發(fā)布時(shí)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(yù)測(cè)是提高光伏電站控制、調(diào)度性能，保障高比率光伏發(fā)電接入的電網(wǎng)安全穩(wěn)定運(yùn)行的基礎(chǔ)性關(guān)鍵技術(shù)。國(guó)內(nèi)光伏功率預(yù)測(cè)技術(shù)研究和工程應(yīng)用尚處于起步階段，理清其技術(shù)脈絡(luò)和關(guān)鍵問(wèn)題尤其迫切。文中對(duì)光伏功率預(yù)測(cè)基本技術(shù)原理和關(guān)鍵問(wèn)題進(jìn)行了全面綜述，首
摘要: 光伏功率預(yù)測(cè)是提高光伏電站控制、調(diào)度性能，保障高比率光伏發(fā)電接入的電網(wǎng)安全穩(wěn)定運(yùn)行的基礎(chǔ)性關(guān)鍵技術(shù)。國(guó)內(nèi)光伏功率預(yù)測(cè)技術(shù)研究和工程應(yīng)用尚處于起步階段，理清其技術(shù)脈絡(luò)和關(guān)鍵問(wèn)題尤其迫切。文中對(duì)光伏功率預(yù)測(cè)基本技術(shù)原理和關(guān)鍵問(wèn)題進(jìn)行了全面綜述，首先介紹其基本原理和預(yù)測(cè)模式，然后總結(jié)了超短期和短期預(yù)測(cè)的主要技術(shù)要點(diǎn)，并著重對(duì)提升預(yù)測(cè)精度的相關(guān)研究進(jìn)行評(píng)述，最后結(jié)合中國(guó)光伏功率預(yù)測(cè)發(fā)展現(xiàn)狀，提出了值得研究和關(guān)注的光伏功率預(yù)測(cè)關(guān)鍵問(wèn)題。
關(guān)鍵詞: 光伏功率預(yù)測(cè); 云圖; 數(shù)值天氣預(yù)報(bào); 預(yù)測(cè)算法
0 引言
光伏發(fā)電已經(jīng)成為繼風(fēng)力發(fā)電之后的可再生能源發(fā)電的新增長(zhǎng)點(diǎn)。2005—2014 年全球光伏發(fā)電裝機(jī)容量平均年增長(zhǎng)率高于 30%[1]，2014 年全球光伏發(fā)電總裝機(jī)容量已達(dá)約 186 GW，歐洲光伏發(fā)電量占總發(fā)電量的峰值比例達(dá) 7%[2]。
2009—2013 年中國(guó)光伏發(fā)電裝機(jī)容量平均年增長(zhǎng)率均超過(guò)了 100% ，從 2009 年的 0. 3 GW 增長(zhǎng)至 2014 年的 28 GW[3]，僅次于德國(guó)( 38. 2 GW) ，居世界第二位。中國(guó)光伏發(fā)電的主要利用模式逐漸從早期分布式離網(wǎng)光伏系統(tǒng)模式發(fā)展成大型并網(wǎng)光伏電站模式，截至 2014 年底，集中并網(wǎng)型光伏電站占光伏發(fā)電總裝機(jī)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(fā)電，是一種典型的間歇式電源; 光伏功率受氣象、環(huán)境條件影響，具有較大的波動(dòng)性和隨機(jī)性。這些特性使得大規(guī)模光伏發(fā)電并網(wǎng)對(duì)電網(wǎng)造成不良影響。若能及時(shí)、準(zhǔn)確地預(yù)測(cè)光伏功率，將對(duì)電網(wǎng)調(diào)度及光伏電站運(yùn)行具有重要意義。
光伏功率預(yù)測(cè)即根據(jù)歷史和當(dāng)前數(shù)據(jù)對(duì)未來(lái)一定時(shí)段的光伏功率進(jìn)行預(yù)測(cè)，按預(yù)測(cè)時(shí)長(zhǎng)可分為超短期光伏功率預(yù)測(cè)、短期光伏功率預(yù)測(cè)和中長(zhǎng)期光伏功率預(yù)測(cè)。光伏功率預(yù)測(cè)精度強(qiáng)依賴于天氣模態(tài)和氣候條件等因素。美國(guó)加州地區(qū)的統(tǒng)計(jì)表明[4]，晴空條件下，超短期光伏功率預(yù)測(cè)的方均根誤差在 8% 以內(nèi); 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(yù)測(cè)的方均根誤差最小可 達(dá) 到 3. 9% ，短期預(yù)測(cè)的方均根誤差可達(dá) 4. 6%[5]。
