本研究评估了六种机器学习和深度序列模型（包括 PatchTST、GRU、N-HITS 和 LightGBM）在数值天气预报 (NWP) 预报误差下的光伏功率预测鲁棒性。作者提出了一种使用虚拟光伏功率来隔离输入不确定性传播的物理约束鲁棒性评估框架。

  • 在中等至高扰动条件下，序列模型表现出比表格型 LightGBM 基线更强的噪声过滤和时间韧性。
  • 扰动是同方差的，由晴空条件和 Erbs 重建调节，以保持辐射一致性。
  • SHAP 和积分梯度分析揭示了特征重新分配的趋势，即模型将依赖从损坏的未来预报转移到稳定的历史观测值和确定性物理先验。
  • 对准确性、鲁棒性和计算延迟的帕累托分析为在预报不确定性下的模型选择提供了工程启示。

这些发现转化为评估鲁棒性和选择在面对时间相关和物理耦合 NWP 误差时保持性能的模型的实用指南。