没有历史发电数据，也能做光伏预测？440 个站点验证 OPAQUE + TSFM 的冷启动能力，误差压低 1.7–2 倍

关注下方“公众号”，获取更多开源资讯

一、产业背景与冷启动痛点

新建光伏电站在投运初期就要给电网调度、自发自用、电池容量规划和资产管理提供预测。问题在于，目标站点没有历史发电序列，标准监督预测器依赖的  不存在。论文把这一场景定义为 cold-start PV forecasting：模型只能使用电站元数据  和外生气象协变量  ，不能依赖目标站点的真实历史观测。

传统做法通常从数据丰富站点迁移模型，或用物理模型链与机器学习结合。但这类方法经常需要目标站点已有数据、显式监督微调，或绑定特定建模假设。SolNet 这类相关方法会用 PVGIS 生成合成历史，再微调面向目标电站的 LSTM；但它仍依赖单一 surrogate source 和特定监督架构。论文希望验证一个更通用的问题：如果不微调模型，只在推理时给基础模型一段可信的合成时间上下文，能否完成冷启动发电预测。

这正好对应时间序列基础模型的优势。TSFM 不需要为每个站点重新训练，而是通过上下文序列做 zero-shot inference。对于光伏冷启动来说，关键不是把合成数据当成真实标签，而是把它当成“缺失历史”的结构化代理，让模型理解季节性、容量归一化尺度和天气驱动波动。

图片来源于原论文

二、两阶段零样本管线与 OPAQUE 物理生成器

论文的预测接口沿用标准监督设置：

但在 cold-start 场景中，目标历史  不可用，因此用合成序列替代：

对于每一种合成历史来源  ，论文进一步写作：

第一阶段负责生成 daily synthetic PV yield history，第二阶段由下游预测器把这段合成历史作为 temporal context。论文比较了两个合成来源：PVGIS是广泛使用的欧盟光伏性能与辐照数据库；OPAQUE是本文提出的 Open Physics-based Acquisition of Quantitative Energy，一个开放、物理约束、无需卫星服务的确定性生成器。

OPAQUE 的物理链条分为三步：第一步是 irradiance transposition，把水平面辐照转换为组件平面辐照；第二步是 cell temperature 与 thermal derating；第三步是 daily DC–AC integration。NOCT 温度模型写作：

热降额因子为：

最后按 PVWatts 风格汇总为日发电量：

其中  ， ， 是年度组件衰减率， 是电站年龄。若有降雪数据，日发电量还会根据降雪阈值乘以 snow-cover penalty。论文报告，四个评估队列的非热损失先验分别对应 Ausgrid 15.1%、DKASC 13.3%、PVDAQ 12.4%、UK-PV 11.0%，与 PVGIS 固定 14%aggregate loss prior 形成对照。

图片来源于原论文

三、评测设置与三种上下文策略

实验共评测 8 类预测器：naive、seasonal-naive、Prophet，以及 5 个零样本时间序列基础模型 Chronos-2、Moirai 2.0、TimesFM 2.5、TiRex、TabPFN-TS。其中 TiRex 和 Moirai 2.0 在协变量上是 univariate；TimesFM 2.5 使用 univariate transformer backbone 加外部协变量回归；Chronos-2 与 TabPFN-TS 能联合建模 target 和 covariates，TabPFN-TS 还是唯一额外接收静态电站元数据的模型。

数据来自四个公开 rooftop-PV 数据集，共 440 个站点：Ausgrid 300个、DKASC 10个、UK-PV 100个、PVDAQ 30个，横跨三大洲和多种气候。每个站点最近完整一年被作为冷启动评估年。Ausgrid 代表悉尼住宅光伏群体，DKASC 代表 Alice Springs 沙漠环境，UK-PV 代表多云温带欧洲场景，PVDAQ 引入美国多个气候区。

论文设计了三种上下文策略，用来拆开“严格冷启动”“真实反馈”和“自反馈稳定性”：

Cold-Start Baseline（CSB）：目标序列上下文只包含合成历史  ，没有任何真实站点发电数据。模型一次性预测完整 held-out year  。

Real Feedback（RF）：投运后真实发电逐步可用。每个 rolling origin  下，模型上下文变为  ，预测接下来  天。

Self-Forecast Feedback（SFF）：没有真实遥测数据，模型把自己上一轮预测接回上下文。每个  下，上下文变为  ，同样预测接下来  天。

评估指标包括 MAE、RMSE 和 WAPE。所有目标和预测都先除以电站额定峰值功率  ，按 specific-yield convention 统一为  。这种容量归一化让住宅和商业站点可以在跨队列聚合时公平比较。

