光伏發電短期預測研究進展綜述

荊博，譚倫農，錢政，裴巖，王婧怡

（1.江蘇大學電氣信息工程學院，江蘇鎮江212013；2.北京航空航天大學儀器科學與光電工程學院，北京100191）

0 引 言

太陽能具有取之不盡、用之不竭、綠色環保等特點，被公認為是未來最具競爭力的新能源之一［1］。分析結果表明，到2050年前后，光伏發電將占全球發電總量的20%～25%，成為人類應用的主要能源形式之一［2］。然而，地表太陽能屬于間歇性能源，受太陽輻照強度與氣象狀況的影響，輸出功率呈現出間斷性和隨機性等特征，迫切需要對其發電功率進行準確預測，以滿足電力系統的要求。

光伏發電功率預測按照時間尺度可分為中長期預測和短期預測，目前還沒有統一的分類標準。中長期預測的預測時長一般為幾個月至一年，主要為滿足光伏電站及電力網絡的建設與檢修；短期預測的預測時長一般在48小時之內，主要用于配合電力調度部門規劃調度用電及合理安排備用容量［3］。隨著并網光伏電站裝機容量的增加，對電網穩定性造成的影響將逐步加大，研究表明，當光伏電站裝機容量在電力系統中所占比例超過15%時，其波動可能會引起電網系統的癱瘓［4］。因此，對光伏發電進行短期預測的意義和重要性日益凸顯。

文章對近期國內外光伏發電短期預測的研究進展進行了綜述，將其分為間接預測和直接預測兩大類。間接預測方法首先需要對光照幅度進行預測，再基于光伏發電系統的物理原理建立光照功率模型，實現功率預測［5］，預測精度較高，但可能產生誤差累積并且預測成本較高；直接預測方法使用歷史統計數據或結合數值天氣預報直接預測發電功率，方法簡單易行，預測精度一般低于間接預測方法。

文章首先對評價預測方法性能的評估指標進行簡要介紹，之后分別介紹間接預測方法和直接預測方法的研究現狀，分析存在的問題，最后對未來研究工作做出展望。

1 評估指標

常用的功率預測模型性能評估指標表1所示。其中MAPE和 MAE反映出預測誤差的絕對值，RMSE描述了樣本的離散程度，為了更直觀的表明預測效果，一些文獻將MAE和RMSE進行歸一化，利用NMAE和NRMSE比較不同方法的預測效果。

表1 光伏發電功率預測用到的評估指標Tab.1 Evaluation indicators of photovoltaic power forecasts

2 間接預測方法

間接預測方法一般分為兩個步驟：首先建立光照幅度預測模型，再根據光照幅度的預測值結合光伏電站的實際狀況建立發電功率預測模型。

2.1 光照幅度預測模型

光照幅度作為影響光伏發電功率輸出的決定性因素，對其進行準確預測是間接預測方法的一個研究重點。模型輸入參數的選擇是影響光照幅度預測效果的主要原因之一［6］，研究人員根據各地區實際情況選取不同輸入參數，提出了多種光照幅度預測模型。

地外輻照度在地理位置確定的情況下可由物理公式計算得出，能夠反映季節和時間變化對光照幅度的影響。文獻［7］使用前一日各時刻的地外輻照度和地表光照幅度，利用最小二乘法建立對應模型，將預測當日的地外輻照度輸入模型后，可得到地表光照幅度的預測值。其優勢在于計算過程簡單，但預測精度受地面天氣類型變化的影響較大，適用在以晴天為主且天氣平穩、降水較少的地區。

人工神經網絡（ANN）在光照幅度的預測中得到大量應用，不同ANN對光照幅度的預測效果存在一定差異。文獻［8］在相同條件下使用反饋型神經網絡（RNN）和前饋型神經網絡（FNN）預測光照幅度，結果表明：RNN的預測效果要優于FNN，兩種神經網絡模型的預測精度都隨預測時長增加而下降。文獻［9］將光照幅度的預報值除以地外輻照度，得到晴朗指數用來補償季節影響。此外，使用被測光伏電站周邊氣象觀測點的數據作為BP神經網絡的輸入，預測日次各時刻的光照幅度，能夠在缺乏本地觀測數據的情況下較為準確的預測發電功率。