國(guó)際上已有不少機(jī)構(gòu)提供光伏功率預(yù)測(cè)和光資源 評(píng) 估 的 服 務(wù)，如 AWS Truepower，Clean Power Research，Green Power Labs，MeteoTest 瑞士公司開(kāi)發(fā)的 Meteonorm 軟件，以及法國(guó)美迪公司的 MeteoDyn Solar。基于光伏功率預(yù)測(cè)可拓展開(kāi)發(fā)光伏系統(tǒng)工程設(shè)計(jì)應(yīng)用軟件，如瑞士日內(nèi)瓦大學(xué)能源課題組開(kāi)發(fā)的 PVSYST 軟件; 國(guó)內(nèi)如中國(guó)電力科學(xué)研究院電工所開(kāi)發(fā)的針對(duì)光伏功率預(yù)測(cè)和光伏系統(tǒng)設(shè)計(jì)的軟件。光伏功率預(yù)測(cè)已開(kāi)始應(yīng)用于電力系統(tǒng)運(yùn)行，國(guó)家電網(wǎng)智能電網(wǎng)調(diào)度控制系統(tǒng)( 簡(jiǎn)稱 D5000 系統(tǒng)) 的新能源監(jiān)測(cè)與調(diào)度高級(jí)應(yīng)用中包含了光伏功率預(yù)測(cè)功能模塊。
總體來(lái)看，國(guó)外的光伏發(fā)電產(chǎn)業(yè)較中國(guó)起步早，已經(jīng)積累了大量的技術(shù)成果、工程經(jīng)驗(yàn)和運(yùn)行數(shù)據(jù); 中國(guó)目前在光伏功率預(yù)測(cè)領(lǐng)域的研究稍滯后于歐美發(fā)達(dá)國(guó)家，仍處于探索階段。
本文對(duì)光伏功率預(yù)測(cè)的技術(shù)體系、研究熱點(diǎn)進(jìn)行了梳理，以期為中國(guó)的光伏功率預(yù)測(cè)研究與應(yīng)用提供借鑒和啟發(fā)。
1 光伏功率預(yù)測(cè)原理和基本框架
光伏功率預(yù)測(cè)是以數(shù)值天氣預(yù)報(bào)( numerical weather prediction，NWP) 數(shù)據(jù)或/和實(shí)測(cè)數(shù)據(jù)為基礎(chǔ)，結(jié)合光伏電站地理坐標(biāo)及具體地域特點(diǎn)的參數(shù)化方案，建立預(yù)測(cè)模型及算法，實(shí)現(xiàn)對(duì)未來(lái)一定時(shí)間段內(nèi)光伏電站輸出功率的預(yù)測(cè)。
光伏發(fā)電從光到電能量的傳遞路線如圖 1 所示。
太陽(yáng)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(guān)系。本節(jié)將從光伏功率( 或輻照度) 的關(guān)鍵影響因素、光伏功率特性、預(yù)測(cè)方法、預(yù)測(cè)模式以及預(yù)測(cè)精度評(píng)價(jià) 5 個(gè)方面對(duì)光伏功率預(yù)測(cè)原理和框架進(jìn)行介紹。
1. 1 關(guān)鍵影響因素影響
光伏功率的因素眾多，相互耦合。按照太陽(yáng)能傳遞和轉(zhuǎn)化過(guò)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(yù)測(cè)精度直接影響光伏功率預(yù)測(cè)精度。
氣候是某地區(qū)長(zhǎng)時(shí)間尺度的大氣一般狀態(tài)和天氣過(guò)程的綜合表現(xiàn)，是影響光資源水平的重要因素。
氣象是指短時(shí)間尺度的大氣物理現(xiàn)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(guò) NWP( 含全球和中尺度模式) 、地面天空成像儀、衛(wèi)星測(cè)量、地面遙感測(cè)量等方式獲取。不同方式獲取的氣象數(shù)據(jù)具有不同的時(shí)空分辨率和精度水平， NWP 時(shí)空分辨率較低、時(shí)空尺度較大; 而地基云圖對(duì)云層的預(yù)報(bào)時(shí)空分辨率較高，但時(shí)空尺度較小。
地理因素如光伏電站的地理坐標(biāo)、地域環(huán)境等，這些因素對(duì)預(yù)報(bào)的影響較為穩(wěn)定。
電氣效率主要指光伏組件、電站其他電氣設(shè)備的效率，前者直接影響光轉(zhuǎn)電環(huán)節(jié)的能量轉(zhuǎn)換效率，后者影響電能從光伏組件傳送到電網(wǎng)的效率。電站設(shè)計(jì)、人為因素也將對(duì)光伏功率產(chǎn)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(gè)特點(diǎn)。
1) 較強(qiáng)的晝夜周期性和季節(jié)周期性。日照晝夜周期性和日—地相對(duì)位置周期性變化決定了光伏功率的這一特點(diǎn)，而風(fēng)功率則不具有類似特性。
