Method of AI-Assisted Photovoltaic Power Forecasting for Peak Regulation

doi:10.12388/j.issn.1673-2677.2025.03.004

Xinjiang Oil & Gas ›› 2025, Vol. 21 ›› Issue (3): 31-40.DOI: 10.12388/j.issn.1673-2677.2025.03.004

• NEW ENERGY • Previous Articles Next Articles

Method of AI-Assisted Photovoltaic Power Forecasting for Peak Regulation

YANG Xiaoya¹，CHEN Xiangyu^1，2，HAN Leitao^1，3，WANG Keqin^1，4，QIU Xiaolong^1，5，ZHU Peiwang¹，XIAO Gang¹

1.Zhejiang University，Hangzhou 310027，Zhejiang，China； 2.PetroChina Xinjiang Oilfield Company，Karamay 834000，Xinjiang，China； 3.Haining Product Quality Inspection Institute （Zhejiang Solar Product Quality Inspection Center），Haining 314400，Zhejiang， China； 4.China Huaneng Group Clean Energy Technology Research Institute Co.，Ltd.，Changping 102209，Beijing，China；5.Qingshan Lake Energy Research Base，Zhejiang University，Hangzhou 311305，Zhejiang，China

Received:2025-05-28 Revised:2025-08-04 Accepted:2025-08-10 Online:2025-09-05 Published:2025-09-05
Contact: XIAO Gang

面向调峰需求的AI辅助光伏发电预测方法

杨小丫¹，陈香玉^1，2，韩雷涛1^，3，王柯钦1^，4，仇晓龙^1，5，祝培旺¹，肖刚¹

1.浙江大学，浙江杭州 310027； 2.中国石油新疆油田分公司，新疆克拉玛依 834000； 3.海宁市产品质量检验检测所（浙江省太阳能产品质量检验中心），浙江海宁 314400； 4.中国华能集团清洁能源技术研究院有限公司，北京昌平 102209；5.浙江大学青山湖能源研究基地，浙江杭州 311305

通讯作者: 肖刚
作者简介:杨小丫（1999-），浙江大学能源动力专业在读博士，目前从事多能互补能源系统中的数据驱动建模与人工智能方法研究。（E-mail）12427157@zju.edu.cn
基金资助:
浙江省市场监督管理局科技计划项目“光伏电热耦合热水系统综合性能测试研究”（ZD2025020）；嘉兴市科技计划项目“电热联产联储一体化光储系统技术研究”（2025AC034）。

Abstract

Abstract:

With the increasing penetration of photovoltaic （PV） generation into power systems，the randomness and uncertainty of its output have raised higher requirements for the flexible peak regulation capability of grids. To offer more accurate predicted scenarios and facilitate　flexibility oriented dispatch，an intelligent method integrating fuzzy clustering，similar day extraction，and probabilistic prediction was developed. Highly correlated meteorological variables including temperature，humidity，global horizontal irradiance，and tilted irradiance were first identified using the Pearson correlation coefficient. Fuzzy C-means （FCM） clustering was then applied to classify weather types. Feature weights were determined using the CRITIC method，and similar days within each weather category were extracted based on weighted Euclidean distance to construct a high quality training dataset. A quantile regression long short-term memory （QRLSTM） network was subsequently employed to perform short-term probabilistic forecasting of PV output. Simulation results demonstrated that the proposed approach achieved high prediction accuracy　across various weather conditions，with confidence interval coverage rates exceeding 90% and significantly reduced confidence interval ranges compared to those of benchmark models. It was concluded that the proposed method effectively enhances the reliability and robustness of PV power prediction and provides high quality scenario support for uncertainty aware dispatch in multi-energy complementary systems.

摘要：

随着光伏发电在电力系统中渗透率的持续提升，其出力的随机性与不确定性对电网的灵活调峰能力提出了更高要求。为灵活调峰提供更加精准可靠的预测场景与支撑，提出一种融合模糊聚类、相似日提取与概率预测的智能预测方法。首先，基于皮尔逊相关系数筛选与光伏出力密切相关的气象特征变量，包括温度、湿度、总水平辐照度和倾斜辐照度；随后，采用模糊C均值（FCM）算法对天气类型进行聚类并基于CRITIC方法确定气象变量权重，通过加权欧氏距离在同类天气中提取相似日，构建高质量训练样本；最终，利用结合分位数回归的长短期记忆神经网络（QRLSTM）实现光伏功率的短期概率预测。仿真实验结果表明，该方法在典型晴天、阴天、间歇性多云等多种天气条件下均实现了高精度的预测性能，预测区间置信覆盖率超过90%，平均区间宽度显著低于传统方法，展现出良好的稳定性和泛化能力。研究结论表明，该方法可有效提升光伏功率预测的可信度与鲁棒性，可为多能互补系统中的调度优化提供高质量的不确定性场景支撑。

CLC Number:

YANG Xiaoya, CHEN Xiangyu, HAN Leitao, WANG Keqin, QIU Xiaolong, ZHU Peiwang, XIAO Gang. Method of AI-Assisted Photovoltaic Power Forecasting for Peak Regulation[J]. Xinjiang Oil & Gas, 2025, 21(3): 31-40.

