北极星

搜索历史清空

  • 水处理
您的位置:光伏光伏零部件其他企业正文

大圜科技:探索AI赋能光伏交易预测新路径

2025-06-26 16:11来源:大圜科技关键词:大圜科技光伏设备光伏发电预测收藏点赞

投稿

我要投稿

随着近年发展,光伏发电占比越来越高,极大得影响了电力调度和电力现货交易策略,甚至有交易员认为,“现货玩的是天气预报和负荷猜心术”。而0-4小时的光伏发电,非常容易受到云量的突变影响。

从当前的观测及预测手段看,主要来自三类设备,但都存在或多或少的问题:

· 地面辐射计,只能满足局地实时观测,缺乏预测能力。

· 全天空成像仪,探空范围有限,只能提供1小时内的预测功能。

· 卫星遥感数据,分辨率有限,预测精度不足。

基于此,大圜科技结合多源数据及数据驱动的深度学习模型,用于光伏预测这种复杂非线性、长时间序列相关性的场景。

模型设计思路:融合多模态、多尺度特征

针对太阳辐射这一高度非线性、强时空耦合的目标变量,我们构建了一套融合变分模态分解(VMD)、注意力机制与深度时序建模的多阶段预测框架。该模型可根据预测时长的不同,灵活调整结构与策略,以兼顾精度与效率。

场景一:中短期预测(2小时内)

在2小时以内的预测任务中,太阳辐射信号往往受到云层快速变化、局地扰动等因素影响,波动剧烈,原始时序信号中包含大量高频扰动。为此,我们引入VMD(变分模态分解)+ PSO(粒子群优化)组合模块,以实现关键特征的精准提取:

随后,各模态特征序列被输入LSTM + Attention 网络,分别建模后再融合输出,实现分频建模、全局协同的智能预测。

场景二:中长期预测(4小时以上)

对于4小时及以上的预测任务,模型关注的是更长时间尺度的趋势变化。此时信号稳定性增强,我们采用LSTM + Attention机制的轻量结构:

· LSTM 捕捉太阳辐射的长时依赖特性;

· Attention机制 提升对关键时间点(如突变前后的斜率变化)的感知能力,减少信息平滑带来的预测偏差。

该结构具备良好的跨日泛化性能与计算效率,适用于工业场景的批量部署与应用集成。

模型输入输出说明

我们充分融合了空间遥感、太阳位置和历史辐射信息,构建多模态输入向量。

模型输出目标为:未来0~4小时的太阳总辐射(GHI)

数据集与实验设计

为评估模型的时空泛化能力,我们构建了跨区域、多季节的实测数据集,涵盖五个具有代表性的中国城市:

据时间段:2023年1月1日 – 2024年9月30日

数据来源:云图及遥感数据 + ERA5气象再分析数据

目标变量:总辐射 GHI预测数据,间隔采样10分钟

对比数据:欧洲气象中心EC再分析及预报数据

验证数据:国家气象站地面辐射计实测数据

实验结果与模型对比:

红色曲线为实际值,蓝色曲线为大圜科技AI模型预测结果,黑色曲线为欧洲中心再分析及预报结果。

综上所述,基于多源数据AI预报的光伏预测具备以下优势:

优势1、预测精度高,时效长(最长6小时)。

优势2、无需布置全天空成像仪,节省设备成本和后期维护。

优势3、轻松实现7*24小时维护。

展望:构建“太阳认知”驱动的智能能源系统

未来,我们希望进一步在以下方向深化研究:

卫星+地面多源异构数据融合

融合物理约束的神经网络设计(如云速、风向引导注意力)

数字孪生光伏系统,实现从预测→ 储能决策 → 发电仿真的闭环

引入自监督学习与联邦学习,提升模型跨站点迁移能力

结语

太阳辐射预测不仅是气象问题,更是电力现货交易与能源系统调度的感知前提。在AI技术的加持下,数据驱动预测正逐步走向更高精度、更强泛化、更低成本的智能时代。

我们坚信:每一道阳光的到来,都值得被更精准地预知与利用。

原标题:大圜科技:探索AI赋能光伏交易预测新路径
投稿与新闻线索:陈女士 微信/手机:13693626116 邮箱:chenchen#bjxmail.com(请将#改成@)

特别声明:北极星转载其他网站内容,出于传递更多信息而非盈利之目的,同时并不代表赞成其观点或证实其描述,内容仅供参考。版权归原作者所有,若有侵权,请联系我们删除。

凡来源注明北极星*网的内容为北极星原创,转载需获授权。

大圜科技查看更多>光伏设备查看更多>光伏发电预测查看更多>