光伏产业作为可再生能源领域的核心组成部分，其功率输出受周期性与随机性气象因素共同影响，精准的超短期光伏功率预测对保障电力系统安全稳定运行至关重要。传统光伏功率预测方法的物理模型虽可解释性较强，但精度受数据质量限制且计算复杂度高；传统基于人工智能的功率预测方法大多依赖气象模式预测数据，存在次网格尺度物理过程描述不准、初始条件设定偏差等问题，且较少结合光伏场站历史气象观测与功率数据，难以满足光伏场站对新能源出力的应用需求。因此，本研究提出一种融合光伏场站实测的与机理/AI模型预测的气象、功率等多元数据的混合深度学习模型，以实现对超短期光伏功率的更精准预测。

本研究以多个光伏场站为研究对象，采用光伏场站历史和实发的气象和功率数据，融合气象模式和AI模型预测的背景场数据，提出了基于混合 CNN-Transformer 与 CNN-BiLSTM 的超短期光伏功率预测方法（图1）。该方法首先利用CNN-BiLSTM单步预测模型生成未来24小时短期功率序列；然后将站点前 4 小时实测气象数据与历史功率数据与之匹配，输入CNN-Transformer多步预测模型，同时采用TPE优化超参数，实现高精度超短期预测。该方法在多个光伏场站的测试中表现突出（图2）：与仅依赖气象模式数据的 “Model Only” 相比，所提出的混合模型平均绝对误差（MAE）降低 16.7%、均方根误差（RMSE）降低 27.4%；此外，该模型对稳定天气下的功率峰值预测更精准，对日出日落时间的判断更贴合实际。特征组合试验表明（表1），加入与功率强正相关的辐射变量及温度、能见度等基础气象变量，可进一步提升超短期预测精度。模型无需修改结构，仅需输入新区域的历史气象观测、历史光伏功率与气象模式数据并调整模型超参数即可适配，具备强可迁移性。相比传统方法，该方法解决了气象模式数据精度不足导致的预测偏差问题，在超短期预测精度与场景适应性上优势显著，为电力系统新能源调度优化与光伏电站高效运营提供了可靠技术支撑。

图 1 用于超短期预测的混合CNN+Transformer和CNN+BiLSTM模型的核心概念图

图 2 光伏站点A的Model Only和混合CNN-Transformer与CNN-BiLSTM的超短期预报

表 1 不同特征组合超短期校正前后评价指标对比

(Group1仅包含ssrd与ssr两个与出力相关性最高的辐射变量；Group2增加云，温度，能见度及风场即mcc,tcc,t2m,vis,ws,wd的特征；Group3增加tsr, tsrc, ssrc, fdir, cdir等与出力强正相关的辐射变量; Group4增加str, ttr, ttrc, strc等与出力呈弱负相关的辐射变量)

以上研究成果已授权国家发明专利一项，相关内容发表于国际能源类SCI期刊《International Journal of Electrical Power and Energy Systems》

论文信息：

Dai Yuchen, Wang Yuanbing*, Chen Yaodeng, et al. Combining Meteorological and Power Information of Station-Measurement and Model-Prediction with the Hybrid CNN-Transformer and CNN-BiLSTM for Ultra-Short-Term Photovoltaic Power Forecasting. International Journal of Electrical Power and Energy Systems, 2025.

授权国家发明专利：戴宇辰，王元兵*，等. 融合机理模型和场站实测的光伏功率智能预测方法及系统，2025.