2) 影響因素多、影響機(jī)理復(fù)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(huán)境下對(duì)其影響程度不同[6-7]。而風(fēng)功率則主要取決于風(fēng)速，其他因素如風(fēng)向、溫度、氣壓等，則影響較小。
3) 波動(dòng)性和隨機(jī)性強(qiáng)、變化頻率快。電力負(fù)荷無(wú)法突變，風(fēng)功率的波動(dòng)性強(qiáng)于電力負(fù)荷，主要體現(xiàn)為小時(shí)級(jí)波動(dòng)[8]，而光伏功率可在數(shù)分鐘內(nèi)實(shí)現(xiàn)從滿功率到零功率變化，具有更強(qiáng)的波動(dòng)性。
4) 數(shù)據(jù)樣本有限、數(shù)據(jù)條件較差。受限于測(cè)量設(shè)備和技術(shù)，光伏數(shù)據(jù)量少、質(zhì)差，因此光伏功率預(yù)測(cè)要解決小樣本預(yù)測(cè)難題。
1. 3 光伏功率預(yù)測(cè)方法分類
光伏功率預(yù)測(cè)方法的分類方式很多，根據(jù)預(yù)測(cè)過(guò)程的不同，可分為直接法和間接法; 根據(jù)建模方式的不同，可分為物理方法和統(tǒng)計(jì)方法; 根據(jù)預(yù)測(cè)時(shí)間尺度不同，可分為超短期( 0 ～ 6 h) 、短期( 6 h ～ 1 d) 和中長(zhǎng)期( 1 月 ～ 1 年) 預(yù)測(cè)法; 根據(jù)預(yù)測(cè)的空間范圍大小不同，可分為單場(chǎng)預(yù)測(cè)和區(qū)域預(yù)測(cè)。
1. 3. 1 直接預(yù)測(cè)法和間接預(yù)測(cè)法
直接預(yù)測(cè)法是根據(jù)光伏功率歷史數(shù)據(jù)直接進(jìn)行預(yù)測(cè); 間接預(yù)測(cè)法是首先預(yù)測(cè)地表或光伏電池板接收的太陽(yáng)輻照度，再預(yù)測(cè)光伏功率。兩類預(yù)測(cè)方法的流程如圖 3 所示。
直接預(yù)測(cè)法的建模難度較大，不同時(shí)間尺度和工作狀態(tài)下映射關(guān)系的變化可能導(dǎo)致模型性能下降甚至失效。間接預(yù)測(cè)法在整個(gè)預(yù)測(cè)過(guò)程中可能需要建立多個(gè)預(yù)測(cè)模型，較為復(fù)雜。
1. 3. 2 物理方法和統(tǒng)計(jì)預(yù)測(cè)方法
物理方法基于太陽(yáng)輻照傳遞方程、光伏組件運(yùn)行方程等物理方程進(jìn)行預(yù)測(cè)，需要光伏電站詳細(xì)的地理信息以及氣象和太陽(yáng)輻照數(shù)據(jù); 統(tǒng)計(jì)方法基于預(yù)測(cè)模型輸入、輸出因素之間的統(tǒng)計(jì)規(guī)律進(jìn)行預(yù)測(cè)。
物理方法不需要大量歷史數(shù)據(jù)，適用于新建的光伏電站，但需要光伏電站詳細(xì)的地理信息和組件參數(shù)等數(shù)據(jù)[9]，建模過(guò)程復(fù)雜，且難以模擬一些極端異常天氣情況和環(huán)境及光伏組件參數(shù)隨時(shí)間發(fā)生的緩慢變化，模型抗干擾能力較差，魯棒性不強(qiáng)。
統(tǒng)計(jì)方法需要從大量的歷史數(shù)據(jù)中獲取預(yù)測(cè)需要的規(guī)律，如光伏電站有功功率與氣象數(shù)據(jù)、歷史運(yùn)行情況之間的規(guī)律，對(duì)光伏電站的地理信息和測(cè)光資料要求不高。
1. 3. 3 超短期、短期和中長(zhǎng)期預(yù)測(cè)
超短期光伏功率預(yù)測(cè)可提供功率瞬變信息; 短期預(yù)測(cè)可用于調(diào)度計(jì)劃制定、負(fù)荷跟蹤預(yù)測(cè)、電力市場(chǎng)等領(lǐng)域; 中長(zhǎng)期光伏功率預(yù)測(cè)可用于光資源評(píng)估、新建光伏電站規(guī)劃等領(lǐng)域。
超短期光伏功率預(yù)測(cè)可采用物理方法和統(tǒng)計(jì)預(yù)測(cè)方法。其中物理方法主要是對(duì)云圖進(jìn)行圖像處理，結(jié)合 NWP 或地面觀測(cè)站數(shù)據(jù)，進(jìn)行光伏功率預(yù)測(cè); 統(tǒng)計(jì)預(yù)測(cè)方法主要采用自回 歸滑動(dòng)平均 ( ARMA) 算法、人工智能算法、持續(xù)預(yù)測(cè)法等進(jìn)行預(yù)測(cè)。
相比之下，短期功率預(yù)測(cè)需要?dú)庀髷?shù)據(jù)的時(shí)空分辨率要求相對(duì)較低，可利用精細(xì)化的 NWP 數(shù)據(jù)進(jìn)行預(yù)測(cè)而不必采用云圖數(shù)據(jù)。
