基于时空特征提取与跨模态融合的光伏集群功率预测

王健; 刘汇塬; 张占喜; 沈赋; 王开正; 蔡子龙

doi:10.12204/j.issn.1000-7229.2025.11.011

欢迎来到能源电力期刊网！

English Version 读者登录期刊登录

您当前的位置：

首页 >

文章列表页 >

基于时空特征提取与跨模态融合的光伏集群功率预测

新能源与储能 | 更新时间：2025-10-29

- 基于时空特征提取与跨模态融合的光伏集群功率预测
- Power Prediction of Photovoltaic Clusters Based on Spatio-Temporal Feature Extraction and Cross-Modal Fusion
- 电力建设 2025年46卷第11期页码：121-129
- 作者机构：
  
  1.昆明理工大学电力工程学院，昆明市 650500
  2.南方电网电动汽车服务有限公司，广东省深圳市 518000
- 作者简介：
  
  王健（1994），男，博士，讲师，硕士研究生导师，主要研究方向为电力系统可靠性评估与风险预测；
  刘汇塬（2001），女，本科，主要研究方向为新能源发电预测；
  张占喜（1992），男，博士，主要研究方向为新能源发电预测；
  沈赋（1988），男，博士，副教授，硕士研究生导师，通信作者，主要研究方向为综合能源电力系统、新能源电力系统建模，E-mail：shenfu@kust.edu.cn；
  王开正（1988），男，博士，副教授，硕士研究生导师，主要研究方向为人工智能在电力系统中应用；
  蔡子龙（1976），男，博士，副教授，硕士研究生导师，主要研究方向为含电动汽车/新能源入网的电力系统优化调度、电力系统机器学习、电力系统运行与控制。
- 基金信息：
  
  国家自然科学基金项目(52107097);云南省基础研究专项-青年项目(202401AU070148);云南省兴滇英才支持计划项目(KKRD202204021);昆明理工大学高层次人才平台建设项目(KKZ7202004004)
- DOI：10.12204/j.issn.1000-7229.2025.11.011
  中图分类号： TM615
- 收稿：2025-05-30，
  
  修回：2025-09-20，
  
  纸质出版：2025-11-01
- 稿件说明：
移动端阅览
王健,刘汇塬,张占喜等.基于时空特征提取与跨模态融合的光伏集群功率预测[J].电力建设,2025,46(11):121-129.

WANG Jian,LIU Huiyuan,ZHANG Zhanxi,et al.Power Prediction of Photovoltaic Clusters Based on Spatio-Temporal Feature Extraction and Cross-Modal Fusion[J].Electric Power Construction,2025,46(11):121-129.
王健,刘汇塬,张占喜等.基于时空特征提取与跨模态融合的光伏集群功率预测[J].电力建设,2025,46(11):121-129. DOI： 10.12204/j.issn.1000-7229.2025.11.011.

WANG Jian,LIU Huiyuan,ZHANG Zhanxi,et al.Power Prediction of Photovoltaic Clusters Based on Spatio-Temporal Feature Extraction and Cross-Modal Fusion[J].Electric Power Construction,2025,46(11):121-129. DOI： 10.12204/j.issn.1000-7229.2025.11.011.

摘要

目的

光伏功率预测是光伏并网调度与优化中的关键环节。然而，现有预测方法对电站间空间相关性的挖掘不足，尤其在多电站强相关场景下，预测精度仍有待提升。

方法

为此，提出了一种结合时空特征提取和跨模态融合注意力网络（spatio-temporal multi-modal fusion network，ST-MoFNet）的光伏功率预测模型。该模型通过图卷积网络（graph convolutional network，GCN）和时序卷积网络-Informer（temporal convolutional networks-Informer，TCN-Informer）分别从空间和时间维度提取时空特征，并通过跨模态融合注意力网络高效融合多模态信息，捕捉电站间的复杂时空依赖关系。

结果

实验结果表明，ST-MoFNet相比其他模型展现了更优异的预测性能，在1，3，5步预测中均取得最佳效果。平均

（

squared，

）为0.896，准确度提升6%~16%。

结论

ST-MoFNet组合模型通过其在时空特征提取和信息融合方面的优势，有效解决了传统预测方法在集群预测中的不足，显著提高了光伏发电功率预测的准确性和可靠性。

Abstract

Objective

Photovoltaic （PV） power forecasting is a critical component of grid-connected PV dispatch and optimization. However， existing forecasting methods inadequately capture the spatial correlations between power plants， particularly in scenarios with multiple plants exhibiting strong correlations， in which the prediction accuracy remains suboptimal.

