基于鄰域前向時(shí)序最優(yōu)組合的分布式光伏超短期功率預(yù)測(cè)

唐雅潔，龔迪陽，倪籌帷，王 波，張雪松，朱 耿

（1.國網(wǎng)浙江省電力有限公司電力科學(xué)研究院，杭州 310014；2.國網(wǎng)浙江省電力有限公司寧波供電公司，浙江 寧波 315000）

0 引言

2020 年9 月22 日，習(xí)近平總書記在聯(lián)合國大會(huì)上宣布了“二氧化碳排放力爭于2030 年前達(dá)到峰值，努力爭取2060 年前實(shí)現(xiàn)碳中和”的中國承諾。在“碳中和”目標(biāo)下，大力發(fā)展光伏等清潔零碳新能源成為碳減排的關(guān)鍵。隨著光伏技術(shù)不斷進(jìn)步，轉(zhuǎn)化效率不斷提升，在光伏補(bǔ)貼下調(diào)、光伏電站標(biāo)桿電價(jià)下調(diào)、“棄光”現(xiàn)象仍存在的背景下，分布式光伏發(fā)電將成為光伏行業(yè)發(fā)展的重點(diǎn)[1-2]。分布式光伏發(fā)電波動(dòng)性大，對(duì)其進(jìn)行準(zhǔn)確功率預(yù)測(cè)有助于更合理地利用分布式光伏發(fā)電產(chǎn)能、增加電網(wǎng)對(duì)分布式光伏的消納能力。

根據(jù)電力調(diào)度的應(yīng)用需求，光伏功率超短期預(yù)測(cè)一般為未來15 min 至4 h 的發(fā)電功率預(yù)測(cè)[3]，對(duì)電網(wǎng)調(diào)度計(jì)劃安排及儲(chǔ)能系統(tǒng)配置等具有重要意義[4-5]。但目前針對(duì)實(shí)際投運(yùn)分布式光伏電站的超短期功率預(yù)測(cè)方法研究相對(duì)較少。在超短期預(yù)測(cè)時(shí)段里，氣象要素中的溫度、濕度、氣壓變化并不明顯，但云團(tuán)移動(dòng)引起的地表輻射變化相對(duì)劇烈[6]。這些氣象數(shù)值需由NWP（數(shù)值天氣預(yù)報(bào)）與本地氣象站監(jiān)測(cè)儀提供。在具備氣象預(yù)報(bào)計(jì)算資源與實(shí)地觀測(cè)設(shè)備的情況下，超短期功率預(yù)測(cè)方法通常根據(jù)本地分布式光伏站與氣象站所觀測(cè)數(shù)據(jù)的實(shí)時(shí)動(dòng)態(tài)變化來進(jìn)行預(yù)測(cè)與修正[7-9]；就方法而言，均以神經(jīng)網(wǎng)絡(luò)等機(jī)器學(xué)習(xí)算法為基礎(chǔ)，基于大數(shù)據(jù)分析挖掘光伏功率與各影響因素間的關(guān)聯(lián)性，建立統(tǒng)計(jì)預(yù)測(cè)模型[10-12]。上述方法均綜合考慮與分布式光伏站點(diǎn)出力相關(guān)的影響因素，但仍面臨突發(fā)過程性天氣下光伏出力波動(dòng)劇烈時(shí)，功率預(yù)測(cè)偏差較大的問題；同時(shí)，大型光伏電站因規(guī)模與布局可以配置氣象站，而眾多小型獨(dú)立運(yùn)營的分布式光伏電站，如屋頂光伏站等，往往不具備這種條件，且氣象站并非分布式光伏電站的必需配置設(shè)施[13]。因此，如何在缺少氣象信息的條件下，利用有限的歷史數(shù)據(jù)準(zhǔn)確預(yù)測(cè)分布式光伏功率具有重大意義。

