arXiv cs.AI· Phil Aupke, Muhammad Hassan, Khalid Ali, Seema, Andreas Kassler, Andreas Theocharis·· 3 天前AI 评分22
PowerMamba：面向日前光伏功率预测的物理信息状态空间模型
Physics-Informed State Space Models for Day-Ahead Photovoltaic Power Forecasting
AI 导读
研究者提出物理信息状态空间框架 PowerMamba，将可微分光伏转换模型与选择性状态空间骨干结合，通过物理残差分解预测日前光伏功率。在一年公用事业规模光伏数据上，该方法较纯物理基线 RMSE 降低 38.5%、MAE 降低 45.8%，并优于纯数据驱动模型。系统级物理约束带来最大性能增益，同时可将预测约束在物理可行范围内，减少损坏测量下的非现实预测。
正文 · AI 翻译
摘要：准确的日前光伏（PV）功率预测既需要强大的时间建模能力，也需要遵循光伏系统的物理约束。纯数据驱动模型往往忽略底层的光伏转换过程，可能产生超出光伏系统运行范围的预测。本文提出了一种物理信息状态空间框架，将可微分光伏转换模型与选择性状态空间主干网络（PowerMamba）相结合。我们的方法遵循物理残差分解。物理模块基于太阳几何、辐照度、温度效应和逆变器限值提供结构化基线，而状态空间模型则在 24 小时预测时域内从数值天气预报（NWP）输入中学习残差修正。在一年公用事业规模光伏数据上的实验表明，所提方法显著提高了预测精度，与仅物理基线相比，RMSE 降低 38.5%，MAE 降低 45.8%，并优于纯数据驱动模型。结果进一步表明，引入系统级物理信息带来的性能提升最大，而额外的细化仅带来边际改进。除精度外，该模型通过将预测约束到物理可行性方向提高了鲁棒性，减少了在测量数据损坏情况下的不切实际预测。
| 学科： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.14014 [cs.LG] |
| （或 arXiv:2610.14014v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.14014 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Andreas Kassler [查看电子邮件]
[v1]
2026年9月29日星期二 09:09:02 UTC（970 KB）
来源：arXiv cs.AI · arxiv.org