通过多视角预测学习光伏发电输出的长期时序依赖性
计算机视觉与模式识别
2026-05-20 v1 人工智能
摘要
全球光伏电容量的快速扩张——2024年达纪录597 GW——凸显了针对光照间歇性质构成引发的电网不稳定所需鲁健预测模型的紧迫性。尽管基于深度学习的直接预测使用地面天空图像（GSI）已成为主流方法，但现有文献常受限于单一架构评估和仅关注单视角（点）预测。本文提出了从传统单视角估计向多视角预测框架的转变，导致准确率的架构无关性改进。我们假设并通过实验表明，对未来一系列值的联合优化允许深度神经网络更好地捕获潜在的跨步时序依赖性，同时避免网络在权重梯度和滤波器多样性方面的过早收敛。利用这种将顺序天空图像与历史光伏发电数据集成的架构无关性改进，我们评估了模型在多个离散未来时间步的预测能力。我们的 methodology 通过不同深度学习架构的比较分析得到验证。结果表明，这种多视角方法在整个预测视角范围内显著提升了预测准确率和鲁健性，同时保持计算简洁。通过在计算开销几乎不增加的情况下实现优异性能，该工作为提高现代电网的韧性提供了可扩展且高效的解决方案。
引用
@article{arxiv.2605.19074,
title = {Learning Long-Term Temporal Dependencies in Photovoltaic Power Output Prediction Through Multi-Horizon Forecasting},
author = {Sumit Laha and Ankit Sharma and Hassan Foroosh},
journal= {arXiv preprint arXiv:2605.19074},
year = {2026}
}