短期光伏功率预测需要模型同时捕捉太阳周期的规律和天气波动，而两者的重要性随预测时域变化。为此本文构建了层次化集成框架，融合时间序列神经网络、历史相似样本、状态气候基准和梯度提升树。太阳几何信息和数值天气预报提供预期发电条件，针对不同预测时域使用凸组合权重对各子模型输出进行加权。随后利用可得的历史预测误差进行校准，以修正近期偏差。该框架在公开的 PVDAQ 数据集（预测窗口 15–240 分钟）以及 GEFCom2014 三个光伏区的小时尺度（最长 4 小时）上进行评估。PVDAQ 实验中，集成模型在日光时段的容量归一化平均绝对误差为 4.315%，相较于全特征 LightGBM 下降 4.11%，相较于经微调的 Chronos-2 下降 6.03%。通过去除单一专家的实验表明模型内部存在冗余。GEFCom2014 三个训练种子下，学习得到的融合权重优于等权组合，但与 LightGBM 的表现相当。结果表明，针对预测时域的专门融合是一种有效策略，但其优势取决于数据集和评估周期。
$$\text{MAE}=\frac{1}{N}\sum_{i=1}^{N}|y_i-\hat{y}_i|$$
点评