[论文解读] MATNet: Multi-Level Fusion Transformer-Based Model for Day-Ahead PV Generation Forecasting

Matteo Tortora, Francesco Conte+2 more|arXiv (Cornell University)|Jun 17, 2023

Solar Radiation and PhotovoltaicsComputer Science被引用 3

一句话总结

MATNet 提出了一种新颖的多层级融合 Transformer 架构，通过整合历史光伏出力、历史气象数据和气象预报数据，以提升日前多步光伏功率预测的准确性。通过利用自注意力机制和分层融合策略，MATNet 在 Ausgrid 基准数据集上实现了 SOTA 性能，RMSE 达到 0.0460。

ABSTRACT

Accurate forecasting of renewable generation is crucial to facilitate the integration of RES into the power system. Focusing on PV units, forecasting methods can be divided into two main categories: physics-based and data-based strategies, with AI-based models providing state-of-the-art performance. However, while these AI-based models can capture complex patterns and relationships in the data, they ignore the underlying physical prior knowledge of the phenomenon. Therefore, in this paper we propose MATNet, a novel self-attention transformer-based architecture for multivariate multi-step day-ahead PV power generation forecasting. It consists of a hybrid approach that combines the AI paradigm with the prior physical knowledge of PV power generation of physics-based methods. The model is fed with historical PV data and historical and forecast weather data through a multi-level joint fusion approach. The effectiveness of the proposed model is evaluated using the Ausgrid benchmark dataset with different regression performance metrics. The results show that our proposed architecture significantly outperforms the current state-of-the-art methods. These findings demonstrate the potential of MATNet in improving forecasting accuracy and suggest that it could be a promising solution to facilitate the integration of PV energy into the power grid.

研究动机与目标

• 为应对太阳能固有的间歇性和不确定性，解决日前光伏出力预测的准确性挑战。
• 通过多模态数据融合引入物理先验知识，弥合数据驱动的 AI 模型与基于物理的预测方法之间的差距。
• 通过在多个抽象层次上联合建模历史光伏数据、历史气象数据和未来气象预报，提升预测精度。
• 开发一种稳健、可解释且可扩展的解决方案，适用于户用及电网规模的光伏集成。

提出的方法

• MATNet 采用基于自注意力机制的 Transformer 架构，以捕捉多变量时间序列数据中的长程时序依赖关系。
• 其设计了多层级联合融合机制，在不同抽象层次上结合光伏出力、历史气象和气象预报输入，以保留时序与语义关联。
• 模型为每种输入模态（光伏、历史气象、预报气象）分别使用独立编码器，随后通过交叉注意力实现晚期融合，以促进模态间的动态交互。
• 该融合策略使模型能够自适应地加权输入，在不利条件下更侧重于气象预报数据。
• 模型在 Ausgrid 数据集上端到端训练，采用回归损失函数（MSE、RMSE、MAE、WMAPE、MASE）。
• 消融实验证实，三种输入模态均不可或缺，完整模型显著优于单模态或部分输入的变体。

实验结果

研究问题

• RQ1 基于 Transformer 的模型若融合历史光伏数据、历史气象和未来气象预报，是否能相比当前 SOTA 方法实现更优的预测精度？
• RQ2 与仅使用光伏或历史气象数据相比，引入气象预报数据对预测性能有何影响？
• RQ3 在光伏预测中，如何实现对具有不同时间跨度的异构时间序列输入的最优融合策略？
• RQ4 在不同天气条件下，特别是高不确定性时期，模型表现如何？
• RQ5 能否通过根据预报可靠性动态调整各输入模态的贡献，使模型更具鲁棒性？

主要发现

• MATNet 在 Ausgrid 基准数据集上实现了 0.0460 的 RMSE，显著优于当前 SOTA 方法。
• 包含全部三种输入模态（光伏、历史气象、预报气象）的完整模型表现最佳，所有差异在 Diebold-Mariano 检验中均具有统计显著性（p < 0.01）。
• 表现最佳的单模态配置仅使用气象预报数据，凸显其在预测精度中的关键作用。
• 多层级融合机制实现了有效的跨模态注意力，提升了模型捕捉复杂非线性依赖关系的能力。
• 消融研究证实，三种数据源的联合融合相比孤立或部分输入组合，带来了显著的性能提升。
• 模型在多种天气条件下表现出鲁棒性，通过自适应融合与可解释 AI 集成，仍有进一步优化空间。