Methods

To this end， this study proposes a PV power prediction model， the spatiotemporal multimodal fusion network （ST-MoFNet）， that combines spatiotemporal feature extraction and a cross-modal fusion attention module. The model extracts spatiotemporal features from the spatial and temporal dimensions using a graph convolutional network （GCN） and a temporal convolutional network （TCN-Informer）， respectively， and efficiently fuses multimodal information to capture the complex spatiotemporal dependencies among power plants using a cross-modal fusion attention module.

Results

The experimental results showed that the ST-MoFNet exhibited superior prediction performance compared with the other models， achieving the best results in 1-， 3-， and 5-step predictions. The average R squared （R2） value was 0.896， with a substantial improvement in accuracy of 6–16%.

Conclusions

The combined ST-MoFNet model effectively solved the shortcomings of traditional prediction methods in cluster prediction through its advantages in spatiotemporal feature extraction and information fusion and significantly improved the accuracy and reliability of PV power prediction.

关键词

Keywords

references

国家发展改革委，国家能源局 . 国家发展改革委国家能源局关于印发《“十四五”现代能源体系规划》的通知［EB/OL］.（ 2022 01 - 29 ）［ 2024-02-27 ］. https：//www.gov.cn/zhengce/zhengceku/2022-03/23/content_5680759.htm https://www.gov.cn/zhengce/zhengceku/2022-03/23/content_5680759.htm .

LIU L Y ， ZHAO Y ， CHANG D L ， et al . Prediction of short-term PV power output and uncertainty analysis ［J］. Applied Energy ， 2018 ， 228 ： 700 - 711 .

SHIVASHANKAR S ， MEKHILEF S ， MOKHLIS H ， et al . Mitigating methods of power fluctuation of photovoltaic （PV） sources：a review ［J］. Renewable and Sustainable Energy Reviews ， 2016 ， 59 ： 1170 - 1184 .

ANTONANZAS J ， OSORIO N ， ESCOBAR R ， et al . Review of photovoltaic power forecasting ［J］. Solar Energy ， 2016 ， 136 ： 78 - 111 .

贾凌云，云斯宁，赵泽妮，等 . 神经网络短期光伏发电预测的应用研究进展［J］. 太阳能学报， 2022 ， 43 （ 12 ）： 88 - 97 .

JIA Lingyun ， YUN Sining ， ZHAO Zeni ， et al . Recent progress of short-term forecasting of photovoltaic generation based on artificial neural networks ［J］. Acta Energiae Solaris Sinica ， 2022 ， 43 （ 12 ）： 88 - 97 .

刘甚臻，马超 . 基于小波变换和混合深度学习的短期光伏功率预测［J］. 可再生能源， 2023 ， 41 （ 6 ）： 744 - 749 .

LIU Shenzhen ， MA Chao . Short-term photovoltaic power prediction based on wavelet transform and hybrid deep learning ［J］. Renewable Energy Resources ， 2023 ， 41 （ 6 ）： 744 - 749 .

赵宏程，张志鹏 . 大规模间歇性新能源接入对西藏电网的影响研究［J］. 电力设备管理， 2020 （ 12 ）： 124 - 125， 128 .

ZHAO Hongcheng ， ZHANG Zhipeng . Research on the impact of large-scale intermittent new energy integration on Tibet’s power grid ［J］. Electric Power Equipment Management ， 2020 （ 12 ）： 124 - 125， 128 .

田壁源，李永新，文玉玲，等 . 光伏功率预测技术与方法［J］. 电工技术， 2019 （ 15 ）： 25 - 27 .

TIAN Biyuan ， LI Yongxin ， WEN Yuling ， et al . Technology and method of PV power prediction ［J］. Electric Engineering ， 2019 （ 15 ）： 25 - 27 .

