晨光
暗夜
晨光
极光
Bilingual Paper Reading · 中英对照精读

AutoPV：自动设计你的光伏功率预测模型

准大一 · 电气工程 × 新能源 × AI+电力 —— 光伏功率预测精读材料
原文：arXiv:2408.00601 2024年8月1日发布 arXiv 预印本（cs.LG） 光伏预测 × 神经架构搜索 × 自动建模 附英文摘要朗读音频

一、论文档案

英文标题AutoPV: Automatically Design Your Photovoltaic Power Forecasting Model
中文标题AutoPV：自动设计你的光伏功率预测模型
作者陈大尹, 施晓丹, 蒋明坤, 张浩然, 张东晓, 陈云天, 严晋跃（香港理工大学等）
发布时间2024年8月1日（v1）｜分类：cs.LG（机器学习）
原文链接arxiv.org/abs/2408.00601　·　全文 HTML 版
一句话概括把「挑模型、搭网络」这件事本身自动化：用神经架构搜索（NAS）在 250 万个候选架构里自动找出最适合你那个光伏预测任务的结构——不需要你是深度学习专家。
💡 为什么选这篇给你：① 概念超亲民——「AI 自动帮你设计 AI 模型」，跟 AutoML 一脉相承；② 把 NAS（神经架构搜索）从图像领域搬到时间序列/光伏领域，是「迁移创新」的典范；③ 数字故事完整：约 2.5×10⁶ 个候选架构、4.52% 与 9.88% 的性能提升，还有大庆光伏电站的真实数据。

二、核心术语表（先扫一遍再读正文）

英文术语中文大白话解释
PVPF (Photovoltaic Power Forecasting)光伏功率预测根据历史功率和气象特征，预测未来光伏能发多少电。
TSF (Time Series Forecasting)时间序列预测按时间顺序的数据（如逐小时功率）的未来值预测，是数据挖掘的经典问题。
NAS (Neural Architecture Search)神经架构搜索让算法自动搜索、组装神经网络结构，替代人工设计。
search space搜索空间所有「可选的积木」和「搭法」的集合，NAS 只在这个范围内找答案。
evaluator评估器给每个候选架构「打分」（训练后看精度）的组件。
search strategy搜索策略用什么算法在搜索空间里「逛」（如贝叶斯优化、进化算法）。
MoBananasMoBananas本文用的多目标优化搜索算法（Bananas 的升级版），同时优化精度与模型规模。
SOTA (state-of-the-art)最先进水平当前该任务上表现最好的方法/模型。
Informer / Autoformer / FEDformerTransformer 系时序模型把注意力机制用在时间序列上的三个代表性模型。
DLinear / TSMixer非 Transformer 时序模型近年证明「简单结构也能很强」的时序模型，是强基线。
MLP / CNN / LSTM / TCN经典深度学习模型多层感知机、卷积网络、长短期记忆、时序卷积网络。
seasonal-trend decomposition季节-趋势分解把序列拆成季节成分、趋势成分、残差分别处理，Autoformer 等模型的思路。
frequency domain频域把信号按频率分解（如傅里叶变换），FEDformer 的思路。
data granularity / scale / distribution数据粒度 / 规模 / 分布数据的时间分辨率（小时/分钟）、数据量、统计规律——都影响模型选型。
knowledge graph知识图谱把领域知识组织成「实体—关系」网络，本文用它梳理 PVPF 建模知识。
multi-objective optimization多目标优化同时优化多个（有时互相冲突的）目标，如「精度最高」和「模型最小」。

