arXiv cs.AI· Anushka Katiyar, Cong Feng, Jing Wang, Tristan Liu, Simon Julien, Zachary Jacobs·· 13 小时前AI 评分20
IMPACT：融合逆变器信息的物理知情多模态光伏发电预测框架
IMPACT: Inverter-Informed Multimodal Learning for Photovoltaic Generation Forecasting
AI 导读
IMPACT 是一个物理知情多模态深度学习框架，用于提前 10 至 110 分钟的光伏功率概率预测，采用四分支架构分别编码电站时序历史、逆变器级空间云动态、太阳几何与当前气象状态，并通过门控交叉注意力融合。
正文 · AI 翻译
摘要：本工作开发了一个物理信息驱动的多模态深度学习框架，用于提前 10 至 110 分钟的概率性光伏功率预测。该预测模型基于四分支架构构建，分别通过带有学习邻接矩阵的图注意力编码器编码电站级时间历史和逆变器级空间云动态、已知的未来太阳几何信息以及当前气象状态，并通过门控交叉注意力进行融合。几何分支增加了两个前瞻性物理信号，即空间云不均匀性和逆变器降载活动，每个信号均根据其最具预测性的时间范围进行经验加权。解码器将其预测锚定到智能持续性基线，学习时间范围条件修正，并通过核加权自适应保形校准步骤对所得分位数预测进行在线校准。所提出的模型优于所有 14 个基线，预测技能得分（FSS）达到 0.2950，比次优模型高 0.099。分支组成消融实验表明，每个分支均有正向贡献，且模型在具有挑战性的阴天和可变天空条件下仍保持显著技能（FSS 0.198 和 0.255）。
| 学科： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.40418 [cs.LG] |
| （或 arXiv:2610.40418v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.40418 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Cong Feng [查看电子邮件]
[v1]
2026 年 10 月 29 日星期四 16:44:20 UTC（4,897 KB）
来源：arXiv cs.AI · arxiv.org