BEHERA M K ， NAYAK N . A comparative study on short-term PV power forecasting using decomposition based optimized extreme learning machine algorithm ［J］. Engineering Science and Technology， an International Journal ， 2020 ， 23 （ 1 ）： 156 - 167 .

张晓珂，张辉，戴小然，等 . 基于层次聚类和BILSTM的光伏短期功率预测模型［J］. 智慧电力， 2024 ， 52 （ 9 ）： 41 - 48 .

ZHANG Xiaoke ， ZHANG Hui ， DAI Xiaoran ， et al . Photovoltaic short-term power forecasting model based on hierarchical clustering & BILSTM ［J］. Smart Power ， 2024 ， 52 （ 9 ）： 41 - 48 .

江卓翰，周胜瑜，何禹清，等 . 基于K-I-ELM多模型集成的分布式光伏出力短期预测方法［J］. 电力科学与技术学报， 2024 ， 39 （ 4 ）： 146 - 152 .

JIANG Zhuohan ， ZHOU Shengyu ， HE Yuqing ， et al . Short-term prediction method of distributed PV output power based on K-I-ELM multi-model integration ［J］. Journal of Electric Power Science and Technology ， 2024 ， 39 （ 4 ）： 146 - 152 .

邹港，赵斌，罗强，等 . 基于PCA-VMD-MVO-SVM的短期光伏输出功率预测方法［J］. 电力科学与技术学报， 2024 ， 39 （ 5 ）： 163 - 171 .

ZOU Gang ， ZHAO Bin ， LUO Qiang ， et al . Prediction method of short-term PV output power based on PCA-VMD-MVO-SVM ［J］. Journal of Electric Power Science and Technology ， 2024 ， 39 （ 5 ）： 163 - 171 .

李庆生，张裕，龙家焕，等 . 基于IMFO-LSTM模型的光伏功率预测研究［J］. 电力科学与技术学报， 2024 ， 39 （ 3 ）： 199 - 206 .

LI Qingsheng ， ZHANG Yu ， LONG Jiahuan ， et al . Photovoltaic power prediction based on IMFO-LSTM model ［J］. Journal of Electric Power Science and Technology ， 2024 ， 39 （ 3 ）： 199 - 206 .

周强，张晓忠，陈久益，等 . 基于遗传算法小波神经网络的光伏电站发电量预测方法［J］. 智慧电力， 2024 ， 52 （ 4 ）： 78 - 84 .

ZHOU Qiang ， ZHANG Xiaozhong ， CHEN Jiuyi ， et al . Power generation forecasting methods of photovoltaic power plants based on genetic wavelet neural network method ［J］. Smart Power ， 2024 ， 52 （ 4 ）： 78 - 84 .

邱书琦，蹇照民，方立雄，等 . 基于变分模态分解和集成学习的光伏发电预测［J］. 智慧电力， 2024 ， 52 （ 3 ）： 32 - 38 .

QIU Shuqi ， JIAN Zhaomin ， FANG Lixiong ， et al . Photovoltaic power generation forecasting based on variational modal decomposition and ensemble learning ［J］. Smart Power ， 2024 ， 52 （ 3 ）： 32 - 38 .

叶洪吉，卫东，郭倩，等 . 基于设计信息的分布式光伏电站预测发电量计算方法［J］. 太阳能学报， 2021 ， 42 （ 4 ）： 253 - 259 .

YE Hongji ， WEI Dong ， GUO Qian ， et al . Calculation method of power generation forecast of distributed pv power station based on design information ［J］. Acta Energiae Solaris Sinica ， 2021 ， 42 （ 4 ）： 253 - 259 .

李余琪，张刚林，甘敏 . 基于函数系数自回归模型的风速时间序列预测［J］. 数学的实践与认识， 2017 ， 47 （ 8 ）： 161 - 166 .

LI Yuqi ， ZHANG Ganglin ， GAN Min . Wind speed prediction based on functional coefficient autoregressive models ［J］. Mathematics in Practice and Theory ， 2017 ， 47 （ 8 ）： 161 - 166 .

陈文进，陈菁伟，钱建国，等 . 气象特征频繁变化区域的光伏功率预测方法［J］. 浙江电力， 2023 ， 42 （ 3 ）： 37 - 46 .

