基于两阶段级联模型的光伏功率群体预测方法

A Two-Stage Cascaded Model for Group Photovoltaic Power Forecasting

谢宇辰孙玉玺耿光超江全元 · 高电压技术 · 2025年7月 · Vol.51

光伏发电的不确定性与波动性使得准确预测成为提升系统效率的关键挑战。相较于单站点预测，群体预测可提升整体精度，有助于省级电网的电力电量平衡。本文提出一种两阶段级联模型：第一阶段结合数值天气预报，采用混合神经网络对各站点独立进行短期光伏功率预测；第二阶段利用全连接层建立单站与群体预测间的映射关系，在保留第一阶段特征的基础上优化整体预测性能。实验结果表明，该方法较单站点预测误差降低近1%，且训练时间短于单一模型，验证了其优越的预测性能。

解读: 该两阶段级联光伏功率预测技术对阳光电源iSolarCloud智能运维平台具有重要应用价值。第一阶段的混合神经网络可集成到SG系列逆变器的本地MPPT优化算法中，结合NWP数据实现单站点精准预测；第二阶段的群体映射模型可部署于省级电网侧的PowerTitan大型储能系统，通过全连接层建立多站点协同预测...