大区域高精度新能源出力预测技术研究
刘 峻，任晓朦， 胡 坤
（中电建新能源集团股份有限公司， 北京 100101）
摘 要：开发了一个人工神经网络（ANN）模型来预测光伏发电和风能发电系统的功率输出，并考虑了多个天气因
素，进而对整个系统的功率输出进行精准预测。结果表明，与其他分类器相比，该分类器在降低均方误差和提高准确
率方面卓有成效。这项研究的发现可能对开发能够正确预测未来天气状况的智能电网有一定价值。
关键词：神经网络；功率预测；新能源发电系统
中图分类号：TM743
文献标识码：A
0 引言
随着全球工业化和城市化的不断发展，以及经济
的不断增长，能源安全变得越来越重要[1]。全球能源
消费平均每年增长2.3%，根据最近的研究[2]，国际石
油短缺预计将在未来几年内出现。化石燃料燃烧产生
的二氧化碳和其他温室气体是造成环境污染以及气
候变化的主要原因，具体包括空气和水污染[3]。此外，
新能源储量丰富、使用寿命长、无污染，因此发展新能
源成为解决全球能源问题以及应对环境变化的有效
措施。
随着我国跨省市的大区域范围内电负荷种类不
断增加，电力供应质量要求更高，支持光伏发电和风
力发电等新能源的发展至关重要[4]。新能源发电系统
用于增加电力输出并向该地区供电，由于新能源发电
系统不仅可以直接接入电网，弃电还可以用于生产氢
气，其效率、可靠性都大幅度提高，新能源发电系统有
可能达到甚至超过电网对新能源的限制。
在并网模式下，许多研究开发了包含新能源的发
电系统模型。近年来，机器学习（ML）方法在新能源应
用中的应用呈爆炸式增长，特别是在太阳能和风能领
域。考虑到新能源供应的不确定性以及人工神经网络
处理大量数据的能力，这项技术正迅速被用于预测新
能源的未来。殷林飞等[5]提出了一种基于DenseNet卷
积神经网络的短期风电预测模型，既能减小模型训练
过程中梯度消失的情况，还能实现深度监督，经验证，
其模型精度高于混合经济模型；杨丽薇等[6]提出一种
基于小波分解与BP神经网络的用于光伏电站短期
功率短期预测的组合算法模型；张海涛等[7]提出了一
种基于变分模态分解的TPA-TCN网络的光伏功率预
测方法，用于解决光伏系统输出功率对天气因素敏感
度高的问题。Ahmad等[8]想要预测每小时的太阳辐照
收稿日期：2024-08-07
文章编号：2095-0748（2025）06-0266-04
时，他们使用了自回归递归神经网络，计算机要提供
每小时的太阳光束强度预测，只需要两个变量：温度
和相对湿度；Senthil 等[9]率先分别使用反向传播网络
（BPNs）、外源输入非线性自回归（NARX）和径向基函
数（RBF）模型进行风速预测（RBF），在这项研究中，
LSTM优化技术与递归神经网络相结合，用于预测每
天和每月的风速。最后，在风速预报方面，提出了一种
单变量单层RNN方法；Jaime等开发了用于风速预测
的深度学习算法，其中包括人工神经网络架构和其他
技术，在他们的分析中，研究人员发现深度学习模型
在估计空气速度和功率方面是最准确的，他们得出了
这个结论。由于机器学习，现在可以估计水力发电，在
每日、每月、每年和平均的基础上，它能够测量水力发
电的发电量；Ali等发现，利用前馈网络和反向传播机
制，利用基于ANN的模型来水力发电量进行了准确
预测。目前，并未有将神经网络算法用于新能源发电
系统输出功率预测的研究。
综上所述，本研究的目标是提供一种基于人工神
经网络（ANN）的新能源发电系统功率预测方法。这项
研究还展示了人工智能方法如何应用于新能源集成
系统生命周期的各个阶段。本文介绍了几种人工神经
网络（ANN）模型，以适当地管理混合能源系统和新能
源发电。在这项研究中，开发了一个人工神经网络
（ANN）模型来估计光伏发电和光伏与风能发电系统
产生的能量，并考虑了多个天气因素。
1 研究方法
在能源预测领域，预测各种能源未来消费数量的
方法被称为能源需求预测。同样，随着公众对先进技
术认知的提高，能源需求预测在当今电力系统中的作
用也越来越大。自底向上预测是在预测层次结构的最
