Page 149 - 《中国电力》2026年第5期

杨超颖等：基于深度学习的集中式光伏电站在线增量功率预测方法 2026 年第 5 期

原始数据集包含 22 个特征。在神经网络训练 E MA 、均方根误差（root mean square error，RMSE）
过程中，冗余协变量会增加训练复杂度，而低相 E RMS 、 决 定 系 数 R 及 相 关 系 数 （ correlation coeff-
2
关性特征则会降低预测精度。本研究将光伏发电 icient，Cor）p Co r 作为评价指标。MAE 计算误差绝
功率设为模型训练的输出变量。为筛选出相关性 对 值 的 平 均 值 ， 消 除 了 误 差 方 向 性 对 结 果 的 影
较高的输入变量，采用轻量级梯度提升机（light 响，可直观反映误差大小。RMSE 为预测值与实
gradient boosting machine，LightGBM）算法评估其 际值差值平方的平均值的平方根，能有效捕捉误
余 21 个特征与输出变量之间的相关性。 差的整体分布特征，且对较大误差具有较高敏感

2
LightGBM 是一种基于决策树的算法，通过节 性。R 量化模型的拟合程度。Cor 衡量预测值与
点分裂过程中的信息增益评估特征重要性。选取 实际值之间的线性相关程度。各指标计算公式为
重要性得分排名前 11 的特征用于后续模型训练，剔 1 n ∑
E MA = |ˆy i −y i | （2）
除信息价值较低的特征，以减少数据冗余并缓解 n
i=1
过拟合问题。所选输入特征包括：归一化地球外辐
v
t n ∑
射（normalized extraterrestrial radiation，ETRn）、温 E RMS = 1 (ˆy i −y i ) 2 （3）
n
度（temperature）、方位角（azimuth angle，AZM）、 i=1
全 球 倾 斜 辐 照 度 （ global tilted irradiance， GTI） 、 n ∑
(ˆy i −y i ) 2
散射水平辐照度（diffuse horizontal irradiance，DHI）、
2 i=1
R = 1− （4）
地 球 外 辐 射 （ extraterrestrial radiation， ETR） 、 直 n ∑
(y i − ¯y) 2
接法向辐照度（direct normal irradiance，DNI）、太
i=1
阳天顶角（solar zenith angle，SZA）、全球水平辐 ∑ ( )
(y i − ¯y) ˆy i − ˆy ¯
照度（global horizontal irradiance，GHI）、计算散 p Cor = （5）
√∑ √ ∑( )
射水平辐照度（DHI calculated）及风速（wind speed， (y i − ¯y) 2 ˆ y i − ˆy ¯ 2
WD）。其中 GTI 指单位面积上倾斜放置的光伏
组件接收的太阳总辐射量，是直接影响光伏组件 式中： ˆ y i为第 i 个数据点的光伏功率预测值； y i 为
第 i 个数据点的光伏功率实际值；n 为光伏功率数
光生伏特效应的核心因素。DNI 指垂直于太阳入
据点的总数； ¯为预测值的平均值； ¯ y为实际值的
射方向的单位面积接收的直接辐射量，其值直接 ˆ y
决定光伏组件的最大理论输出功率。SZA 指太阳 平均值。

光线与光伏组件表面法线的夹角。光伏组件的输 2.3 配置与模型参数
出功率具有负温度系数，当组件温度高于标准测 PTER 模型采用 Python 语言及深度学习库 PyTorch
试条件 25 ℃ 时，温度每升高 1 ℃，功率输出约下 构建，运行环境为 Python 3.9 与 PyTorch 2.5.0，并
降 0.4%~0.6%，因此温度是修正功率预测值的关 使用 NVIDIA GeForce RTX 4050 GPU 加速网络模型
键参数。 的训练与测试。为保证比较的公平性，采用网格

2.2 光伏模块建模 搜索策略对 PatchTST、Transformer、Informer、Auto-
为保证评价的一致性与不同模型间比较的公 former 等所有对比模型的超参数分别进行优化。
平性，所有用于性能评估的目标值均采用最小-最 该超参数调优方法可全面探索参数空间，同时通
大 归 一 化 方 法 进 行 标 准 化 处 理 。 归 一 化 后 时 刻 过早停机制降低计算成本，实现搜索效率与优化
t 光伏模块的值 x 为 精度的平衡。PTER 模型的超参数配置如表 1 所示，
′
t
x t − x min 各对比模型核心最优超参数配置如表 2 所示。
′
x = （1）

t
x max − x min
式中： x t 为原始光伏功率值； x min 与 x max 分别为光 3 仿真结果与讨论
伏功率的最小值与最大值。
为全面评估预测性能的准确性与稳健性，本 为验证所提 PTER 模型在集中式光伏电站在
研究采用平均绝对误差（mean absolute error，MAE） 线功率预测任务中的有效性，本研究设计 3 类实

145