三、摘要中英对照（精读核心）

🎧 音频在文末，可先听一遍原文再读；每个英文句都配了逐句翻译。

摘要 Abstract

EN · 原文
Photovoltaic power forecasting (PVPF) is a critical area in time series forecasting (TSF), enabling the efficient utilization of solar energy.
CN · 翻译
光伏功率预测（PVPF）是时间序列预测（TSF）中的关键领域，它使太阳能得以被高效利用。
EN · 原文
With advancements in machine learning and deep learning, various models have been applied to PVPF tasks.
CN · 翻译
随着机器学习和深度学习的进步，各种模型已被应用于 PVPF 任务。
EN · 原文
However, constructing an optimal predictive architecture for specific PVPF tasks remains challenging, as it requires cross-domain knowledge and significant labor costs.
CN · 翻译
然而，为特定 PVPF 任务构建最优预测架构仍然困难重重，因为它需要跨领域知识和大量人力成本。
EN · 原文
To address this challenge, we introduce AutoPV, a novel framework for the automated search and construction of PVPF models based on neural architecture search (NAS) technology.
CN · 翻译
为应对这一挑战，我们提出 AutoPV——一个基于神经架构搜索（NAS）技术、自动搜索与构建 PVPF 模型的新框架。
EN · 原文
We develop a brand new NAS search space that incorporates various data processing techniques from state-of-the-art (SOTA) TSF models and typical PVPF deep learning models.
CN · 翻译
我们开发了一个全新的 NAS 搜索空间，融入了最先进（SOTA）TSF 模型和典型 PVPF 深度学习模型的多种数据处理技术。
EN · 原文
The effectiveness of AutoPV is evaluated on diverse PVPF tasks using a dataset from the Daqing Photovoltaic Station in China.
CN · 翻译
AutoPV 的有效性在中国大庆光伏电站的数据集上、针对多样化的 PVPF 任务进行了评估。
EN · 原文
Experimental results demonstrate that AutoPV can complete the predictive architecture construction process in a relatively short time, and the newly constructed architecture is superior to SOTA predefined models.
CN · 翻译
实验结果表明：AutoPV 能在相对较短的时间内完成预测架构的构建过程，且新构建的架构优于 SOTA 预定义模型。
EN · 原文
This work bridges the gap in applying NAS to TSF problems, assisting non-experts and industries in automatically designing effective PVPF models.
CN · 翻译
本工作弥合了 NAS 应用于 TSF 问题的空白，帮助非专家和工业界自动设计有效的光伏预测模型。

关键词 Keywords：Photovoltaic Power Forecasting 光伏功率预测 ｜ Neural Architecture Search 神经架构搜索 ｜ Time Series Forecasting 时间序列预测 ｜ AutoML 自动机器学习

四、引言精选（为什么这个问题重要）

① 光伏预测是什么、为什么难

EN · 原文
Photovoltaic (PV) power forecasting (PVPF) involves predicting future PV power generation based on historical power data and corresponding weather features. The variable and non-controllable nature of PV power generation necessitates precise forecasting, which is crucial for maintaining grid balance and offering technical assistance during trading activities [1].
CN · 翻译
光伏功率预测（PVPF）就是根据历史功率数据与相应天气特征预测未来的光伏发电量。光伏出力多变且不可控，因此精准预测至关重要——它是维持电网平衡、为电力交易提供技术支撑的关键。

② 深度学习大军：从 MLP 到 TCN，再到 Transformer 系

EN · 原文
With the advent of deep learning, technologies such as Multi-Layer Perceptron (MLP) [2], Convolutional Neural Networks (CNN) [3], Long Short-Term Memory (LSTM) [4], and Temporal Convolutional Network (TCN) [5] have been extensively applied in the field of PVPF. Even in physics-based PVPF models, deep learning has been leveraged in various applications, such as enhancing numerical weather prediction (NWP) [6] and sky image analysis [7]. These advancements highlight the growing mainstream adoption of deep learning techniques in the field of PVPF.
CN · 翻译
随着深度学习兴起，MLP、CNN、LSTM、TCN 等已被广泛应用于 PVPF；即使在基于物理的 PVPF 模型里，深度学习也被用于增强数值天气预报（NWP）和天空图像分析。这些进展表明深度学习技术在 PVPF 领域正日益成为主流。

③ 模型太多，选择太难——外行根本没法下手

EN · 原文
Given the plethora of PVPF models available, a significant challenge lies in selecting an optimal model for a specific task. This issue is particularly challenging for non-experts and industries, as building a PVPF model requires expertise across multiple domains such as Energy Engineering and Computer Science. Factors including data granularity, data scale, and data distribution can significantly impact the final model design, thus making the model design process a non-trivial endeavor. A model that performs excellently on one task may not perform as well on another, which can lead to suboptimal decision-making and introduce various risks.
CN · 翻译
面对海量 PVPF 模型，为特定任务选最优模型是个大挑战——对非专家和工业界尤其难，因为搭模型需要能源工程 + 计算机科学的跨领域知识。数据粒度、规模、分布都会显著影响模型设计；在 A 任务上表现优异的模型在 B 任务上可能不行，导致次优决策和风险。