在分布式光伏電站普遍缺乏氣象觀測(cè)信息的條件下，本文基于數(shù)據(jù)驅(qū)動(dòng)理念，依據(jù)鄰近區(qū)域?qū)崟r(shí)天氣的時(shí)空關(guān)聯(lián)性，提出了一種基于鄰域前向時(shí)序最優(yōu)組合的分布式光伏超短期功率預(yù)測(cè)方法，不依賴于地表輻照強(qiáng)度等氣象觀測(cè)裝置，而從單獨(dú)實(shí)時(shí)出力維度進(jìn)行預(yù)測(cè)，具有經(jīng)濟(jì)、輕量級(jí)、易部署的特點(diǎn)。首先，根據(jù)本站點(diǎn)經(jīng)緯度計(jì)算地圖直線距離，建立鄰域站點(diǎn)集合；隨后，通過站點(diǎn)前向選擇的預(yù)測(cè)效果校驗(yàn)，逐步建立基于鄰域最優(yōu)組合特征集的超短期功率預(yù)測(cè)模型。結(jié)果表明，本文所提方法在缺乏氣象觀測(cè)信息的條件下，更全面地挖掘了鄰域多分布式光伏站點(diǎn)間實(shí)時(shí)功率的耦合性與聯(lián)動(dòng)性，更準(zhǔn)確地預(yù)測(cè)了未來功率變化趨勢(shì)，有效地提升了超短期預(yù)測(cè)精度。

1 基于有限信息的分布式光伏超短期功率預(yù)測(cè)方法

1.1 分布式光伏站點(diǎn)數(shù)據(jù)概況

當(dāng)前，許多容量相對(duì)較小的分布式光伏電站通常只具備收集歷史運(yùn)行與實(shí)時(shí)監(jiān)測(cè)出力數(shù)據(jù)的能力，而基于成本考慮并未配置地面氣象站，缺乏站點(diǎn)觀測(cè)氣象數(shù)據(jù)。此時(shí)，NWP 所提供的3 km范圍氣象預(yù)報(bào)數(shù)據(jù)，由于缺乏地面輻照等實(shí)際觀測(cè)信息，在未經(jīng)實(shí)地降尺度修正的情況下將出現(xiàn)較大偏差，難以適用于分布式光伏站點(diǎn)的超短期功率預(yù)測(cè)；同時(shí)，針對(duì)每個(gè)分布式站點(diǎn)進(jìn)行基于經(jīng)緯度的精確氣象建模，也需花費(fèi)較多計(jì)算資源和數(shù)據(jù)存儲(chǔ)空間，欠缺經(jīng)濟(jì)性與實(shí)用性。

因此，對(duì)觀測(cè)設(shè)備要求較高、對(duì)精細(xì)化氣象預(yù)報(bào)依賴性強(qiáng)、基于實(shí)時(shí)修正關(guān)鍵特征輻照強(qiáng)度值來提升未來時(shí)段內(nèi)預(yù)測(cè)精度的方法，較難應(yīng)用于有限信息下的分布式光伏超短期功率預(yù)測(cè)。

1.2 基于功率時(shí)序推移的分布式光伏超短期功率預(yù)測(cè)

在有限信息下，基于數(shù)據(jù)挖掘的功率時(shí)序推移算法是超短期光伏預(yù)測(cè)的一種基本方法，主要針對(duì)分布式站點(diǎn)收集的歷史光伏數(shù)據(jù)進(jìn)行趨勢(shì)學(xué)習(xí)。由于光伏出力是單變量數(shù)據(jù)，因此特征主要包括平移特征和時(shí)間特征兩部分。平移特征指以當(dāng)前時(shí)刻為時(shí)間節(jié)點(diǎn)，將臨近時(shí)段內(nèi)歷史光伏出力數(shù)據(jù)作為特征；時(shí)間特征則通常指預(yù)測(cè)時(shí)刻的日歷特征，如小時(shí)、分鐘等。典型分布式光伏站點(diǎn)超短期功率時(shí)序預(yù)測(cè)模型結(jié)合兩者與光伏出力值間的關(guān)系建立點(diǎn)預(yù)測(cè)模型，如圖1 所示。

