大圜科技：探索AI赋能光伏交易预测新路径

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