近日，我院研究生祝晨阳同学以第一作者在国际TOP期刊Solar Energy上发表题为“Short-term power prediction of photovoltaic power station based on LSTM-XGBoost model”的光伏电站算法预测研究成果。该研究成果以杭州电子科技大学（电子信息学院&杭电碳中和新能源研究院）为第一单位，与光伏行业头部上市公司阿特斯等企业共同合作完成。本研究获得了科技部重点研发项目的支持(2022YFB4200904)。杭电电子信息学院博士后周鹏、严文生教授为本论文的通讯作者。该论文是祝晨阳同学在杭电研究生期间发表的第二篇一作研究成果。上篇工作中，他在国际期刊Cell Reports Physical Science上发表了人工智能算法开发绿色高效稳定钙钛矿电池研究论文。
目前，由于太阳能固有的可变性和不确定性，以及天气条件、一天中的时间和季节变化等因素的影响，准确预测光伏发电仍然是一项重大挑战。传统的预测模型通常难以捕获数据中复杂的时间依赖关系和非线性关系，从而导致预测准确性不佳。为了应对这些挑战，这项工作采用了一种新颖的混合方法，该方法利用了深度学习和集成学习的优势。长短期记忆网络(LSTM)用于提取时间序列数据中的动态特征，通过捕获短期和长期依赖关系来提供时间信息的稳健表示。极端梯度提升算法（XGBoost）利用其强大的非线性建模和特征选择技术来完善预测，进一步增强了模型的预测能力。实验结果表明，该混合模型在预测精度方面明显优于独立的LSTM或XGBoost模型。模型的验证还需要真实世界的数据集来支持。我们使用世界顶级太阳能公司的专有数据集验证了该模型，最后使用 SHapley 加法解释算法进行了分析。通过结合这两种方法的互补优势，这项工作为能源管理和电网优化提供了高效且可解释的解决方案，最终有助于建立更可靠和可持续的能源系统。
