北卡罗来纳州立大学（North Carolina State University）坐落于美国北卡罗来纳州罗利市，是美国公立研究型大学，其工程学院实力突出，在电力系统、新能源并网、智能电网领域具备深厚的科研积累。

学校拥有未来可再生电能输送与管理系统中心（FREEDM Systems Center），由美国国家科学基金会资助，聚焦高比例可再生能源接入、电网数字化、储能技术研究。

北卡罗来纳州立大学（North Carolina State University）长期与电网企业、能源设备厂商开展产学研合作，大量研究成果面向电力行业实际业务场景输出，本次光伏功率预测研究正是该机构方向下的重要成果之一。

随着全球光伏装机规模快速扩张，光伏发电受云层、光照、气象条件影响存在较强波动性，精准的日前光伏发电预测（Day‑Ahead Forecasting）已经成为电网安全调度、新能源消纳的关键技术。

北卡罗来纳州立大学（North Carolina State University）电气与计算机工程系的研发团队完成该项研究，项目得到美国国家科学基金会（National Science Foundation）资助，相关成果于2026年7月发表于《清洁生产期刊（Journal of Cleaner Production）》。

该项目核心研发团队由博士后研究员周彦熙（Yen‑Hsi Chou）担任通讯作者，安德森·罗德里戈·德·奎罗斯（Anderson Rodrigo de Queiroz）副教授为课题负责人，团队成员还包括博士研究生阿润杜蒂·哈尔达尔（Arundhuti Haldar）、前计算机科学研究生舒布·尼萨尔（Shubh Nisar）。

安德森·罗德里戈·德·奎罗斯（Anderson Rodrigo de Queiroz）副教授主要研究方向为电力系统运行优化、可再生能源并网、机器学习在电网中的工程落地，长期致力于解决真实电网运行中的数据建模与预测难题，团队坚持拒绝纯仿真实验，优先采用公用事业单位真实历史数据集开展模型验证，保障研究成果具备向产业转化的基础条件。

光伏出力具有强非线性、时序波动大的特征，不同地域气象条件差异巨大，过去行业往往希望找到一款“通用万能模型”，直接套用在各类光伏电站。

但北卡罗来纳州立大学（North Carolina State University）团队研究发现，不存在能够适配全部场景的单一机器学习算法，不同模型在晴天、多云、阴雨环境各有优劣，单一模型很容易在部分气象场景出现较大预测偏差。

北卡罗来纳州立大学（North Carolina State University）团队选取统计时序模型、人工神经网络两大类技术路线，共计7种主流模型开展对比测试，其中双向长短期记忆网络（BiLSTM）是综合表现最好的单一基础模型。

研究采用美国加州两大电力机构的真实运行数据集，包括帝国灌溉区（Imperial Irrigation District）与洛杉矶水电局（Los Angeles Department of Water and Power）2019‑2022年超过2万小时的气象、光伏出力实测数据，贴近电网企业真实业务环境，而非实验室理想条件下的仿真数据。

在此基础之上，北卡罗来纳州立大学（North Carolina State University）团队重点验证两套集成学习策略。

第一种为加权平均集成法（weighted‑averaging），根据不同模型在历史环境下的预测表现动态分配权重，表现更可靠的模型获得更高权重，该方法在全季节测试中平均提升预测精度约9%。

第二种是多输入集成方案（multi‑input），同时引入多个地理点位的气象观测数据，捕捉区域云层移动带来的光照变化，在部分电站场景下实现最高13%的性能提升。

这套框架核心设计思路不是创造全新基础算法，而是把多个模型的预测结果融合互补，规避单个算法的固有短板。研究特别强调地域适配原则：不同纬度、气候带，最优集成组合并不相同，需要结合本地历史发电、气象数据对模型做本地化调优，直接照搬其他地区的模型参数会显著降低预测准确度。

对电网运营方而言，预测精度提升具备实际业务价值。更准确的日前光伏预测，可以减少电网备用火电容量、降低弃光风险，支撑高比例新能源电力系统的供需平衡。

如果预测偏差过大，会造成调峰资源错配，推高电力系统运行成本，也会影响电力现货市场报价的可靠性。目前该技术仍处于研究验证阶段，尚未进行商业化产品落地。

团队提出面向电力企业的落地建议：电力公司不需要追求最复杂的单一深度学习模型，可以优先采用多模型集成思路，根据本地历史数据筛选模型组合；同时持续完善气象、电站运行的基础数据集，是提升光伏预测效果的前提条件。

北卡罗来纳州立大学（North Carolina State University）预测光伏发电的机器学习模型，也给全球快速发展光伏的国家提供参考，在大规模光伏并网建设的同时，同步完善功率预测技术体系，才能把光伏装机规模转化为稳定可用的电力供应，更好实现清洁能源消纳目标。