An Oracle Persistence Framework Using Capacity Information to Diagnose Concept Drift in Long Term Photovoltaic Power Forecasting

技术摘要：一种利用容量信息诊断长期光伏功率预测中概念漂移的 Oracle 持久性框架

1. 问题陈述

虽然短期光伏（PV）功率预测对于电网调度和市场参与至关重要，但现有模型在长期部署中往往会失败，其原因在于一个隐含的、在物理上不合理的假设：即光伏系统是一个随时间不变的太阳辐射转换器。实际上，光伏装置会经历渐进式退化（组件老化、积尘、逆变器老化）和离散事件（子阵列断开、故障），导致有效容量 $C(t)$ 随时间变化。

这种非平稳性导致了概念漂移（concept drift），即基于历史数据训练的模型会出现系统性偏差和“负迁移（negative transfer）”现象——即来自训练集的知识反而降低了测试集的预测性能。目前的诊断工具通常只能标记分布变化，但无法区分性能损失是源于气象变率还是源于系统物理状态的变化。本研究旨在填补这一空白，即探讨转移失败是否与有效容量的变化相一致。

2. 研究方法

理论框架
作者提出了一个乘性退化模型：
$$Y(t) = C(t) \cdot g(X(t)) + \varepsilon(t)$$
其中 $Y(t)$ 是功率输出，$C(t) \in (0,1]$ 是潜在的有效容量因子，$g(X(t))$ 是天气到功率的映射，$\varepsilon(t)$ 是噪声。研究形式化了四种漂移模式：

• 渐进型 (P1)： 单调下降（例如：老化）。
• 突发型 (P2)： 离散阶跃变化（例如：断开连接）。
• 周期型 (P3)： 周期性振荡（例如：季节性积尘）。
• 恢复型： 维护后出现的正向阶跃变化。

Oracle-Persistence 诊断法
其核心贡献是通过比较三个参考得分来评估可转移性：

1. $R^2_{pers}$ (持久性/Persistence)： 衡量时间自相关的基准。
2. $R^2_{oc}$ (Oracle-Cross)： 当使用在历史时期训练的模型在后期进行评估时的表现。
3. $R^2_{os}$ (Oracle-Self)： 当模型开发和评估均取自同一时间区间时的表现。

诊断逻辑：

• 如果 $R^2_{oc} < R^2_{pers}$，表明存在与漂移一致的严重转移失败。
• 如果 $R^2_{oc} < 0$，则表示模型的表现差于常数均值。
• 容量一致性测试： 如果加入一个严格的起源前（pre-origin）容量估计值 ($\hat{C}(t)$) 能显著提高 $R^2_{oc}$，则支持了“容量变化是转移失败主要驱动因素”的假设。

实验设置

• 站点： 使用了两个地理位置迥异的站点进行对比：
  • DKASC (澳大利亚爱丽丝泉)： 一个表现出严重退化和结构性断裂的站点。
  • PVDAQ Site 34 (美国科罗拉多州黄金市)： 一个因表现出高度稳定性而被选中的站点。
• 模型架构： 一种结合了以下结构的混合集成模型：
  • BiLSTM-Attention： 用于处理时间序列。
  • Exogenous MLP： 用于处理当前气象特征。
  • HGBT (HistGradientBoosting)： 用于处理表格特征（滞后项、时间、容量）。
  • Ridge Meta-Learner： 融合上述三个分支。
• 策略： 测试了六种候选适应策略，包括容量归一化、异常清洗以及显式容量特征集成（策略 S4）。

3. 关键结果

DKASC (退化站点)

• 退化特征描述： 该站点从 2021 年到 2024 年显示出累计功率下降 57.5%。推导出的复合速率为 −17.03%/年。作者明确强调，该数字代表的是该特定装置的净复合速率，它结合了不可逆的老化与离散的可恢复故障事件，并非通用的光伏退化率。Pettitt 检验识别出 2023 年 3 月存在结构性断裂（$p = 1.4 \times 10^{-7}$）。
• 诊断性能：
  • 仅使用天气特征时，跨期 $R^2_{oc}$ 为 −0.251（严重的失败，低于持久性基准）。
  • 加入回顾性容量特征（使用截至目标区间的数据）后，$R^2_{oc}$ 提升至 0.955。
  • 至关重要的是，使用**严格的起源前（pre-origin）**容量估计值（无目标区间数据泄露）后，$R^2_{oc}$ 提升至 0.873，远高于持久性基准（0.646）。
• 解释： 在加入容量信息后预测能力得到恢复，这支持了以下假设：有效容量的变化是导致转移失败的主要因素，尽管它并未识别出具体的物理故障机制。

PVDAQ Site 34 (稳定站点)

• 稳定性： 在 14 年间，该站点的有效转换效率未显示出统计学意义上的趋势（−0.13%/年，$p=0.35$），且无结构性断裂。
• 诊断性能： 其跨期 $R^2_{oc}$ 为 0.903，远高于持久性基准（0.590），证实了稳定的可转移性。

配置敏感性

• 最优配置（S0: RobustScaler, 4h 窗口, 120 个 epoch）在 DKASC 测试集上实现了 0.862 的 $R^2$。
• Robust Scaling 是唯一在统计上比 MinMax 缩放产生改进效果的预处理方法（Diebold–Mariano $p < 0.001$）。
• 在 DKASC 集成 NWP（数值天气预报）特征实际上降低了准确度（$\Delta R^2 = -0.050$），这与以下假设一致：在高度持久性的沙漠环境中，增加复杂的天气预报几乎没有边际价值，并可能引入校准误差。

4. 意义与主张

本文谦逊地将 Oracle-Persistence 框架定位为一种候选的低成本监测工具，用于检测已部署的预报器何时不再跟踪其自身硬件的变化，而非将其视为所有光伏资产的通用解决方案。

• 诊断效用： 该框架成功区分了天气驱动的变率与系统状态的变化。DKASC（严重漂移站点）与 PVDAQ（稳定站点）之间的对比结果，为所提出的解释提供了可行性证据。
• 容量一致性： 研究表明，通过显式建模或估计有效容量，可以恢复原本会丢失的跨期可预测性。
• 操作洞察： 结果表明，对于高度持久性的环境（如热沙漠），增加复杂的天气预报可能适得其反，而鲁棒的预处理（RobustScaler）对于处理容量偏移比复杂的模型架构更为关键。

作者承认的局限性

• 单一退化站点： 退化分析依赖于一个特定站点；−17%/年的速率是复合速率且具有站点特异性，并非通用的光伏退化率。
• 代理有效性： 容量估计器（滚动 P95）是一种代理指标，可能会受到云量或弃光限制的干扰，而非直接的物理测量。
• 合成 NWP： 关于稳定站点处未来天气价值的分析使用了合成噪声而非真实的运行预报，这限制了关于 NWP 效用的结论。
• 推断谨慎： 由于数据的时序依赖性，报告的 p 值被视为名义上的描述性统计，而非确证性统计。

总之，本研究确立了未建模的有效容量变化是长期预测性能下降的主要原因，并且 Oracle-Persistence 诊断提供了一种利用标准性能指标来检测这一现象的透明方法。