圖1 基于功率時(shí)序推移的分布式光伏超短期預(yù)測(cè)模型框架

超短期功率模型預(yù)測(cè)一般采用滾動(dòng)計(jì)算方法進(jìn)行，即按照時(shí)間順序計(jì)算未來時(shí)段內(nèi)各時(shí)刻預(yù)測(cè)功率，并將已預(yù)測(cè)時(shí)刻作為后續(xù)預(yù)測(cè)時(shí)刻的已知信息，直至超短期預(yù)測(cè)第4 h 的功率預(yù)測(cè)完成。

1.3 基于多站點(diǎn)相似的分布式光伏超短期功率預(yù)測(cè)

基于功率時(shí)序推移的分布式光伏超短期功率預(yù)測(cè)方法集中于某一特定地理方位信息，在天氣波動(dòng)下迅速追蹤實(shí)時(shí)氣象變化的能力仍有所欠缺。因此，考慮利用多站點(diǎn)信息實(shí)現(xiàn)分布式光伏功率預(yù)測(cè)精度提升。

利用站點(diǎn)功率曲線相似度計(jì)算方法，將預(yù)測(cè)站點(diǎn)鄰近區(qū)域內(nèi)站點(diǎn)相似度從高到低進(jìn)行排序。文獻(xiàn)[14]指出，相鄰電站的歷史功率數(shù)據(jù)既體現(xiàn)了時(shí)間和季節(jié)變化趨勢(shì)，也反映了當(dāng)?shù)叵嚓P(guān)氣象信息的影響。因此在有限信息下，可采用日曲線歸一標(biāo)準(zhǔn)化后的平均歐式距離作為相似度計(jì)算標(biāo)準(zhǔn)。站點(diǎn)編號(hào)i 與站點(diǎn)編號(hào)j 的相似度Sij計(jì)算公式如下：

由式（1）計(jì)算得出所有站點(diǎn)與預(yù)測(cè)站點(diǎn)功率的平均相似度，選取相似度較高的鄰近站點(diǎn)增加本站點(diǎn)預(yù)測(cè)模型輸入特征維度，進(jìn)行更為復(fù)雜的功率時(shí)序建模，如圖2 所示。然而，出力相似度較高的站點(diǎn)所處地理氣象狀態(tài)通常也相似，因此在組合預(yù)測(cè)上易出現(xiàn)信息重復(fù)利用、組合擴(kuò)展有效增維信息較少的問題，預(yù)測(cè)精度提升受限。

圖2 基于多站點(diǎn)相似的分布式光伏超短期預(yù)測(cè)模型框架

2 基于鄰域前向時(shí)序最優(yōu)組合的分布式光伏超短期功率預(yù)測(cè)方法

2.1 組合模型評(píng)價(jià)指標(biāo)

預(yù)測(cè)模型訓(xùn)練樣本的評(píng)價(jià)指標(biāo)通過K 折交叉驗(yàn)證求取。K 折交叉驗(yàn)證法將訓(xùn)練樣本劃分為大小相同的K 個(gè)分區(qū)，依次選擇不同分區(qū)作為測(cè)試集，剩余的K-1 個(gè)區(qū)作為訓(xùn)練集。每次訓(xùn)練誤差為預(yù)測(cè)值與真實(shí)值間的MAPE（平均百分比誤差），記為JMAPE，最終誤差為所有訓(xùn)練誤差的平均值公式如下：

