發布時間：2022-03-17所屬分類：工程師職稱論文瀏覽：1次
摘 要： 摘要: 光伏功率預測是提高光伏電站控制、調度性能，保障高比率光伏發電接入的電網安全穩定運行的基礎性關鍵技術。國內光伏功率預測技術研究和工程應用尚處于起步階段，理清其技術脈絡和關鍵問題尤其迫切。文中對光伏功率預測基本技術原理和關鍵問題進行了全面綜述，首
摘要: 光伏功率預測是提高光伏電站控制、調度性能，保障高比率光伏發電接入的電網安全穩定運行的基礎性關鍵技術。國內光伏功率預測技術研究和工程應用尚處于起步階段，理清其技術脈絡和關鍵問題尤其迫切。文中對光伏功率預測基本技術原理和關鍵問題進行了全面綜述，首先介紹其基本原理和預測模式，然后總結了超短期和短期預測的主要技術要點，并著重對提升預測精度的相關研究進行評述，最后結合中國光伏功率預測發展現狀，提出了值得研究和關注的光伏功率預測關鍵問題。
關鍵詞: 光伏功率預測; 云圖; 數值天氣預報; 預測算法
0 引言
光伏發電已經成為繼風力發電之后的可再生能源發電的新增長點。2005—2014 年全球光伏發電裝機容量平均年增長率高于 30%[1]，2014 年全球光伏發電總裝機容量已達約 186 GW，歐洲光伏發電量占總發電量的峰值比例達 7%[2]。
2009—2013 年中國光伏發電裝機容量平均年增長率均超過了 100% ，從 2009 年的 0. 3 GW 增長至 2014 年的 28 GW[3]，僅次于德國( 38. 2 GW) ，居世界第二位。中國光伏發電的主要利用模式逐漸從早期分布式離網光伏系統模式發展成大型并網光伏電站模式，截至 2014 年底，集中并網型光伏電站占光伏發電總裝機容量的 83. 35%[3]。
由于日照的晝夜周期性，光伏電站只能白天發電，是一種典型的間歇式電源; 光伏功率受氣象、環境條件影響，具有較大的波動性和隨機性。這些特性使得大規模光伏發電并網對電網造成不良影響。若能及時、準確地預測光伏功率，將對電網調度及光伏電站運行具有重要意義。
光伏功率預測即根據歷史和當前數據對未來一定時段的光伏功率進行預測，按預測時長可分為超短期光伏功率預測、短期光伏功率預測和中長期光伏功率預測。光伏功率預測精度強依賴于天氣模態和氣候條件等因素。美國加州地區的統計表明[4]，晴空條件下，超短期光伏功率預測的方均根誤差在 8% 以內; 而非晴空條件下的方均根誤差高于 20% 。有研究表明，超短期光伏功率預測的方均根誤差最小可 達 到 3. 9% ，短期預測的方均根誤差可達 4. 6%[5]。
國際上已有不少機構提供光伏功率預測和光資源 評 估 的 服 務，如 AWS Truepower，Clean Power Research，Green Power Labs，MeteoTest 瑞士公司開發的 Meteonorm 軟件，以及法國美迪公司的 MeteoDyn Solar。基于光伏功率預測可拓展開發光伏系統工程設計應用軟件，如瑞士日內瓦大學能源課題組開發的 PVSYST 軟件; 國內如中國電力科學研究院電工所開發的針對光伏功率預測和光伏系統設計的軟件。光伏功率預測已開始應用于電力系統運行，國家電網智能電網調度控制系統( 簡稱 D5000 系統) 的新能源監測與調度高級應用中包含了光伏功率預測功能模塊。
總體來看，國外的光伏發電產業較中國起步早，已經積累了大量的技術成果、工程經驗和運行數據; 中國目前在光伏功率預測領域的研究稍滯后于歐美發達國家，仍處于探索階段。
本文對光伏功率預測的技術體系、研究熱點進行了梳理，以期為中國的光伏功率預測研究與應用提供借鑒和啟發。
1 光伏功率預測原理和基本框架
