本文提出通过深度学习，学习天空外观与未来光伏发电功率之间的关系，并将历史光伏发电功率值和天空图像作为输入，利用多层感知器、卷积神经网络和长短期记忆模型三种不同的体系结构，建立短期预测模型，从而实现对 1 分钟后光伏发电功率的预测，结果表明，基于 LSTM 模型的预测精度最高。

Oct, 2018

提出 SolNet: 一种新颖的、通用的、多变量的太阳能发电预报模型，通过使用来自 PVGIS 的丰富合成数据进行迁移学习，然后在观测数据上进行微调，解决了太阳能预测中数据匮乏的挑战，并通过荷兰、澳大利亚和比利时的实际生产数据展示了其在预测性能上的优势。

May, 2024

准确预测太阳能发电对于可持续能源系统的全球发展至关重要。本研究比较了量子长短期记忆（QLSTM）和经典长短期记忆（LSTM）模型在太阳能发电预测中的表现，结果显示 QLSTM 具有训练收敛加速和测试损失显著降低等优点。然而，要充分发挥 QLSTM 的潜力，需要进一步研究模型验证、系统超参数优化、硬件噪声韧性和相关可再生能源预测应用。通过严格基于真实数据的基准测试，本研究揭示了量子学习在可再生能源预测中的一个有前景的轨迹。进一步的研究和开发可以进一步实现该潜力，实现对全球太阳能发电的前所未有的准确性和可靠性预测。

Oct, 2023

本论文提出一个可公开获取的带有真实合成功率数据的时间序列数据集，其中包括 120 个太阳能和 273 个风电站，并使用物理模型和真实气象测量值进行了虚拟电厂的仿真，同时结合物理模型和机器学习模型对天气预报为基础的功率预测进行了评估。

Apr, 2022

用最先进的基于树的机器学习方法来预测光伏发电的日前准确性非常关键，该研究还考虑了气象和天文学因素对光伏发电产量的影响，以及粗粒度和细粒度空间位置的影响。这项研究的结果可以帮助电网运营商、决策者和其他利益相关者优化电网运营、经济调度，并促进分布式光伏发电的整合。

Nov, 2023

利用历史功率数据、数值天气预报和卫星图像，提出了一个多模态融合框架，显著提高了太阳能功率预测性能，特别适用于新安装的太阳能发电厂。进行了广泛的实验表明，模型在零样本预测和训练数据丰富的场景下不仅具有稳健性，而且提高了准确性，超过了领先模型。已将其整合到 eForecaster 平台，用于超过 300 个装机容量超过 15GW 的太阳能电厂。

Feb, 2024

提出了一个基于领域自适应深度学习的框架来估计太阳能发电量，该框架利用天气特征来解决太阳能发电预测中的挑战。该方法在计算速度、存储效率和改善预测准确性方面在加利福尼亚（CA）、佛罗里达（FL）和纽约（NY）等地的太阳能发电预测中显示出明显优势。

Jan, 2024

该研究提出了一种新的基于自注意力转换器的混合方法，称为 MATNet，用于预测多元多步骤日前光伏发电量。MATNet 模型有效地结合了 AI 模型的优势与基于物理知识的模型，以提高光伏预测的准确性。

Jun, 2023

本文提出了两种基于深度学习的区域太阳能发电预测方法，分别使用单一分层时序卷积神经网络和基于子区域的时序卷积神经网络，通过利用聚合和个体数据，以及区域内的天气数据进行预测。利用 101 个西澳大利亚地点收集的大量数据进行评估，与其他方法相比，子区域时序卷积神经网络在减少个体网络数量的同时，能够以 40.2% 的预测技巧得分降低 6.5% 的统计显著误差。

Mar, 2024

利用机器学习算法如随机森林、极端梯度提升、轻量级梯度提升机、CatBoost 和多层感知器人工神经网络来预测太阳辐照度，并通过特征选择进一步提高预测性能。

Oct, 2023