式中：n 為測(cè)試區(qū)樣本個(gè)數(shù)；yi為光伏功率實(shí)際值；為第k 次交叉檢驗(yàn)的光伏功率預(yù)測(cè)值。

2.2 序列前向選擇法

SFS（序列前向選擇法）是一種鏈?zhǔn)截澬乃惴?，也是一種常用的特征選擇方法。SFS 算法從空集開始，每次從未選擇特征集中選擇一個(gè)使學(xué)習(xí)器訓(xùn)練的評(píng)價(jià)函數(shù)J（X）最好的最優(yōu)特征k，加入最終選擇特征集X；當(dāng)J（X）無法取得更優(yōu)時(shí)，前向選擇結(jié)束。

基于SFS 框架，在典型站點(diǎn)功率時(shí)序推移與多站點(diǎn)預(yù)測(cè)模型基礎(chǔ)上，本文提出優(yōu)化組合鄰域站點(diǎn)實(shí)時(shí)功率信息的建模方法，利用SFS 對(duì)鄰域站點(diǎn)進(jìn)行篩選與校驗(yàn)，擴(kuò)展觀測(cè)維度，深入挖掘區(qū)域?qū)崟r(shí)氣象的延續(xù)變化反映在鄰近分布式光伏電站出力上的關(guān)聯(lián)耦合性，進(jìn)一步提升本站點(diǎn)預(yù)測(cè)精度。

2.3 基于鄰域前向時(shí)序最優(yōu)組合的分布式光伏超短期功率預(yù)測(cè)

2.3.1 鄰域站點(diǎn)集合構(gòu)建

對(duì)于分布式光伏站點(diǎn)A0，根據(jù)強(qiáng)對(duì)流云團(tuán)較快移動(dòng)速度一般為60 km/h、超短期預(yù)測(cè)時(shí)間尺度為未來4 h，計(jì)算可得與A0站點(diǎn)直線距離240 km（距離計(jì)算時(shí)海拔忽略不計(jì)，下同）以內(nèi)的云團(tuán)可能在預(yù)測(cè)時(shí)段內(nèi)移動(dòng)至站點(diǎn)位置，帶來超短期預(yù)測(cè)時(shí)段內(nèi)地理氣象變化的延續(xù)性。因此分布式光伏站點(diǎn)A0的鄰域可設(shè)定為與A0距離不大于240 km 的其他站點(diǎn)。假設(shè)A0站點(diǎn)的經(jīng)緯度為（x0，y0），地圖上另一站點(diǎn)Ai的經(jīng)緯度為（xi，yi），則兩站點(diǎn)之間的直線距離計(jì)算公式如下：

式中：Di為站點(diǎn)A0與站點(diǎn)Ai之間的直線距離；r為地球平均半徑；所有變量單位均為km。

計(jì)算得到所有滿足影響距離要求的站點(diǎn)集合為鄰域站點(diǎn)集合S，表達(dá)式如下：

式中：M 為鄰域站點(diǎn)個(gè)數(shù)；Pk為站點(diǎn)編號(hào)。

2.3.2 基于鄰域前向時(shí)序最優(yōu)組合的分布式光伏超短期光伏功率預(yù)測(cè)

令站點(diǎn)A0由以下步驟一計(jì)算所得鄰域站點(diǎn)集合為{A1，A2，…，AN}，已選擇最優(yōu)鄰域站點(diǎn)組合集為V，最優(yōu)輸入特征集為X，待校驗(yàn)鄰域站點(diǎn)集為S，最優(yōu)誤差校驗(yàn)值為e，采用迭代擴(kuò)展校驗(yàn)的方法選擇鄰域前向時(shí)序最優(yōu)組合序列。具體步驟如下：

1）步驟一，迭代初始化。i=0，V（0）=X（0）=?，S（0）={A1，A2，…，AN}，e（0）=+∞。

2）步驟二，迭代建模。設(shè)當(dāng)前已迭代至第i次，1≤i≤N，則上一次迭代已選擇鄰域站點(diǎn)組合集為V（i-1），輸入特征集為X（i-1），可選擇鄰域站點(diǎn)集為S（i-1），則本輪可擴(kuò)展新增站點(diǎn)為S（i-1）中所有待校驗(yàn)擇優(yōu)站點(diǎn)Ak（Ak∈S（i-1）），遍歷S（i-1）并枚舉本次迭代的鄰域站點(diǎn)組合集V′如下：

