宋绍剑，李博涵

（广西大学 电气工程学院，广西 南宁530004）

0 引言

由于光伏发电功率具有随机性和波动性等特性，因此，大规模光伏发电并网会造成电网功率剧烈波动，严重影响了电网系统的安全稳定运行以及调度规划[1]。精准预测光伏发电功率有利于电网调度人员合理调整发电计划、维护电力系统的稳定运行。

目前，光伏发电功率预测方法有两种，分别为基于物理模型的直接预测方法和基于历史数据的间接预测方法[2]，[3]。直接预测方法主要依托天气数值或气象云图等信息预测发电功率，所用的模型有天气数值模型[4]、地基云图模型[5]以及天气数值与云量图像相结合的预测模型[6]等。直接预测方法需要准确的天气预报信息、电站地理信息和大量的天空图像信息，且对采集设备和采集方式有较高的要求，导致该预测方法的鲁棒性较差。同时，直接预测方法所用模型具有无法获取时间相关性信息、缺少对历史数据的记忆能力等缺点。间接预测方法包括时间序列法[7]、回归分析法[8]等统计方法和人工神经网络[9]、支持向量机[10]等人工智能方法。间接预测方法能够克服直接预测方法对物理机理掌握不足等困难，适用于光伏短期、超短期功率预测。长短期记忆（Long Short-term Memory，LSTM）网络是一种具有时序记忆功能的递归神经网络（Recurrent Neural Networks，RNN），将其应用到光伏发电功率预测领域成为当前的研究热点。文献[11]首次将LSTM网络应用到光伏发电功率预测中，分析结果表明，加入具有记忆能力的神经网络能够有效提高预测精度。……