上文中各預測模型的輸入參數及其預測效果如表2所示，由于各光伏電站實際狀況存在差異，不同方法的實際預測效果不能夠直接比較，但可以看出預測精度大致相近。在輸入參數的選擇上，基本以歷史數據中的地表光照幅度為主，可以從本地傳感器或氣象站提供的數據中獲得。氣象站往往無法提供光伏電站具體所在地點的氣象數據，不如傳感器的測量結果準確，但是預測成本低，適用于中小型光伏電站的光照幅度預測。

表2 不同光照幅度預測模型的輸入參數及預測效果Tab.2 Input parameters and prediction accuracy of different irradiance prediction models

將不同類型的光照幅度預測模型進行組合也成為近些年來的一個研究熱點。文獻［10］通過兩種組合策略將線性過濾預測模型與經驗公式相結合，一方面是考慮季節特性，在冬夏使用線性過濾模型，春秋則使用經驗公式；另一方面則是利用晴朗指數［11］判斷天氣類型，當晴朗指數大于0.5時使用線性過濾模型，否則用經驗公式預測。結果表明組合預測模型的預測效果比單一使用線性過濾模型提高了10%至30%。

2.2 發電功率預測模型

在得到光照幅度的預測值后，還需建立發電功率預測模型以實現光伏電站功率預測。發電功率預測模型可以分為經驗公式法和統計學習模型法兩大類，如圖1所示。

圖1 發電功率預測模型原理框圖Fig.1 Principle block diagram of prediction model of generated power

經驗公式法是根據光伏電池的工作原理，通過實驗得到光伏電池組的相關物理參數，結合光伏電站的實際安裝情況與當地氣象條件等影響因素計算出發電功率，分為簡單物理模型和復雜物理模型兩類：簡單物理模型利用光伏電池的基本物理原理，根據光照幅度、電池板轉換效率、面積、溫度等與發電功率間存在的函數關系建模，建模過程較容易但預測精度一般；復雜物理模型是在簡單物理模型的基礎上考慮了遮擋、積灰等因素，根據各項實驗測試結果確定模型中的待定系數，建模過程復雜、參數較多且條件苛刻，但預測精度較高。

經驗公式法的優勢在于無需歷史發電功率數據，能夠在光伏電站建成之初實現發電功率的預測。但存在以下不足：

（1）由于無法考慮到所有物理影響因素，公式自身會存在一定誤差；

（2）在光伏電站出力的預測過程中，光伏電站自身參數的改變會導致預測精度下降。

統計學習模型是基于光照幅度、溫度等相關參數與發電功率間存在統計關系的思想而建立。

文獻［12］根據光照幅度的預測值劃分天氣類型，對每種天氣類型使用自適應前饋神經網絡（AFFNN），并結合氣象數據和歷史數據建立子預測模型預測發電功率。文獻［13］使用第5代區域中尺度數值模式（MM5）對氣象數據進行降維處理，得到與被測電站地理位置更相近的氣象數據，再結合歷史發電量數據作為ANN的輸入預測發電功率，可以用于無本地氣象數據的光伏電站。

表3列舉出部分統計學習型的功率預測模型的預測效果。使用統計學習模型能夠挖掘隱含在歷史發電功率中的信息，一定程度上彌補了物理經驗公式的不足，預測效果較好。但由于既要對光照幅度進行預測又需要光伏電站的歷史運行數據，在適用范圍上受到了一定限制。

表3 基于統計學習的功率預測模型及預測效果Tab.3 Prediction accuracy of power prediction models based on statistical learning methods

綜上所述，間接預測方法的預測效果將隨著各類傳感器測量精度的提升、數值天氣預報的逐步完善以及歷史數據庫的積累而不斷改善，但也存在一些不足：

（1）光照幅度模型與發電功率模型的預測誤差會產生疊加，光照幅度模型的預測誤差會在發電功率模型中進一步放大；

（2）需要各類設備測量光照幅度、云量等參數以及大量詳細的氣象數據作為支撐，預測成本高。

由于我國光伏發電起步較晚及基礎設施建設較為薄弱，因此間接預測方法在國內應用較少。

3 直接預測方法

直接預測方法主要包含經典預測法和混合模型預測法兩大類。經典預測法是以歷史發電功率和氣象數據作為模型輸入參數，使用單一類型數學模型預測發電功率?；旌夏Ｐ皖A測法是將兩種及兩種以上的預測方法（或其他算法）相結合組成混合模型，來預測光伏發電的功率輸出。

