光伏功率預(yù)測(cè)技術(shù)引言01光伏功率預(yù)測(cè)原理和基本框架02光伏功率預(yù)測(cè)算法03提升預(yù)測(cè)精度方法04結(jié)語(yǔ)05引言PART01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)原理和基本框架PART02光伏功率預(yù)測(cè)是以數(shù)值天氣預(yù)報(bào)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)。關(guān)鍵影響因素氣候地理電站設(shè)計(jì)、人為因素等電氣效率氣象關(guān)鍵影響因素光伏功率特性較強(qiáng)的晝夜周期性和季節(jié)周期性；影響因素多、影響機(jī)理復(fù)雜；波動(dòng)性和隨機(jī)性強(qiáng)、變化頻率快；數(shù)據(jù)樣本有限、數(shù)據(jù)條件較差。光伏功率預(yù)測(cè)方法分類根據(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

（0~6h）、短期（6h~1d）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)。光伏功率預(yù)測(cè)方法分類直接預(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)地表或光伏組件接收的太陽(yáng)輻照度，再預(yù)測(cè)光伏功率。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。光伏功率預(yù)測(cè)方法分類直接預(yù)測(cè)法和間接預(yù)測(cè)法光伏功率預(yù)測(cè)方法分類物理方法和統(tǒng)計(jì)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)，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)。光伏功率預(yù)測(cè)方法分類物理方法和統(tǒng)計(jì)方法統(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。光伏功率預(yù)測(cè)方法分類超短期、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；短期光伏功率預(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。光伏功率預(yù)測(cè)方法分類超短期、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)。光伏功率預(yù)測(cè)方法分類超短期、短期和中長(zhǎng)期預(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。光伏功率預(yù)測(cè)方法分類單場(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)。光伏功率預(yù)測(cè)方法分類單場(chǎng)預(yù)測(cè)和區(qū)域預(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。光伏功率預(yù)測(cè)方法分類單場(chǎng)預(yù)測(cè)和區(qū)域預(yù)測(cè)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。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％。光伏功率預(yù)測(cè)典型模式所有預(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。光伏功率預(yù)測(cè)典型模式模式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v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。光伏功率預(yù)測(cè)典型模式模式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。光伏功率預(yù)測(cè)典型模式模式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。光伏功率預(yù)測(cè)典型模式模式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)?；A(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。預(yù)測(cè)精度評(píng)價(jià)指標(biāo)預(yù)測(cè)精度評(píng)價(jià)指標(biāo)預(yù)測(cè)精度評(píng)價(jià)指標(biāo)光伏功率預(yù)測(cè)算法PART03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ń㈩A(yù)測(cè)模型。預(yù)測(cè)技術(shù)圖譜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。預(yù)測(cè)技術(shù)圖譜圖5中的預(yù)測(cè)方法基本沿著兩條思路展開技術(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。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)。超短期預(yù)測(cè)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)1h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。超短期預(yù)測(cè)晴空預(yù)測(cè)模型（clearskymodel）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，主要的預(yù)測(cè)模型有Solis模型、ESRA模型、BirdandHulstrom模型、Ineichen模型等。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。超短期預(yù)測(cè)持續(xù)預(yù)測(cè)方法和晴空預(yù)測(cè)模型兩種基礎(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。