光电与概念漂移

这部分的论文比较少，且难找。

主要介绍以下三篇论文：

论文一： 《Online prediction of photovoltaic power considering concept drift》

——2023 IEEE Power & Energy Society General Meeting (PESGM)

论文二： 《An adaptive deep learning framework for day-ahead forecasting of photovoltaic power generation 》

——2022 Sustainable Energy Technologies and Assessments

论文三： 《Deep Learning for Load Forecasting with Smart Meter Data: Online Adaptive Recurrent Neural Network》——2021 Applied Energy

论文一

历史研究：

《Frequency-Domain Decomposition and Deep Learning Based Solar PV Power Ultra-Short-Term Forecasting Model》使用了CNN实现对光伏发电低频和高频分量的超短期预测。

《A Graph Neural Network Based Deep Learning Predictor for Spatio-Temporal Group Solar Irradiance Forecasting》通过卷积图神经网络（CGNN）和LSTM捕获光伏预测的关键特征和时间相关性，提高了预测精度。

然而，上述模型的输入输出映射是静态的，将其应用于在线预测时存在挑战。这是因为在线光伏发电功率预测的输入是流数据，其分布会随着环境的动态而变化，导致从历史数据获得的映射可能不再适用。数据分布随时间以不可预见的方式发生变化的现象被称为概念漂移 (CD) ，而 CD 已被确定为概念漂移的来源随着时间的推移，数据驱动模型的准确性不断下降，光伏发电功率预测尚未得到足够的重视。

论文二

历史研究：

过往的论文使用了LSTM和autoencoder等取得了明显进步。

（1）当前的DL模型通常是离线或静止的，这意味着通过周期性地浏览所有历史数据来训练模型一次，然后用于推断未来的光伏输出。

这种方法无法利用新到达的数据可能提供的基本信息，比如一些可以对模型训练产生积极影响的隐藏在新数据中的信息当然，可以通过利用先前的数据和新到达的数据来重新训练模型，但随着数据量的增加，这将产生巨大的计算资源。理想情况下，模型应该能够及时从新到达的数据中学习，而无需重新训练先前的数据。

（2）由于某些不可预见的变化，流数据的基本分布会随着时间的推移而变化，导致所谓的概念漂移。然而，目前的DL模型并没有考虑到这种影响。例如，安装额外的光伏机组和光伏系统的不可预见的光伏机组故障将不可避免地改变数据分布，这导致输入特征变量和输出目标变量之间现有的映射关系崩溃。在存在概念漂移的情况下，传统的深度学习模型的预测性能将显著下降。