以預(yù)測(cè)時(shí)刻光伏功率作為輸出Y，枚舉集合V′內(nèi)所有站點(diǎn)的最優(yōu)共同平移輸入特征集時(shí)段長度L′，結(jié)合預(yù)測(cè)時(shí)刻的時(shí)間平移特征向量，包含{分鐘，小時(shí)，日，月，季度，年}，可得到預(yù)測(cè)時(shí)刻待校驗(yàn)的多維輸入特征向量集XV′如公式（7）所示。

圖3 基于鄰域前向時(shí)序最優(yōu)組合的分布式光伏超短期功率預(yù)測(cè)模型框架

3）步驟三，迭代校驗(yàn)。采用機(jī)器學(xué)習(xí)算法，對(duì)待校驗(yàn)?zāi)Ｐ陀?xùn)練樣本進(jìn)行K 折交叉驗(yàn)證。在該驗(yàn)證下，枚舉每個(gè)待校驗(yàn)站點(diǎn)組合集V′下的時(shí)段長度L′，并計(jì)算每次輸入特征集X（V′）模型的誤差均值。令最優(yōu)誤差均值為e′=min（（V′）），最優(yōu)誤差所對(duì)應(yīng)的鄰域站點(diǎn)集為Vmin，特征集為Xmin，此時(shí)在V′中迭代新加入的鄰域站點(diǎn)為AkS。

4）步驟四，迭代終止判定。若e（i）≤e（i-1），則令V（i）=Vmin，X（i）=Xmin，S（i）=S（i-1）-{AkS}，i=i+1，否則迭代終止；再判定若i=N+1，則算法結(jié)束。此時(shí)，迭代有效次數(shù)M=i-1。

通過上述步驟，算法終止后得到的V（M）即為對(duì)站點(diǎn)A0進(jìn)行鄰域選擇后的最優(yōu)站點(diǎn)集合，對(duì)應(yīng)的X（M）即為模型輸入特征集。令最后一次有效迭代過程中計(jì)算得出的最優(yōu)時(shí)段長度為L，則基于鄰域前向時(shí)序最優(yōu)組合的超短期光伏功率預(yù)測(cè)模型如表1 所示。

表1 基于鄰域前向時(shí)序最優(yōu)組合的超短期光伏功率預(yù)測(cè)模型數(shù)據(jù)結(jié)構(gòu)

3 實(shí)驗(yàn)及結(jié)果分析

3.1 實(shí)驗(yàn)數(shù)據(jù)集描述

實(shí)驗(yàn)平臺(tái)條件為Windows10 X64 操作系統(tǒng)、Intel i5-7 500 CPU，使用Python 語言。實(shí)驗(yàn)以浙江寧波某區(qū)域分布式光伏系統(tǒng)為對(duì)象，共包含24 個(gè)光伏站點(diǎn)，如圖4 所示。

圖4 浙江寧波某區(qū)域分布式光伏系統(tǒng)站點(diǎn)

其中，站點(diǎn)經(jīng)緯度與光伏功率數(shù)據(jù)已知，功率實(shí)測(cè)數(shù)據(jù)為現(xiàn)場(chǎng)光伏板采集，時(shí)間分辨率一致，均為2020-04-01—2021-05-09，每15 min一個(gè)數(shù)據(jù)點(diǎn)，每天共96 組。