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，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。超短期預(yù)測(cè)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。超短期預(yù)測(cè)圖６所示為通過(guò)分析氣象衛(wèi)星MereosatＧ９拍攝的云圖形成的云層移動(dòng)矢量圖，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。超短期預(yù)測(cè)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)?；谠茍D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10min預(yù)測(cè)的方均根誤差則可達(dá)20%以上。超短期預(yù)測(cè)超短期預(yù)測(cè)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。超短期預(yù)測(cè)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。超短期預(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。超短期預(yù)測(cè)超短期預(yù)測(cè)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。超短期預(yù)測(cè)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。超短期預(yù)測(cè)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、支持向量機(jī)（SVM）算法、卡爾曼濾波算法、馬爾可夫鏈算法等。超短期預(yù)測(cè)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)合等。超短期預(yù)測(cè)基于NWP的預(yù)測(cè)數(shù)值天氣預(yù)報(bào)（numericalweatherprediction）短期預(yù)測(cè)常用短期預(yù)測(cè)算法神經(jīng)網(wǎng)絡(luò)算法；分類回歸算法；時(shí)間序列算法；小波分析算法；隨機(jī)森林算法；概率預(yù)測(cè)算法；綜合預(yù)測(cè)算法。短期預(yù)測(cè)常用短期預(yù)測(cè)算法神經(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)。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。短期預(yù)測(cè)常用短期預(yù)測(cè)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，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和決策樹（CART）等。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。超短期預(yù)測(cè)常用短期預(yù)測(cè)算法時(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、外源自回歸（ARX）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。短期預(yù)測(cè)常用短期預(yù)測(cè)算法隨機(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，組合多棵決策樹預(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。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實(shí)現(xiàn)光伏功率預(yù)測(cè)。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。短期預(yù)測(cè)常用短期預(yù)測(cè)算法概率預(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。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，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。短期預(yù)測(cè)常用短期預(yù)測(cè)算法綜合預(yù)測(cè)算法；綜合預(yù)測(cè)算法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。提升預(yù)測(cè)精度方法PART04光伏功率預(yù)測(cè)強(qiáng)依賴于天氣模態(tài)數(shù)據(jù)樣本，其精度在不同天氣模態(tài)下差異較大。提高預(yù)測(cè)精度是光伏功率預(yù)測(cè)的核心問(wèn)題，目前研究主要聚焦在通過(guò)數(shù)據(jù)預(yù)處理提升輸入數(shù)據(jù)品質(zhì)以及深度挖掘數(shù)據(jù)特性提高模型精確性兩方面，前者如壞數(shù)據(jù)剔除、缺失數(shù)據(jù)重構(gòu)、數(shù)據(jù)歸一化和去趨勢(shì)化等；后者如數(shù)據(jù)樣本篩選和輸入?yún)?shù)優(yōu)選。光伏數(shù)據(jù)質(zhì)量參差不齊，通信、測(cè)量環(huán)節(jié)的問(wèn)題都可能導(dǎo)致壞數(shù)據(jù)產(chǎn)生及數(shù)據(jù)缺失；不同類別的數(shù)據(jù)具有不同的量綱和數(shù)值范圍，因此，對(duì)光伏數(shù)據(jù)進(jìn)行預(yù)處理操作是高精度預(yù)測(cè)的必要環(huán)節(jié)。光伏數(shù)據(jù)預(yù)處理光伏數(shù)據(jù)預(yù)處理１）壞數(shù)據(jù)剔除通常依據(jù)物理規(guī)律或數(shù)據(jù)采集質(zhì)量控制要求剔除壞數(shù)據(jù)。但由于光伏數(shù)據(jù)本身具有較大的分散性，對(duì)壞數(shù)據(jù)的定義是一個(gè)難點(diǎn)，定義不準(zhǔn)確會(huì)導(dǎo)致誤判。目前這方面的相關(guān)研究不多。