项目研究目标是以Transformer模型为基础，设计并行的神经网络预测方法，实现基于机理模型和场站实测的光伏发电功率预测方法的融合，提高光伏发电预测方法的精确性，从而更好的帮助提高新能源发电效率，保证电网的稳定运行。

环境保护和节约能源已成为全球关注的重点。习近平主席指出，生态环境保护与经济发展相辅相成。国家提出“双碳战略”，旨在实现碳排放达到峰值，并在2060年前实现碳中和，其中，加快清洁能源转型、推动绿色低碳发展等举措至关重要。同时，光伏产业迅速发展，成为可再生能源领域的重要力量，为解决能源问题和环境保护做出积极贡献，是“双碳”目标实现的有力保障。根据国务院通知，强化电力气象灾害预报预警，做好电网安全运行和电力调度的精细化气象服务，是社会对气象服务深度融入生产的期望。经调查，随着可再生能源在全球的快速发展，新能源在电力系统由补充性能源逐渐转化为支撑性能源，太阳能成为最理想的替代能源之一，而光伏发电技术对提高电力系统的稳定性至关重要，其发电功率的准确预测依赖于高精度的气象预报结果，对电力系统稳定以及安全的运行有着十分重要的作用。

传统的光伏发电预测包括简单物理模型预测法和复杂物理模型预测法，第一种方法利用卫星探测和气象观测数据，结合电力参数，实现光伏发电功率的预测；第二种方法结合光伏发电原理和数值天气预测模式，考虑多种天气因素，提高预测精确度。但是，传统光伏发电预测方法也存在一定的缺陷：在物理模型方法方面，精确性受限，该点体现在传统物理模型难以准确捕捉所有影响光伏发电的因素，依赖数据的质量；复杂性体现在需要考虑诸多因素如光辐射度、风、天气状况等，在光伏发电预测中，每个气象要素的精确权重是不确定的，这对建立准确的光伏发电预测模型提出挑战。因此，应考虑每个环境因素对实际发电功率的贡献。在历史数据方法方面，缺乏实时性，无法及时对当前的环境变化和天气情况进行有效反映以及忽略外部因素对光伏发电的影响。以上缺陷除精确性的受限可利用气象数据进行同化的方式来解决，其余缺陷符合神经网络的使用范畴，本项目使用神经网络解决以上问题。

   燕林滋提出了小波神经网络用于光伏功率预测，然而该项目未充分考虑历史数据的时间相关性。相比之下，乔颖等人则提出了卷积神经网络（CNN）和循环神经网络在光伏发电功率预测中的优势。李建红等人则通过处理历史气象数据，选择最相似的气象情况来进行光伏发电功率的预测。ABDEL-NASSER等人提出了LSTM-RNN新型深度学习网络，改进RNN并利用先前时间步骤中学到的信息来预测当前值，从而提供可靠且准确的预测结果。这些方法均利用了深度学习技术来发现深层特征进行功率预测，取得了显著的效果。尽管基于RNN的预测模型能够捕捉光伏发电功率变化的时间信息，但却缺乏对空间维度上大量拓扑信息的提取。华为云盘古气象大模型(Pangu-Weather)利用了每小时的再分析数据，以便模型可以执行每小时的天气预报。其中，训练集使用的ERA5数据集包含过去 60 年的全球每小时再分析数据，华为利用资料同化方法将观测数据与数值模式预测相结合，综合考虑气象要素的物理意义和准确度。基于同化后的数据，Pangu-Weather基于google开发的Transformer神经网络做出改进，训练网络进行分类预报。

项目结合场站实测数据与基于数值预报的机理模型，基于Transformer算法训练并行的人工智能神经网络模型，并借鉴气象数据同化的思想，实现预测数据的自适应融合；基于气象动力约束，通过增加物理约束层，来调优神经网络模型本身；对预测序列进行先验分析，区分稳定和恶劣天气类型，以此选择预测长/短序列结果更优模型，再进行并行训练，实现对光伏发电功率预测的改进。