中長(zhǎng)期光伏功率預(yù)測(cè)主要是根據(jù)地區(qū)歷史光資源數(shù)據(jù)等估計(jì)未來(lái)較長(zhǎng)時(shí)間段內(nèi)的光伏功率。
1. 3. 4 單場(chǎng)預(yù)測(cè)和區(qū)域預(yù)測(cè)
單場(chǎng)預(yù)測(cè)是指單個(gè)光伏電站的功率預(yù)測(cè)，區(qū)域預(yù)測(cè)是指對(duì)某個(gè)區(qū)域范圍內(nèi)的多個(gè)光伏電站總出力的預(yù)測(cè)。
單場(chǎng)預(yù)測(cè)可為發(fā)電運(yùn)營(yíng)者提供光伏電站的功率預(yù)測(cè)信息，主要應(yīng)用于光伏電站發(fā)電的優(yōu)化運(yùn)行與控制; 區(qū)域預(yù)測(cè)可為電網(wǎng)運(yùn)營(yíng)商提供某一區(qū)域范圍內(nèi)的光伏出力值，幫助電力調(diào)度部門預(yù)估光伏功率波動(dòng)，制定多種電源協(xié)調(diào)調(diào)度計(jì)劃，降低光伏電站接入對(duì)電網(wǎng)的不利影響。
區(qū)域光伏功率預(yù)測(cè)的精度往往高于單場(chǎng)功率預(yù)測(cè)精度[5]。通過(guò)區(qū)域光伏電站之間的隨機(jī)誤差相互抵消，預(yù)測(cè)方均根誤差可減少 64%[10]。
1. 4 光伏功率預(yù)測(cè)典型模式
圖 4 是光伏功率預(yù)測(cè)的幾種典型模式，分別適用于不同的數(shù)據(jù)條件、預(yù)測(cè)時(shí)空尺度及精度要求。
1) 模式 1: 輸入氣象數(shù)據(jù)、輻照數(shù)據(jù)，建立預(yù)測(cè)模型。該模式適用于氣象、輻照數(shù)據(jù)可得的情況，對(duì)光伏電站的歷史運(yùn)行數(shù)據(jù)要求不高。進(jìn)行大空間尺度預(yù)測(cè)時(shí)，采用 NWP 數(shù)據(jù)較合適; 進(jìn)行小范圍局部預(yù)測(cè)時(shí)，采用地面測(cè)量站數(shù)據(jù)更精確。這一模式多用于短期光伏功率預(yù)測(cè)，隨著 NWP 的時(shí)空分辨率上升，模式 1 也逐漸在超短期光伏功率預(yù)測(cè)中使用。
2) 模式 2: 輸入光伏電站歷史發(fā)電量，建立預(yù)測(cè)模型。該模式適用于缺少氣象、輻照數(shù)據(jù)但歷史運(yùn)行數(shù)據(jù)可獲得的情況，可在超短期和短期光伏功率預(yù)測(cè)中使用。當(dāng)光伏電站所處地區(qū)氣候變化不明顯時(shí)，未來(lái)光伏功率與歷史光伏功率具有較強(qiáng)相關(guān)性，該模式可達(dá)到較高精度。
3) 模式 3: 輸入氣象、輻照、光伏電站歷史運(yùn)行數(shù)據(jù)等，建立預(yù)測(cè)模型。該模式對(duì)輸入數(shù)據(jù)要求最高，預(yù)測(cè)結(jié)果的精度也較高。
4) 模式 4: 基于持續(xù)預(yù)測(cè)模型和晴空預(yù)測(cè)模型的基礎(chǔ)預(yù)測(cè)模式。針對(duì)天氣預(yù)報(bào)數(shù)據(jù)較難獲取或新建光伏電站歷史數(shù)據(jù)較少的情況，使用上述兩個(gè)預(yù)測(cè)模型實(shí)現(xiàn)光伏功率粗略估計(jì)。基礎(chǔ)模型算法簡(jiǎn)單、實(shí)現(xiàn)要求低，但其預(yù)測(cè)精度較低、適用時(shí)空尺度較小，常作為對(duì)照模型，對(duì)比新預(yù)測(cè)模型的預(yù)測(cè)效果。
所有預(yù)測(cè)模式的關(guān)鍵都在于尋找已知變量和數(shù)據(jù)與未來(lái)光伏功率之間的映射規(guī)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(guī)律，模式 2 需要尋找歷史和未來(lái)發(fā)電量之間的規(guī)律。
2 光伏功率預(yù)測(cè)算法
2. 1 預(yù)測(cè)技術(shù)圖譜
光伏功率預(yù)測(cè)的關(guān)鍵在于確定不同時(shí)空尺度下影響光伏功率的主要因素及其作用機(jī)理，并選擇恰當(dāng)?shù)乃惴ń㈩A(yù)測(cè)模型。常見(jiàn)的預(yù)測(cè)技術(shù)方法總結(jié)如圖 5 所示。
圖 5 中: WRF 為天氣研究和預(yù)報(bào)模型; MM5 為第 5 代中尺度預(yù)報(bào)模型; GFS 為 全 球 預(yù) 報(bào) 系 統(tǒng); ECMWF 為歐洲中尺度天氣預(yù)報(bào)中心。圖 5 中的預(yù)測(cè)方法基本沿著兩條思路展開(kāi)技術(shù)研究。