④ NAS 三要素：搜索空间、评估器、搜索策略

EN · 原文
Neural Architecture Search (NAS) [15] is an emerging technology aimed at automating the process of model structure discovery and design, which can address the aforementioned issue. It comprises three fundamental elements: the search space, the evaluator, and the search strategy. The search space encompasses a variety of module choices that can be assembled into a cohesive architecture. The search strategy employs a specific algorithm to navigate through and combine these modules, with the goal of identifying an optimal architecture. Meanwhile, the evaluator is tasked with rating each generated architecture.
CN · 翻译
神经架构搜索（NAS）是自动化模型结构发现与设计的新兴技术，包含三个基本要素：搜索空间（可组装的模块集合）、搜索策略（用什么算法遍历组合模块）、评估器（给每个生成架构打分）。

⑤ 为什么 NAS 还没用在时序上：TSF 模型「拆不开」

EN · 原文
However, despite the significant advancements in NAS for many years, there has been limited exploration of NAS specifically for TSF tasks. Instead, most current NAS efforts are predominantly focused on visual tasks. This focus is largely due to the relatively straightforward nature of vision model components, such as convolutional and pooling layers, which lack complex interdependencies and can be seamlessly integrated with other standard modules, including linear layers, activation functions, and softmax layers. In contrast, TSF models are often cohesive, indivisible entities with distinct design principles. For instance, some TSF models employ seasonal-trend decomposition [13, 11, 12, 16], while others analyze data in the frequency domain [17, 18].
CN · 翻译
然而，NAS 发展了多年，却很少用在 TSF 任务上——大部分 NAS 都聚焦视觉任务，因为视觉模型组件（卷积层、池化层等）简单、无复杂依赖、能无缝拼接。相比之下，TSF 模型常常是「拆不开的整体」：有的用季节-趋势分解，有的在频域分析数据，设计理念各不相同，难以拆成模块。

⑥ AutoPV 登场：250 万个候选架构任你挑

EN · 原文
In this study, we introduce AutoPV, a novel NAS system for the automated search and design of predictive architectures tailored to specific PVPF tasks. We construct a novel NAS search space that encompasses various typical data processing techniques from state-of-the-art (SOTA) TSF models, as well as the foundational deep learning models commonly used in PVPF tasks. This meticulously designed search space encompasses four different stages with twelve optional parameters, enabling the exploration of approximately 2.5 × 10^6 potential architectures.
CN · 翻译
本文提出 AutoPV——面向特定 PVPF 任务的自动搜索与设计 NAS 系统。我们构建了一个全新搜索空间，囊括 SOTA TSF 模型与 PVPF 常用基础模型的典型数据处理技术；该搜索空间包含四个阶段、十二个可选参数，可探索约 2.5 × 10⁶（250 万）个潜在架构。

⑦ 实验设置与结果：大庆电站，最多提升 9.88%

EN · 原文
To evaluate the effectiveness of AutoPV, we designed two distinct PVPF tasks: one utilizing only historical data and the other incorporating future weather information. These tasks further encompass six sub-tasks with different forecasting lengths, ranging from half a day ahead to one month ahead. All the evaluation experiments were conducted using the dataset from the Daqing PV Station in China, covering the period from 2022 to 2023. Experimental results show that AutoPV exhibits outstanding performance across different PVPF tasks compared to other benchmarks.
CN · 翻译
为评估 AutoPV，我们设计了两类 PVPF 任务：只用历史数据与加入未来天气信息；每类又含六个不同预测长度的子任务，从半天前到一个月前。全部实验使用中国大庆光伏电站2022–2023 年的数据集。结果表明 AutoPV 在各 PVPF 任务上均优于其他基准。
💡 这是全文最有味道的一句：“TSF models are often cohesive, indivisible entities with distinct design principles.”——做 NAS 的人面对图像可以「乐高式」拼模块，但时序模型是「一个整体」：分解派、频域派各有各的哲学。AutoPV 的难点与贡献，都在于把「拆不开」的东西设计成可搜索的积木。

五、论文贡献（3 个要点）

EN · 原文
1. 知识图谱与搜索空间。 We construct a detailed knowledge graph and NAS search space for the domains of PVPF. This helps address the research gap in the automated design of effective PVPF models.
CN · 翻译
1. 知识图谱与搜索空间。为 PVPF 领域构建详细的知识图谱与 NAS 搜索空间，填补了 PVPF 模型自动设计的研究空白。
EN · 原文
2. AutoPV 系统。 Based on the constructed search space, we develop an automated PVPF model design system called AutoPV, which can assist non-experts in searching for effective models for specific PVPF tasks.
CN · 翻译
2. AutoPV 系统。基于所构建的搜索空间，开发了自动化 PVPF 模型设计系统 AutoPV，帮助非专家为特定任务搜索有效模型。
EN · 原文
3. 全面实验验证。 We conduct extensive experiments on a PV power dataset from the Daqing Photovoltaic Station in China to demonstrate the effectiveness of AutoPV across various PVPF tasks and provide a comprehensive analysis of its characteristics. Results show the new searched architecture improves performance by 4.52% compared to the best baseline model. Furthermore, when incorporating future weather information, it could boosts the improvement by 9.88%.
CN · 翻译
3. 全面实验验证。在大庆光伏电站数据集上开展大量实验：新搜索出的架构相比最佳基线模型性能提升 4.52%；加入未来天气信息后，提升幅度可达 9.88%。

