计及NWP相似日的MHA-LSTM光伏发电超短期功率预测

叶建盈; 刘昭启; 李洲辰; 林波; 刘磊; 陈颖婷

doi:doi:10.19912/j.0254-0096.tynxb.2024-1857

English Version Journal Login

您当前的位置：

首页 >

文章列表页 >

计及NWP相似日的MHA-LSTM光伏发电超短期功率预测

更新时间：2026-03-06

- 计及NWP相似日的MHA-LSTM光伏发电超短期功率预测
- Vol. 47, Issue 2, Pages: 132-139(2026)
- 作者机构：
- 作者简介：
- 基金信息：
- DOI：doi:10.19912/j.0254-0096.tynxb.2024-1857
  CLC： TM615
- Online First：05 March 2026，
  
  Published：05 March 2026
- 稿件说明：
移动端阅览
叶建盈, 刘昭启, 李洲辰, et al. 计及NWP相似日的MHA-LSTM光伏发电超短期功率预测[J]. 2026, 47(2): 132-139.
DOI：

叶建盈, 刘昭启, 李洲辰, et al. 计及NWP相似日的MHA-LSTM光伏发电超短期功率预测[J]. 2026, 47(2): 132-139. DOI： doi:10.19912/j.0254-0096.tynxb.2024-1857.

摘要

针对光伏发电领域中使用历史数据进行超短期功率预测精度不足的问题

提出一种融合数值天气预报（NWP）相似日与多头注意力-长短期记忆网络（MHA-LSTM）的超短期光伏发电功率预测方法。采用相关系数法分析光伏发电功率与气象信息的内在联系

梳理历史数据中与光伏发电功率高度相关的气象因素

构建关键气象信息的变量矩阵并进行分段处理

以便进行更为精细的相似日分析。引入多头自注意力机制以自动捕捉NWP数据中所蕴含的复杂函数关系

并利用长短期记忆神经网络（LSTM）对经多头自注意力机制增强后的数据信息进行处理以得到更为准确的超短期预测结果。最后

选取多种不同天气类型对算法的预测精确度展开对比分析

实验结果显示所提出的预测方法相较于传统算法

在预测精度上实现显著提升

验证了该方法的有效性和准确性。

Abstract

To address the issue of insufficient accuracy in ultra-short-term power prediction using historical data in the field of photovoltaic power generation

an ultra-short-term PV power prediction method is proposed

which integrates numerical weather prediction （NWP） similarity day and multi-head attention-long and short-term memory network （MHA-LSTM）. The correlation coefficient method is used to analyze the inherent relationship between PV power and meteorological information

combing the meteorological factors that are highly correlated with PV power in the historical data

constructing the variable matrix of key meteorological information

and carrying out the segmentation process in order to carry out a more fine-grained analysis of similar days. A multi-head self-attention mechanism is introduced to automatically capture the complex functional relationships embedded in the NWP data

and the data information enhanced by the multi-head self-attention mechanism is processed by using a long- and short-term memory neural network （LSTM） to obtain more accurate ultrashort-term prediction results. Finally

a number of different weather types are selected to compare and analyze the prediction accuracy of the algorithm

and the experimental results show that the prediction method proposed in this paper achieves a significant improvement in prediction accuracy compared with the traditional algorithm

which verifies the effectiveness and accuracy of the method.

关键词

Keywords

references

史丹. 中国能源安全结构研究[M]. 北京: 社会科学文献出版社, 2015.

崔杨, 张汇泉, 仲悟之, 等. 考虑需求响应的含光热电站可再生能源高渗透率电力系统多源优化调度[J]. 高电压技术, 2020, 46(5): 1486-1496.

董存, 王铮, 白捷予, 等. 光伏发电功率超短期预测方法综述[J]. 高电压技术, 2023, 49(7): 2938-2951.

KAPLANI E, KAPLANIS S.A stochastic simulation model for reliable PV system sizing providing for solar radiation fluctuations[J]. Applied energy, 2012, 97: 970-981.

SARKAR S, AJJARAPU V.MW resource assessment model for a hybrid energy conversion system with wind and solar resources[J]. IEEE transactions on sustainable energy, 2011, 2(4): 383-391.

MANDAL P, MADHIRA S T S, HAQUE A U, et al. Forecasting power output of solar photovoltaic system using wavelet transform and artificial intelligence techniques[J]. Procedia computer science, 2012, 12: 332-337.