光伏功率預測是以數值天氣預報( numerical weather prediction，NWP) 數據或/和實測數據為基礎，結合光伏電站地理坐標及具體地域特點的參數化方案，建立預測模型及算法，實現對未來一定時間段內光伏電站輸出功率的預測。
光伏發電從光到電能量的傳遞路線如圖 1 所示。
太陽輻照度是決定光伏功率的主要因素，與光伏功率大致呈線性關系。本節將從光伏功率( 或輻照度) 的關鍵影響因素、光伏功率特性、預測方法、預測模式以及預測精度評價 5 個方面對光伏功率預測原理和框架進行介紹。
1. 1 關鍵影響因素影響
光伏功率的因素眾多，相互耦合。按照太陽能傳遞和轉化過程，主要影響因素如圖 2 所示。
輻照度受到氣候、氣象、地理等因素的影響，其預測精度直接影響光伏功率預測精度。
氣候是某地區長時間尺度的大氣一般狀態和天氣過程的綜合表現，是影響光資源水平的重要因素。
氣象是指短時間尺度的大氣物理現象，如溫度、云等。氣象因素是影響光伏功率的重要因素，可通過 NWP( 含全球和中尺度模式) 、地面天空成像儀、衛星測量、地面遙感測量等方式獲取。不同方式獲取的氣象數據具有不同的時空分辨率和精度水平， NWP 時空分辨率較低、時空尺度較大; 而地基云圖對云層的預報時空分辨率較高，但時空尺度較小。
地理因素如光伏電站的地理坐標、地域環境等，這些因素對預報的影響較為穩定。
電氣效率主要指光伏組件、電站其他電氣設備的效率，前者直接影響光轉電環節的能量轉換效率，后者影響電能從光伏組件傳送到電網的效率。電站設計、人為因素也將對光伏功率產生影響。
1. 2 光伏功率特性
光資源和光伏功率具有以下 4 個特點。
1) 較強的晝夜周期性和季節周期性。日照晝夜周期性和日—地相對位置周期性變化決定了光伏功率的這一特點，而風功率則不具有類似特性。
2) 影響因素多、影響機理復雜。地面輻照度和光伏功率受到氣候、氣象、地理等多種因素影響，且不同因素在不同環境下對其影響程度不同[6-7]。而風功率則主要取決于風速，其他因素如風向、溫度、氣壓等，則影響較小。
3) 波動性和隨機性強、變化頻率快。電力負荷無法突變，風功率的波動性強于電力負荷，主要體現為小時級波動[8]，而光伏功率可在數分鐘內實現從滿功率到零功率變化，具有更強的波動性。
4) 數據樣本有限、數據條件較差。受限于測量設備和技術，光伏數據量少、質差，因此光伏功率預測要解決小樣本預測難題。
1. 3 光伏功率預測方法分類
光伏功率預測方法的分類方式很多，根據預測過程的不同，可分為直接法和間接法; 根據建模方式的不同，可分為物理方法和統計方法; 根據預測時間尺度不同，可分為超短期( 0 ～ 6 h) 、短期( 6 h ～ 1 d) 和中長期( 1 月 ～ 1 年) 預測法; 根據預測的空間范圍大小不同，可分為單場預測和區域預測。
1. 3. 1 直接預測法和間接預測法
直接預測法是根據光伏功率歷史數據直接進行預測; 間接預測法是首先預測地表或光伏電池板接收的太陽輻照度，再預測光伏功率。兩類預測方法的流程如圖 3 所示。
直接預測法的建模難度較大，不同時間尺度和工作狀態下映射關系的變化可能導致模型性能下降甚至失效。間接預測法在整個預測過程中可能需要建立多個預測模型，較為復雜。
1. 3. 2 物理方法和統計預測方法
物理方法基于太陽輻照傳遞方程、光伏組件運行方程等物理方程進行預測，需要光伏電站詳細的地理信息以及氣象和太陽輻照數據; 統計方法基于預測模型輸入、輸出因素之間的統計規律進行預測。
物理方法不需要大量歷史數據，適用于新建的光伏電站，但需要光伏電站詳細的地理信息和組件參數等數據[9]，建模過程復雜，且難以模擬一些極端異常天氣情況和環境及光伏組件參數隨時間發生的緩慢變化，模型抗干擾能力較差，魯棒性不強。
