周 楠，徐潇源，严 正，陆建宇，李亚平

（1. 电力传输与功率变换控制教育部重点实验室（上海交通大学）,上海市200240；2. 国家电网公司华东分部,上海市200120；3. 中国电力科学研究院有限公司（南京）,江苏省南京市210003）

0 引言

近年来,以光伏为代表的可再生能源发电迅速发展,在有效缓解能源危机问题的同时,其出力的随机性和波动性也给电网的安全稳定运行带来了挑战［1］。因此,准确预测光伏发电功率的变化趋势有助于调度部门及时调整调度计划,从而降低光伏并网对系统的负面影响。

光伏发电功率预测按照时间尺度可以分为中长期预测（1 月到1 年）、短期预测（4 h 到3 d）和超短期预测（数分钟到4 h）［2-3］,其中超短期预测能够提供光伏出力的实时变化信息,是本文的研究对象。光伏发电预测方法可分为物理方法［4-5］和统计方法［6-11］。统计方法基于光伏的历史数据建立出力波动特征的数学模型,预测精度较高且不需要光伏的详细物理参数,因而在光伏发电预测中得到了广泛应用。文献［6-7］以辐照度等气象数据作为输入变量,分别采用径向基函数（radial basis function,RBF）和反向传播神经网络（back propagation neural network,BPNN）预测光伏发电功率；文献［8］采用极限学习机（extreme learning machine,ELM）进行光伏发电预测,显著缩短了预测模型的训练时间。相比于传统的时间序列模型,上述基于单层前馈神经网络的方法提升了光伏发电预测精度,但在训练时存在欠拟合、易陷入局部最优等问题。

近年来,各类深度学习算法被应用于光伏发电功率预测,以克服单层神经网络的不足。……