场景分类与隐私保护下的分布式光伏功率预测协同训练策略

Collaborative Training Strategy for Distributed Photovoltaic Power Forecasting under Scene Classification and Privacy Protection

邓芳明吴磊王锦波韦宝泉高波李泽文 · 太阳能学报 · 2025年1月 · Vol.46

针对光伏电站分布分散及数据缺失导致的预测精度不足问题，提出一种结合场景分类与隐私保护的分布式光伏短期功率预测协同训练策略。通过皮尔逊相关系数筛选关键气象特征，采用模糊C均值聚类划分天气场景，并将相似区域分组构建多场景预测模型。引入多任务学习机制改进联邦学习框架，保留站点差异性并提升模型泛化能力。实验表明，该方法在不同天气下较多种模型准确率最高提升24.77%，RMSE最大降低89.24%，且相较传统联邦学习缩短50%通信轮次，平均用户识别率提升8%。

解读: 该协同训练策略对阳光电源iSolarCloud智能运维平台具有重要应用价值。通过场景分类与联邦学习框架，可在保护各电站数据隐私前提下，实现SG系列光伏逆变器的分布式功率预测优化，预测精度提升24.77%直接增强电站调度能力。多任务学习机制保留站点差异性，适配阳光电源分布式光伏监控系统的异构场景需求。...