目錄
1. 引言
光伏發電因其依賴於天氣條件（如雲量、太陽位置與大氣氣溶膠）而具有內在的變異性。在分鐘尺度上進行精確的短期預測（即即時預測），對於智慧電網管理、確保供電穩定性以及控制爬坡速率至關重要。傳統依賴數值天氣預報或衛星資料的方法，往往因時空解析度不足，無法勝任在地化的分鐘級預測。本研究提出一種深度學習方法，利用地面攝影機拍攝的天空影像與歷史光伏發電數據，來預測未來的發電量。
2. 研究方法
2.1 問題定義
本研究的目標是根據歷史發電值序列 $\{P_{t}, P_{t-1}, ..., P_{t-N}\}$ 與天空影像序列 $\{I_{t}, I_{t-1}, ..., I_{t-M}\}$，預測未來時間點 $t+\Delta t$（例如 1 分鐘後）的光伏發電量 $P_{t+\Delta t}$。預測時域 $\Delta t$ 通常較短（1 至 10 分鐘）。
2.2 資料集與前處理
資料集收集於日本京都，包含每分鐘記錄的光伏發電量測值與對應的天空影像。影像前處理步驟包括：裁切至以太陽為中心的固定感興趣區域、調整尺寸為 224x224 像素，以及歸一化像素值。發電量則透過最小-最大標準化，歸一化至 [0,1] 區間。
2.3 網路架構
本研究比較了三種深度學習架構：
- MLP（多層感知器）： 一個基準模型，僅以歷史發電值作為輸入。它包含 3 個全連接層，神經元數量分別為 128、64 與 1，並使用 ReLU 激活函數。
- CNN（卷積神經網路）： 使用 3 個卷積層（濾波器數量分別為 32、64、128，卷積核大小為 3x3）處理天空影像，其後接最大池化層與 2 個全連接層。歷史發電值在最終層之前進行串接。
- LSTM（長短期記憶網路）： 使用一個包含 128 個隱藏單元的 LSTM 層，來建模發電值序列以及由 CNN 提取的影像特徵中的時間依賴性。LSTM 的輸出會通過一個全連接層以產生預測值。
3. 實驗與結果
3.1 評估指標
效能使用均方根誤差（RMSE）與 RMSE 技巧評分來評估，定義如下：
$\text{Skill Score} = 1 - \frac{\text{RMSE}_{model}}{\text{RMSE}_{persistence}}$
其中，持續性基準假設 $P_{t+\Delta t} = P_t$。
3.2 量化結果
下表總結了提前 1 分鐘預測的 RMSE 技巧評分：
| 模型 | RMSE 技巧評分 (%) |
|---|---|
| 持續性基準 | 0 |
| MLP | 7 |
| CNN | 12 |
| LSTM | 21 |
LSTM 模型達到了最高的 21% 技巧評分，顯著優於 MLP 與 CNN 基準。這證明了在即時預測中建模時間依賴性的重要性。
3.3 消融實驗
消融實驗顯示，同時使用歷史發電值與天空影像，其效能優於僅使用單一模態。此外，LSTM 模型受益於更長的輸入序列（最多 10 分鐘的歷史資料）。
4. 技術細節
4.1 數學公式
LSTM 單元計算隱藏狀態 $h_t$ 與細胞狀態 $c_t$ 的方式如下：
$f_t = \sigma(W_f \cdot [h_{t-1}, x_t] + b_f)$
$i_t = \sigma(W_i \cdot [h_{t-1}, x_t] + b_i)$
$\tilde{c}_t = \tanh(W_c \cdot [h_{t-1}, x_t] + b_c)$
$c_t = f_t \odot c_{t-1} + i_t \odot \tilde{c}_t$
$o_t = \sigma(W_o \cdot [h_{t-1}, x_t] + b_o)$
$h_t = o_t \odot \tanh(c_t)$
其中，$x_t$ 為時間點 $t$ 的輸入，$\sigma$ 為 Sigmoid 函數，$\odot$ 表示逐元素相乘。
4.2 損失函數與最佳化
模型訓練旨在最小化均方誤差（MSE）損失：
$\mathcal{L} = \frac{1}{N} \sum_{i=1}^{N} (P_i - \hat{P}_i)^2$
最佳化使用 Adam 最佳化器，學習率設為 $10^{-4}$，批次大小為 32。並根據驗證損失採用早停法。
5. 分析框架範例
假設一個太陽能電廠管理者想要預測 5 分鐘後的光伏發電量。使用 LSTM 模型時，輸入將是最近 10 筆發電量測值與 10 張天空影像的序列。模型先透過 CNN 處理影像以提取特徵，再由 LSTM 捕捉時間模式。輸出為一個歸一化後的發電量數值，可經反歸一化轉換為實際的千瓦數。此預測能讓管理者調整電網運作，例如啟動備用發電機或管理儲能系統，以維持電網穩定性。
6. 未來應用與展望
本研究所提出的深度學習框架具有幾個有前景的未來發展方向：
- 物聯網整合： 將模型部署於邊緣裝置，為個別太陽能設施提供即時、低延遲的預測。
