韩璐，宋海亮，宋佳，刘太豪

(西南石油大学电气信息学院，四川 成都 610500)

因光伏发电自身带有特殊的间歇特性以及波动特性，当含有大量分布式光伏微电源并入电网时，会使电网的安全性能和经济性能遭受巨大的挑战[1-2]。光伏发电会因当时的天气情况不断变化，因此具有很大的不确定性，会给调度过程带来一定的影响[3]。精准的预测方法能够有效地避免出现诸如光伏出力造成的配电网损耗增加[4]等问题。

目前，针对光伏发电功率预测的精度问题，在国内外被越来越多的学者研究，并取得了一定的成果。李乐等[5]针对传统预测算法在突变天气条件下预测精度较低的问题，提出基于近邻传播聚类和回声状态网络的组合算法，通过近邻传播网络状态方程进行光伏出力预测的方法。张程熠等[6]提出了一种适用于双层神经网络小样本的单步光伏预测方法，有效减少对训练样本数量的需求，同时保证预测的准确度。李练兵等[7]提出一种采用Elman神经网络算法，结合与预测日同日类型下整点时刻的气象数据和光伏输出功率数据，建立光伏发电短期功率预测模型，但是因其并没有考虑到更多的真实天气情况，从而使预测的效果和精度欠佳。文献[8-10]都是基于深度学习对光伏发电预测进行了研究，但是就影响因素方面，并没有涉及天气情况。

本文考虑更全面的天气信息对光伏发电预测精度的影响，加入特征提取的方法，寻找光伏发电在天气数据中影响因素的主要组成成分。……