RR-LTNet：一种以斜率变化为中心的深度学习框架，用于短时域内的光伏发电量预测

《IEEE Journal of Photovoltaics》：RR-LTNet: Ramp-Rate-Centric Deep Learning Framework for Short-Horizon Photovoltaic Power Prediction

提出RR-LTNet光伏预测模型，通过动态聚类识别天气突变模式，融合循环记忆与时空卷积捕捉多尺度波动，在澳大利亚Yulara项目实测中RMSE降低90%，跨电站验证显示其在异构数据场景下保持85%以上预测精度，有效支持光伏系统容量规划与电网调峰。

　　

摘要：

为了确保高比例光伏（PV）发电系统在电网中的可靠运行，需要预测工具将电站级别的辐照度变化转化为可用于光伏电力管理和系统平衡设计的实际信息。在现代电网中有效管理高比例的光伏发电，需要能够反映快速可再生能源变化对网络物理能源基础设施系统影响的预测模型。本文提出了一种以斜率变化（RR）为中心的预测架构RR-LTNet，该架构将斜率变化作为连接电站级间歇性与电网级运行风险的核心变量。RR-LTNet首先对不同斜率变化情况进行分析，以识别快速的天气变化和系统稳定性状态。这些信息被作为特征输入到混合时间学习模型中，该模型结合了循环记忆机制和时间卷积技术来捕捉多尺度动态变化。为了进行预测评估，研究人员使用了澳大利亚Yulara太阳能项目的一年太阳能发电数据进行了数值实验。结果表明，RR-LTNet在5分钟分辨率下的均方根误差（RMSE）降低了多达90%，其预测性能明显优于其他特征提取方法。当基线模型中加入考虑斜率变化的特征时，误差降低幅度更为显著。在另外两个具有不同容量和数据分布的光伏电站进行的跨站点验证进一步证明了该模型的稳健性和一致性，使其适用于大规模光伏系统的工程应用。通过实时揭示这些变化信息，RR-LTNet支持与光伏发电相关的关键任务，如备用电源调度和光伏电站与电网交互的复杂模拟。这一框架将光伏监测分析与系统级可靠性工程相结合，加速了大规模光伏发电系统在现代电力系统中的整合。