光伏发电短期预测研究进展综述

荆博，谭伦农，钱政，裴岩，王婧怡

（1.江苏大学电气信息工程学院，江苏镇江212013；2.北京航空航天大学仪器科学与光电工程学院，北京100191）

0 引 言

太阳能具有取之不尽、用之不竭、绿色环保等特点，被公认为是未来最具竞争力的新能源之一［1］。分析结果表明，到2050年前后，光伏发电将占全球发电总量的20%～25%，成为人类应用的主要能源形式之一［2］。然而，地表太阳能属于间歇性能源，受太阳辐照强度与气象状况的影响，输出功率呈现出间断性和随机性等特征，迫切需要对其发电功率进行准确预测，以满足电力系统的要求。

光伏发电功率预测按照时间尺度可分为中长期预测和短期预测，目前还没有统一的分类标准。中长期预测的预测时长一般为几个月至一年，主要为满足光伏电站及电力网络的建设与检修；短期预测的预测时长一般在48小时之内，主要用于配合电力调度部门规划调度用电及合理安排备用容量［3］。随着并网光伏电站装机容量的增加，对电网稳定性造成的影响将逐步加大，研究表明，当光伏电站装机容量在电力系统中所占比例超过15%时，其波动可能会引起电网系统的瘫痪［4］。因此，对光伏发电进行短期预测的意义和重要性日益凸显。

文章对近期国内外光伏发电短期预测的研究进展进行了综述，将其分为间接预测和直接预测两大类。间接预测方法首先需要对光照幅度进行预测，再基于光伏发电系统的物理原理建立光照功率模型，实现功率预测［5］，预测精度较高，但可能产生误差累积并且预测成本较高；直接预测方法使用历史统计数据或结合数值天气预报直接预测发电功率，方法简单易行，预测精度一般低于间接预测方法。

文章首先对评价预测方法性能的评估指标进行简要介绍，之后分别介绍间接预测方法和直接预测方法的研究现状，分析存在的问题，最后对未来研究工作做出展望。

1 评估指标

常用的功率预测模型性能评估指标表1所示。其中MAPE和 MAE反映出预测误差的绝对值，RMSE描述了样本的离散程度，为了更直观的表明预测效果，一些文献将MAE和RMSE进行归一化，利用NMAE和NRMSE比较不同方法的预测效果。

表1 光伏发电功率预测用到的评估指标Tab.1 Evaluation indicators of photovoltaic power forecasts

2 间接预测方法

间接预测方法一般分为两个步骤：首先建立光照幅度预测模型，再根据光照幅度的预测值结合光伏电站的实际状况建立发电功率预测模型。

2.1 光照幅度预测模型

光照幅度作为影响光伏发电功率输出的决定性因素，对其进行准确预测是间接预测方法的一个研究重点。模型输入参数的选择是影响光照幅度预测效果的主要原因之一［6］，研究人员根据各地区实际情况选取不同输入参数，提出了多种光照幅度预测模型。

地外辐照度在地理位置确定的情况下可由物理公式计算得出，能够反映季节和时间变化对光照幅度的影响。文献［7］使用前一日各时刻的地外辐照度和地表光照幅度，利用最小二乘法建立对应模型，将预测当日的地外辐照度输入模型后，可得到地表光照幅度的预测值。其优势在于计算过程简单，但预测精度受地面天气类型变化的影响较大，适用在以晴天为主且天气平稳、降水较少的地区。

人工神经网络（ANN）在光照幅度的预测中得到大量应用，不同ANN对光照幅度的预测效果存在一定差异。文献［8］在相同条件下使用反馈型神经网络（RNN）和前馈型神经网络（FNN）预测光照幅度，结果表明：RNN的预测效果要优于FNN，两种神经网络模型的预测精度都随预测时长增加而下降。文献［9］将光照幅度的预报值除以地外辐照度，得到晴朗指数用来补偿季节影响。此外，使用被测光伏电站周边气象观测点的数据作为BP神经网络的输入，预测日次各时刻的光照幅度，能够在缺乏本地观测数据的情况下较为准确的预测发电功率。