CHEN Wenjin ， CHEN Jingwei ， QIAN Jianguo ， et al . A photovoltaic power prediction method for regions with frequent changes of meteorological characteristics ［J］. Zhejiang Electric Power ， 2023 ， 42 （ 3 ）： 37 - 46 .

SHARADGA H ， HAJIMIRZA S ， BALOG R S . Time series forecasting of solar power generation for large-scale photovoltaic plants ［J］. Renewable Energy ， 2020 ， 150 ： 797 - 807 .

PIERI E ， KYPRIANOU A ， PHINIKARIDES A ， et al . Forecasting degradation rates of different photovoltaic systems using robust principal component analysis and ARIMA ［J］. IET Renewable Power Generation ， 2017 ， 11 （ 10 ）： 1245 - 1252 .

时培明，郭轩宇，杜清灿，等 . 基于TCN-BiLSTM-Attention-ESN的光伏功率预测［J］. 太阳能学报， 2024 ， 45 （ 9 ）： 304 - 316 .

SHI Peiming ， GUO Xuanyu ， DU Qingcan ， et al . Photovoltaic power prediction based on TCN-BiLSTM-Attention-ESN ［J］. Acta Energiae Solaris Sinica ， 2024 ， 45 （ 9 ）： 304 - 316 .

王舒雨，李豪，马刚，等 . 基于TCN和DLinear的光伏发电功率多步预测模型［J］. 电力建设， 2025 ， 46 （ 4 ）： 173 - 184 .

WANG Shuyu ， LI Hao ， MA Gang ， et al . Multistep prediction model for photovoltaic power generation based on time convolution and DLinear ［J］. Electric Power Construction ， 2025 ， 46 （ 4 ）： 173 - 184 .

张家安，王琨玥，陈建，等 . 基于空间相关性的分布式光伏出力预测［J］. 电力建设， 2020 ， 41 （ 3 ）： 47 - 53 .

ZHANG Jiaan ， WANG Kunyue ， CHEN Jian ， et al . Research on prediction of distributed photovoltaic output considering spatial relevance ［J］. Electric Power Construction ， 2020 ， 41 （ 3 ）： 47 - 53 .

赵如意，王晓辉，郑碧煌，等 . 基于特征优化和混合改进灰狼算法优化BiLSTM网络的短期光伏功率预测［J］. 电网技术 . 2025 ， 49 （ 1 ）： 209 - 222 .

ZHAO Ruyi ， WANG Xiaohui ， ZHENG Bihuang ， et al . Short-term photovoltaic power prediction based on feature optimization and hybrid improved grey wolf algorithm-optimized BiLSTM network ［J］. Power System Technology . 2025 ， 49 （ 1 ）： 209 - 222 .

文贤馗，何明君，张俊玮，等 . 基于K均值聚类的光伏集群发电功率超短期预测研究［J］. 电力系统保护与控制， 2025 ， 53 （ 12 ）： 165 - 172 .

WEN Xiankui ， HE Mingjun ， ZHANG Junwei ， et al . Research on ultra-short-term power forecasting of photovoltaic clusters based on K-means clustering ［J］. Power System Protection and Control ， 2025 ， 53 （ 12 ）： 165 - 172 .

朱涛，李俊伟，朱元富，等 . 基于LSTM和误差修正的光伏发电短期功率预测［J］. 哈尔滨理工大学学报， 2025 ， 30 （ 2 ）： 122 - 130 .

ZHU Tao ， LI Junwei ， ZHU Yuanfu ， et al . Short-term power prediction of photovoltaic power generation based on LSTM and error correction ［J］. Journal of Harbin University of Science and Technology ， 2025 ， 30 （ 2 ）： 122 - 130 .

王玲芝，李晨阳，刘婧，等 . 基于GRO-SSA-LSTM的短期光伏发电功率预测［J］. 太阳能学报， 2025 ， 46 （ 2 ）： 401 - 409 .

WANG Lingzhi ， LI Chenyang ， LIU Jing ， et al . Short term photovoltaic power prediction based on gro-ssa-lstm ［J］. Acta Energiae Solaris Sinica ， 2025 ， 46 （ 2 ）： 401 - 409 .