低层次创建预测，然后将这些预测构建到预测层次结
构的最高层次的过程，如图1所示。在新能源发电系
统中，自底向上的方法优先用于确定预期组件的单个
值，因为它更准确。图1显示用于确定由不同能源提
供的能量的数量的自下而上方法的概述。
太阳能
风能
氢
能
生物质
一次能源
发电厂
能源转换
图1 多层次发电预测简图
1.1 数据处理
电网
能源传输
本文的主要研究目的是建立数据驱动模型用于
准确预测风能和太阳能发电输出功率，在新能源需求
预测领域，数据收集和处理是最重要的建模前准备步
骤。在进行准确的能源需求预测时，需要经过几个步
骤，例如规范化、筛除不需要或不正确的数据、数据聚
合以及相关性分析。没有必要在所有数据训练方法中
采用前两个步骤，它们通常用于数据预处理，而不是
用于模型训练。此外，为了构建训练数据集，需要进行
数据聚类，当涉及到预测模型时，相关性分析比其他
研究方法更清楚地说明了预测模型是如何减小预测
误差的。
太阳的高度、地球的经纬度、时间、气压和温度、
湿度和风速只是太阳能功率预测过程中要考虑的几
个环境变量，预测的太阳辐照强度是该年的平均太阳
辐照强度。风力预测与天气预报类似，都是基于当地
的风速和风向，以及温度，它使用每小时的历史数据，
并使用风速和温度等变量来确定这些变量的平均值
和标准差，以及它们各自的当前压力，湿度和太阳辐
照强度。水电预测需要温度、湿度和压力，时间和温度
是最重要的变量。长期以来，利用基于图像的算法来
预测生物质发电厂的发电量一直很受欢迎，特别是在
能源预测领域。
1.2 预测模型建立
人工神经网络是设计用来模仿生物神经元基本
功能的数学函数。人工神经网络由许多神经元组成，
这些神经元通过使用由输入、输入权重和输出数据组
成的训练数据来共同解决给定问题。
这个神经元的输入都被标记为X1
，X2
，…，Xn
，在
权重W1
，W2
…执行任意一个输入，模型输出对应结
果，由字母net表示。然后将其与该阈值数进行比较，
看看它是否落在阈值范围内或之外，如图2所示。
输入
X1
X2
……
Xn
权重
W1
W2
……
Wn
net
∑
F
阈值
输出
图2 人工神经网络结构
n
net=
ΣWi
×Xi
.
i=1
（1）
然后将结果与预定阈值进行比较。当神经网络中
的神经元被触发时，传递函数充当压缩函数，将神经
元可以输出的值范围限制在指定的值范围内。传递函
数的输出负责将输入信号转换为输出信号，具体包含
许多不同的激活函数，包括线性传递、硬限制传递和
逻辑函数。硬限制函数可以根据阈值返回0或1，由
于该函数的不连续，一个多层的人工神经网络认为它
是不够的，因此设计了一种激活算法来将神经元的激
活水平（加权输入）转换为输出信号。
在神经网络模型中，使用逻辑函数可以分别实现
非线性与/或信号固定输出。log-sigmoid函数有两种
形式：线性sigmoid 函数和对数 log-sigmoid 函数。
log- sigmoid 函数是一个非线性曲线s形函数，具有非
线性曲线s形函数。使用sigmoid函数将神经元激活
水平（输入的加权和）转换为输出信号是一种常见的
做法，因为这些函数是最常遇到的激活函数。用数学
术语来说，它是一个表现良好的函数，它在任何地方
都是可微的，并且值总是增加的。下面是一个用数学
方法表达s形传递函数的例子：
Y（x）=［1+exp（- αx）］-1.
（2）
式中：Y（x）为神经元输入和偏置的加权和；α为斜率
参数。
与输出层中的神经元相比，隐藏层中的神经元无
法访问目标向量。隐藏的神经元可能会出现故障，下
面的错误信息会被显示：
Nj
Δh
=F（Ih）×
ΣWjh
×Δj
.
j=1
Δh
=Oh
×（1-Oh
）×
ΣWjh
×Δj
.
j=1
（3）
Nj
（4）
式中：Wjh
为权重；Δj 为误差值；F（Ih）为函数关系；
Δh为隐藏层神经元；Oh
为函数关系展开。
在确定输入层和隐藏层之间的权重更新频率时，
使用以下公式，在输出层中改变了与输入层相似的一
组权重。
Whi
=Whi
'+η×Δh
×Oi
+α×（δWhi
）.
