基于物理信息综合历史的时间序列基础模型用于冷启动光伏预测

在调试时，光伏 (PV) 运营商必须在目标站点观测可用之前预测产量，这限制了标准监督预测器的直接使用。这种冷启动设置通过零样本管道来解决，该管道根据植物元数据和气象协变量生成合成生产历史，使时间序列基础模型 (TSFM) 能够通过推理时间条件进行预测。五个 TSFM 在严格的冷启动基线、真实反馈和自我预测反馈策略下与经典基线进行基准测试。该评估涵盖 440的光伏站点，涵盖四个数据集和不同的气候状况。协变量感知基础模型的性能优于基线约 $1.7-2倍$：TabPFN-TS 在真实反馈下实现了最低误差（MAE $0.514$，RMSE $0.721$ $kWh$ ${kWp}^{-1}$ ${d}^{-1}$），而 Chronos-2 在自我预测反馈下最稳健。性能在很大程度上对合成历史源不敏感，这表明准确性更多地由合理的时间上下文的可用性驱动，而不是由特定的生成器驱动。