陈船宇，熊国江，方厚康，等 . 基于MODWT-CEEMDAN-LSTM的短期光伏功率区间预测模型［J］. 太阳能学报， 2025 ， 46 （ 2 ）： 416 - 424 .

CHEN Chuanyu ， XIONG Guojiang ， FANG Houkang ， et al . Short-term photovoltaic power interval prediction model based on modwt-ceemdan-lstm ［J］. Acta Energiae Solaris Sinica ， 2025 ， 46 （ 2 ）： 416 - 424 .

GONG M J ， YAN C C ， XU W ， et al . Short-term wind power forecasting model based on temporal convolutional network and Informer ［J］. Energy ， 2023 ， 283 ： 129171 .

赵雪锋，张宇宁，詹巍，等 . 基于TCN-Informer的多源融合虚拟最优气象源光伏功率预测［J］. 水力发电， 2025 ， 51 （ 3 ）： 97 - 104， 124 .

ZHAO Xuefeng ， ZHANG Yuning ， ZHAN Wei ， et al . Photovoltaic power prediction based on TCN-informer and multi-source fusion of virtual optimal weather sources ［J］. Water Power ， 2025 ， 51 （ 3 ）： 97 - 104， 124 .

WANG Y H ， ZHANG C ， FU Y Y ， et al . Hybrid solar radiation forecasting model with temporal convolutional network using data decomposition and improved artificial ecosystem-based optimization algorithm ［J］. Energy ， 2023 ， 280 ： 128171 .

冯秀坤，刘国通，李占峰，等 . 基于CNN-BiLSTM-Attention的光伏功率预测模型［J］. 电工技术， 2025 （ 4 ）： 50 - 52， 57 .

FENG Xiukun ， LIU Guotong ， LI Zhanfeng ， et al . Forecasting of photovoltaic power generation model based on CNN-BiLSTM-attention ［J］. Electric Engineering ， 2025 （ 4 ）： 50 - 52， 57 .

VENKATESWARAN D ， CHO Y . Efficient solar power generation forecasting for greenhouses： a hybrid deep learning approach ［J］. Alexandria Engineering Journal ， 2024 ， 91 ： 222 - 236 .

李豪，马刚，李天宇，等 . 基于时空相关性的短期光伏出力预测混合模型［J］. 电力系统及其自动化学报， 2024 ， 36 （ 5 ）： 121 - 129 .

LI Hao ， MA Gang ， LI Tianyu ， et al . Hybrid model for short-term photovoltaic output prediction based on spatiotemporal correlation ［J］. Proceedings of the CSU-EPSA ， 2024 ， 36 （ 5 ）： 121 - 129 .

张亮，周立洋，徐晓春，等 . 一种基于GCN的光伏短期出力预测方法研究［J］. 太阳能学报， 2024 ， 45 （ 8 ）： 289 - 294 .

ZHANG Liang ， ZHOU Liyang ， XU Xiaochun ， et al . Research on short-term PV output prediction method based on gcn ［J］. Acta Energiae Solaris Sinica ， 2024 ， 45 （ 8 ）： 289 - 294 .

刘运超，杨宁，崔承刚，等 . 基于时空信息的区域内光伏电站功率预测［J］. 科学技术与工程， 2023 ， 23 （ 34 ）： 14596 - 14602 .

LIU Yunchao ， YANG Ning ， CUI Chenggang ， et al . Power prediction of regional photovoltaic plants based on spatio-temporal information ［J］. Science Technology and Engineering ， 2023 ， 23 （ 34 ）： 14596 - 14602 .

YU Y J ， HU G P . Short-term solar irradiance prediction based on spatiotemporal graph convolutional recurrent neural network ［J］. Journal of Renewable and Sustainable Energy ， 2022 ， 14 （ 5 ）： 053702 .

ZHUANG W ， LI Z H ， WANG Y ， et al . GCN–informer： a novel framework for mid-term photovoltaic power forecasting ［J］. Applied Sciences ， 2024 ， 14 （ 5 ）： 2181 .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

考虑光伏出力间歇性的微电网故障辨识方法

高倍聚光与双轴平板发电经济性分析

大规模电池储能系统PCS拓扑结构分析

光伏电站监控系统方案设计