物理可解釋與 SHAP 引導的光伏功率自適應預測
DKASC 光伏功率預測：物理約束損失＋SHAP／TPE 超參，SimpleADWIN 觸發之輕量線上演化；產出 IEEE SMC 會議論文。
福州大學 電氣工程與自動化學院
2025年1月——2025年7月
專案背景
光伏發電功率預測對電網調度與場站維運至關重要，但純資料驅動之深度模型常面臨黑箱難解釋、違背物理常識（如不合理負功率）以及概念漂移導致之性能衰減等問題。DKASC 等公開輻照—功率序列於非平穩工況下尤為突出，需要在保持 SOTA 時序骨幹表達能力之同時，把領域物理與可解釋診斷納入訓練與線上更新閉環。本專案圍繞「物理先驗 + SHAP 歸因 + 自適應演化」構建光伏功率預測框架：於 Autoformer、FEDformer、Informer 等骨幹上嵌入非對稱非負損失以抑制負功率預測；以 SHAP 監測全球水平輻照度等關鍵特徵之貢獻分佈，診斷過擬合並驅動 TPE 貝葉斯超參搜尋以貼合物理因果；於 SimpleADWIN 偵測到漂移時凍結骨幹、微調末端投影層，相對全量重訓練顯著縮短線上適配週期。於澳洲沙漠知識太陽能中心（DKASC）資料上之實驗支撐了論文中關於均方誤差改進與線上適應加速之結論，並形成 IEEE SMC 2026 會議投稿成果。
- 針對 DKASC 公開序列於非平穩輻照下易出現負功率預測、違背物理常識之問題，於 Autoformer、FEDformer、Informer 等時序骨干中引入非對稱非負損失並完成多骨干對照實驗，負功率顯著減少、基線 MSE 穩定改善，SOTA 模型 MSE 平均改善約 17%。
- 針對黑箱調參難以發現 GHI 過擬合及季節概念漂移導致線上重訓練成本高之問題，建置 SHAP 對 GHI 貢獻的監測流程並接入 TPE 貝葉斯超參搜尋；實現 SimpleADWIN 觸發「凍結骨干＋末端投影微調」輕量線上更新，相對全量重訓練適應耗時縮短約 92%，形成物理—解釋—演化一體化預測框架。
專案產出
技術棧
Python, PyTorch, SHAP, Bayesian optimization (TPE), SimpleADWIN