1) 研究輻照度、光伏功率的關(guān)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(zhǎng)期) 的方法。
2) 學(xué)習(xí)輻照度、光伏功率歷史規(guī)律，這是統(tǒng)計(jì)方法的思路，主要方法有神經(jīng)網(wǎng)絡(luò)等智能算法、時(shí)間序列法、基礎(chǔ)預(yù)測(cè)法等。
本節(jié)按預(yù)測(cè)時(shí)間尺度分超短期和短期光伏功率預(yù)測(cè)進(jìn)行方法評(píng)述，中長(zhǎng)期光伏功率預(yù)測(cè)目前研究較少，此處不再進(jìn)一步評(píng)述。
2. 2 超短期預(yù)測(cè)
適用于光伏功率超短期預(yù)測(cè)的方法有基礎(chǔ)預(yù)測(cè)方法、基于云圖的預(yù)測(cè)方法以及基于數(shù)據(jù)驅(qū)動(dòng)的預(yù)測(cè)方法。目前 NWP 時(shí)空分辨率普遍較低，暫不適用于超短期預(yù)測(cè)。
2. 2. 1 基礎(chǔ)預(yù)測(cè)方法
持續(xù)預(yù)測(cè)方法假設(shè)預(yù)測(cè)時(shí)刻氣象、輻照等條件與當(dāng)前時(shí)刻一致，從而采用數(shù)據(jù)外推方法預(yù)測(cè)輻照度和光伏功率。這是最簡(jiǎn)單的預(yù)測(cè)方法之一，但精度也較低，通常情況下，持續(xù)預(yù)測(cè)在超過(guò) 1 h 的預(yù)測(cè)中僅作為基準(zhǔn)預(yù)測(cè)方法而非實(shí)際應(yīng)用的工程算法[12]。
晴空預(yù)測(cè)模型( clear sky model) 假定天空中無(wú)云，基于大氣輻射傳輸模型和大氣要素進(jìn)行輻照度或光伏功率預(yù)測(cè)，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(yù)測(cè)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(dòng)小，能夠最大限度地反映輻照度的發(fā)電效應(yīng)，因此常將晴空預(yù)測(cè)模型作為基本標(biāo)定模型。
上述兩種基礎(chǔ)預(yù)測(cè)模型適用于光伏數(shù)據(jù)缺失或數(shù)據(jù)質(zhì)量較差的情況，但由于無(wú)法考慮輻照度和光伏功率的波動(dòng)性和隨機(jī)性，其預(yù)測(cè)精度較低，在天氣狀況變化劇烈或預(yù)測(cè)時(shí)間尺度較長(zhǎng)時(shí)預(yù)測(cè)效果更差，目前工程應(yīng)用不多。
2. 2. 2 基于云圖的超短期預(yù)測(cè)
云是影響地面輻照度的主要?dú)庀笠兀茖舆\(yùn)動(dòng)是地面輻照度和光伏功率波動(dòng)性的主要原因[15]，因此，基于云圖的預(yù)測(cè)方法成為精細(xì)化光伏預(yù)測(cè)的重要技術(shù)方向之一。基于云圖的超短期預(yù)測(cè)通過(guò)專用設(shè)備對(duì)云進(jìn)行測(cè)量并完成圖像采集，利用在線圖像分析技術(shù)分析云層運(yùn)動(dòng)情況，預(yù)測(cè)云層對(duì)太陽(yáng)光的遮擋情況，實(shí)現(xiàn)地面輻照度和光伏功率預(yù)測(cè)。基于云圖的光伏功率預(yù)測(cè)誤差隨著預(yù)測(cè)時(shí)間尺度增加而變 大，實(shí)時(shí)預(yù)測(cè)的方均根誤差在 5% 以 內(nèi)，而 10 min 預(yù)測(cè)的方均根誤差則可達(dá) 20% 以上[16]。
常用的云圖有地基云圖和氣象衛(wèi)星云圖。其基本原理都是在假定云團(tuán)形狀不發(fā)生改變、云團(tuán)移動(dòng)速度在短時(shí)間內(nèi)保持不變的情況下，通過(guò)連續(xù)圖像分析得到天空云層的分布位置、云團(tuán)大小、移動(dòng)速度等信息。所有的云圖都需要進(jìn)行圖像處理識(shí)別云團(tuán)，通過(guò)塊匹配技術(shù)、交叉相關(guān)算法[17]等方法預(yù)測(cè)云團(tuán)運(yùn)動(dòng)、形成云指數(shù)圖、預(yù)測(cè)云團(tuán)遮擋等操作。其中云指數(shù)的提取技術(shù)已經(jīng)較為成熟，常用于太陽(yáng)資源 研 究[17-18]。圖 6 所示為通過(guò)分析氣象 衛(wèi) 星 Mereosat-9 拍攝的云圖形成的云層移動(dòng)矢量圖[18]，從中可以清晰地看到云層的運(yùn)動(dòng)方向和速度，從而得到考慮云層遮擋效應(yīng)后的輻照度數(shù)據(jù)并進(jìn)一步預(yù)測(cè)光伏功率。表 1 對(duì)基于衛(wèi)星云圖和地基云圖的兩種預(yù)測(cè)方法進(jìn)行了對(duì)比。
