物理感知检索增强光伏预测模型PARA-PV
速览
光伏功率预测因天气多变、昼夜交替和物理约束而困难。PARA-PV框架将物理知识嵌入检索增强学习，用冻结基础模型校准输出，并通过分布偏移校正和物理约束损失优化关键场景误差，提升预测可靠性。该工作展示了物理融合与基础模型结合在可再生能源领域的潜力。
AI 深度解读
背景
准确的光伏（PV）发电功率预测对于实现可靠的电网调度和可再生能源并网至关重要。然而，光伏发电的出力受到多重因素的共同影响，包括天气变化、昼夜交替、不同运行状态下的动态规律以及严格的物理约束，这使得预测任务极具挑战性。现有的预测方法往往难以同时把握时间序列中的长期规律与短期物理约束，导致在极端天气、爬坡事件等关键工况下的预测精度不足。
核心内容
本文提出 PARA-PV（Physics-Aware Retrieval-Augmented PV Prediction），一个物理感知的检索增强预测框架，将物理知识嵌入预测全过程。其核心流程分为四个阶段：
-
物理感知的检索增强学习器
首先将多变量 PV 观测数据编码为 patch 级别的表征。通过物理感知检索增强学习器，检索与当前时间窗口在时间形态、功率水平、PV 运行状态以及日内时段上一致的历史 patches 和类比轨迹，从而得到一张基于物理事实的基础预测（base forecast）。 -
冻结基础模型校准
为了补充局部记忆以外的更广泛时间规律，利用一个冻结的 Chronos 时间序列基础模型先验，通过轻量级残差适配器对基础预测进行校准。这样，通用时间规律被自适应到 PV 特有的动态上，而不会覆盖已物理约束的预测结果。 -
物理感知分布偏移校正
当天气和昼夜状态发生变化时，残差条件分布偏移仍然存在。为此，一个物理感知的分布偏移校正模块利用功率、天气、时间戳和日/夜条件，通过门控均值偏移和尺度校正选择性地调整初步预测。 -
物理约束损失函数
将样本划分为峰值、爬坡、夜间和常规四个运行状态区域，并自适应地重新加权它们的误差贡献，以防止占主导的常规区域抑制对关键运行状态（如爬坡和峰值）的误差学习。
代码已在 GitHub 上开源。
关键要点
- 检索增强：通过物理感知检索相似历史片段，为预测提供物理上下文。
- 冻结基础模型：使用预训练的 Chronos 时间序列模型作为先验，无需微调即可注入通用时间规律。
- 分布偏移校正：针对天气和昼夜变化的残差偏移，采用门控机制进行均值与尺度自适应调整。
- 物理约束损失：将样本分为峰值、爬坡、夜间、常规四类，对不同类别赋予不同权重，避免常规模式主导训练。
- 完整开源：代码公开可用，便于复现与应用。
意义与影响
PARA-PV 提出了一种融合物理知识与大规模预训练时间序列模型的创新范式，为 PV 预测领域提供了可解释性强且精度高的解决方案。其模块化设计（检索、校准、校正、约束损失）可以独立或组合地迁移到其他可再生能源预测任务中。通过在关键运行状态（如爬坡和峰值）上施加额外注意力，该方法有助于提升电网在面对光伏波动时的调度稳定性，对于高比例可再生能源接入的电力系统具有实际应用价值。此外，该工作展示了如何将冻结的通用基础模型适配到特定物理领域，为未来物理感知的 AI 预测方法提供了新思路。