物理可解释与 SHAP 引导的光伏功率自适应预测
DKASC 光伏功率预测：物理约束损失 + SHAP／TPE 超参，SimpleADWIN 触发的轻量在线演化；产出 IEEE SMC 会议论文。
福州大学 电气工程与自动化学院
2025年1月——2025年7月
项目背景
光伏发电功率预测对电网调度与场站运维至关重要，但纯数据驱动的深度模型常面临黑箱难解释、违背物理常识（如不合理负功率）以及概念漂移导致的性能衰减等问题。DKASC 等公开辐照—功率序列在非平稳工况下尤为突出，需要在保持 SOTA 时序骨干表达能力的同时，把领域物理与可解释诊断纳入训练与在线更新闭环。本项目围绕「物理先验 + SHAP 归因 + 自适应演化」构建光伏功率预测框架：在 Autoformer、FEDformer、Informer 等骨干上嵌入非对称非负损失以抑制负功率预测；用 SHAP 监测全球水平辐照度等关键特征的贡献分布，诊断过拟合并驱动 TPE 贝叶斯超参搜索以贴合物理因果；在 SimpleADWIN 检测到漂移时冻结骨干、微调末端投影层，相对全量重训练显著缩短在线适配周期。在澳大利亚沙漠知识太阳能中心（DKASC）数据上的实验支撑了论文中关于均方误差改进与在线适应加速的结论，并形成 IEEE SMC 2026 会议投稿成果。
- 针对 DKASC 公开序列在非平稳辐照下易出现负功率预测、违背物理常识的问题，在 Autoformer、FEDformer、Informer 等时序骨干中引入非对称非负损失并完成多骨干对照实验，负功率显著减少、基线 MSE 稳定改善，SOTA 模型 MSE 平均改善约 17%。
- 针对黑箱调参难以发现 GHI 过拟合及季节概念漂移导致在线重训练成本高的问题，搭建 SHAP 对 GHI 贡献的监测流程并接入 TPE 贝叶斯超参搜索；实现 SimpleADWIN 触发「冻结骨干+末端投影微调」轻量在线更新，相对全量重训练适应耗时缩短约 92%，形成物理—解释—演化一体化预测框架。
项目产出
技术栈
Python, PyTorch, SHAP, Bayesian optimization (TPE), SimpleADWIN