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

利用机器学习技术，针对太阳能电池和光伏模块的PVLIB模型的已知和未知参数进行精确的估计，采用了人工神经网络算法，并与其他机器学习算法进行比较，结果表明所提出的方法在计算效率方面优于其他元启发式和机器学习算法。

Apr, 2023

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

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

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

本文提出了一种基于聚类的多任务深度神经网络（CM-DNN）框架，用于预测光伏发电量。通过应用K-means算法将数据聚类为不同的客户类型，并为每个类型采用深度神经网络进行训练，然后进行模型知识传输以提高目标任务的训练准确性。通过对真实世界光伏发电数据集的测试，证明了该方法在预测性能上优于无聚类的单一模型。

May, 2024

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

提出了PV-Client (Cross-variable Linear Integrated ENhanced Transformer)用于光伏发电功率预测，采用增强Transformer模块捕获不同特征之间的复杂相互作用，使用线性模块学习光伏功率的趋势信息，并整合交叉变量注意力以捕获光伏功率与天气因素之间的依赖关系。实验结果表明，PV-Client在光伏发电功率预测方面表现卓越。

Jun, 2024

本研究针对太阳能发电预测模型的准确性需求，探讨了空气质量指数和天气特征对太阳能发电的影响，并采用先进的机器学习和深度学习技术。通过时间序列建模以及创新的功率变换归一化和零膨胀建模，我们的模型实现了高达0.9691的$R^2$分数，显著提升了预测准确性，显示了该技术在太阳能发电预测中的潜在影响。

Aug, 2024

本研究旨在解决准确的太阳能发电预测模型的需求，结合空气质量指数和天气特征，应用先进的机器学习和深度学习技术。研究表明，使用Conv2D长短期记忆模型，结合电力变换归一化和零膨胀建模，极大提升了预测精度，达到0.9691的$R^2$分数，为太阳能预测提供了重要的见解。

Aug, 2024