利用历史发电和天气数据的分层时序卷积神经网络进行区域光伏日前功率预测
内容提要
该文综述多项深度学习天气与新能源预测研究，涵盖CNN-RNN风电预测、领域自适应光伏发电估算、LSTM结合天空图像的光伏功率预测、卫星时空模型辐照度预测、树模型与量子神经网络光伏预测、HiSTGNN气象时空相关性建模，以及神经网络降水与干旱预测，均优于传统方法。
延伸解读
从综述看光伏预测的技术脉络
文章梳理了多项深度学习在天气与新能源预测中的研究，涵盖风电、光伏、辐照度、降水与干旱等方向。这些工作共同显示，数据驱动方法在空间特征提取、时序建模和多源数据融合上具有优势，且在不同场景下均报告了优于传统模型的表现。读者可借此了解该领域从单一模型向混合架构、领域自适应和量子机器学习等方向演进的趋势。
不同预测任务对模型的需求差异
综述中，风电预测采用CNN-RNN融合气象与时间信息；光伏功率预测则结合天空图像与LSTM，或利用卫星时空上下文；干旱预测推荐根据时间跨度选择卷积LSTM或Transformer。这表明没有通用最优模型，任务的时间尺度、输入数据类型和空间范围共同决定架构选择。实际应用中需先明确预测目标，再匹配相应模型。
数据与评估方法的关键作用
多项研究强调了数据质量与评估设计的重要性。例如，辐照度预测研究将多云天与简单天分开评估，并构建多模态数据集以测试零样本泛化；光伏预测中，领域自适应框架利用天气特征提升跨地区准确性。这提示读者，模型性能不仅取决于结构，还与训练数据代表性、测试方案严谨性密切相关，忽略这些因素可能导致过度乐观的结论。
潜在应用与当前局限
这些技术有望帮助电网运营商优化调度、促进分布式光伏整合，并提升极端天气与干旱的长期预测能力。但综述也隐含了局限：多数结果来自特定数据集或地区，跨区域泛化仍需验证；量子神经网络等新方法虽报告误差降低，但尚未大规模应用。读者应关注模型在真实场景中的鲁棒性与计算成本，而非仅看误差指标。
Q&A
有哪些深度学习模型被用于光伏发电功率预测？
文章提到了多种深度学习模型用于光伏发电功率预测，包括：基于领域自适应深度学习的框架、结合天空图像和LSTM的短期预测模型、基于树的机器学习方法、混合量子神经网络模型，以及层次化时空图神经网络（HiSTGNN）等。
LSTM模型在光伏功率预测中的表现如何？
在一项利用天空图像和历史光伏发电功率进行1分钟后短期预测的研究中，基于LSTM模型的预测精度最高，优于多层感知器和卷积神经网络。
混合量子神经网络在太阳能预测中有什么优势？
混合量子神经网络模型在预测太阳能电池板功率输出时，第一种模型降低了超过40%的平均绝对误差和平均平方误差；第二种模型在没有气象数据的情况下，比传统模型降低了16%的平均绝对误差，展示了量子机器学习在可再生能源领域的潜力。
HiSTGNN模型是如何提高气象预测精度的？
HiSTGNN是一种层次化的时空图神经网络模型，用于模拟多个站点中气象变量之间的跨区域时空相关性。在三个真实气象数据集上，其误差比最先进的天气预报方法降低了4.2%到11.6%。
基于神经网络的降水预测模型相比传统物理模型有何优势？
基于神经网络的天气预测模型可以在大范围内预测未来十二小时的降水，在大陆美国地区比基于物理的HRRR及HREF模型表现更好，证明了数据驱动模型在天气预测中的潜力。
深度学习在干旱预测中如何应用？
研究提出基于各种时空神经网络的端到端解决方案来预测特定地区干旱概率，用于长期决策。比较评估表明，卷积LSTM和Transformer模型在预测干旱强度方面优于基线模型，ROC AUC分数从0.90到0.70，推荐根据预测时间跨度选择合适的模型。