（5）
式中：Whi
为改变后权重；Whi
' 为改变前权重；η和α为
对应的修正系数；Oi
为第i层函数关系。
2 仿真结果分析
不同的气象条件分别用于生成输出功率和天气
因子数据集的数据。为了得到能源需求参数，只需将
功率乘以一个变化的值。风电系统在给定时间内可以
产生的功率和能量取决于天气因素和校准传感器的
测量读数。电力和能量的水平随着天气条件的变化而
波动，具体而言，本研究将回归模型的预测值与功率
和能量的计算值进行了比较。
为了训练和测试预测模型，将预测模型中包含的
数据集分为两个不同的集。一旦数据被归一化，最后
的结果必须被反归一化，以获得预期的值。然后将训
练数据集分为两个子集：一个用于训练，另一个用于
验证，训练数据集用于两个子集。为了避免在人工神
经网络模型的训练阶段过度拟合，有必要微调模型约
束，这是通过使用训练和验证数据集来完成的。为了
确定模型的准确性，交叉验证程序是最有效的方法，
在对未标记数据集进行最终测试之前，对训练模型进
行评估，以确定其预测的准确性。
当对大量特征进行评分时，采用交叉验证的方法
选择得分最高的特征组进行进一步研究。图表通常用
于表示交叉验证的测试分数和特征多样性，将包含在
模型中的特征数量是基于这些数据计算的。MSE较
低的特征被保留，因此丢失的特征更少，训练学习模
型所需的时间也因此减少了。
功率和能量的目标水平可以相互独立地预测，因
此，当能量从方程中去除时，功率可以作为目标变量。
线性回归分析结果显示，温度、湿度、气压、风向、降水
等变量对光伏产量的影响最小。太阳辐射与风速的关
系非常密切，经过相关性分析，决定系数R2分别为
0.79 和 0.74，说明功率与能量之间的关系很强。因此，
将这些因素作为模型输入特征对模型准确性影响较
大。当太阳辐射量和风速波动时，光伏输出功率也会
发生变化，在运行预测模型和调节电力系统时，控制
器应考虑这些因素，以保证电网的稳定性、最大机组
安全限制，太阳辐照度、相对湿度、温度和风速之间也
存在显著的关系。因此，通过组合多个线性组合来创
建一个新的特征是可行的。
由于太阳能发电具有一定的波动性，光伏电站的
输出功率可以根据需要放大或缩小，Ramping是一种
显示在特定时间内产生了多少能量的方法。突然断电
可能会导致实际发电量与预测发电量之间的不匹配，
对最终用户，特别是电网控制器产生负面影响。因此，
突发事件对于短期和长期的太阳能发电出力预测都
是至关重要的，这取决于具体情况。在处理电网符合
急剧变化的情况时，为了确保电力系统的安全，准确
预测时间和速度是必不可少的。
人工神经网络（ANN）在新能源出力预测中的应
用正朝着新的方向发展，这具有改进模型拓扑、预测
结果和数据优化等方面的潜力。因为它们有更高的准
确性，更容易使用，使用更少的数据，性能更好。在研
究中，MLP优于线性技术，尽管线性时间序列数据可
能使其在未来的表现更加出色。
与SVM和KNN相比，ANN在相同的研究中显
示出巨大的性能提升，表明它们明显更有前途。但是
像RMSE这样的标准误差度量更适用于模型准确度
评估。数据表明，特征较少显然是有利的。找到最合适
的特征用于机器学习模型训练可能是一项艰巨的任
务。特征选择模型已经被许多研究者所采用。当涉及
到降低计算复杂性时，FCME被发现比提议的策略效
率更低。利用机器学习技术也开发了改进认知无线电
系统和频谱传感技术中的能量检测技术。诸如多径衰
落和阴影之类的限制变量是导致错误发生的原因。与
之前的结果相比，加权KNN在不同信噪比水平下删
除特征时将总准确率提高了近92%。因此，特征选择
已被证明可以提高模型的整体计算效率。
3 结论
本文的主要研究目的是开发一个人工神经网络
（ANN）预测模型，该模型可以预测新能源发电系统产
生的能量。理想情况下，该模型将有助于预测产生的
能量，为了训练和测试预测模型，将预测模型中包含
的数据集分为两个不同的集。一旦数据被归一化，最
后的结果必须被反归一化，以获得预期的值。然后将
训练数据集分为两个子集：一个用于训练，另一个用
于验证，训练数据集用于两个子集。为了避免在人工
神经网络模型的训练阶段过度拟合，有必要微调模型
约束，这是通过使用训练和验证数据集来完成的。为
了确定模型的准确性，交叉验证程序是最有效的方
法。在对未标记数据集进行最终测试之前，对训练模
型进行评估，以确定其预测的准确性。结果表明，在减
少均方误差方面，该分类器比以前使用的方法更准
确、更有效。
参