雖然基于云圖的方法為實(shí)現(xiàn)精細(xì)化預(yù)測(cè)提供了可能，但受限于測(cè)量設(shè)備和方法局限，仍然存在以下不足。
1) 由于在預(yù)測(cè)中默認(rèn)假設(shè)短時(shí)間內(nèi)云團(tuán)的形態(tài)、速度保持不變，因此在云團(tuán)形態(tài)和移動(dòng)速度劇烈變化時(shí)，該方法無(wú)法獲得準(zhǔn)確預(yù)測(cè)結(jié)果。
2) 云層高度信息獲取困難或缺少。云層對(duì)地面的遮擋與云層的高度有密切關(guān)系，但云圖無(wú)法給出云層高度信息，將不同高度的云層統(tǒng)一處理，會(huì)增加預(yù)測(cè)的誤差。
3) 衛(wèi)星云圖空間分辨率較低，圖上一個(gè)像素點(diǎn)對(duì)應(yīng)較大的地面面積，無(wú)法判定小范圍內(nèi)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(nèi)云層信息，當(dāng)云層移動(dòng)速度較快時(shí)，預(yù)測(cè)時(shí)間尺度將大大縮減。
5) 云圖圖像處理分析需在極短的時(shí)間內(nèi)完成，對(duì)算法速度要求高，需權(quán)衡速度與精度。為彌補(bǔ)上述不足，有研究嘗試將云圖與其他預(yù)測(cè)方法或數(shù)據(jù)來(lái)源相結(jié)合，共同實(shí)現(xiàn)超短期輻照度或光伏功率預(yù)測(cè)，如文獻(xiàn)[19]將衛(wèi)星云圖的分析數(shù)據(jù)與地面遙測(cè)數(shù)據(jù)相結(jié)合，共同作為預(yù)測(cè)模型的輸入進(jìn)行預(yù)測(cè); 文獻(xiàn)[20-21]利用衛(wèi)星云圖與 NWP 數(shù)據(jù)進(jìn)行提前 4 h 的超短期光伏功率預(yù)測(cè); 文獻(xiàn)[19- 22]分別將地基云圖數(shù)據(jù)和衛(wèi)星云圖數(shù)據(jù)、NWP 數(shù)據(jù)相結(jié)合進(jìn)行預(yù)測(cè)。
國(guó)內(nèi)對(duì)基于云圖的預(yù)測(cè)方法研究及應(yīng)用時(shí)間較短，對(duì)云層信息預(yù)報(bào)能力有限，仍處在探索階段。國(guó)外在此方面的研究起步較早，但受限于預(yù)測(cè)精度和時(shí)空尺度，現(xiàn)階段工程應(yīng)用實(shí)例不多。
文獻(xiàn)[23]介紹了安裝在美國(guó) San Diego 的地基云圖分析系統(tǒng)，在不同時(shí)間尺度、不同季節(jié)條件下對(duì)比基于地基云圖的超短期輻照度預(yù)測(cè)與持續(xù)預(yù)測(cè)的精度，基于地基云圖的預(yù)測(cè)在 30 s 預(yù)測(cè)尺度下整體優(yōu)于持續(xù)預(yù)測(cè)，在 5 min 預(yù)測(cè)尺度下優(yōu)勢(shì)并不明顯。
2. 2. 3 基于數(shù)據(jù)驅(qū)動(dòng)的超短期預(yù)測(cè)的數(shù)學(xué)方法
超短期預(yù)測(cè)算法已被用于電力負(fù)荷和風(fēng)功率預(yù)測(cè)中，在光伏功率預(yù)測(cè)中也有著廣泛的應(yīng)用前景。根據(jù)算法原理的不同，可以分為線性和非線性預(yù)測(cè)算法以及兩種或多種預(yù)測(cè)算法組合形成的綜合算法。
1) 線性預(yù)測(cè)算法
線性預(yù)測(cè)算法利用光伏電站的歷史數(shù)據(jù)和外源性氣象數(shù)據(jù)等，進(jìn)行多元回歸，預(yù)測(cè)光伏功率或地面輻照度，常見(jiàn)的算法有 ARMA、自回歸積分滑動(dòng)平均 ( ARIMA) 、外源自回歸滑動(dòng)平均( ARMAX) 等。
2) 非線性預(yù)測(cè)算法
光伏功率與其作用因素之間存在著較強(qiáng)的非線性關(guān)系，單純采用線性預(yù)測(cè)算法可能無(wú)法獲得期望精度。非線性預(yù)測(cè)算法主要依據(jù)多因素與光伏功率之間的非線性統(tǒng)計(jì)規(guī)律，實(shí)現(xiàn)預(yù)測(cè)。主要算法有: 神經(jīng)網(wǎng)絡(luò)算法[22，24]、支持向量機(jī)( 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(yù)測(cè)算法
