Qian Guoa · Chunxue Zhaob · Xiaoyong Gaoa · Solar Energy · 2025年1月 · Vol.299

准确的光伏发电功率预测为电力系统调度提供了有价值且可靠的参考依据。在实际应用中，预测模型需要频繁更新以缓解因输入数据动态变化而导致的性能下降问题。然而，频繁更新可能导致模型对先前学习知识的灾难性遗忘，从而降低更新后模型的预测精度。为解决这一问题，本文提出了一种可在线更新的多元时间序列预测模型——PTER模型，该模型融合了PatchTST架构与DER++增量学习方法。该模型采用patch token策略捕捉光伏功率序列的多尺度周期特性，并通过自注意力机制捕获多变量间的依赖关系；同时利用经验回放机制...

解读: 该增量学习光伏预测模型对阳光电源iSolarCloud智慧运维平台具有重要应用价值。PTER模型通过在线更新和经验回放机制,可有效解决SG系列逆变器大规模部署后的功率预测精度衰减问题。其多尺度时序特征捕获能力可优化PowerTitan储能系统的充放电策略制定,在异常天气下MAE和RMSE显著降低,提...