為了驗(yàn)證本方法在典型天氣下的超短期預(yù)測(cè)效果，以2020-04-01—2021-05-07 的數(shù)據(jù)作為訓(xùn)練樣本，2021-05-08—2021-05-09 作為測(cè)試樣本，在鄰域站點(diǎn)較密集的場(chǎng)景1 與鄰域站點(diǎn)較稀疏的場(chǎng)景2 下進(jìn)行對(duì)比。為實(shí)現(xiàn)合理對(duì)比，各模型均采用XGBoost[15-16]方法，參數(shù)保持一致，關(guān)鍵參數(shù)包括：樹深度7，學(xué)習(xí)率0.01，樹數(shù)目1 000。因數(shù)值縮放不影響樹分類模型分裂點(diǎn)位置，XGBoost 模型采用原始數(shù)據(jù)進(jìn)行計(jì)算。同時(shí)，One-Hot 編碼[17]并不完全適合樹分類模型，其可能的不平衡切分增益會(huì)導(dǎo)致數(shù)據(jù)被切分到零碎的小空間上，使學(xué)習(xí)效果變差。因此，本文對(duì)非連續(xù)時(shí)間特征采用離散標(biāo)簽化處理。

3.2 評(píng)估指標(biāo)

本文選取測(cè)試集所有超短期預(yù)測(cè)第4 小時(shí)預(yù)測(cè)點(diǎn)的MAPE 作為超短期功率預(yù)測(cè)模型性能的評(píng)估指標(biāo)，公式如下：

式中：yt為每次超短期預(yù)測(cè)的第4 小時(shí)實(shí)際光伏發(fā)電數(shù)據(jù)；為每次超短期預(yù)測(cè)的第4小時(shí)預(yù)測(cè)光伏發(fā)電數(shù)據(jù)；T 為數(shù)據(jù)總量。

3.3 結(jié)果分析

為了驗(yàn)證本文方法的預(yù)測(cè)效果，考慮場(chǎng)景1鄰域站點(diǎn)較密集與場(chǎng)景2 鄰域站點(diǎn)較稀疏下的分布式光伏站點(diǎn)超短期功率預(yù)測(cè)精度。

首先根據(jù)2.3.2 步驟一計(jì)算可得，該區(qū)域內(nèi)所有站點(diǎn)均在鄰域范圍內(nèi)。各預(yù)測(cè)模型擴(kuò)展構(gòu)建過程及其計(jì)算結(jié)果對(duì)比如表2 所示。

表2 展示了本文所提方法、基于功率時(shí)序推移、基于多站點(diǎn)相似的超短期功率預(yù)測(cè)模型預(yù)測(cè)效果對(duì)比。其中，基于單站點(diǎn)功率時(shí)序推移模型即為僅有該站點(diǎn)功率特征時(shí)的鄰域前向時(shí)序最優(yōu)組合預(yù)測(cè)模型；而基于多站點(diǎn)相似模型則選取與本文方法最優(yōu)組合站點(diǎn)個(gè)數(shù)相同的幾個(gè)相似度最高站點(diǎn)進(jìn)行建模，實(shí)現(xiàn)站點(diǎn)組合選擇方法的對(duì)比。

由表2 可知，各測(cè)試場(chǎng)景均依據(jù)鄰域站點(diǎn)集增加的特征維度，逐步提升了預(yù)測(cè)精度。場(chǎng)景1下本模型預(yù)測(cè)精度分別提升了1.06%與1.01%；場(chǎng)景2 下本模型預(yù)測(cè)精度分別提升了1.58%與1.04%，預(yù)測(cè)曲線對(duì)比如圖5、圖6 所示。由圖可看出，本方法搭建的模型預(yù)測(cè)曲線在多云天氣象頻繁變化時(shí)對(duì)實(shí)際出力趨勢(shì)跟隨性更強(qiáng)，在晴天實(shí)際出力平穩(wěn)時(shí)毛刺較少，在2 種典型氣象場(chǎng)景下均能取得最好預(yù)測(cè)效果。分析其原因在于：