上文中各预测模型的输入参数及其预测效果如表2所示，由于各光伏电站实际状况存在差异，不同方法的实际预测效果不能够直接比较，但可以看出预测精度大致相近。在输入参数的选择上，基本以历史数据中的地表光照幅度为主，可以从本地传感器或气象站提供的数据中获得。气象站往往无法提供光伏电站具体所在地点的气象数据，不如传感器的测量结果准确，但是预测成本低，适用于中小型光伏电站的光照幅度预测。

表2 不同光照幅度预测模型的输入参数及预测效果Tab.2 Input parameters and prediction accuracy of different irradiance prediction models

将不同类型的光照幅度预测模型进行组合也成为近些年来的一个研究热点。文献［10］通过两种组合策略将线性过滤预测模型与经验公式相结合，一方面是考虑季节特性，在冬夏使用线性过滤模型，春秋则使用经验公式；另一方面则是利用晴朗指数［11］判断天气类型，当晴朗指数大于0.5时使用线性过滤模型，否则用经验公式预测。结果表明组合预测模型的预测效果比单一使用线性过滤模型提高了10%至30%。

2.2 发电功率预测模型

在得到光照幅度的预测值后，还需建立发电功率预测模型以实现光伏电站功率预测。发电功率预测模型可以分为经验公式法和统计学习模型法两大类，如图1所示。

图1 发电功率预测模型原理框图Fig.1 Principle block diagram of prediction model of generated power

经验公式法是根据光伏电池的工作原理，通过实验得到光伏电池组的相关物理参数，结合光伏电站的实际安装情况与当地气象条件等影响因素计算出发电功率，分为简单物理模型和复杂物理模型两类：简单物理模型利用光伏电池的基本物理原理，根据光照幅度、电池板转换效率、面积、温度等与发电功率间存在的函数关系建模，建模过程较容易但预测精度一般；复杂物理模型是在简单物理模型的基础上考虑了遮挡、积灰等因素，根据各项实验测试结果确定模型中的待定系数，建模过程复杂、参数较多且条件苛刻，但预测精度较高。

经验公式法的优势在于无需历史发电功率数据，能够在光伏电站建成之初实现发电功率的预测。但存在以下不足：

（1）由于无法考虑到所有物理影响因素，公式自身会存在一定误差；

（2）在光伏电站出力的预测过程中，光伏电站自身参数的改变会导致预测精度下降。

统计学习模型是基于光照幅度、温度等相关参数与发电功率间存在统计关系的思想而建立。

文献［12］根据光照幅度的预测值划分天气类型，对每种天气类型使用自适应前馈神经网络（AFFNN），并结合气象数据和历史数据建立子预测模型预测发电功率。文献［13］使用第5代区域中尺度数值模式（MM5）对气象数据进行降维处理，得到与被测电站地理位置更相近的气象数据，再结合历史发电量数据作为ANN的输入预测发电功率，可以用于无本地气象数据的光伏电站。

表3列举出部分统计学习型的功率预测模型的预测效果。使用统计学习模型能够挖掘隐含在历史发电功率中的信息，一定程度上弥补了物理经验公式的不足，预测效果较好。但由于既要对光照幅度进行预测又需要光伏电站的历史运行数据，在适用范围上受到了一定限制。

表3 基于统计学习的功率预测模型及预测效果Tab.3 Prediction accuracy of power prediction models based on statistical learning methods

综上所述，间接预测方法的预测效果将随着各类传感器测量精度的提升、数值天气预报的逐步完善以及历史数据库的积累而不断改善，但也存在一些不足：

（1）光照幅度模型与发电功率模型的预测误差会产生叠加，光照幅度模型的预测误差会在发电功率模型中进一步放大；

（2）需要各类设备测量光照幅度、云量等参数以及大量详细的气象数据作为支撑，预测成本高。

由于我国光伏发电起步较晚及基础设施建设较为薄弱，因此间接预测方法在国内应用较少。

3 直接预测方法

直接预测方法主要包含经典预测法和混合模型预测法两大类。经典预测法是以历史发电功率和气象数据作为模型输入参数，使用单一类型数学模型预测发电功率。混合模型预测法是将两种及两种以上的预测方法（或其他算法）相结合组成混合模型，来预测光伏发电的功率输出。