六、结论中英对照

EN · 原文
In this study, we propose AutoPV, an NAS-based framework designed to automatically search and construct efficient TSF models for specific PVPF tasks. We develop a novel search space that incorporates many state-of-the-art TSF and PVPF models. Utilizing a multi-objective optimization method named MoBananas, we search for the best-performing architecture while also controlling the model scale. To the best of our knowledge, this is the first work that bridges the gap between NAS and TSL tasks. Extensive experiments demonstrate the efficiency and effectiveness of AutoPV across various PVPF tasks. In future work, we plan to expand the search space and include more valuable modules to further enhance the performance of AutoPV.
CN · 翻译
本文提出 AutoPV——一个基于 NAS、自动搜索并构建特定 PVPF 任务高效 TSF 模型的框架。我们开发了融入众多 SOTA TSF/PVPF 模型的新搜索空间，并用名为 MoBananas 的多目标优化方法搜索最优架构，同时控制模型规模。据我们所知，这是首个弥合 NAS 与时序预测任务之间空白的工作。大量实验证明了 AutoPV 在各类 PVPF 任务上的效率与有效性。未来工作将扩展搜索空间、纳入更多有价值的模块，以进一步提升 AutoPV 的性能。
📝 编者注：结论中 "bridges the gap between NAS and TSL tasks" 的 "TSL" 为原文笔误（应为 TSF，Time Series Forecasting），此处保留原文照录。

七、编者解读：这篇论文到底讲了什么（大白话版）

  1. 问题：光伏预测模型多如牛毛——Informer、Autoformer、DLinear……但「选哪个、怎么搭」非常吃经验，非专家根本无从下手。而且不同任务（预测半天 vs 一个月）适合的模型还不一样。
  2. 做法：AutoPV 把「模型设计」变成「搜索问题」。它先建一个巨大的「积木箱」（搜索空间：四个阶段、十二个参数，约 250 万个组合），再让算法（MoBananas，多目标优化）自动试错组合，用评估器打分，最后挑出最优架构。
  3. 难点：为什么 NAS 之前很少用于时序？因为图像模型像乐高、能随意拼接；而时序模型是「整体设计」（分解派、频域派各有哲学），拆成积木很难——AutoPV 的关键贡献就是把这个「拆」做成了。
  4. 结果：在大庆光伏电站 2022–2023 数据上，覆盖「半天→一个月」六种预测长度：只用历史数据时提升 4.52%，加上未来天气信息提升 9.88%，而且构建速度快。
  5. 意义：让「非专家」也能拥有专家级的模型设计能力——这是 AutoML 愿景在新能源领域的一次落地。
🎯 对保研的启示：这篇论文展示了一种「二阶创新」——不直接造新模型，而是造一个「自动造模型的系统」。复试时若能讲清「为什么时序模型难拆、搜索空间怎么设计、多目标怎么权衡」，比背几个模型名更有分量。

八、给准大一的阅读路线图 & 延伸方向

📖 怎么读这篇论文（三遍法）

  1. 第一遍（10 分钟）：只读摘要和术语表，回答三个问题——问题是什么？方法是什么？结果是什么？（答案：选模型太难；NAS 自动搜索；大庆数据上提升 4.52%/9.88%。）
  2. 第二遍（20 分钟）：读引言 + 结论，重点体会「为什么 TSF 模型拆不开」和「NAS 三要素（搜索空间/评估器/搜索策略）」。
  3. 第三遍（30 分钟）：读方法文字部分（搜索空间四阶段、MoBananas 算法），跳过公式和引用编号，只看文字描述；遇到不懂的术语（如 seasonal-trend decomposition）回查术语表。

🚀 这个方向你能延伸做什么

九、英文摘要朗读（练听力用）

先盲听一遍→再看对照稿→再听一遍。目标是听出每个数字（2.5 × 10^6、4.52%、9.88%）和术语（NAS、search space、PVPF、TSF、SOTA、architecture）。