光伏發電功率預測方法研究綜述*

錢 振，蔡世波，顧宇慶，童建軍，鮑官軍*

(1.浙江工業大學，特種裝備制造與先進加工技術教育部/浙江省重點實驗室，浙江杭州310032;2.上海汽車集團股份有限公司技術中心，上海200041)

0 引言

隨著世界經濟的快速發展，越來越多的能源被消耗。化石燃料是不可再生的，石油、煤和天然氣儲采比分別為53.3年、113年和55.1年［1］。據英國石油公司(BP)預測2030 可再生能源占全球能源供應的比例將達到30%。太陽能是最理想的可再生能源之一，在太陽能應用中，光伏發電是最重要的形式之一。

光伏系統可以應用于單個建筑的獨立系統、農村的戶用光伏系統、偏遠地區的大規模光伏發電廠或與其他能源相結合構成的微型智能電網。不管以哪一種形式應用，它都存在發電功率預測的問題。特別是在光伏發電廠和微網系統中，光伏發電輸出的預測數據不僅在管理、調度、操作、公共電網和微電網的控制中發揮重要作用，也在系統的優化、能源有效利用、電網的安全和穩定運行中起著至關重要的作用［2-3］。

本研究首先簡要介紹光伏發電及其影響因素，著重討論分析近年來光伏發電功率預測的研究工作，并針對光伏發電預測研究工作存在的問題深入討論、提出相關建議。

1 光伏發電的影響因素

1.1 太陽輻射

光伏系統產生電能的數量幾乎是和照射到光伏面板上的太陽輻射量成正比的。研究表明:太陽輻射量(單位:kW/m2)減少50%，光伏面板的輸出功率也會降低50%［4］。

地球表面的太陽輻射量對于太陽能系統領域的工程應用和研究來說至關重要。一般來說，入射到光伏面板的太陽輻射由3 個部分組成，即直接輻射、散射輻射和反射輻射。

1.2 晴空指數

地球表面的太陽輻射和地外輻射的比率稱為晴空指數，晴空指數是一個隨機參數，它是年、季節、氣候條件和地理位置的一個函數。從定義上，晴空指數也是太陽輻射在地球表面的線性函數。所以晴空指數也是太陽輻射的一個指示器。一些研究人員嘗試不同的模型來計算晴空指數以預測太陽輻射［5］。在羅馬尼亞的布拉索夫市區，月平均晴空指數被用來預測每月的太陽輻射［6］。也有一些研究人員認為［7］:晴空指數應該與其他因素，如規范化日照時間一起作為太陽輻射預測的輸入數據。

1.3 日照時數

日照時數是指太陽每天在垂直于其光線的平面上的輻射強度超過或等于120 W/m2的時間長度［8］。在一個具體的地理位置，可應用隨機模型［9］、模糊邏輯［10-12］和神經模糊［13］等方法計算光伏發電系統的日照時數。

1.4 云

云是影響光伏發電輸出功率的主要因素之一。由于遮擋作用，云會大幅度降低達到光伏面板的太陽輻射量;并且，云的快速移動或變化會導致光伏輸出功率的大幅度波動。一片飄過的云團可以在幾秒鐘內使一個點上的太陽輻射的變化超過60%。

云對光伏系統的影響和太陽位置改變對光伏系統的影響不同，太陽位置的改變對光伏系統輸出的影響具有統一性和相關性，但云的大小、形狀、速度和方向都在持續地變化，所以云具有高隨機性和不確定性，從而導致被其遮擋的光伏系統輸出功率在不斷地隨機性波動變化。

1.5 溫度

太陽能光伏電池的效率隨著溫度的升高而減少，因為溫度升高會使載流子的遷移率、擴散長度以及少數載流子的壽命變差。硅光伏電池具有很好的吸熱性，所以它們的溫度會在運行期間顯著的上升，從而改變了光伏發電系統的光電轉換效率［14］。光伏面板的溫度取決于光伏面板的吸收特性、封裝結構與材料、散熱性、光伏面板工作的地點、大氣參數如輻照度水平、環境溫度、風速和特定安裝條件等。

