准确的光伏功率预测已成为提高“电力系统运行”质量和降低备用容量储备的关键基础技术之一。然而，由于光伏的不稳定性、间歇性和随机性，光伏功率的准确预测变得非常困难。深度学习作为一种有前途的人工智能方法，能够发现数据中固有的非线性特征和高级不变结构，具有能有效提取高维复杂非线性特征，且由输入直接映射至输出的能力，这使其在各个领域备受青睐并已成为目前光伏功率预测最常用的方法之一。

王科俊教授团队在Applied Energy期刊（JCR Q1区，中科院Top期刊，IF=8.426）上发表文章（Volume 251, October 2019, 113315），提出了基于深度神经网络的光伏功率预测模型并进行了比较，同时探索了不同的历史数据长度对模型预测精度的影响。

不同历史数据长度下不同模型预测误差比较

所提深度预测模型可以兼顾时序数据具有的时序性和非线性特点，从更大量的数据中找到复杂的数据关联关系，且模型的精度和鲁棒性更高。

不同预测模型预测值与实际值曲线对比图

论文链接:

https://www.sciencedirect.com/science/article/pii/S0306261919309894