丁明, 鲍玉莹, 毕锐. 应用改进马尔科夫链的光伏出力时间序列模拟[J]. 电网技术, 2016, 40(2): 459-464.

袁晓玲, 施俊华, 徐杰彦. 计及天气类型指数的光伏发电短期出力预测[J]. 中国电机工程学报, 2013, 33(34): 57-64, S8.

王倩, 张智晟, 王帅, 等. 基于PSO-RNN的光伏发电功率预测研究[J]. 青岛大学学报(工程技术版), 2014, 29(4): 40-43.

王东风, 刘婧, 黄宇, 等. 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, 45(2): 443-450.

陈龙, 张菁, 张昊立, 等. 基于VMD和射箭算法优化改进ELM的短期光伏发电预测[J]. 太阳能学报, 2023, 44(10): 135-141.

王福忠, 王帅峰, 张丽. 基于VMD-LSTM与误差补偿的光伏发电超短期功率预测[J]. 太阳能学报, 2022, 43(8): 96-103.

徐先峰, 刘阿慧, 陈雨露, 等. 基于气象因素充分挖掘的BiLSTM光伏发电短期功率预测[J]. 计算机系统应用, 2020, 29(7): 205-211.

陈通, 孙国强, 卫志农, 等. 基于相似日和CAPSO-SNN的光伏发电功率预测[J]. 电力自动化设备, 2017, 37(3): 66-71.

孟安波, 陈嘉铭, 黎湛联, 等. 基于相似日理论和CSO-WGPR的短期光伏发电功率预测[J]. 高电压技术, 2021, 47(4): 1176-1184.

肖心园, 江冰, 任其文, 等. 基于插值法和皮尔逊相关的光伏数据清洗[J]. 信息技术, 2019, 43(5): 19-22, 28.

贾科, 杨哲, 魏超, 等. 基于斯皮尔曼等级相关系数的新能源送出线路纵联保护[J]. 电力系统自动化, 2020, 44(15): 103-111.

张姗, 冬雷, 纪德洋, 等. 基于NWP相似性分析的超短期光伏发电功率预测[J]. 太阳能学报, 2022, 43(4): 142-147.

闫雄, 段跃兴, 张泽华. 采用自注意力机制和CNN融合的实体关系抽取[J]. 计算机工程与科学, 2020, 42(11): 2059-2066.

张圆梦, 李少波, 周鹏, 等. 基于多头注意力机制的残差网络深度学习推荐模型[J]. 计算机与数字工程, 2024, 52(7): 1955-1958, 1965.

VASWANI A, SHAZEER N, PARMAR N, et al.Attention is all you need[C]//Proceedings of the 31st International Conference on Neural Information Processing Systems. Long Beach, California, USA,2017: 6000-6010.

LEZMI E, XU J L.Time series forecasting with transformer models and application to asset management[J]. SSRN electronic journal, 2023:1-44.

HOCHREITER S, SCHMIDHUBER J.Long short-term memory[J]. Neural computation, 1997, 9(8): 1735-1780.

王涛, 王旭, 许野, 等. 计及相似日的LSTM光伏出力预测模型研究[J]. 太阳能学报, 2023, 44(8): 316-323.

李俊卿, 李秋佳. 基于Kriging和长短期记忆网络的风电功率预测方法[J]. 太阳能学报, 2020, 41(11): 241-247.

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

基于改进相空间重构和多通道卷积-FPN网络的光伏功率短期预测

基于分季节相似日聚类和Stacking集成学习的超短期光伏功率预测

融合PCC-LSTM-XGBoost的中长期光伏功率预测模型

基于HGS-VMD-ENN的光伏发电功率超短期混沌预测模型

基于气象分类的超短时光伏发电预测模型

Related Author

赵欣

罗嘉宾

姜安琦

胡皓

马宇坤

张淑清

李忠文

李海洋

Related Institution

School of Electrical Engineering, Southwest Jiaotong University

School of Electromechanical Engineering, Guangdong University of Technology

School of mechanical engineering, Dongguan University of Technology

Guangdong Intelligent Robotics Institute

Institute of Photo-Electronics Thin Film Devices and Technology of College of Electronic Information and Optical Engineering of Nankai University

AI问答

⁰