1.6 風速

風速對光伏電池性能具有重要的影響，因為它影響光伏面板的溫度和灰塵積累。風可以加速光伏面板上方的氣流流動，而流動的空氣可以加快光伏面板的熱傳遞，使面板的溫度降低。實驗表明，面板的溫度是以風速約1.45 ℃/(m·s-1)的增加而降低的［15］。此外，風也影響光伏電池上的灰塵覆蓋層中沉積結構，從而影響覆蓋層的透射率［16］。

1.7 灰塵

在戶外環境中構建的光伏系統，光伏面板暴露在空氣中，天長日久自然會積累灰塵。幾項研究表明，積累的灰塵會降低太陽能光伏電池的性能。光伏面板暴露在戶外10 天后，它的透光率平均降低8%［18］，8 個月后光伏面板的性能大約降低32%［19］。光伏面板上的沙子堆積將造成光伏發電效率下降17%［20］。谷歌大學的一個對比實驗則表明:灰塵會導致光伏面板輸出的電流降低2%［21-22］。

2 光伏功率預測的研究進展

2.1 研究現狀

光伏發電預測方法主要分為兩類:統計法和人工智能法［23］。統計法包括ARMA、ARIMA、馬爾可夫鏈等，但實際上基于歷史數據訓練的人工智能功率預測方法也屬于統計法。文獻［24］總結了2008年之前采用傳統模型和人工智能技術進行的光伏系統功率預測研究工作。近年來光伏發電預測研究的最新進展如表1所示［25-58］。由文獻列表可見，近年來有關光伏發電預測的研究依然采用馬爾可夫鏈、神經網絡、回歸分析、支持向量機、最小二乘法等統計分析方法、人工智能方法、相關方法的衍生或融合技術，與文獻［24］總結分析的各種方法并無實質性的差別。

表1 基于統計學的光伏發電功率預測

方法電站容量考慮因素準確率時間尺度特定區域的彌漫性全球相關法13 kWp全球日曬、環境溫度、光伏參數平均偏差錯誤:4.1%，均方根誤差:11.4%每個月基于Levenberg Marquardt and Newton Raphson 方法的BP 網絡算法6.8 kWp太陽輻照度、電池溫度、電流和功率、氣象參數均方誤差:0.006 230 1，R:0.989 8724 h小波神經網絡10 MWp連續21年每日總太陽輻射平均絕對誤差18.79%結合自回歸模型的小波分解100 Wp太陽輻射、電池溫度、光伏面板的歷史數據標準誤差:9.874 8E-08雙正交小波分解方法仿真風速、輻射誤差3%～3.5%.均方根誤差:2.39%24 h進化編程的ANN 模型1.92 kWp太陽輻射和環境溫度R:＞0.993 60大規模精確太陽輻射預測德國的光伏系統來自歐洲中期天氣預報中心的天氣數據均方根誤差:4%～5%2 d核函數極限學習機10 kWp，40 kWp歷史數據(無需實時數值天氣預報)平均相對誤差:16%～18%24 h

2.2 時間尺度

由表1 可知，大部分研究的時間尺度是1 天左右，其原因在于:

(1)長期預測相對比較容易。長期預測大多是基于光伏電站發電和NWP(數值天氣預報)記錄的歷史數據，并通過統計回歸可獲得一個合理的并且可以接受的預測結果。這種類型的預測通常用于光伏電站的設計、選址和咨詢服務，要求精度不高。因此，長期預測很容易實現，一些企業和非營利組織已經開發了光伏發電長期預測的軟件。

(2)短期預測的重要性和必要性。對于所有類型的光伏應用，如光伏電站、光伏微網、分布式光伏發電系統等，都必須有短期預測模塊來支持系統的安全與穩定運行。此外，隨著光伏系統的快速發展，光伏系統短期功率預測的需求也在不斷增加并越來越迫切。

