基于深度学习与数据重构的超短期太阳能发电预测
机器学习
2025-09-23 v1 人工智能
摘要
随着绿色能源转型的推进，太阳能发电的整合程度不断提高。太阳能发电的间歇性特征对电网稳定性和能源调度构成挑战，因此，对 ultra-short-term（超短期）的太阳能发电预测具有至关重要的意义，以便更好地适应和支持分布式且波动性大的太阳能发电在能源系统中的渗透。在本文中，我们提出了一种基于深度学习的超短期太阳能发电预测方法，并引入数据重构。我们对预测数据进行分解，以便充分探索数据中是否存在的空间与时间依赖性。特别地，我们采用改进经验模型分解带自适应噪声（CEEMDAN）将数据重构为低频和高频成分。我们将气象数据与这两个成分相结合，并采用深度学习模型来捕捉针对目标预测周期的长期和短期依赖性。如此一来，我们过度利用历史数据中的特征来预测超短期的太阳能发电。此外，由于超短期预测容易陷入局部最优，我们修改了深度学习训练中的优化方式，通过对长预测间隔进行惩罚来实现改进。 diverse 设置的数值实验表明，与基准模型相比，所提出的方法在数据重构方面实现了更好的泛化，并在超短期太阳能发电预测中实现了更高的预测准确性。
引用
@article{arxiv.2509.17095,
title = {Ultra-short-term solar power forecasting by deep learning and data reconstruction},
author = {Jinbao Wang and Jun Liu and Shiliang Zhang and Xuehui Ma},
journal= {arXiv preprint arXiv:2509.17095},
year = {2025}
}