徐先峰，蔡路路，张 丽

长安大学 电子与控制工程学院，西安710064

随着大规模的光伏并网，光伏输出功率自身的不稳定性、波动性和间歇性对电网的稳定运行及调度管理带来诸多问题[1-2]。精确的光伏发电预测对于优化电网运行，提高系统可靠性，保证电能质量，提高光伏发电站运行、管理及发电效率具有重大意义[3-4]。

国内外对于光伏发电预测模型的建立进行了大量研究。目前按照预测方式可将光伏发电预测方法分为直接预测和间接预测[5]。前者直接对光伏发电系统的输出功率进行预测，常用的预测模型主要有支持向量机（Support Vector Machine，SVM）[6]、自回归积分滑动平均模型（Autoregressive Integrated Moving Average Model，ARIMA）[7]等；后者先对太阳辐射强度进行预测，再利用发电系统模型预测输出功率，主要有基于数值天气预报预测法[8]、基于云图预测法[9]等。直接预测虽简洁方便，但需基于历史发电数据直接预测输出功率，其准确性依赖于预测算法以及是否有大量准确的历史数据。间接预测对太阳辐射强度和输出功率分别进行建模预测，建模方法具有一定的灵活性，但两个预测模型的建立提高了预测成本，并存在着预测误差叠加的问题。

近年来，深度学习由于其强大的建模能力和显著的预测能力备受关注[10]，也逐渐应用于光伏发电预测之中。目前使用较多的预测模型主要有长短期记忆网络（LSTM）[11]，多层感知器（MLP）[12]和深度信念网络（DBN）[13]。

作为典型的深度学习算法，LSTM在处理与时间序列相关的问题中，如股票预测[14]、负荷预测[15]、风电预测[16]等，均表现出十分优秀的预测性能，已成为评测深度学习新算法性能的参照标准[17]。……