(3)短期預測能夠滿足不同時間尺度的要求。當短期預測符合其預期的精確度時，它同樣也可以得到中、長期功率預測所需要的結果。

2.3 預測精度

表1 中的文獻分別使用了下列誤差標準:均方根誤差RMSE，平均絕對誤差百分比MAPE，最大平均誤差MAE，平均偏差MBE，相對偏差，相對均方根誤差rRMSE，平均絕對偏差MAD，平均相對誤差MRE，均方誤差MSE，平均誤差，平均絕對誤差，歸一化誤差，平均相關系數R，等等。即使是相同的誤差標準RMSE，MAPE，研究結果也呈現出相當大的差異。不同預測方法的均方根誤差值如表2所示，其中的均方根誤差RMSE 存在兩種度量方式:功率和百分比。因為不同文獻研究對象的功率容量差異較大，用功率表示的RMSE 差異巨大，如其中一篇文獻的RMSE 是33 W～63 W，而另一篇文獻的RMSE 卻高達0.1 MW。相對而言，百分比形式的RMSE 更具有橫向可比性，但依然差距較大，最小的僅2.39%、最大的為13.17%。同樣，如表3所示的平均絕對誤差百分比MAPE 最小為2.786 7%、最大為16.86%。

表2 不同預測方法的均方根誤差值

3 目前研究中存在的問題分析

由上述文獻及分析可知，近年來在光伏發電預測方法上沒有突破性的進展及成果，對光伏發電功率預測相關問題缺乏深層次思考與研究。本研究從以下幾個方面總結分析光伏發電預測中需要重點關注的問題。

3.1 數據基礎

傳統的物理預測方法根據太陽能輻射模型、電站模型、光伏轉換模型、電路模型和逆變器模型來預測輸出功率。但受輻射的不確定性、云的變化、雨水和環境、電池溫度等因素的影響，會導致短期預測不夠準確。在這種情況下，基于統計和人工智能技術的輸出功率預測方法可以綜合考慮并補償上述各種因素的影響。不過，這些方法需要充分的歷史數據支持，以供給統計處理和人工神經網絡的訓練。通常，至少需要光伏系統輸出功率一年的連續且完整的數據進行統計回歸。神經網絡相關的算法不僅需要光伏發電系統的輸出功率的歷史數據，而且與氣象和數值天氣預報的歷史數據緊密相關。歷史數據的缺少會使相關的統計數據和人工智能預測方法無效。同時，不完整的歷史數據可能導致很大的預測誤差。除了歷史數據之外，數值天氣預報，如云、風、溫度、濕度和降雨等實時數據，也有助于預測的在線訓練和調整內部參數以獲得更高的預測精度。不同預測方法的誤差如表3所示。

表3 不同預測方法的平均絕對誤差百分比

除了歷史數據的完整性，另一個值得關注的問題是數據本身。數據的采樣間隔、準確性、收集、預處理、數值天氣預報的選擇和本地傳感器指標特性等都從不同方面決定著數據本身的特性，也將很大程度上影響預測的準確性。研究表明，更準確的天氣預報可以將光伏發電功率預測精度提高10%左右［34］。

3.2 影響因素

正如表1所示，各種研究文獻幾乎考慮了所有影響光伏發電功率預測性能的可能因素，但主要的因素是太陽輻射和環境溫度、電池溫度。實際上，清潔度指數和日照時間是通過改變達到光伏面板的太陽輻射量來影響光伏系統輸出功率。雖然在部分文獻中沒有明確指出，但在光伏發電功率預測中，晴空指數和日照時間也常常作為影響因素之一。灰塵覆蓋光伏面板，將減少光伏面板吸收太陽輻射的比例，最終降低光伏面板的輸出功率。不同于輻射、云、溫度、風速等因素，灰塵對光伏功率輸出的影響是一個長期且平穩的過程，因為灰塵的沉降、積累和自然清除是一個持續且穩定的過程。灰塵對光伏面板性能的影響具有緩慢性和漸進性，不能反映在超短期或短期預測當中，但可以根據其影響特性進行補償。