四、实验结果与模型对比

主结果显示，带协变量的时间序列基础模型在 RF 场景下优势最明显。OPAQUE 上，TabPFN-TS 达到 MAE 0.514 / RMSE 0.721，Chronos-2 为 0.537 / 0.737，TimesFM 2.5 为 0.599 / 0.793；PVGIS 上，TabPFN-TS 达到 0.512 / 0.717，Chronos-2 为 0.535 / 0.735，TimesFM 2.5 为 0.587 / 0.779。论文总结为：TabPFN-TS、Chronos-2、TimesFM 2.5 在 RF 下稳定超过所有基线，误差约为 Prophet 的 1/1.7 到 1/2。

SFF 场景考验模型在“用自己预测继续预测”时是否会漂移。Chronos-2 在两个合成上下文下都最稳：OPAQUE SFF 为 MAE 0.985 / RMSE 1.203，PVGIS SFF 为 0.908 / 1.113。TimesFM 2.5、TabPFN-TS 在 RF 中很强，但 SFF 中误差明显放大；TiRex 因为按 API 设计忽略未来气象协变量，在 SFF 和 CSB 中更容易退回气候均值。论文的 daily traces 也显示，Chronos-2 和 Moirai 2.0 更能保持季节结构，而 TiRex 很快偏离实测包络。

图片来源于原论文

CSB 是最严格的无观测设定。由于没有 post-commissioning 真实反馈，模型间差距被压窄，所有模型大致落在 0.05 MAE的窄区间内。OPAQUE 上 Prophet 略优，达到 MAE 1.006 / RMSE 1.221，TabPFN-TS 和 Chronos-2 与其相差在 2%内；PVGIS 上 Chronos-2 领先，达到 MAE 0.907 / RMSE 1.114。这说明单靠合成历史做全年一次性预测仍有天花板，真实观测或稳定自反馈上下文是提升性能的关键。

WAPE 结果进一步验证合成源不决定最终排名。在 RF 下，OPAQUE 与 PVGIS 的 WAPE 差异都小于 0.5 个百分点，三大领先模型的相对顺序在 RF 和 SFF 中保持一致：TabPFN-TS、Chronos-2、TimesFM 2.5。

OPAQUE 与 PVGIS 的 fidelity 对比也很关键。两者在 Ausgrid 和 PVDAQ 上 WAPE 差距在 2.5 pp以内；OPAQUE 在 DKASC 上比 PVGIS 好 2.5 pp

分队列结果揭示了气候复杂度的影响。在 OPAQUE RF 下，三个领先 TSFM 在干旱清空 DKASC 队列都达到 sub-10% WAPE：TabPFN-TS 9.62%、Chronos-2 9.76%、TimesFM 2.5 9.99%；但在多云 UK-PV 队列上上升到 16.48%–19.42%。在 SFF 下，Chronos-2 在 DKASC、PVDAQ、Ausgrid 三个队列中领先，而 Prophet 因为策略不变性在 UK-PV 上占优。这个结果提示，未来产业部署需要按气候区和站点类型分层评估，而不是只看全局均值。

五、总结与思考

这篇论文对光伏产业的价值在于，把“新站点没有历史数据就难以预测”的问题，转化为“能否构造一段足够可信的合成上下文”。对于运营商来说，投运初期的预测并不只是学术问题，而是影响并网安排、储能调度、收益预估和运维计划的基础能力。论文证明，在不进行目标站点微调的前提下，物理合成历史可以帮助 TSFM 进入可用状态，尤其当真实反馈逐步到来时，TabPFN-TS、Chronos-2、TimesFM 2.5 能快速优于经典基线。

图片来源于原论文

OPAQUE 的意义也不只是替代 PVGIS。它把光伏物理链条、ERA5 气象协变量、电站元数据和 loss priors 显式写出来，避免依赖专有卫星服务，也让不同地区、不同电站假设更可控。论文结果显示，模型性能对 OPAQUE / PVGIS 来源并不敏感，这对产业落地是好消息：企业未必必须拿到最昂贵或最复杂的合成源，关键是能稳定生成一段符合季节性、尺度和天气驱动波动的上下文。

后续更有价值的方向，是把 OPAQUE 这类物理合成数据与少量真实投运数据结合，用于 synthetic-data-driven fine-tuning，并系统比较零样本泛化、站点级适配和 generator-induced bias 之间的取舍。