摘要：针对因极端天气出现概率较低导致的光伏发电数据不平衡的问题，提出一种K-means聚类算法和基于Wasserstein距离含梯度惩罚项的条件生成对抗网络实现极端天气数据的分类扩充，并提出了一种结合双向长短期记忆网络与卷积神经网络并融入通道注意力机制的预测方法，旨在通过整合时空特征和动态调节特征通道重要性来提升光伏功率预测性能。首先，使用相关性分析和K-means算法对多种环境因素进行筛选，并对其进行划分以及添加标签。其次，选择聚类后数量较少的极端天气标签，使用CWGAN-GP对其进行样本扩充。最后，将扩充后的数据集作为训练集训练CNN-SE-BiLSTM预测模型，实现极端天气的光伏功率预测。以某光伏电站数据进行仿真建模，结果表明：使用CGAN-GP对原始极端天气训练集进行扩充有助于提高模型的预测精度。同时，CNN-SE-BiLSTM在五类天气中的预测误差较其他传统模型有更高的预测进度，说明所提方法适用于光伏功率超短期预测。

      关键词：光伏功率预测；极端天气生成；双向长短期记忆神经网络；Wasserstein距离含梯度惩罚项的条件生成对抗网络；K-means聚类算法

      中图分类号：TM615     文献标识码：A