風速和云也明顯地影響光伏系統的功率輸出，但是很少被考慮到，因為它們的屬性變化很大且很快，在幾分鐘內甚至幾秒鐘內使光伏發電輸出具有很陡的斜坡，這超出了大多數人工智能方法處理龐大數據量的響應時間。而在數小時、數天或數周時間水平的短期或中期預測中，這種急劇的變化可以被視為異常而忽視。但是在超短期預測中，影響預測精度的最重要因素是云。云只有很小甚至沒有慣性，所以云變幻莫測，它的形狀、大小、速度和方向都在改變。云的變化會立即改變光伏面板接收到的太陽輻射量，并迅速引起光伏系統輸出功率的變化。有研究人員采用天空成像儀［59-60］和太陽跟蹤攝像頭［61］探測和跟蹤影響光伏發電輸出功率的云朵變化，但其算法的時間分辨率還不能達到預期的精度。

3.3 精度指標

盡管光伏電站已經在世界范圍內得到推廣應用，但是從文獻分析可以看出:到目前為止還沒有關于光伏發電功率預測的相關標準。作為最大的風電部署國，西班牙擁有嚴格的風電并網標準，其中包括48 h時間尺度的風電場輸出功率預測技術指標，即:平均誤差為20%，最大誤差為30%;24 h 時間尺度的風電場輸出功率預測的平均誤差為10%，最大誤差為15%［62-63］。但光伏發電系統還沒有類似的具體標準和要求。

其次，在各種文獻中有太多的光伏功率預測的性能指標參數，如均方根誤差、相對均方根誤差、平均絕對誤差百分比、平均絕對偏差、平均相對誤差、平均偏差錯誤、均方誤差、相對偏差、平均誤差、平均絕對誤差、平均相對誤差、歸一化誤差、最大平均誤差、平均相關系數，等等。這些預測精度指標使用不同的數學模型和判據，因而很難將它們進行統一比較分析，難以形成標準。

3.4 時間響應

時間響應是控制系統中的一個技術術語。雖然很少有文獻提到光伏發電功率預測的響應時間參數，但是毫無疑問它在逆變控制、并網控制、電力監視和實時調度控制中具有非常重要的作用。在短期和超短期預測中，響應時間可以在相當短的時間內為控制系統提供準確的決策數據支持，保證系統的性能，并保持高動態品質。光伏發電功率預測的響應時間主要取決于算法。不同的算法及其軟件實現決定了執行算法的時間長度，從而決定了預測的響應時間。顯然，回歸方法的響應時間較短，而基于人工智能技術的方法需要更多的時間進行訓練以滿足所需要的預測精度和性能。所以在短期/超短期預測中，需要平衡精度和時間響應這兩個指標，以滿足實際應用的需求。

3.5 評價標準

如果沒有長時間的應用測試數據或在相同條件下對比實驗、應用驗證，僅僅通過算法、仿真結果或孤立的實驗結果來評價光伏發電功率預測方法是不嚴謹的。雖然已有大量有關光伏發電功率預測的研究工作，但在這個領域至今沒有統一的預測方法評價標準。隨著光伏系統的大面積推廣，光伏發電系統的部署、設計和應用需要光伏發電功率預測標準。此外，功率預測標準將為電網接納光伏系統提供決策依據。光伏領域的工程師和研究人員也需要在報告和研究論文中用一個通用評估方法為讀者提供全面、可信的數據和研究結論。

綜合考慮各方面的因素，應在光伏發電功率預測的評價標準中明確以下信息:

(1)光伏電站相關數據。包括:①電站信息:經度、緯度、海拔高度、氣候類型等;②電力系統信息和模型:光伏面板、逆變器、存儲系統、傳感器等。

(2)歷史數據。包括數據源、數據類型、數據采樣間隔、數據精度、數據的完整性及合理性。

(3)誤差指標。包括幾種常用的誤差計算方法，如:均方根誤差、平均絕對誤差百分比、平均相對誤差、最大平均誤差和相關系數等。

(4)時間尺度和時間分辨率。預測時間尺度可以是小時、天、周或月，時間分辨率可以是秒、分鐘或小時。

(5)算法復雜度。即，在預測方法中所使用的計算方法和計算資源的成本。

(6)時間復雜度。預測方法的時間成本。

(7)經濟性。預測方法及其實施的經濟性分析。

4 結束語

全球性的能源形式日趨嚴峻，太陽能光伏發電將成為最有前景的可再生能源之一。在過去幾十年里，光伏發電系統已經在世界各地得以推廣應用。在光伏發電系統應用中，輸出功率預測是關鍵技術之一。本研究對2008年以來有關光伏發電輸出功率預測的研究工作進行綜述分析，總結如下:

(1)大多數的研究工作都針對短期功率預測(時間尺度24 h)，研究對象、預測方法及結果差異較大;

(2)太陽輻射、環境溫度和電池溫度是光伏發電短期預測中最重要的因素，而云特別是高層云是超短期預測必須考慮的首要因素;

(3)數據是光伏發電預測的必備基礎;

(4)響應時間是光伏發電短期/超短期功率預測的一個重要指標;

(5)到目前為止，還沒有被普遍認可的標準用于評估各種預測方法。

從信息流的角度來看，光伏發電功率預測就是采用某種學習計算方法對歷史數據信息和實時數據信息進行加工處理，然后給出新的信息:預測結果數據。即光伏發電功率預測主要分為3 個部分:輸入信息、輸出信息和信息處理方法。由以上分析可知，目前絕大多數的研究工作都集中在信息處理方法上，即嘗試采用各種算法或綜合算法進行功率預測;而對于輸入信息本身的研究、對輸出結果的可用性和多方位綜合評價與分析，缺少系統性的研究與探討。

結合綜述分析，筆者對今后光伏發電功率預測研究提出如下建議:

(1)應加強數據的完整性和有效性設計。注重數據采集、處理和存儲積累各環節的設計，從數據來源、數據類型、數據精度、數據密度、時間分布、數據關聯性等方面保證數據的完整性和有效性，保證預測的準確性和可重復性;

(2)應研究制定一種統一的光伏發電功率預測評估評價標準。針對光伏發電功率預測的實際需求，以常用的預測目標參數為考察指標，制定綜合的評估評價標準體系;

(3)應研究開發適用于具體實際光伏系統的功率預測方法。由于實際光伏系統及其所處地理環境千差萬別，普遍適用的功率預測方法是不存在的。以工程應用為出發點和最終目標，以具體系統的特點、歷史數據和環境特征為基礎，研究適用于具體系統的功率預測方法，使之具有同時具有研究的意義和工程應用價值。

［1］BOB D.BP statistical review of world energy 2014.［EB/OL］.［2014-6-18］.http://www.bp.com/en/global/corporate/about-bp/energy-economics/statistical-review-ofworld-energy.html.

［2］吳紅斌，蔡 亮.可再生能源分布式發電系統的經濟調度［J］.農業工程學報，2010，26(12):287-292.

［3］CHINE W，MELLIT A，PAVAN A M，et al.Fault detection method for grid-connected photovoltaic plants［J］.Renewable Energy，2014，66(10):99-110.

［4］KHATIB T，MOHAMED A，MAHMOUD M，et al.A new approach for meteorological variables prediction at Kuala Lumpur，Malaysia，using artificial neural networks-application for sizing and maintaining photovoltaic systems［J］.Journal of Solar Energy Engineering，2012，134(5):21001-21005.

［5］GUEYMARD C A.Direct solar transmittance and irradiance predictions with broadband models.Part I:detailed theoretical performance assessment［J］.Solar Energy，2003，74(5):355-379.

［6］CRISTINA S.Estimating Clear Sky Solar Global Radiat-ion using Clearness Index for Brasov Urban Area［C］//Proceedings of the 3rd International Conference on Maritimes and Maval Science and Engineering 2010.Greece:World Scientific and Engineering ACAD and SOC，2010:150-153.

［7］WAEWSAK J，CHANCHAM C.The clearness index model for estimation of global solar radiat［J］.Thammasat Int.J.Sc，2010，15(1):54-61.

［8］ANGSTROM A.Solar and terrestrial radiation.Report to the international commission for solar research on actinometric investigations of solar and atmospheric radiation［J］.Quartterly Journal of the Royal Meteorological Society，1924，210(50):121-126.