3.1 经典预测法

经典预测法中常用的数学模型有差分自回归移动平均模型（ARIMA）、灰色理论、马尔科夫链、支持向量机（SVM）、贝叶斯理论和各类人工神经网络（ANN）等。其中ANN应用最广泛。BP神经网络、前馈神经网络（FNN）、反馈神经网络（RNN）等多种神经网络算法在直接预测方法中得以应用并取得了较好的效果。

天气类型变化是导致预测误差的主要原因，研究人员为此提出多种解决方法，并且取得了一定效果。

文献［15－16］统计了不同天气类型下的发电功率，按照倍率关系映射为天气类型指数，从而把模糊的天气类型转换成能够作为神经网络输入的精确值。由于不同天气类型下的功率特征并无明显界限，文献［15］利用欧拉公式归类模糊天气类型，结合历史发电功率采用BP神经网络预测次日各时刻的发电功率。文献［16］在此基础上考虑到季节和温度对发电功率预测的影响，将历史数据按季节划分建立子预测模型，将温度也作为模型输入参数进行训练。这类方法中天气类型指数的划分和界定成为影响预测结果好坏的关键因素，也是研究的难点。

文献［17］提出相似日选择法，根据天气预报信息选择与预测日期天气状况类似日期的历史发电功率、气象数据和预报气温作为模型输入，使用FNN预测未来24小时发电功率。该方法能够有效发掘历史数据与预测发电功率间的对应关系，但较为依赖现有的历史数据库，需要大量不同天气类型的历史数据作为支撑。

文献［18－19］按天气类型划分历史数据，对每种天气类型下的历史数据使用ANN建立子预测模型实现功率预测。其中文献［18］以总云量和低层云量为输入，利用自组织特征映射神经网络（SOM）划分历史数据，文献［19］根据不同天气中发电功率的特征将天气定义为4种典型类型，用SVM将不同天气状况下的历史数据归类为典型天气类型。该类方法在使用时需要保证历史数据中包含各类型天气的历史数据，且每种天气类型的数据量大致相同，并具备一定数量以确保ANN的预测效果，因此对历史数据的要求较苛刻。

相同条件下，使用不同类型的神经网络也会产生不同的预测结果，为比较不同神经网络的预测性能，文献［20］分别使用FNN和RNN预测未来一天各时刻的发电功率。结果表明RNN较FNN具有更高的预测精度并且计算速度快。各类ANN预测模型的输入参数及其预测效果如表4所示，从表中可以看出各预测模型的预测误差在10%～20% 之间，历史发电功率和温度一般作为ANN的输入参数，然而在温度类型的选择上各方法存在较大差异，还有待于进一步研究。

表4 部分ANN预测模型的输入参数及预测效果Tab.4 Input parameters and prediction accuracy of some ANN prediction models

其余经典预测法在近几年的文献中研究较少，文献［21］利用动态贝叶斯网络预测一天各时刻的发电功率。使用前七天光照幅度、环境温度、组件温度和发电功率建立静态贝叶斯网络，在此基础上扩展时间序列形成动态贝叶斯网络，利用极大似然法计算贝叶斯网络中各节点的条件概率，得到预测当日各时刻发电功率的概率分布。动态贝叶斯网络能够很好的反映各个影响因素的内在联系，预测精度较高，但预测当日天气类型较前七天发生较大改变时，预测效果将大幅下降。