統計方法需要從大量的歷史數據中獲取預測需要的規律，如光伏電站有功功率與氣象數據、歷史運行情況之間的規律，對光伏電站的地理信息和測光資料要求不高。
1. 3. 3 超短期、短期和中長期預測
超短期光伏功率預測可提供功率瞬變信息; 短期預測可用于調度計劃制定、負荷跟蹤預測、電力市場等領域; 中長期光伏功率預測可用于光資源評估、新建光伏電站規劃等領域。
超短期光伏功率預測可采用物理方法和統計預測方法。其中物理方法主要是對云圖進行圖像處理，結合 NWP 或地面觀測站數據，進行光伏功率預測; 統計預測方法主要采用自回 歸滑動平均 ( ARMA) 算法、人工智能算法、持續預測法等進行預測。
相比之下，短期功率預測需要氣象數據的時空分辨率要求相對較低，可利用精細化的 NWP 數據進行預測而不必采用云圖數據。
中長期光伏功率預測主要是根據地區歷史光資源數據等估計未來較長時間段內的光伏功率。
1. 3. 4 單場預測和區域預測
單場預測是指單個光伏電站的功率預測，區域預測是指對某個區域范圍內的多個光伏電站總出力的預測。
單場預測可為發電運營者提供光伏電站的功率預測信息，主要應用于光伏電站發電的優化運行與控制; 區域預測可為電網運營商提供某一區域范圍內的光伏出力值，幫助電力調度部門預估光伏功率波動，制定多種電源協調調度計劃，降低光伏電站接入對電網的不利影響。
區域光伏功率預測的精度往往高于單場功率預測精度[5]。通過區域光伏電站之間的隨機誤差相互抵消，預測方均根誤差可減少 64%[10]。
1. 4 光伏功率預測典型模式
圖 4 是光伏功率預測的幾種典型模式，分別適用于不同的數據條件、預測時空尺度及精度要求。
1) 模式 1: 輸入氣象數據、輻照數據，建立預測模型。該模式適用于氣象、輻照數據可得的情況，對光伏電站的歷史運行數據要求不高。進行大空間尺度預測時，采用 NWP 數據較合適; 進行小范圍局部預測時，采用地面測量站數據更精確。這一模式多用于短期光伏功率預測，隨著 NWP 的時空分辨率上升，模式 1 也逐漸在超短期光伏功率預測中使用。
2) 模式 2: 輸入光伏電站歷史發電量，建立預測模型。該模式適用于缺少氣象、輻照數據但歷史運行數據可獲得的情況，可在超短期和短期光伏功率預測中使用。當光伏電站所處地區氣候變化不明顯時，未來光伏功率與歷史光伏功率具有較強相關性，該模式可達到較高精度。
3) 模式 3: 輸入氣象、輻照、光伏電站歷史運行數據等，建立預測模型。該模式對輸入數據要求最高，預測結果的精度也較高。
4) 模式 4: 基于持續預測模型和晴空預測模型的基礎預測模式。針對天氣預報數據較難獲取或新建光伏電站歷史數據較少的情況，使用上述兩個預測模型實現光伏功率粗略估計。基礎模型算法簡單、實現要求低，但其預測精度較低、適用時空尺度較小，常作為對照模型，對比新預測模型的預測效果。
所有預測模式的關鍵都在于尋找已知變量和數據與未來光伏功率之間的映射規律，如模式 1 需尋找氣象因素、地理因素與地面輻照度之間的規律，模式 2 需要尋找歷史和未來發電量之間的規律。
2 光伏功率預測算法
2. 1 預測技術圖譜
光伏功率預測的關鍵在于確定不同時空尺度下影響光伏功率的主要因素及其作用機理，并選擇恰當的算法建立預測模型。常見的預測技術方法總結如圖 5 所示。
圖 5 中: WRF 為天氣研究和預報模型; MM5 為第 5 代中尺度預報模型; GFS 為 全 球 預 報 系 統; ECMWF 為歐洲中尺度天氣預報中心。圖 5 中的預測方法基本沿著兩條思路展開技術研究。
1) 研究輻照度、光伏功率的關鍵影響因素，這是物理方法的思路，主要方法有基于云圖( 超短期) 和 NWP( 短期、中長期) 的方法。
2) 學習輻照度、光伏功率歷史規律，這是統計方法的思路，主要方法有神經網絡等智能算法、時間序列法、基礎預測法等。