［9］JAIN P K，LUNGU E M.Stochastic models for sunshine duration and solar irradiation［J］.Renewable Energy，2002(27):197-209.

［10］SEN Z.Fuzzy algorithm for estimation of solar irradiation from sunshine duration［J］.Solar Energy，1998，63(1):39-49.

［11］GOMEZ V，CASANOVAS A.Fuzzy modeling of solar irradiance on inclined surfaces［J］.Solar Energy，2003(75):307-315.

［12］IQDOUR R，ZEROUAL A.Prediction of daily global solar radiation using fuzzy systems［J］.International Journal of Sustainable Energy，2007(26):19-29.

［13］MELLIT A，ARAB A H，KHORISSI N，et al.An ANFISbased forecasting for solar radiation data from sunshine duration and ambient temperature［C］//Proceedings of 2007 Power Engineering Society General Meeting.NJ，USA，2007:1-6.

［14］NISHIOKA K，HATAYAMA T，URAOKA Y，et al.Field test analysis of PV system output characteristics focusing on module temperature［J］.Solar Energy Materials and Solar Cells，2003(75):665-671.

［15］TAMIZHMANI G，JI L，TANG Y，et al.Photovoltaic module thermal/wind performance:long-term monitoring and model development for energy rating［C］//Proceedings of 2003 NCPV and Solar Program Review Meeting Proceedings.USA:［s.n.］，2003:936-939.

［16］GOOSSENS D，KERSCHAEVER E V.Aeolian dust deposition on photovoltaic solar cells:the effects of wind velocity and airborne dust concentration on cell performance［J］.Solar Energy，1999(66):277-289.

［17］MANI M，PILLAI R.Impact of dust on solar photovoltaic performance:research status，challenges and recommendations［J］.Renewable and Sustainable Energy Reviews，2010(14):3124-3131.

［18］GARG H P.Effect of dirt on transparent covers in flatplate solar energy collectors［J］.Solar Energy，1974(15):299-302.

［19］SALIM A，HURAIB F，EUGENIO N.PV power-study of system options and optimization［C］//Proceedings of the 8th European PV Solar Energy Conference.Dordrecht，Netherlands:Kluwer，1988:688-692.

［20］WAKIM F.Introduction of PV power generation to Kuwait［M］.Kuwait Institute for Scientific Researchers，Kuwait City，1981.

［21］KATZ G B.Effect of dust on solar panels.［EB/OL］.［2011-4-27］.www.gregorybkatz.com/Home/effect-of-dust-on-solar-panels.

［22］SULAIMAN S A，HUSSAIN H H，LEH N，et al.Effects of dust on the performance of PV panels［J］.World Academy of Science，Engineering and Technology，2011(58):588-593.

［23］ZHENG Z W，CHEN Y Y，HUO M M，et al.An overview:the development of prediction technology of wind and photovoltaic power generation［J］.Energy Procedia，2011(12):601-608.

［24］MELLIT A，KALOGIROU S A.Artificial intelligence techniques for photovoltaic applications:A review［J］.Progress in Energy and Combustion Science，2008(34):574-632.

［25］MELLIT A，PAVAN A M.A 24-h forecast of solar irra-diance using artificial neural network:Application for performance prediction of a grid-connected PV plant at Trieste，Italy［J］.Solar Energy，2010(84):807-821.

［26］丁 明，徐寧舟.基于馬爾可夫鏈的光伏發電系統輸出功率短期預測方法［J］.電網技術，2011(35):152-157.

［27］LI Y Z，HE L，NIE R Q.Short-term forecast of power generation for grid-connected photovoltaic system based on advanced grey-markov chain［J］.Energy and Environment Technology，2009(2):275-278.

［28］張 勃.北京地區光伏系統發電功率預測的研究［D］.秦皇島:燕山大學電氣工程學院，2013.

［29］陳國良，孫麗兵，王金玉.大型光伏并網電站功率預測系統設計［J］.電力與能源，2014(1):93-95.

