基于深度学习的光伏发电功率预测.pdf

中文摘要

随着可再生能源的快速发展，光伏发电作为清洁能源的代表之一，已成为全球

能源领域的重要组成部分。然而，光伏发电的波动性和间歇性给电网的稳定性和安

全性带来了挑战。因此，准确预测光伏发电功率对于优化电力系统的运行、提高能

源利用效率以及实现可持续发展目标至关重要。但传统的预测方法难以准确捕捉光

伏发电系统复杂的非线性动态特性，且对太阳辐射、气象因素的复杂影响关系理解

不够深入。此外，现有方法在处理不同时间尺度下的预测问题时预测精度不高。

LongShort-Term

为了解决上述问题，本文提出了一种基于长短期记忆网络（

Memory，LSTM）和改进的Transformer（iTransformer）的光伏功率预测模型

LSTM-iTransformer。该模型融合了LSTM和iTransformer，充分利用了历史功率数

据、天气条件等关键影响因素，并考虑了不同时间尺度下的预测需求。通过对真实

光伏发电系统数据的实验验证，结果表明该模型在短期和中期预测任务中均取得了

优于传统方法和其他深度学习模型的性能，具有较高的预测精度和稳定性。

1LSTMiTransformer

本文的主要贡献包括：（）提出了一种融合和的光伏发电

功率预测模型，即LSTM-iTransformer模型，有效捕捉光伏发电功率与环境因素间的

复杂非线性关系。其中，LSTM模块捕捉光伏功率预测时间序列数据的长期依赖，

iTransformer模块处理光伏功率预测多变量数据并捕捉变量之间的复杂关系。最后通

过将两者的表征输入到多层感知机（MultilayerPerceptron，MLP），综合利用光伏功

2

率预测的时序信息和多变量的相关性信息，从而提高预测的准确性。（）针对不同

3

时间尺度的预测需求，设计了相应的对比实验；（）在真实光伏发电系统数据上通

过MAE、RMSE和MAPE指标进行了全面的实验评估，并通过与单一LSTM和

iTransformer等算法对比分析验证了所提出模型的优越性能。本研究为光伏发电功率

预测提供了一种新的思路和方法，对于提高光伏发电系统运行效率、支持电网调度

决策具有一定现实意义。

LSTMiTransformer

关键词：光伏发电；功率预测；深度学习；；

I

ABSTRACT

Withtherapiddevelopmentofrenewableenergy,photovoltaicpowergeneration,as

oneoftherepresentativesofcleanenergy,hasbecomeanimportantcomponentofthe

globalenergyfield.However,thestochasticfluctuationandintermittencyofphotovoltaic

powergenerationposechallengestothestabilityandsafetyofthepowergrid.Therefore,

accuratepredictionofphotovoltaicpowergenerationiscrucialforoptimizingthe

operationofthepowersystem,improvingenergyutilizationefficiency,andachieving