融合动态气象关联的混合模型提升山地光伏输出中期预测精度

本文针对山地光伏电站气象因素复杂多变、动态关联机制不明确的问题，提出一种融合动态气象关联规则的中期预测混合模型（TCN-XGBoost）。通过熵权灰色关联与核密度估计量化气象因子与输出功率的动态耦合关系，并将其嵌入损失函数进行交替训练，在横断山区实测数据中实现7-10天预测R2>0.95，RMSE降低10%-30%，为复杂气象区光伏预测提供了高精度、低计算成本的解决方案。

　　

Highlight

本研究首次针对横断山区典型光伏电站，定量揭示了主导气象因子在不同时期（丰水期、枯水期、平水期）及复杂气象条件下对光伏功率的非线性时变依赖关系，开发了动态关联规则挖掘模型，克服了静态或全局相关性分析的局限性。

结论

本研究详细识别了横断山区光伏电站气象因素与输出功率之间的动态关联规则，并据此设计了一种融合动态气象关联的混合模型，用于复杂气象条件下山地光伏输出预测。与基线模型相比，所提模型显著提升了预测精度。

首先，对2018-2020年的实际运行数据进行了异常校正和季节划分，通过统计分析与熵权灰色关联分析识别出辐照度、温度和湿度为核心气象因子。采用核密度估计量化了这些因子与光伏功率的动态关联强度，发现其关联性随季节和天气类型显著变化。

接着，构建了TCN-XGBoost混合预测模型，利用鲸鱼优化算法（WOA）优化超参数，将动态关联规则以权重形式嵌入XGBoost损失函数，并通过交替训练策略实现时序特征提取与非线性回归的协同优化。在横断山区40MW光伏电站的实证研究表明：所提模型在7天和10天预测范围内R²均高于0.95，RMSE较LSTM、XGBoost等基线模型降低10%-30%，且训练时间缩短约15%，证实了其在复杂山地气象环境下兼具高精度与低计算成本的优越性。

本研究为气象因子复杂多变区域的光伏中期预测提供了可解释、易部署的解决方案，未来将进一步探索多能源互补场景下的耦合预测机制。