. Accurate and near real-time solar power prediction is of critical importance to tolerant and support the permeation of distributed and volatile solar power production in the energy system. In this paper, we propose a deep-learning based ultra-short-term solar power prediction with data reconstruction. We decompose the data for the prediction to facilitate extensive exploration of the spatial and temporal dependencies within the data. Particularly, we reconstruct the data into low- and high-frequency components, using ensemble empirical model decomposition with adaptive noise (CEEMDAN). We integrate meteorological data with those two components, and employ deep-learning models to capture long- and short-term dependencies towards the target prediction period. In this way, we excessively exploit the features in historical data in predicting a ultra-short-term solar power production. Furthermore, as ultra-short-term prediction is vulnerable to local optima, we modify the optimization in our deep-learning training by penalizing long prediction intervals. Numerical experiments with diverse settings demonstrate that, compared to baseline models, the proposed method achieves improved generalization in data reconstruction and higher prediction accuracy for ultra-short-term solar power production.