3.1 經典預測法

經典預測法中常用的數學模型有差分自回歸移動平均模型（ARIMA）、灰色理論、馬爾科夫鏈、支持向量機（SVM）、貝葉斯理論和各類人工神經網絡（ANN）等。其中ANN應用最廣泛。BP神經網絡、前饋神經網絡（FNN）、反饋神經網絡（RNN）等多種神經網絡算法在直接預測方法中得以應用并取得了較好的效果。

天氣類型變化是導致預測誤差的主要原因，研究人員為此提出多種解決方法，并且取得了一定效果。

文獻［15－16］統計了不同天氣類型下的發電功率，按照倍率關系映射為天氣類型指數，從而把模糊的天氣類型轉換成能夠作為神經網絡輸入的精確值。由于不同天氣類型下的功率特征并無明顯界限，文獻［15］利用歐拉公式歸類模糊天氣類型，結合歷史發電功率采用BP神經網絡預測次日各時刻的發電功率。文獻［16］在此基礎上考慮到季節和溫度對發電功率預測的影響，將歷史數據按季節劃分建立子預測模型，將溫度也作為模型輸入參數進行訓練。這類方法中天氣類型指數的劃分和界定成為影響預測結果好壞的關鍵因素，也是研究的難點。

文獻［17］提出相似日選擇法，根據天氣預報信息選擇與預測日期天氣狀況類似日期的歷史發電功率、氣象數據和預報氣溫作為模型輸入，使用FNN預測未來24小時發電功率。該方法能夠有效發掘歷史數據與預測發電功率間的對應關系，但較為依賴現有的歷史數據庫，需要大量不同天氣類型的歷史數據作為支撐。

文獻［18－19］按天氣類型劃分歷史數據，對每種天氣類型下的歷史數據使用ANN建立子預測模型實現功率預測。其中文獻［18］以總云量和低層云量為輸入，利用自組織特征映射神經網絡（SOM）劃分歷史數據，文獻［19］根據不同天氣中發電功率的特征將天氣定義為4種典型類型，用SVM將不同天氣狀況下的歷史數據歸類為典型天氣類型。該類方法在使用時需要保證歷史數據中包含各類型天氣的歷史數據，且每種天氣類型的數據量大致相同，并具備一定數量以確保ANN的預測效果，因此對歷史數據的要求較苛刻。

相同條件下，使用不同類型的神經網絡也會產生不同的預測結果，為比較不同神經網絡的預測性能，文獻［20］分別使用FNN和RNN預測未來一天各時刻的發電功率。結果表明RNN較FNN具有更高的預測精度并且計算速度快。各類ANN預測模型的輸入參數及其預測效果如表4所示，從表中可以看出各預測模型的預測誤差在10%～20% 之間，歷史發電功率和溫度一般作為ANN的輸入參數，然而在溫度類型的選擇上各方法存在較大差異，還有待于進一步研究。

表4 部分ANN預測模型的輸入參數及預測效果Tab.4 Input parameters and prediction accuracy of some ANN prediction models

其余經典預測法在近幾年的文獻中研究較少，文獻［21］利用動態貝葉斯網絡預測一天各時刻的發電功率。使用前七天光照幅度、環境溫度、組件溫度和發電功率建立靜態貝葉斯網絡，在此基礎上擴展時間序列形成動態貝葉斯網絡，利用極大似然法計算貝葉斯網絡中各節點的條件概率，得到預測當日各時刻發電功率的概率分布。動態貝葉斯網絡能夠很好的反映各個影響因素的內在聯系，預測精度較高，但預測當日天氣類型較前七天發生較大改變時，預測效果將大幅下降。