光伏數(shù)據(jù)預(yù)處理２）缺失數(shù)據(jù)處理當(dāng)要求數(shù)據(jù)具有連續(xù)性或者數(shù)據(jù)樣本較小時(shí)，剔除缺失數(shù)據(jù)段會(huì)給預(yù)測(cè)精度帶來(lái)較大影響，因而重構(gòu)缺失數(shù)據(jù)很有必要。光伏數(shù)據(jù)預(yù)處理２）缺失數(shù)據(jù)處理插值法是最簡(jiǎn)單的數(shù)據(jù)重構(gòu)方法之一，如采用插值法提高NWP數(shù)據(jù)的時(shí)空分辨率。但由于光伏數(shù)據(jù)的波動(dòng)性和隨機(jī)性顯著，插值法可能無(wú)法較好地還原數(shù)據(jù)序列。光伏數(shù)據(jù)預(yù)處理２）缺失數(shù)據(jù)處理輻照度和氣象因素都具有較強(qiáng)的空間連續(xù)性和相似性，由此產(chǎn)生了基于空間相關(guān)性的數(shù)據(jù)還原技術(shù)。這種方法不僅能還原數(shù)據(jù)序列，而且可用于光伏功率預(yù)測(cè)。但現(xiàn)階段國(guó)內(nèi)外對(duì)光資源空間相關(guān)性研究不多，國(guó)外對(duì)空間相關(guān)性的研究較少考慮光伏電站之間的地理方位關(guān)系，而國(guó)內(nèi)光伏發(fā)展起步較晚，區(qū)域光伏電站的數(shù)據(jù)積累不夠，相關(guān)方面的研究還處于探索階段。光伏數(shù)據(jù)預(yù)處理３）數(shù)據(jù)歸一化和去趨勢(shì)化對(duì)光伏數(shù)據(jù)實(shí)行歸一化操作是為了避免不同數(shù)據(jù)的量綱和大小范圍導(dǎo)致的預(yù)測(cè)結(jié)果不準(zhǔn)確問(wèn)題。光伏數(shù)據(jù)序列具有較明顯的季節(jié)、時(shí)間變化趨勢(shì)，而統(tǒng)計(jì)方法如ARMA等不能適應(yīng)具有趨勢(shì)的數(shù)據(jù)，需要對(duì)光伏數(shù)據(jù)進(jìn)行去趨勢(shì)化操作。去趨勢(shì)化常通過(guò)將輻照度數(shù)據(jù)標(biāo)準(zhǔn)化或轉(zhuǎn)化為晴空指數(shù)進(jìn)行。光伏數(shù)據(jù)樣本篩選的研究主要包括光伏數(shù)據(jù)分類/聚類和預(yù)測(cè)模型輸入?yún)?shù)選擇。分類/聚類方法研究是當(dāng)前研究熱點(diǎn)，常采用“相似日”的概念。光資源特性和光伏發(fā)電特性的研究是實(shí)現(xiàn)光伏數(shù)據(jù)樣本篩選的基礎(chǔ)，可以用相關(guān)性分析和多元回歸方法進(jìn)行特性分析。數(shù)據(jù)樣本分類篩選數(shù)據(jù)樣本分類篩選樣本分類篩選即通過(guò)分類或聚類的方法尋找相似樣本，用于預(yù)測(cè)模型的訓(xùn)練，不僅可以防止小容量樣本的規(guī)律性被遮蓋，還可使預(yù)測(cè)模型對(duì)目標(biāo)樣本更有針對(duì)性。分類篩選研究可分為以下兩類。數(shù)據(jù)樣本分類篩選樣本分類篩選１）將光伏數(shù)據(jù)按不同的天氣類型劃分。劃分依據(jù)通常是季節(jié)與天氣類型，也可用輻照度和云量作為指標(biāo)，將光伏樣本劃分為如晴天、陰天、雨天等。此類劃分指標(biāo)選取簡(jiǎn)單、實(shí)現(xiàn)方便，但劃分結(jié)果粗糙，不能給出精確的物理、數(shù)學(xué)解釋。數(shù)據(jù)樣本分類篩選樣本分類篩選２）選擇特征指標(biāo)構(gòu)造特征空間，并通過(guò)KＧmeans聚類、自組織神經(jīng)網(wǎng)絡(luò)（SOM），以及SVM和CART等方法實(shí)現(xiàn)樣本的分類/聚類。選擇區(qū)分度顯著的特征指標(biāo)和有效的分類/聚類方法是這類研究的重點(diǎn)。數(shù)據(jù)樣本分類篩選樣本分類篩選特征指標(biāo)的獲取方式有：①直接從NWP中獲取，如溫度、云量等；②提取直接可得參數(shù)序列的某個(gè)統(tǒng)計(jì)指標(biāo)作為特征指標(biāo)，如晴空指數(shù)、輻照度三階導(dǎo)數(shù)最大值、輻照度方差、輻照度與理論值偏差值等；③變換直接可得參數(shù)，形成特征指標(biāo)，如采用主成分分析法將現(xiàn)有的相互相關(guān)的參數(shù)轉(zhuǎn)換成互不相關(guān)的主成分。數(shù)據(jù)樣本分類篩選樣本分類篩選目前研究主要集中在對(duì)不同指標(biāo)和聚類方法的選擇上，有以下兩點(diǎn)不足。１）對(duì)特征空間構(gòu)造的闡述不足。樣本劃分合理性的關(guān)鍵在于特征空間構(gòu)造的正確性，特征空間的構(gòu)造需要聯(lián)系光伏發(fā)電的內(nèi)部物理規(guī)律，選擇與光伏功率最顯著的變量進(jìn)行構(gòu)造。數(shù)據(jù)樣本分類篩選樣本分類篩選目前研究主要集中在對(duì)不同指標(biāo)和聚類方法的選擇上，有以下兩點(diǎn)不足。２）缺少對(duì)光伏數(shù)據(jù)時(shí)序特征的描述。光伏數(shù)據(jù)往往是一系列具有很強(qiáng)周期性和時(shí)序規(guī)律性的時(shí)序數(shù)據(jù)，但現(xiàn)階段的研究很少涉及時(shí)序特性的描述。現(xiàn)階段分類/聚類較粗糙，實(shí)現(xiàn)精細(xì)化分類是提高光伏功率預(yù)測(cè)精度的關(guān)鍵，也是后續(xù)研究的重點(diǎn)。數(shù)據(jù)樣本分類篩選輸入數(shù)據(jù)選擇輸入數(shù)據(jù)選擇是通過(guò)物理分析和數(shù)學(xué)方法，選擇目標(biāo)預(yù)測(cè)條件下的主導(dǎo)因素。數(shù)據(jù)樣本分類篩選輸入數(shù)據(jù)選擇在不同預(yù)測(cè)時(shí)空尺度、天氣模態(tài)下，對(duì)地面輻照度和光伏功率產(chǎn)生主要影響的因素不同，直接輻照度、總輻照度、散射輻照度的主要影響因素也不同，如在長(zhǎng)預(yù)測(cè)時(shí)間尺度上氣象要素的重要性比短預(yù)測(cè)尺度?。粚?duì)地面直接輻照度影響最明顯的因素是云層覆蓋率、氣溶膠光學(xué)厚度、對(duì)流層大氣成分和平流層大氣，而對(duì)地面總輻照度影響最明顯的因素是降雨量和太陽(yáng)天頂角。數(shù)據(jù)樣本分類篩選輸入數(shù)據(jù)選擇隨著氣象研究的發(fā)展和測(cè)量技術(shù)的升級(jí)，還出現(xiàn)了一些與地面輻照度和光伏功率相關(guān)的新參量，如液態(tài)水深、空氣質(zhì)量系數(shù)、氣溶膠光學(xué)厚度等。數(shù)據(jù)樣本分類篩選輸入數(shù)據(jù)選擇輸入數(shù)據(jù)選擇的方法有多元