《利用 2DGＲA－BiLSTM 模型的日前光伏功率曲线预测方法》
利用2DGRA实现最佳历史相似日数据的获取，根据日功率曲线的波动性将总数据分为3类（晴空条件、轻度非晴空条件和重度非晴空条件），根据3种分类，分别训练3种BiLSTM模型对日功率曲线进行预测。
《Short-term photovoltaic power forecasting method based on irradiance correction and error forecasting》
首先，利用测量到的辐照度对预报气象中的辐照度进行校正
分析NWP与PV功率预测的误差分布，NWP的辐照度的误差较大，对预报结果影响较大，因此采用实测辐照度对NWP辐照度进行校正。
利用北京某10MW光伏电站和青海60MW光伏电站数据，包括：历史运行数据、气象数据和NWP数据，分析误差特征，数据时间分辨率为15min.
使用均方根误差（RMSE）、平均绝对误差（MAE）和平均绝对百分比误差（MAPE）来评估预测的准确性。
辐照度预测指标
取2、5、8、11月份的5天数据，比较辐照度、温度在预报与实测中内的误差
核密度估计（KDE）是一种常用的非参数估计方法，具有较高的估计精度，用核密度估计来描述NWP与实测气象之间的误差分布。（就是用来描述的吧，后面也没用到，一直用的是ELM啊）
其中，是m个误差样本，h是带宽，k是核函数
功率预测指标
然后，利用PSO对预测模型进行优化
最后，引入误差预测模型对预测结果进行进一步修正
重点在于，减少原预测方法误差带来的负面影响
一般采用实测的历史气象数据作为预报模型的输入，光伏发电实测数据作为输出，并选择合适的网络结构和参数对预报模型进行训练。然后将NWP数据输入到训练好的模型中，得到预测功率。由于光伏发电功率预测的准确性很大程度上取决于NWP的质量，因此提高NWP的精度是提高功率预测精度的重要手段。
为了提高PV预报的准确性，有必要对辐照度进行短期校正，采用ELM算法对辐照度进行校正。例如：当输入为实测辐照度、
......
和NWP辐照度
时，输出为校正辐照度
这个感觉有点像滚动，用于短期修正光照强度，如果是修正次日的96点的光照强度，应该不行
日内滚动可以参考，一种是早上8点、晚上8点气象预报更新，这个可以滚动；还可以按照历史实测光照强度数据+下一时刻的预报光照强度数据来预测下一时刻的光照强度，以此滚动优化。