杨小丫, 陈香玉, 韩雷涛, 王柯钦, 仇晓龙, 祝培旺, 肖刚. 面向调峰需求的AI辅助光伏发电预测方法[J]. 新疆石油天然气, 2025, 21(3): 31-40.

References

［1］张彦菊，石兵波，赵娇燕，等.中国石油新能源电力系统［J］.新疆石油天然气，2022，18（2）：21-25.

ZHANG Yanju，SHI Bingbo，ZHAO Jiaoyan，et al. New energy power system of PetroChina［J］. Xinjiang Oil & Gas，2022，18（2）：21-25.

［2］金伟勇，卢丽娜，赖欢欢，等.基于功率特征的K-ISSA-LSTM光伏功率预测［J］.太阳能学报，2024，45（2）：429-434.

JIN Weiyong，LU Lina，LAI Huanhuan，et al. K-ISSA-LSTM photovoltaic power prediction based on power characteristic［J］. Acta Energiae Solaris Sinica，2024，45（2）：429-434.

［3］龙小慧，秦际赟，张青雷，等.基于相似日聚类及模态分解的短期光伏发电功率组合预测研究［J］.电网技术，2024，48（7）：2948-2957.

LONG Xiaohui，QIN Jiyun，ZHANG Qinglei，et al. Short-term photovoltaic power prediction study based on similar day clustering and modal decomposition［J］. Power System Technology，2024，48（7）：2948-2957.

［4］常青松，杨昭，杨熠辉，等.基于相似日聚类的超短期光伏功率组合预测模型［J］.热力发电，2023，52（11）：123-131.

CHANG Qingsong，YANG Zhao，YANG Yihui，et al. Ultrashort term photovoltaic power combinatorial forecasting model based on similar day clustering［J］. Thermal Power Generation，2023，52（11）：123-131.

［5］赵唯嘉，张宁，康重庆，等.光伏发电出力的条件预测误差概率分布估计方法［J］.电力系统自动化，2015（16）：8-15.

ZHAO Weijia，ZHANG Ning，KANG Chongqing，et al. A method of probabilistic distribution estimation of conditional forecast error for photovoltaic power generation［J］. Automation of Electric Power Systems，2015（16）：8-15.

［6］高岩，吴汉斌，张纪欣，等.基于组合深度学习的光伏功率日前概率预测模型［J］.中国电力，2024，57（4）：100-110.

GAO Yan，WU Hanbin，ZHANG Jixin，et al.Day-ahead probabilistic PV power forecasting model based on combined deep learning［J］.Electric Power，2024，57（4）：100-110.

［7］张宏伟，张振东.大规模风电场并网系统次同步振荡研究综述［J］.通信电源技术，2020，37（7）：267-269.

ZHANG Hongwei，ZHANG Zhendong. A review of sub-synchronous oscillation in large-scale wind-electrical field grid-connected systems［J］.Telecom Power Technologies，2020，37（7）：267-269.

［8］Zhao C F，Wan C，Song Y，et al. Optimal nonparametric prediction intervals of electricity load［J］. IEEE Transactions on Power Systems，2020，3 5（3）：2467-2470.

［9］Huang C，Kuo P. Multiple-input deep convolutional neural network model for short-term photovoltaic power forecasting［J］. IEEE Access，2019，7：74822-74834.

［10］Qu J，Qian Z，Pei Y. Day-ahead hourly photovoltaic power forecasting using attention-based CNN-LSTM neural network embedded with multiple relevant and target variables prediction pattern［J］. Energy，2021，232.

［11］杨国华，张鸿皓，郑豪丰，等.基于相似日聚类和IHGWO-WNN-AdaBoost模型的短期光伏功率预测［J］.高电压技术，2021，47（4）：1185-1194.

YANG Guohua，ZHANG Honghao，ZHENG Haofeng，et al. Short-term photovoltaic power forecasting based on similar weather clustering and IHGWO-WNN-AdaBoost modal ［J］. High Voltage Engineering，2021，47（4）：1185-1194.

［12］许芬.基于自适应变分模态分解的光储混合系统功率波动平抑机制研究［D］.浙江大学，2023.

XU Fen. Research on power fluctuation smoothing mechanism of photovoltaic storage hybrid system based on self-adaptive variational mode decomposition［D］. Zhejiang，Hangzhou：Zhejiang University，2023.

［13］薛阳，李金星，杨江天，等.基于相似日分析和改进鲸鱼算法优化LSTM网络模型的光伏功率短期预测［J］.南方电网技术，2024，18（11）：97-105.

XUE Yang，LI Jinxing，YANG Jiangtian，et al. Short-term prediction of photovoltaic power based on similar day analysis and improved whale algorithm to optimize LSTM network model［J］. Southern Power System Technology，2024，18（11）：97-105.