綜合預(yù)測(cè)算法是針對(duì)輻照度和光伏功率特性，選擇算法進(jìn)行組合得到的。針對(duì)各因素對(duì)光伏功率的線性和非線性影響，將線性和非線性預(yù)測(cè)算法相結(jié)合; 針對(duì)云對(duì)光伏功率的顯著影響，將云圖與智能算法如神經(jīng)網(wǎng)絡(luò)算法相結(jié)合[24]; 針對(duì)光伏功率變化頻率快，文獻(xiàn)[28]將 AR 回歸模型和 Lucheroni 模型相結(jié)合，建立 CARDS 綜合模型，利用 Lucheroni 模型處 理 高 頻 數(shù) 據(jù); 針對(duì)光伏功率的波動(dòng)性，文獻(xiàn)[29-30]分別將小波分析算法與智能預(yù)測(cè)算法相結(jié)合，將光伏功率分解到不同頻段( 能量段) 上分別進(jìn)行預(yù)測(cè); 針對(duì)光伏功率的周期性和規(guī)律性，采用相似時(shí)段選擇算法[25]，利用分類/聚類方法篩選與預(yù)測(cè)對(duì)象具有相同特征和規(guī)律的訓(xùn)練樣本; 利用光資源的物理特性，如空間相關(guān)性，將目標(biāo)光伏電站周邊的光伏電站歷史數(shù)據(jù)和目標(biāo)電站歷史數(shù)據(jù)作為預(yù)測(cè)模型的輸入[31]。
采用綜合預(yù)測(cè)算法時(shí)，需要深度把握光伏發(fā)電及光資源特性方可得到恰當(dāng)?shù)乃惴ńM合，否則可能無(wú)法提高預(yù)測(cè)精度。但目前研究還停留在不同算法間的機(jī)械組合，尚未深入到依據(jù)特性組合算法層面。
2. 3 短期預(yù)測(cè)
2. 3. 1 基于 NWP 的預(yù)測(cè)
短期預(yù)測(cè)一般需要 NWP。NWP 可以提供光伏功率的關(guān)鍵氣象因素及輻照度的預(yù)報(bào)。NWP 模型由一組根據(jù)物理規(guī)律建立的、用于預(yù)測(cè)大氣狀態(tài)的微分方程組成，最大預(yù)測(cè)時(shí)間尺度為 10 d [5]，可同時(shí)給出風(fēng)功率和光伏功率預(yù)測(cè)所需的風(fēng)速和輻照度信息。根據(jù)預(yù)測(cè)時(shí)空分辨率不同，NWP 可分為全球和中尺度 NWP。全球 NWP 目前運(yùn)行在大約15 個(gè)氣象服 務(wù) 站[12]，如美國(guó)國(guó)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(shí)間分辨率一般為 3 ～ 6 h。中 尺 度 NWP 是基于全球天氣預(yù)報(bào)的輸出結(jié)果和地區(qū)特點(diǎn)進(jìn)行的預(yù)報(bào)，相比于全球 NWP 具有更高的時(shí)空分辨率，其空間分辨率一般為 5 ～ 20 km，甚至可達(dá) 1 km，時(shí)間分辨率可達(dá) 15 min ～ 1 h。中尺度 NWP 模型還可根據(jù)地域特點(diǎn)，利用數(shù)據(jù)后處理技術(shù)對(duì)結(jié)果進(jìn)行修正[12]。常用的 NWP 模型如表 2 所示[13]。
通過(guò) NWP 得到的輻照度可能存在較大誤差，主要誤差來(lái)源有 NWP 模型內(nèi)輻照轉(zhuǎn)化模型( RTM model) 、云量預(yù)測(cè)模型及其他預(yù)報(bào)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(jìn) NWP 精度的常用方法有數(shù)據(jù)后處理技術(shù)，通過(guò)模式輸出統(tǒng)計(jì)( MOS) 方法可以對(duì) NWP 的輸出結(jié)果進(jìn)行修正[12，32]; 時(shí)空平滑法，采用多個(gè)網(wǎng)格預(yù)測(cè)平均值作為一個(gè)區(qū)域的預(yù)測(cè)值[10]。
現(xiàn)階段，很多國(guó)家提供了 NWP 公共服務(wù)。與國(guó)外先進(jìn)水平( 如丹麥) 相比，中國(guó)的 NWP 精度較低。
2. 3. 2 常用短期預(yù)測(cè)算法
用于短期輻照度和光伏功率預(yù)測(cè)的主要算法有如下幾種。
1) 神經(jīng)網(wǎng)絡(luò)算法