［30］盧 靜，瞿海青，劉 純，等.光伏發電功率預測統計方法研究［J］.華東電力，2010，38(2):563-567.

［31］CHAOUACHI A，KAMEL R M，ICHIKAWA R，et al.Neural network ensemble-based solar power generation short-term forecasting［J］.World Academy of Science，Engineering and Technology，2009(54):54-59.

［32］YONA A，SENJYU T，SABER A Y，et al.Application of neural network to one-day-ahead 24 hours generating power forecasting for photovoltaic system［C］//Proceedings of 2007 Intelligent System Applications to Power Systems.NY，USA:IEEE，2007:1-6.

［33］趙 杰，張艷霞.基于CAPSO-RNN 的光伏系統短期發電量預測［J］.中國電力，2012(4):87-91.

［34］KUDO M，TAKEUCHI A，NOZAKI Y，et al.Forecasting electric power generation in a photovoltaic power system for an energy network［J］.Electrical Engineering in Japan，2009(167):16-23.

［35］CAI T，DUAN S，CHEN C.Forecasting Power Output for Grid-Connected Photovoltaic Power System Without Using Solar Radiation Measurement［C］//Proceedings of 2010 2nd IEEE International Symposium on Power Electronics for Distributed Generation Systems.NJ，USA:IEEE，2010:773-777.

［36］SHI J，LEE W，LIU Y，et al.Forecasting Power Output of Photovoltaic System Based on Weather Classification and Support Vector Machine［C］//Proceedings of Annual Meeting of the IEEE Industry-Applications-Society.NY，USA:IEEE，2011:1-6.

［37］MATSUMOTO J，ISHII D，OKAMOTO S，et al.Highly-Accurate Short-Term Forecasting Photovoltaic Output Power Architecture Without Meteorological Observations in Smart gird［C］//Proceedings of the 2011 1st International Symposium on Access Spaces.NJ，USA:IEEE，2011:186-190.

［38］LORENZ E，HURKA J，HEINEMANN D，et al.Irradiance forecasting for the power prediction of grid-connected photovoltaic systems［J］.Selected Topics in Applied Earth Observations and Remote Sensing，2009(2):2-10.

［39］VASAK M，GULIN M，VIC J C，et al.Meteorological and Weather Forecast Data-Based Prediction of Electrical Power Delivery of a Photovoltaic Panel in a Stochastic Framework［C］//Proceedings of 34th International Convention on Information and Communication Technology，Electronics and Microelectronics.NJ，USA:IEEE，2011:733-738.

［40］MELLIT A，KALOGIROU S A.Neuro-Fuzzy Based Modeling for Photovoltaic Power Supply System［C］//Proceedings of 2006 First IEEE International Power and Energy Conference.USA:IEEE，2006:88-93.

［41］SULAIMAN SI，RAHMAN T K A，MUSIRIN I，et al.Optimizing Three-Layer Neural Network Model for Grid-Connected Photovoltaic System Output Prediction［C］//Proceedings of 2009 Innovative Technologies in Intelligent Systems and Industrial Applications.USA:IEEE，2009:338-343.

［42］MELLIT A，PAVAN A M.Performance prediction of 20kWp grid-connected photovoltaic plant at Trieste Italy using artificial neural network［J］.Energy Conversion and Management，2010(51):2431-2441.

［43］TIAN J，ZHU Y，TANG J.Photovoltaic Array Power Forecasting Model Based on Energy Storage［C］//Proceedings of 2010 Critical Infrastructure.NJ，USA:IEEE，2010:1-4.

［44］FONSECA J，OOZEKI T，TAKASHIMA T，et al.Use of support vector regression and numerically predicted cloudiness to forecast power output of a photovoltaic power plant in Kitakyushu，Japan［J］.Progress in Photovoltaics:Research and Applications，2012，20(7):874-882.

［45］WANG SX，ZHANG N，ZHAO Y S，et al.Photovoltaic System Power Forecasting Based on Combined Grey Model and BP Neural Network［C］//Proceedings of 2011 Electrical and control Engineering.USA:IEEE，2011:4623-4626.

