人工智能技术在光伏发电输出功率预测领域的研究进展与展望

杨军; 李峰; 武万里

doi:10.19911/j.1003-0417.tyn20250115.01

您当前的位置：

首页 >

文章列表页 >

人工智能技术在光伏发电输出功率预测领域的研究进展与展望

更新时间：2026-03-05

- 人工智能技术在光伏发电输出功率预测领域的研究进展与展望
- Issue 2, Pages: 5-14(2026)
- 作者机构：
  
  1. 宁夏气象服务中心
  2. 国网宁夏电力有限公司
- 作者简介：
- 基金信息：
- DOI：10.19911/j.1003-0417.tyn20250115.01
  CLC： TM615;TP18
- Published：2026
- 稿件说明：
移动端阅览
杨军, 李峰, 武万里. 人工智能技术在光伏发电输出功率预测领域的研究进展与展望[J]. 2026, (2): 5-14.
DOI：

杨军, 李峰, 武万里. 人工智能技术在光伏发电输出功率预测领域的研究进展与展望[J]. 2026, (2): 5-14. DOI： 10.19911/j.1003-0417.tyn20250115.01.

摘要

在光伏发电装机规模逐年增大的背景下，光伏发电的间歇性和随机性对电网的安全运行造成了较大威胁。人工智能技术作为当前科技革命和产业变革的核心动力，在光伏发电输出功率预测方面的应用也愈加受到重视。全面分析了人工智能技术在光伏发电输出功率预测领域的应用现状、研究成果及面临的挑战，并对其在光伏发电输出功率预测领域的发展趋势进行了预测。分析结果显示：1)基于深度学习的光伏发电输出功率预测技术已取得显著的研究成果，能够显著降低预测结果的误差率；基于优化算法改进的光伏发电输出功率预测技术、基于物理和统计方法的光伏发电输出功率预测技术及其他预测技术也在不断进步，通过技术集成提高了预测精度和鲁棒性。2)人工智能技术在光伏发电输出功率预测领域应用中面临的挑战主要体现在大规模数据处理存在局限性、预测模型的泛化能力和适应性有待提高、预测结果的时效性较差、预测模型的透明度和可信度有待提升，以及预测技术和算法需不断创新这5个方面。3)人工智能技术在光伏发电输出功率预测领域应用时的发展趋势主要体现在集成模型、可解释性人工智能技术、实时数据和预测模型动态更新，以及智能光伏发电系统这4个方面。研究结果可为光伏发电输出功率预测技术的进步提供坚实的理论基础和实践指导。

Abstract

关键词

Keywords

references

School of Computer Science and Engineering, Beihang University, Beijing, 100191, China,School of Computer Science and Engineering, Beihang University, Beijing, 100191, China,School of Computer Science and Engineering, Beihang University, Beijing, 100191, China,School of Computer Science, McGill University, Montreal, Canada, H3A2T5,School of Computer Science and Engineering, Beihang University, Beijing, 100191, China,National Institute of Telecommunications (Inatel), 37540-000 Santa Rita do Sapucaí - MG, Brazil.An efficient deep model for day-ahead electricity load forecasting with stacked denoising auto-encoders[J].Journal of Parallel and Distributed Computing,2018.

Chuanjin Yu,Yongle Li,Yulong Bao,Haojun Tang,Guanghao Zhai.A novel framework for wind speed prediction based on recurrent neural networks and support vector machine[J].Energy Conversion and Management,2018.

Jianwu Zeng,Wei Qiao.Short-term solar power prediction using a support vector machine[J].Renewable Energy,2013.

Betul Bektas Ekici.A least squares support vector machine model for prediction of the next day solar insolation for effective use of PV systems[J].Measurement,2014.

田剑刚.基于GRU深度学习的光伏发电超短期功率预测研究[D].华东交通大学,2021(02).

陈嘉铭.基于深度学习和强化学习的光伏发电功率预测研究[D].广东工业大学,2022(01).

王继东,冉冉,宋智林.基于改进深度受限玻尔兹曼机算法的光伏发电短期功率概率预测[J].电力自动化设备,2018(05).

龚莺飞,鲁宗相,乔颖,王强.光伏功率预测技术[J].电力系统自动化,2016(04).

朱瑞金,龚雪娇,张娟娟.基于EEMD-MPE-LSSVM的光伏发电功率预测[J].中国测试,2021(09).

王清亮,杨博,应欣峰,宋曦,高梅.非晴空条件下光伏发电短期功率预测方法[J].太阳能学报,2022(03).

高博,茆超,张冲标,钱伟杰,冯超,朱超.基于时空图网络的分布式光伏发电出力预测[J].电力系统及其自动化学报,2023(03).

李斌,张一凡,颜世烨,叶季蕾.基于改进极限学习机ELM的光伏发电预测方法研究[J].热能动力工程,2022(10).

黄牧涛,邢芳菲,陈兴邦,卢明.基于K-means聚类和极限学习机组合算法的短期光伏功率预测[J].水电能源科学,2024(02).

王东风,刘婧,黄宇,史博韬,靳明月.结合太阳辐射量计算与CNN-LSTM组合的光伏功率预测方法研究[J].太阳能学报,2024(02).

殷豪,李奕甸,谢智锋,于慧,张展,王懿华.混合图神经网络和门控循环网络的短期光伏功率预测[J].太阳能学报,2024(03).

张建辉,滕婕,李秀慧,谭庄熙.基于气象特征和改进Transformer的光伏功率短期预测[J].热能动力工程,2024(08).

郑春晓,赵亚娟,王春,单治易.全球人工智能发展态势——基础技术领域[J].科学观察,2024(04).

陈庆明,廖鸿飞,孙颖楷,曾亚森.基于GWO-GRU的光伏发电功率预测[J].太阳能学报,2024(07).

杨鹏伟,赵丽萍,陈军法,甄钊,王飞,李利明.基于相似时段匹配与Transformer网络建模的分布式光伏超短期功率预测方法[J].中国电力,2024(12).

彭曙蓉,陈慧霞,孙万通,郭丽娟,李彬.基于改进LSTM的光伏发电功率预测方法研究[J].太阳能学报,2024(11).

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

No data

Related Author

No data

Related Institution

No data

AI问答

⁰