3.2 混合模型預測法

混合預測模型法主要圍繞歷史數據中存在不可靠數據、輸入參數的選取和各類預測模型的特點將不同方法相結合來展開研究。

歷史數據中存在的不可靠數據會增加預測誤差，針對這類問題文獻［22］提出可靠性系數（REL）對歷史數據有效性進行判定，將判定為有效的歷史發電功率作為ANN的輸入。文獻［23］將小波變換與徑向基函數神經網絡（RBFNN）相結合，使用小波分解將功率時間序列分解為幾個子序列，分別作為神經網絡的輸入并利用小波重構組合RBFNN的輸出得到預測功率，研究結果表明，不可靠數據點的有效剔除將顯著提高預測精度。

有效輸入參數的選取將對預測效果產生重要影響。文獻［24］使用逐步回歸（SR）從歷史數據中提取出對發電量影響最大的水平光照幅度和濕度兩項參數，作為ANN的輸入，建立混合預測模型；文獻［25］采用主成分分析法（PCA）結合支持向量回歸（SVR），將各輸入參數經過PCA簡化后作為SVR的輸入。文獻［26］將熵值法與極限學習機（ELM）結合，利用熵值法判定輸入參數對發電量的影響權重，將賦予權重后的參數作為ELM的輸入預測發電功率。研究結果表明，輸入參數的有效選取能夠簡化模型的結構并降低計算負擔。

每種預測模型都存在優缺點，根據這些特點將不同預測模型相組合能夠起到揚長避短的作用。文獻［27］結合灰色模型與BP神經網絡，根據前六天的發電功率建立灰色模型，擬合得到第七天發電功率，再與天氣預報數據一同作為BP神經網絡的輸入，該方法能夠在少量歷史數據的條件下較準確的預測發電功率。文獻［28］結合季節性差分自回歸滑動平均模型（SARIMA）與SVM，使用SARIMA評估分析光伏發電功率的線性部分，再由SVM計算SARIMA模型產生殘差序列的非線性部分，能夠發揮兩種預測模型的特有優勢。研究結果表明，將不同類型的預測模型進行組合適用場合更多，預測效果更好。

混合預測模型能夠發揮不同預測模型和方法的優勢，在提高預測精度的同時具備更強的適應性與容錯性，成為近年來光伏發電短期功率預測的研究熱點之一。然而混合預測模型法存在建模復雜、可能產生誤差的累計和疊加等問題。

綜上所述，直接預測方法利用存在于光伏電站歷史功率數據中的自相關性（如電池板安裝傾角、面積、損耗、積灰等物理因素都反應在歷史發電功率數據中），省去了光照幅度的預測或復雜的物理建模過程，預測成本較低。通過劃分天氣類型、改進預測模型和使用混合預測模型等方法提高預測精度與適用范圍。目前，直接預測方法對晴天的預測精度較高，多云以及雨雪天氣中，由于云層變化無明顯規律導致預測效果不如晴天。此外，在一天中早晚光照幅度較弱的環境下誤差較大，還有待于后續研究來改善預測效果。

4 結束語

本文對近年來國內外光伏發電短期預測領域的研究現狀進行了綜述：

（1）在間接預測方法中，光照幅度預測模型的預測精度是影響間接預測方法預測效果的決定性因素。發電功率預測模型中，經驗公式法因無需歷史發電功率數據而廣泛應用于新建成光伏電站，并且由簡單物理模型逐步發展為復雜物理模型。統計學習模型由于結合光照幅度與歷史發電功率等因素，預測效果一般優于其它預測方法，但建模條件較高；

（2）直接預測方法的總體預測精度一般低于間接預測方法，對變化天氣狀況下的適應性與間接預測方法相比較低，但由于直接預測方法無需預測光照幅度，建模簡單、預測成本較低，因而也得到大量應用。根據光伏電站的實際情況將單一預測模型組合形成的混合模型具有更好的適應性、容錯性和預測效果，成為直接預測方法中一個重要研究方向；

（3）無論哪種預測方法，氣象條件都是影響光伏發電短期預測效果的一個重要原因，劃分天氣類型、使用數值天氣預報都可降低其對預測精度的影響。然而，目前在多云、陣雨等不穩定氣象條件下的預測效果仍然不理想。季節變化相對具有一定規律可尋，一般通過利用地外輻照度、按季節建立子預測模型來補償季節更替對預測的影響，并取得了較好的效果。