面向可扩展且可迁移的分布式光伏预测的基础模型式预训练

arXiv:2610.27763v1 发布类型：新增 摘要：分布式光伏（PV）发电的快速增长，提高了对大量地理位置分散电站进行准确预测的需求。现有方法通常针对单个站点或特定预测时段开发，因此每当接入新电站时都需要重复训练和维护，并且难以直接复用于此前未见过的站点。为解决这一可扩展性不足的问题，本文提出了一种面向特定领域的基础模型式预训练框架，通过异构的多站点、多时段光伏数据学习共享预测模型。基于NWP的预测被构建为序列补全问题，将历史光伏功率、气象观测、未来数值天气预报（NWP）以及时间编码统一起来。本文设计并系统评估了三种预训练目标，包括预测对齐重构、通用重构和混合重构。混合目标将光伏预测的运行结构与随机序列重构相结合，在预测精度、NWP退化条件和下游适应性方面取得了最均衡的性能。实验基于479个分布式光伏电站开展，其中340个电站用于模型开发，139个空间留出的电站用于零样本评估。在6小时至7天的各预测时段内，多站点预训练的MR模型优于具有代表性的站点专用模型和共享基线模型，以及包括近期大规模预训练基础模型在内的通用时间序列模型。该预训练模型还可直接部署于新的光伏电站，并在获得本地数据后进一步适应特定区域的运行目标，为大规模分布式光伏机群提供一种可扩展的预测范式。