表2 超短期光伏功率預(yù)測(cè)模型計(jì)算結(jié)果對(duì)比

圖5 場(chǎng)景1 下的超短期功率預(yù)測(cè)結(jié)果對(duì)比

圖6 場(chǎng)景2 下的超短期功率預(yù)測(cè)結(jié)果對(duì)比

1）鄰域站點(diǎn)組合擴(kuò)展了預(yù)測(cè)輸入特征維度，充分反映了實(shí)時(shí)氣象延續(xù)性對(duì)鄰域中分布式光伏站點(diǎn)出力間時(shí)空耦合關(guān)聯(lián)性的影響，并基于對(duì)多站點(diǎn)復(fù)雜出力特性的綜合訓(xùn)練，實(shí)現(xiàn)了精細(xì)化預(yù)測(cè)模型搭建。

2）鄰域前向時(shí)序最優(yōu)選擇更可靠、全面地挖掘了多站點(diǎn)實(shí)時(shí)功率的互動(dòng)性，通過機(jī)器學(xué)習(xí)算法嵌入式枚舉與多重訓(xùn)練校驗(yàn)，較基于指標(biāo)閾值的過濾式特征選擇方法（如相似度排序）具備更強(qiáng)的預(yù)測(cè)性能。

此外，并非所有鄰域站點(diǎn)均對(duì)本站點(diǎn)的預(yù)測(cè)效果有提升作用，主要有如下原因：一是現(xiàn)實(shí)地理因素的影響，例如山脈阻隔云團(tuán)移動(dòng)等，導(dǎo)致兩位置站點(diǎn)的氣象延續(xù)性不強(qiáng)，因而分布式光伏出力的關(guān)聯(lián)性隨之較弱；二是部分鄰域站點(diǎn)對(duì)本站點(diǎn)出力的影響因子在已選定站點(diǎn)集合中已有體現(xiàn)，而擴(kuò)展的特征維度冗余，導(dǎo)致模型的泛化性下降。

綜上所述，在不依賴氣象站觀測(cè)裝置的情況下，仍可從氣象變化的時(shí)空延續(xù)性角度，挖掘鄰域站點(diǎn)功率的關(guān)聯(lián)耦合性，最大化整合與利用有限觀測(cè)信息，提升站點(diǎn)的超短期預(yù)測(cè)精度。

4 結(jié)論

考慮分布式光伏站點(diǎn)存在無地面氣象觀測(cè)站配置的情況，本文提出一種基于鄰域前向時(shí)序最優(yōu)組合的分布式光伏超短期功率預(yù)測(cè)方法，分析對(duì)比了多場(chǎng)景下多模型的預(yù)測(cè)效果。結(jié)果表明：

1）鄰域站點(diǎn)間功率組合預(yù)測(cè)方法，不依賴于地面氣象站等觀測(cè)裝置，充分挖掘了由區(qū)域氣象時(shí)空推移影響的分布式光伏站點(diǎn)出力間的關(guān)聯(lián)性，利用基于時(shí)空耦合的預(yù)測(cè)輸入特征維度擴(kuò)展，簡潔高效地提高了超短期光伏預(yù)測(cè)精度。

2）前向時(shí)序最優(yōu)組合方法，通過枚舉與多重訓(xùn)練校驗(yàn)，更可靠、全面地挖掘了多鄰域分布式光伏站點(diǎn)間實(shí)時(shí)功率的耦合性與聯(lián)動(dòng)性，有效避免了根據(jù)相似度排序組合易出現(xiàn)的信息重復(fù)利用、組合擴(kuò)展有效增維信息較少的問題，提升了預(yù)測(cè)性能。

3）通過實(shí)驗(yàn)數(shù)據(jù)集驗(yàn)證了模型在典型天氣下的預(yù)測(cè)效果，并通過對(duì)比實(shí)驗(yàn)全面考量本文算法的預(yù)測(cè)性能，降低了實(shí)驗(yàn)的偶然性，增強(qiáng)了實(shí)驗(yàn)結(jié)果的可參考性。

在后續(xù)研究中，可搭建符合不同天氣場(chǎng)景的組合預(yù)測(cè)方法，進(jìn)一步提升預(yù)測(cè)準(zhǔn)確度。