［14］毕锐，丁明，徐志成，等.基于模糊C均值聚类的光伏阵列故障诊断方法［J］.太阳能学报，2016，37（3）：730-736.

BI Rui，DING Ming，XU Zhicheng，et al. PV array fault diagnosis based on FCM［J］. Acta Energiae Solaris Sinica，2016，37（3）：730-736.

［15］黄博阳，何肖蒙，肖小兵，等.基于FCM-WS-BP的光伏日前出力预测研究［J］.控制工程，2023，30（12）：2254-2260.

HUANG Boyang，HE Xiaomeng，XIAO Xiaobing，et al. Research of photovoltaic day-ahead output power prediction based on FCM-WS-BP［J］. Control Engineering of China，2023，30（12）：2254-2260.

［16］李练兵，张佳，韩静楠等.基于Elman理论的光伏阵列短期功率预测方法研究［J］.太阳能学报，2017，38，（6）：1560-1565.

LI Lianbing，ZHANG Jia，HAN Jingnan，et al. Short-term PV power forecast research of PV array based on Elman algorithm［J］.Acta Energiae Solaris Sinica，2017，38（6）：1560-1565.

［17］李超然，潘鹏程，杨伟荣，等.基于改进相似日优化HBA-BiLSTM-KELM的光伏发电功率预测［J］.太阳能学报，2024，45（5）：508-516.

LI Chaoran，PAN Pengcheng，YANG Weirong，et al. Research on PV system power prediction based on improved similar day and HBA-BiLSTM-KELM neural network［J］. Acta Energiae Solaris Sinica，2024，45（5）：508-516.

［18］段双明，吕腾飞，李军徽，等.基于改进TOPSIS-ANP-CRITIC的共享储能全寿命周期效益评估［J］.储能科学与技术，2025，14（3）：1210-1223.

DUAN Shuangming，LV Tengfei，LI Junhui，et al. Life cycle benefit evaluation of shared energy storage based on improved TOPSIS-ANP-CRITIC model［J］. Energy Storage Science and Technology，2025，14（3）：1210-1223.

［19］杨丽，吴雨茜，王俊丽，等.循环神经网络研究综述［J］.计算机应用，2018，38（S2）：1-6.

YANG Li，WU Yuqian，WANG Junli，et al. Research on recurrent neural network research［J］. Journal of Computer Applications，2018，38（S2）：1-6.

［20］He Y，Xu Q，Wan J，et al. Short-term power load probability density forecasting based on quantile regression neural network and triangle kernel function［J］. Energy，2016，114：498-512.

［21］李丹，张远航，杨保华，等.基于约束并行LSTM分位数回归的短期电力负荷概率预测方法［J］.电网技术，2021，45（4）：1356-1364.

LI Dan，ZHANG Yuanhang，YANG Baohua，et al. Short time power load probabilistic forecasting based on constrained parallel-LSTM neural network quantile regression mode［J］. Power System Technology，2021，45（4）：1356-1364.

［22］王晓东，鞠邦国，刘颖明，等.基于QR-NFGLSTM与核密度估计的风电功率概率预测［J］.太阳能学报，2022，43（2）：479-485.

WANG Xiaodong，JU Bangguo，LIU Yingming，et al. Probability prediction of wind power based on QR-NFGLSTM and kernel density estimation［J］. Acta Energiae Solaris Sinica，2022，43（2）：479-485.

［23］王开艳，杜浩东，贾嵘，等.基于相似日聚类和QR-CNN-BiLSTM模型的光伏功率短期区间概率预测［J］.高电压技术，2022，48（11）：4372-4388.

WANG Kaiyan，DU Haodong，JIA Rong，et al. Short-term interval probabilistic prediction of photovoltaic power based on similar daily clustering and QR-CNN-BiLSTM model［J］. High Voltage Engineering，2022，48（11）：4372-4388.

［24］Zhang Y，Wang J，Wang X. Review on probabilistic forecasting of wind power generation［J］. Renewable and Sustainable Energy Reviews，2014，32：255-270.

［25］万灿，崔文康，宋永华.新能源电力系统概率预测：基本概念与数学原理［J］.中国电机工程学报，2021，41（19）：6493-6509.

WAN Can，CUI Wenkang，SONG Yonghua. Probabilistic forecasting for power systems with renewable energy sources：Basic concepts and mathematical principles［J］. Proceedings of the CSEE，2021，41（19）：6493-6509.

［26］应浩天，何旭，樊玉新，等.面向区域电网光伏调峰的火光储系统优化调度［J］.太阳能学报，2025，46（6）：49-57.

YING Haotian，HE Xu，FAN Yuxin，et al. Optimal scheduling of thermal-PV-storage system for regional power grid photovoltaic peak shaving ［J］. Acta Energiae Solaris Sinica，2025，46（6）：49-57.

Method of AI-Assisted Photovoltaic Power Forecasting for Peak Regulation

面向调峰需求的AI辅助光伏发电预测方法

PDF (PC)

Knowledge

Abstract

Cite this article

share this article

References

Related Articles 0

Recommended Articles

Metrics