EPTSMElectric Power Technology and Safety Management2997-34732997-3503Art and Technology10.61369/EPTSM.2025080009Article基于深度学习的光伏功率预测与并网控制技术研究https://artdesignp.com/journal/EPTSM/2/8/10.61369/EPTSM.2025080009汪业松2025282025-08-20随着全球能源结构向清洁化转型，光伏发电占比持续提升，但光伏功率受光照、温度等气象因素影响呈强波动性，给电网稳定运行带来挑战。本文聚焦深度学习在光伏功率预测与并网控制中的应用，通过分析现有预测模型（如LSTM、CNN）及并网控制策略的不足，提出融合多源气象数据的深度学习预测框架与协同控制方案。实验表明，该方案可将短期功率预测误差降低至 8% 以内，有效提升光伏并网系统的稳定性与经济性，为高比例光伏接入电网提供技术支撑。深度学习,光伏功率预测,并网控制技术

[1] 廖耀富. 基于蝙蝠算法优化BP神经网络的短期光伏功率预测[J].电工技术,2024,(24):70-74.[2] 文贤馗, 何明君, 周科, 等. 分布式光伏发电集群累加法功率预测研究[J].电力大数据,2024,27(12):11-17.[3] 付立国. 基于大数据技术的光伏发电功率短期预测研究[J].河南科技,2024,51(24):4-7.[4] 杜杰, 陈吉洋, 汤琳. 分布式光伏发电对电网电价影响的协同作用机制[J].城市建筑空间,2024,31(S2):383-384.[5] 胡振邦, 夏越. 基于L-BFGS-B和CNN-LSTM的短期光伏功率预测[J].电气技术与经济,2024,(12):110-114.[6] 程宝华, 邹华伟, 李俊程, 等. 基于CNN-LSTM算法的光伏电站短期功率预测系统[J].电气技术与经济,2024,(12):177-179.[7]成龙, 李国庆, 王翀, 等. 考虑预测误差不确定性和功率互济的配电网直流合环重构[J].电力系统保护与控制,2024,52(24):97-108.[8] 叶芾芃, 余海涛, 王博宇, 等. 基于风光资源短期预测的水电机组启停策略[J].水电站机电技术,2024,47(12):171-173.[9] 彭曙蓉, 陈慧霞, 孙万通, 等. 基于改进LSTM的光伏发电功率预测方法研究[J].太阳能学报,2024,45(11):296-302.[10] 符荣, 禹鹏, 冯在顺, 等. 基于动态递归长短期记忆神经网络的光伏功率预测模型研究[J].电气自动化,2024,46(06):22-24+28.