神經(jīng)網(wǎng)絡(luò)算法具有良好的泛化能力和容錯(cuò)能力，廣泛運(yùn)用于光伏功率預(yù)測(cè)[33-34]。目前不少研究在神經(jīng)網(wǎng)絡(luò)算法基礎(chǔ)上，通過(guò)建立組合模型、優(yōu)化輸入神經(jīng)元結(jié)構(gòu)、改進(jìn)網(wǎng)絡(luò)內(nèi)部算法等來(lái)適應(yīng)實(shí)際預(yù)測(cè)問(wèn)題。
雖然神經(jīng)網(wǎng)絡(luò)算法可擬合復(fù)雜的非線性關(guān)系，但高精度的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型需要高精度的輸入數(shù)據(jù)。當(dāng)樣本復(fù)雜且分散時(shí)，神經(jīng)網(wǎng)絡(luò)可能無(wú)法有效學(xué)習(xí)輸入、輸出之間的規(guī)律，導(dǎo)致預(yù)測(cè)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(guī)律性為基礎(chǔ)，建立特征指標(biāo)體系，劃分?jǐn)?shù)據(jù)樣本，獲得相似日樣本[9，35]，根據(jù)樣本特點(diǎn)建立預(yù)測(cè)模型，利用與預(yù)測(cè)目標(biāo)時(shí)段具有高相似度的樣本訓(xùn)練模型進(jìn)行預(yù)測(cè)。采用分類回歸算法可以有效學(xué)習(xí)目標(biāo)時(shí)段規(guī)律，提高預(yù)測(cè)效率和精度。常用的分類回歸算法有 SVR[36-37]和決策樹(shù)( CART) 等。
相關(guān)論文您還可以參考：光伏電站相關(guān)最新發(fā)表的論文
分類特征指標(biāo)體系的確立是這一類方法的關(guān)鍵，目前這方面尚缺少深入研究。
3) 時(shí)間序列算法
用于短期與超短期光伏功率預(yù)測(cè)的時(shí)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(shí)間序列預(yù)測(cè)算法適用于對(duì)預(yù)測(cè)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(diǎn)，在時(shí)域和頻域都具有表征信號(hào)局部信息的能力。近年來(lái)，國(guó)內(nèi)外不少研究將小波分析用于分析和預(yù)測(cè)光伏功率[29，40]，對(duì)光伏功率進(jìn)行不同頻段的分解和預(yù)測(cè)，以及異常數(shù)據(jù)點(diǎn)識(shí)別。
由于小波分析并不能直接實(shí)現(xiàn)光伏功率預(yù)測(cè)，因此小波分析算法往往在組合模型中出現(xiàn)，用于深入分析變量之間的關(guān)系和提高預(yù)測(cè)精度。
5) 隨機(jī)森林算法
隨機(jī)森林是一種統(tǒng)計(jì)學(xué)習(xí)理論，通過(guò)重抽樣方法抽取多個(gè)樣本，建立決策樹(shù)，組合多棵決策樹(shù)預(yù)測(cè)最終結(jié)果，其對(duì)異常值和噪聲有較強(qiáng)的容忍度，不易出現(xiàn)過(guò)擬合問(wèn)題[41]。隨機(jī)森林算法在光伏功率預(yù)測(cè)領(lǐng)域的運(yùn)用較少，僅有少量研究嘗試建立有差異的回歸樹(shù)實(shí)現(xiàn)光伏功率預(yù)測(cè)[42]。
由于在不同天氣模態(tài)下光伏數(shù)據(jù)特點(diǎn)不同，預(yù)測(cè)適用的算法不同，因此后續(xù)的研究中可以構(gòu)建多預(yù)測(cè)模型森林，針對(duì)實(shí)際情況自主選擇預(yù)測(cè)結(jié)果的組合。
6) 概率預(yù)測(cè)算法
概率預(yù)測(cè)方法能給出下一時(shí)刻可能的光伏功率值及其出現(xiàn)的概率，提供了較全面的預(yù)測(cè)信息[43]。
目前國(guó)內(nèi)外對(duì)光伏功率的概率預(yù)測(cè)還處于研究起步階段，主要嘗試將不同概率預(yù)測(cè)算法套用到光伏功率預(yù)測(cè)問(wèn)題[44-45]，在建立適用于光伏功率預(yù)測(cè)問(wèn)題的概率預(yù)測(cè)模型、建立誤差評(píng)價(jià)標(biāo)準(zhǔn)等方面都需要進(jìn)一步深入研究。 7) 綜合預(yù)測(cè)算法綜合預(yù)測(cè)算法[46-49]的基本思想與超短期預(yù)測(cè)中綜合法類似，是研究熱點(diǎn)之一，但目前針對(duì)特定預(yù)測(cè)環(huán)境的組合模型分析較少，組合模型對(duì)預(yù)測(cè)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(qiáng)3