［46］SULAIMAN S I，MUHAMMAD K S，MUSIRIN I，et al.Hybridization of Meta-Evolutionary Programming and Artificial Neural Network for Predicting Grid-connected Photovoltaic System Output［C］//Proceedings of 2013 TENCON Spring Conference.NJ，USA:IEEE，2013:445-449.

［47］SULAIMAN S I，MUSIRIN I，RAHMAN T.Prediction of total AC Power Output from a Grid-Photovoltaic System Using Multi-Model ANN［C］//Proceedings of 2008 World Scientific and Engineering Academy and Society.Greece:World Scientific and Engineering ACAD and SOC，2008:118-123.

［48］SU Y，CHAN L，SHU L，et al.Real-time prediction models for output power and efficiency of grid-connected solar photovoltaic systems［J］.Applied Energy，2012(93):319-326.

［49］IZGI E，OZTOPAL A，YERLI B，et al.Short-mid-term solar power prediction by using artificial neural networks［J］.Solar Energy，2012(86):725-733.

［50］FERNANDEZ-JIMENEZ L A，MU?OZ- JIMENEZ A，FALCES A，et al.Short-term power forecasting system for photovoltaic plants［J］.Renewable Energy，2012(44):311-317.

［51］LACOUR AYOMPE，AIDAN DUFFY，SARAH MCCORMACK，et al.Measured performance of a 1.72 kW rooftop grid connected photovoltaic system in Ireland［J］.Energy Conversion and Management，2011，52(2):816-825.

［52］YU T，CHANG H.The Forecast of the Electrical Energy Generated by Photovoltaic Systems Using Neural Network Method［C］//Proceedings of 2011 Electric Information and control Engineering.USA:IEEE，2011:2758-2761.

［53］ZHOU H，SUN W，LIU D C，et al.The Research of Daily total Solar-Radiation and Prediction Method of Photovoltaic Generation based on Wavelet-Neural network［C］//Proceedings of 2011 Asia-Pacific Power and Energy Engineering.NJ，USA:IEEE，2011:1-5.

［54］SALAH C B，MABROUK A B，OUALI M.Wavelet Autoregressive Forecasting of Climatic Parameters for Photovoltaic Systems［C］//Proceedings of 2011 8th International Multi-Conference on System，Signals and Devices.USA:IEEE，2011:1-6.

［55］BONANNO F，CAPIZZI G，SCIUTO G L.A Neuro Wavelet-Based Approach for Short-Term Load Forecasting in Integrated Generation Systems［C］//Proceedings of 2013 International Conference on Clean Electrical Power(ICCEP).USA:IEEE，2013:772-776.

［56］HUSSAIN T N，SULAIMAN S I，MUSIRIN I，et al.A Hybrid Artificial Neural Network for Grid-Connected Photovoltaic System Output Prediction［C］//Proceedings of 2013 IEEE Symposium on Computers & Informatics(ISCI).USA:IEEE，2013:108-111.

［57］LORENZ E，SCHEIDSTEGER T，HURKA J，et al.Regional PV power prediction for improved grid integration［J］.Progress in Photovoltaics:Research and Applications，2011(19):757-771.

［58］劉 念，張清鑫，李小芳.基于核函數極限學習機的分布式光伏短期功率預測［J］.農業工程學報，2014，30(4):152-159.

［59］GHONIMA M S，URQUHART B，CHOW C W，et al.A method for cloud detection and opacity classification based on ground based sky imagery，Atmos［J］.Meas.Tech.，2012(5):2881-2892，.

［60］陳志寶，李秋水，程 序，等.基于地基云圖的光伏功率超短期預測模型［J］.電力系統自動化，2013(19):20-25.

［61］JAYADEVAN V T，CRONIN A，LONIJ V，et al.Looking to the sky to predict solar power intermittency［M］.USA:Bulletin of the American Physical Society，2011.

［62］ZHOU Y，WANG Q，FANG T，et al.Spain's wind power development:Experience and message［J］.Energy Technology and Economics，2010，22(1):9-14.

［63］STEWART J.Windmills of the green mind［J］.Geographical，2006，78(1):56-58.