概述
准确的光伏（PV）发电预测对可靠的电网调度和可再生能源的整合至关重要，但由于天气变化、昼夜交替、不同运行状态的动态特性以及严格的物理约束，这一过程仍然充满挑战。为此，我们提出了PARA-PV，一个物理知识驱动的检索增强框架，旨在在整个预测过程中嵌入物理知识。
框架设计
该框架首先将多变量PV观测编码为块级表示。通过物理知识驱动的检索增强学习器，框架检索与当前时间窗口在时间形状、功率水平、PV操作状态和日内周期一致的历史块和类比轨迹，从而生成一个物理基础的初步预测。
为了将局部记忆与更广泛的时间知识相结合，初步预测随后通过轻量级残差适配器与冻结的Chronos时间序列基础模型进行校准，从而将一般的时间规律适配到PV特定的动态中，而不覆盖物理基础的预测。
分布偏移校正
由于天气和昼夜模式变化时残留的条件分布偏移，接下来，物理知识驱动的分布偏移校正模块使用功率、天气、时间戳和昼夜条件调整初步预测，选择性地应用门控均值偏移和尺度校正。
损失函数设计
最后，物理约束损失函数将样本划分为峰值、上升、夜间和常规状态，并自适应地重新加权它们的误差贡献，防止主导常规状态抑制对操作关键状态的学习。我们的代码已在 GitHub 上公开。
博主点评： PARA-PV框架通过结合物理知识与历史数据，提供了一种创新的方法来解决光伏发电预测中的复杂性，展示了在可再生能源领域应用深度学习和物理模型的潜力。其设计思路为未来的能源预测研究提供了新的参考方向。