3.2 混合模型预测法

混合预测模型法主要围绕历史数据中存在不可靠数据、输入参数的选取和各类预测模型的特点将不同方法相结合来展开研究。

历史数据中存在的不可靠数据会增加预测误差，针对这类问题文献［22］提出可靠性系数（REL）对历史数据有效性进行判定，将判定为有效的历史发电功率作为ANN的输入。文献［23］将小波变换与径向基函数神经网络（RBFNN）相结合，使用小波分解将功率时间序列分解为几个子序列，分别作为神经网络的输入并利用小波重构组合RBFNN的输出得到预测功率，研究结果表明，不可靠数据点的有效剔除将显著提高预测精度。

有效输入参数的选取将对预测效果产生重要影响。文献［24］使用逐步回归（SR）从历史数据中提取出对发电量影响最大的水平光照幅度和湿度两项参数，作为ANN的输入，建立混合预测模型；文献［25］采用主成分分析法（PCA）结合支持向量回归（SVR），将各输入参数经过PCA简化后作为SVR的输入。文献［26］将熵值法与极限学习机（ELM）结合，利用熵值法判定输入参数对发电量的影响权重，将赋予权重后的参数作为ELM的输入预测发电功率。研究结果表明，输入参数的有效选取能够简化模型的结构并降低计算负担。

每种预测模型都存在优缺点，根据这些特点将不同预测模型相组合能够起到扬长避短的作用。文献［27］结合灰色模型与BP神经网络，根据前六天的发电功率建立灰色模型，拟合得到第七天发电功率，再与天气预报数据一同作为BP神经网络的输入，该方法能够在少量历史数据的条件下较准确的预测发电功率。文献［28］结合季节性差分自回归滑动平均模型（SARIMA）与SVM，使用SARIMA评估分析光伏发电功率的线性部分，再由SVM计算SARIMA模型产生残差序列的非线性部分，能够发挥两种预测模型的特有优势。研究结果表明，将不同类型的预测模型进行组合适用场合更多，预测效果更好。

混合预测模型能够发挥不同预测模型和方法的优势，在提高预测精度的同时具备更强的适应性与容错性，成为近年来光伏发电短期功率预测的研究热点之一。然而混合预测模型法存在建模复杂、可能产生误差的累计和叠加等问题。

综上所述，直接预测方法利用存在于光伏电站历史功率数据中的自相关性（如电池板安装倾角、面积、损耗、积灰等物理因素都反应在历史发电功率数据中），省去了光照幅度的预测或复杂的物理建模过程，预测成本较低。通过划分天气类型、改进预测模型和使用混合预测模型等方法提高预测精度与适用范围。目前，直接预测方法对晴天的预测精度较高，多云以及雨雪天气中，由于云层变化无明显规律导致预测效果不如晴天。此外，在一天中早晚光照幅度较弱的环境下误差较大，还有待于后续研究来改善预测效果。

4 结束语

本文对近年来国内外光伏发电短期预测领域的研究现状进行了综述：

（1）在间接预测方法中，光照幅度预测模型的预测精度是影响间接预测方法预测效果的决定性因素。发电功率预测模型中，经验公式法因无需历史发电功率数据而广泛应用于新建成光伏电站，并且由简单物理模型逐步发展为复杂物理模型。统计学习模型由于结合光照幅度与历史发电功率等因素，预测效果一般优于其它预测方法，但建模条件较高；

（2）直接预测方法的总体预测精度一般低于间接预测方法，对变化天气状况下的适应性与间接预测方法相比较低，但由于直接预测方法无需预测光照幅度，建模简单、预测成本较低，因而也得到大量应用。根据光伏电站的实际情况将单一预测模型组合形成的混合模型具有更好的适应性、容错性和预测效果，成为直接预测方法中一个重要研究方向；

（3）无论哪种预测方法，气象条件都是影响光伏发电短期预测效果的一个重要原因，划分天气类型、使用数值天气预报都可降低其对预测精度的影响。然而，目前在多云、阵雨等不稳定气象条件下的预测效果仍然不理想。季节变化相对具有一定规律可寻，一般通过利用地外辐照度、按季节建立子预测模型来补偿季节更替对预测的影响，并取得了较好的效果。