Page 151 - 《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

实际值； 依赖关系的丢失。
15 000 PTER方法；
PatchTST方法；
Transformer方法； 3）针对云层快速遮挡、短时暴雨等突发性天
Informer方法；
Autoformer方法 气事件，模型通过多尺度特征提取与动态参数更
光伏发电功率/W 整预测策略。
10 000
新，能够快速响应环境因素的剧烈变化，及时调
5 000
参考文献：

0 [1] 王帅, 贾东梨, 刘科研, 等. 适应高比例光伏接入的有源配电网改进
7月25日 7月26日 7月27日 7月28日 7月29日 7月30日 7月31日 8月01日 型故障保护策略 [J]. 中国电力, 2026, 59(1): 105–114.

2024年
WANG Shuai, JIA Dongli, LIU Keyan, et al. Improved fault
时间/15min
protection strategy for active distribution networks adapting to high
图 1 不同方法下模型精度衰减趋势
proportion photovoltaic access[J]. Electric Power, 2026, 59(1):
Fig. 1 The trend of model accuracy attenuation under
different methods 105–114.
35.7%，但仅通过样本回放无法完全保留历史模式 [2] 贾东梨, 任昭颖, 刘科研, 等. 计及多种分布式能源的多端直流配电
的特征映射关系。而 PTER 模型通过样本+响应的 网故障电流计算方法 [J]. 中国电力, 2026, 59(1): 84–96.
双记忆机制，两轮更新后的累计衰减率仅为 18.1%， JIA Dongli, REN Zhaoying, LIU Keyan, et al. Fault current
其中子集 2—子集 3 更新后的衰减率为 11.4%，显 calculation method for multi-terminal DC distribution networks
著低于子集 1—子集 2 更新后的衰减率 7.6%，这 considering multiple distributed generation[J]. Electric Power, 2026,
一现象表明随着缓冲区中历史知识的积累，模型 59(1): 84–96.
的知识保留能力逐步增强，验证了 DER++机制的 [3] 孙怡文, 邢海军, 梅丘梅, 等. 计及风电-光伏出力相关性的新型电
有效性。 力系统可靠性评估 [J]. 浙江电力, 2025, 44(9): 13–20.
从图 1 的精度衰减趋势可看出，所有模型的 SUN Yiwen, XING Haijun, MEI Qiumei, et al. Reliability
精度衰减均呈现先快后慢的规律，但 PTER 模型 assessment of modern power systems accounting for the correlation
的衰减曲线始终处于最高位，且在第三轮更新后 of wind-PV output correlation[J]. Zhejiang Electric Power, 2025,
逐渐趋于平稳，MAE 稳定在 0.090 左右，说明模 44(9): 13–20.
型已形成对不同季节光伏功率模式的稳定记忆， [4] 王芊瑞, 阮景昕, 王跃社. 考虑风、光出力时空相关性的电-氢协同
能够在适应新数据的同时，有效避免历史知识的 储能系统经济性优化调度研究 [J]. 综合智慧能源, 2025, 47(12):
丢失，这对长期在线预测场景具有重要工程意义。 34–45.

WANG Qianrui, RUAN Jingxin, WANG Yueshe. Economic optimal
4 结论 scheduling of electricity-hydrogen coordinated energy storage system
considering spatiotemporal correlation of wind and photovoltaic
针对集中式光伏电站在线功率预测中数据动 power outputs[J]. Integrated Intelligent Energy, 2025, 47(12): 34–45.
态演变导致模型性能衰减与模型更新引发灾难性 [5] 郎益涛, 黄美珑, 吴沂林, 等. 光伏配储系统多场景优化调度策略研
遗忘两大核心问题，提出了一种在线增量多变量 究 [J]. 湖南电力, 2025, 45(2): 30–35.
时间序列预测模型，主要研究结论如下。 LANG Yitao, HUANG Meilong, WU Yilin, et al. Research on multi-
1）所提模型有效解决了数据动态演变导致的 scenario optimal scheduling strategy of photovoltaic distribution and
预测性能衰减问题，精准捕捉了光伏功率的多尺 storage system[J]. Hunan Electric Power, 2025, 45(2): 30–35.
度周期性特征，并通过自注意力机制挖掘了气象 [6] 李旭涛, 周洋, 常启诚, 等. 考虑电制氢辅助的配电网两阶段电压优
变量与功率间的动态依赖关系。 化控制方法 [J]. 中国电力, 2026, 59(2): 81–89.
2）所提模型对气象数据与功率数据对应的参 LI Xutao, ZHOU Yang, CHANG Qicheng, et al. Two-stage voltage
数分别施加弹性权重，避免了更新过程中多变量 optimization control method for hydrogen-production-assisted

147