本節按預測時間尺度分超短期和短期光伏功率預測進行方法評述，中長期光伏功率預測目前研究較少，此處不再進一步評述。
2. 2 超短期預測
適用于光伏功率超短期預測的方法有基礎預測方法、基于云圖的預測方法以及基于數據驅動的預測方法。目前 NWP 時空分辨率普遍較低，暫不適用于超短期預測。
2. 2. 1 基礎預測方法
持續預測方法假設預測時刻氣象、輻照等條件與當前時刻一致，從而采用數據外推方法預測輻照度和光伏功率。這是最簡單的預測方法之一，但精度也較低，通常情況下，持續預測在超過 1 h 的預測中僅作為基準預測方法而非實際應用的工程算法[12]。
晴空預測模型( clear sky model) 假定天空中無云，基于大氣輻射傳輸模型和大氣要素進行輻照度或光伏功率預測，其主要考慮的大氣要素有臭氧含量、水汽含量、林頓渾濁度等[13]，主要的預測模型有 Solis 模 型、ESRA 模 型、Bird and Hulstrom 模 型、 Ineichen 模型等[14]。晴空條件下光伏功率波動小，能夠最大限度地反映輻照度的發電效應，因此常將晴空預測模型作為基本標定模型。
上述兩種基礎預測模型適用于光伏數據缺失或數據質量較差的情況，但由于無法考慮輻照度和光伏功率的波動性和隨機性，其預測精度較低，在天氣狀況變化劇烈或預測時間尺度較長時預測效果更差，目前工程應用不多。
2. 2. 2 基于云圖的超短期預測
云是影響地面輻照度的主要氣象要素，云層運動是地面輻照度和光伏功率波動性的主要原因[15]，因此，基于云圖的預測方法成為精細化光伏預測的重要技術方向之一。基于云圖的超短期預測通過專用設備對云進行測量并完成圖像采集，利用在線圖像分析技術分析云層運動情況，預測云層對太陽光的遮擋情況，實現地面輻照度和光伏功率預測。基于云圖的光伏功率預測誤差隨著預測時間尺度增加而變 大，實時預測的方均根誤差在 5% 以 內，而 10 min 預測的方均根誤差則可達 20% 以上[16]。
常用的云圖有地基云圖和氣象衛星云圖。其基本原理都是在假定云團形狀不發生改變、云團移動速度在短時間內保持不變的情況下，通過連續圖像分析得到天空云層的分布位置、云團大小、移動速度等信息。所有的云圖都需要進行圖像處理識別云團，通過塊匹配技術、交叉相關算法[17]等方法預測云團運動、形成云指數圖、預測云團遮擋等操作。其中云指數的提取技術已經較為成熟，常用于太陽資源 研 究[17-18]。圖 6 所示為通過分析氣象 衛 星 Mereosat-9 拍攝的云圖形成的云層移動矢量圖[18]，從中可以清晰地看到云層的運動方向和速度，從而得到考慮云層遮擋效應后的輻照度數據并進一步預測光伏功率。表 1 對基于衛星云圖和地基云圖的兩種預測方法進行了對比。
雖然基于云圖的方法為實現精細化預測提供了可能，但受限于測量設備和方法局限，仍然存在以下不足。
1) 由于在預測中默認假設短時間內云團的形態、速度保持不變，因此在云團形態和移動速度劇烈變化時，該方法無法獲得準確預測結果。
2) 云層高度信息獲取困難或缺少。云層對地面的遮擋與云層的高度有密切關系，但云圖無法給出云層高度信息，將不同高度的云層統一處理，會增加預測的誤差。
3) 衛星云圖空間分辨率較低，圖上一個像素點對應較大的地面面積，無法判定小范圍內云層情況。
4) 地面天空成像儀拍攝空間有限，只能獲取較小范圍內云層信息，當云層移動速度較快時，預測時間尺度將大大縮減。
