光伏(PV)发电已成为全球清洁能源发展的重要基石，准确的功率预测对于确保电网安全高效并网至关重要。然而，实现可靠的光伏功率预测仍面临两大挑战：一是依赖数值天气预报(NWP)导出的气象变量存在固有误差；二是受大气条件和光伏组件特性影响，从气象输入到光伏功率输出的非线性转换过程复杂、不确定性大。针对上述问题，中国科学院大气物理研究所王自发研究员模式研发团队联合宁夏大学太阳能发电技术团队，合作开发了融合数值天气预报与深度学习技术的多尺度光伏功率预测框架(MIPV-NWP-PINNs V1.0)，可实现对实际光伏发电功率的精准预测。
研究团队基于天气预报模式WRF建立了区域高分辨率NWP系统，生成提前量为6小时、1天、3天和5天的多尺度气象预报；基于此提出了一种结合分位数映射与时间模式注意力长短期记忆网络(TPA-LSTM)的混合校正模型来改善全球水平辐照度(GHI)的预测；在校正后的气象预报基础上，开发了物理信息神经网络PINNs-iTransformer模型用于最终的光伏功率预测，并利用中国西北地区光伏电站的监测数据进行了综合评估。
图 1. 多尺度光伏功率预测框架(MIPV-NWP-PINNs V1.0)流程示意图
评估结果表明，所提出的混合校正模型显著提升了气象输入的精度，与原始NWP输出相比，其GHI预报的平均绝对误差(MAE)和均方根误差(RMSE)均降低了23%以上。在最终的功率预测环节，PINNs-iTransformer模型通过将物理约束直接嵌入其损失函数，有效解决了纯数据驱动模型的“黑盒”和物理不一致性问题。该模型在所有预测跨度上均持续优于现有的先进基准模型，实现了RMSE降低15%和MAE降低12%的精度提升。这一物理约束的预测框架大幅提高了多个时间尺度下光伏功率预测的准确性和稳健性，能够可靠地支撑光伏安全并网，为向低碳能源系统的转型和综合利用提供保障。
图 2. 不同预测模型在多个时间尺度上的光伏功率预测误差及性能对比
该研究成果以“MIPV-NWP-PINNs V1.0: development of a multi-scale photovoltaic power forecasting framework integrating numerical weather prediction with physics-informed neural networks”为题发表在Geoscientific Model Development期刊。博士生张飞为第一作者，大气所陈学舜副研究员和宁夏大学李兴财教授为论文共同通讯作者。研究工作受到了国家自然科学基金项目（NO. 42377105和NO. 12064034）的资助与“地球系统数值模拟”装置的支持。
Citation: Zhang, F., Li, X., Wang, Z., Wen, Y., Zhou, X., Wu, Z., Wang, Z., Chen, H., Wang, Z., and Chen, X.: MIPV-NWP-PINNs V1.0: development of a multi-scale photovoltaic power forecasting framework integrating numerical weather prediction with physics-informed neural networks, Geosci. Model Dev., 19, 4999–5017, https://doi.org/10.5194/gmd-19-4999-2026, 2026.
附件：
