隨著全球范圍內光伏裝機容量的持續快速增長，光伏發電易受多種氣象因素影響所表現出的顯著間歇性與高度隨機性，對其并入電網從而影響電力系統穩定性的情況日益凸顯，成為亟待解決的關鍵問題。因此，精確預測光伏發電的輸出能力，不僅是電力生產高效規劃與資源合理分配的前提，也是確保混合電力系統整體可靠性、優化電網調度策略及維護電網穩定運行不可或缺的關鍵環節。
 

　　青島能源所泛能源大數據與戰略研究中心首次將光伏物理建模關鍵步驟生成的中間變量作為輸入的一部分以進行數據增強，提出了一個基于Transformer的全新模型——并行時間特征信息提取網絡PTFNet。PTFNet利用基于卷積交互結構的時間依賴提取模塊和基于自注意力機制的特征間依賴提取模塊，用于擬合輸入數據的時間特性和特征間關聯特性，并通過多層次的堆疊實現對信息的深層提取。提取的時間依賴和特征間依賴用于進行最終的預測。實驗結果表明，PTFNet取得了最佳的整體預測能力，在15min級別的數據上，PTFNet對未來36h光伏發電出力預測的RMSE誤差降低9.1%-26.8%，R2達到0.93。此外，PTFNet預測結果在電網運營商所需要的準確性指標為92.82%，超過其他同類模型。
 

　　本研究通過巧妙融合自然科學研究范式和人工智能研究范式建立了傳感器測量特征，加強了氣象預報特征與光伏功率特征之間的深度關聯，實現了對多源數據的充分利用，顯著提升了光伏功率預測的準確性，對人工智能從非解釋性研究向可解釋性研究進步意義深遠。
 

　　相關研究結果近期以“Operational dayahead photovoltaic power forecasting based on transformer variant”為題發表于Applied Energy上，該工作由青島能源所泛能源大數據與戰略研究中心主任田亞峻研究員主持完成，得到了山東能源研究院、山東省自然科學基金、青島博士后資助項目和中國工程院院地合作項目的支持。