5) 云圖圖像處理分析需在極短的時間內完成，對算法速度要求高，需權衡速度與精度。為彌補上述不足，有研究嘗試將云圖與其他預測方法或數據來源相結合，共同實現超短期輻照度或光伏功率預測，如文獻[19]將衛星云圖的分析數據與地面遙測數據相結合，共同作為預測模型的輸入進行預測; 文獻[20-21]利用衛星云圖與 NWP 數據進行提前 4 h 的超短期光伏功率預測; 文獻[19- 22]分別將地基云圖數據和衛星云圖數據、NWP 數據相結合進行預測。
國內對基于云圖的預測方法研究及應用時間較短，對云層信息預報能力有限，仍處在探索階段。國外在此方面的研究起步較早，但受限于預測精度和時空尺度，現階段工程應用實例不多。
文獻[23]介紹了安裝在美國 San Diego 的地基云圖分析系統，在不同時間尺度、不同季節條件下對比基于地基云圖的超短期輻照度預測與持續預測的精度，基于地基云圖的預測在 30 s 預測尺度下整體優于持續預測，在 5 min 預測尺度下優勢并不明顯。
2. 2. 3 基于數據驅動的超短期預測的數學方法
超短期預測算法已被用于電力負荷和風功率預測中，在光伏功率預測中也有著廣泛的應用前景。根據算法原理的不同，可以分為線性和非線性預測算法以及兩種或多種預測算法組合形成的綜合算法。
1) 線性預測算法
線性預測算法利用光伏電站的歷史數據和外源性氣象數據等，進行多元回歸，預測光伏功率或地面輻照度，常見的算法有 ARMA、自回歸積分滑動平均 ( ARIMA) 、外源自回歸滑動平均( ARMAX) 等。
2) 非線性預測算法
光伏功率與其作用因素之間存在著較強的非線性關系，單純采用線性預測算法可能無法獲得期望精度。非線性預測算法主要依據多因素與光伏功率之間的非線性統計規律，實現預測。主要算法有: 神經網絡算法[22，24]、支持向量機( SVM) 算法[9，25]、卡爾曼濾波算法[26-27]、馬爾可夫鏈算法等。
3) 綜合預測算法
綜合預測算法是針對輻照度和光伏功率特性，選擇算法進行組合得到的。針對各因素對光伏功率的線性和非線性影響，將線性和非線性預測算法相結合; 針對云對光伏功率的顯著影響，將云圖與智能算法如神經網絡算法相結合[24]; 針對光伏功率變化頻率快，文獻[28]將 AR 回歸模型和 Lucheroni 模型相結合，建立 CARDS 綜合模型，利用 Lucheroni 模型處 理 高 頻 數 據; 針對光伏功率的波動性，文獻[29-30]分別將小波分析算法與智能預測算法相結合，將光伏功率分解到不同頻段( 能量段) 上分別進行預測; 針對光伏功率的周期性和規律性，采用相似時段選擇算法[25]，利用分類/聚類方法篩選與預測對象具有相同特征和規律的訓練樣本; 利用光資源的物理特性，如空間相關性，將目標光伏電站周邊的光伏電站歷史數據和目標電站歷史數據作為預測模型的輸入[31]。
采用綜合預測算法時，需要深度把握光伏發電及光資源特性方可得到恰當的算法組合，否則可能無法提高預測精度。但目前研究還停留在不同算法間的機械組合，尚未深入到依據特性組合算法層面。
2. 3 短期預測
2. 3. 1 基于 NWP 的預測
短期預測一般需要 NWP。NWP 可以提供光伏功率的關鍵氣象因素及輻照度的預報。NWP 模型由一組根據物理規律建立的、用于預測大氣狀態的微分方程組成，最大預測時間尺度為 10 d [5]，可同時給出風功率和光伏功率預測所需的風速和輻照度信息。根據預測時空分辨率不同，NWP 可分為全球和中尺度 NWP。全球 NWP 目前運行在大約15 個氣象服 務 站[12]，如美國國家海洋和大氣管理局 ( NOAA) 的 GFS 及 ECMWF，其空間分辨率一般為 16 ～ 50 km，時間分辨率一般為 3 ～ 6 h。中 尺 度 NWP 是基于全球天氣預報的輸出結果和地區特點進行的預報，相比于全球 NWP 具有更高的時空分辨率，其空間分辨率一般為 5 ～ 20 km，甚至可達 1 km，時間分辨率可達 15 min ～ 1 h。中尺度 NWP 模型還可根據地域特點，利用數據后處理技術對結果進行修正[12]。常用的 NWP 模型如表 2 所示[13]。