- 多站點預測： 擴展模型以利用共享的天氣模式，預測多個地理分散的太陽能電廠的發電量。
- 混合模型： 將 LSTM 與注意力機制或 Transformer 架構結合，以更好地捕捉天空影像序列中的長程依賴性。
- 遷移學習： 在大規模天空影像資料集（例如來自氣象站）上預訓練 CNN，以提升對新地點的泛化能力。
- 不確定性量化： 整合貝氏神經網路或蒙地卡羅 Dropout，以提供預測區間，輔助風險感知的決策制定。
7. 專家評論
核心見解： 本文證明了深度學習，特別是 LSTM 網路，能透過有效建模天空影像與發電數據中的時間依賴性，顯著改善短期光伏發電預測。
邏輯脈絡： 作者清楚地定義了問題，提出了三種漸趨複雜的架構，並在真實世界資料集上進行系統性評估。消融實驗驗證了每個組成部分的貢獻。
優勢與不足： 主要優勢在於對不同架構進行了嚴謹的比較，並清楚展示了 LSTM 的優越性。然而，資料集僅限於單一地點（京都），且模型在極端天氣條件下（例如豪雨、大雪）的效能尚未被探討。此外，文中也未討論 LSTM 模型的計算成本。
可行建議： 對於實務工作者而言，LSTM 模型相較於持續性基準提升了 21%，這對電網管理來說是顯著的進步。要部署此模型，應投資於高頻率資料收集（天空攝影機與功率計），並考慮使用邊緣運算進行即時推論。未來研究應聚焦於多站點驗證以及對多樣化天氣型態的穩健性。
8. 原始分析
本文透過展示深度學習在分鐘級即時預測上的有效性，對太陽能預測領域做出了重要貢獻。其關鍵創新在於使用 LSTM 網路來捕捉天空影像與發電數據中的時間依賴性，相較於持續性基準達到了 21% 的 RMSE 技巧評分。此結果與時間序列預測的整體趨勢一致，其中循環架構在諸如天氣預測與能源負載預測等任務中已展現出優異效能（Hochreiter & Schmidhuber, 1997）。
從技術角度來看，MLP、CNN 與 LSTM 架構的比較提供了有價值的見解。僅依賴歷史發電值的 MLP 作為一個強力基準，但未能捕捉雲層移動的視覺線索。CNN 透過納入天空影像改善了此點，但它獨立處理每個時間步。LSTM 建模序列的能力至關重要，因為雲層動態本質上就是時間性的。此發現與影片理解領域的研究一致，該領域使用 3D CNN 與 LSTM 來建模運動（Tran et al., 2015）。
然而，本研究有其局限性。資料集僅在單一地點（日本京都）收集，該地具有特定的氣候模式（溫帶，四季分明）。模型對其他氣候區（例如熱帶、乾旱區）的泛化能力尚未經測試。此外，論文未提及 LSTM 模型的計算成本，這可能對在低功耗裝置上進行即時部署構成障礙。近期在輕量化架構上的進展，例如 MobileNets（Howard et al., 2017），可被探索以減少推論時間。
另一個關鍵面向是天空影像的品質。論文使用了圍繞太陽的固定感興趣區域，這可能無法捕捉從周邊移動而來的雲層。未來研究可納入注意力機制，以動態聚焦於相關區域，如同在影像描述中所做的那樣（Xu et al., 2015）。此外，模型在快速變化條件下（例如積雲）的效能，可透過使用更高的時間解析度（例如 10 秒間隔）來改善。
總而言之，本文為基於深度學習的光伏即時預測奠定了堅實的基礎。LSTM 模型是明顯的贏家，但實際部署需要解決計算效率與泛化能力的問題。將此方法與智慧電網系統整合，可帶來更具韌性與效率的可再生能源管理。
9. 參考文獻
- Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural Computation, 9(8), 1735-1780.
- Howard, A. G., et al. (2017). MobileNets: Efficient convolutional neural networks for mobile vision applications. arXiv preprint arXiv:1704.04861.
- Tran, D., et al. (2015). Learning spatiotemporal features with 3D convolutional networks. Proceedings of the IEEE International Conference on Computer Vision.
- Xu, K., et al. (2015). Show, attend and tell: Neural image caption generation with visual attention. Proceedings of the International Conference on Machine Learning.
- Zhang, J., et al. (2018). Deep photovoltaic nowcasting. Solar Energy (accepted).