通過 NWP 得到的輻照度可能存在較大誤差，主要誤差來源有 NWP 模型內輻照轉化模型( RTM model) 、云量預測模型及其他預報變量的誤差[32]，一般誤差在非晴空條件下比晴空條件下大。
改進 NWP 精度的常用方法有數據后處理技術，通過模式輸出統計( MOS) 方法可以對 NWP 的輸出結果進行修正[12，32]; 時空平滑法，采用多個網格預測平均值作為一個區域的預測值[10]。
現階段，很多國家提供了 NWP 公共服務。與國外先進水平( 如丹麥) 相比，中國的 NWP 精度較低。
2. 3. 2 常用短期預測算法
用于短期輻照度和光伏功率預測的主要算法有如下幾種。
1) 神經網絡算法
神經網絡算法具有良好的泛化能力和容錯能力，廣泛運用于光伏功率預測[33-34]。目前不少研究在神經網絡算法基礎上，通過建立組合模型、優化輸入神經元結構、改進網絡內部算法等來適應實際預測問題。
雖然神經網絡算法可擬合復雜的非線性關系，但高精度的神經網絡預測模型需要高精度的輸入數據。當樣本復雜且分散時，神經網絡可能無法有效學習輸入、輸出之間的規律，導致預測精度較低。
2) 分類回歸算法
分類回歸算法以光伏功率的周期性和規律性為基礎，建立特征指標體系，劃分數據樣本，獲得相似日樣本[9，35]，根據樣本特點建立預測模型，利用與預測目標時段具有高相似度的樣本訓練模型進行預測。采用分類回歸算法可以有效學習目標時段規律，提高預測效率和精度。常用的分類回歸算法有 SVR[36-37]和決策樹( CART) 等。
相關論文您還可以參考：光伏電站相關最新發表的論文
分類特征指標體系的確立是這一類方法的關鍵，目前這方面尚缺少深入研究。
3) 時間序列算法
用于短期與超短期光伏功率預測的時間序列算法 原 理 相 同，主 要 有 ARMAX[38]、外 源 自 回 歸 ( ARX) [39]算法等。時間序列預測算法適用于對預測精度要求不高、天氣變化不明顯的情況。
4) 小波分析算法
小波分析具有多分辨率分析的特點，在時域和頻域都具有表征信號局部信息的能力。近年來，國內外不少研究將小波分析用于分析和預測光伏功率[29，40]，對光伏功率進行不同頻段的分解和預測，以及異常數據點識別。
由于小波分析并不能直接實現光伏功率預測，因此小波分析算法往往在組合模型中出現，用于深入分析變量之間的關系和提高預測精度。
5) 隨機森林算法
隨機森林是一種統計學習理論，通過重抽樣方法抽取多個樣本，建立決策樹，組合多棵決策樹預測最終結果，其對異常值和噪聲有較強的容忍度，不易出現過擬合問題[41]。隨機森林算法在光伏功率預測領域的運用較少，僅有少量研究嘗試建立有差異的回歸樹實現光伏功率預測[42]。
由于在不同天氣模態下光伏數據特點不同，預測適用的算法不同，因此后續的研究中可以構建多預測模型森林，針對實際情況自主選擇預測結果的組合。
6) 概率預測算法
概率預測方法能給出下一時刻可能的光伏功率值及其出現的概率，提供了較全面的預測信息[43]。
目前國內外對光伏功率的概率預測還處于研究起步階段，主要嘗試將不同概率預測算法套用到光伏功率預測問題[44-45]，在建立適用于光伏功率預測問題的概率預測模型、建立誤差評價標準等方面都需要進一步深入研究。 7) 綜合預測算法綜合預測算法[46-49]的基本思想與超短期預測中綜合法類似，是研究熱點之一，但目前針對特定預測環境的組合模型分析較少，組合模型對預測精度的提升效果有限。——論文作者：龔鶯飛1，2 ，魯宗相1，2 ，喬 穎1，2 ，王 強3
SCISSCIAHCI
