考虑气象因素的光伏发电功率预测研究*

任荣荣 ， 肖 群

（1.四川信息职业技术学院，四川 广元 628040；2.国网广元供电公司，四川 广元 628040）

0 引言

光伏发电是目前效率最高、应用最广泛的可再生能源发电方式。与传统的水力发电形式相比，这种发电方式更加稳定、快速，在一定程度上更有效地缓解了不可再生能源的危机，并逐步形成了自动化、智能化的发电模式。太阳能因具有普遍、无污染等特点而成为可再生能源中最丰富、发展潜力最大的清洁能源，其开发与利用已经成为我国能源结构调整的重要方向[1]。在“碳达峰”“碳中和”的战略背景下，我国电力结构清洁化趋势将更加凸显，光伏并网对电网的影响也越来越显著。然而，光伏能源易受天气情况、太阳辐照度、温度、云量等因素影响，具有波动性强、间歇性、随机性强等特征。

据统计，截至2023 年1 季度末，全国光伏发电装机容量达到4.25亿kW；2023年1季度，全国光伏发电量1 135亿kW·h，同比增长34.9%[2]。为提高光伏预测精度，对变化相似的天气进行聚类划分，这样能有效提升光伏发电功率的预测精度[3]。由于预测对象的不同，可将其分为直接预测法和间接预测法，根据历史的光照强度、温度等因素，利用支持向量机的方法来预测光照强度及温度，再通过数学模型可以得出光伏发电功率，但是未对天气类型分类，精度不高[4]。预测精度主要取决于地表辐照度预测值的准确度，对地表辐照度波动状况描述得越细致，其功率的预测精度就越高。与直接预测相比，间接预测的模型较多、过程复杂，但能在一定程度上提高预测功率的准确性[5]。无论采用何种方法，都需要采集数据，对数据进行预处理，最后得到预测功率。为了保证预测的准确性，通常需要先对预测数据进行预处理。目前，预处理分为三个步骤：一是分析预测功率数据的相关性；二是识别异常数据并对异常数据进行处理；三是对不同类型的预测数据进行归一化处理[6]。随着新型电力系统的建立，电网建设滞后于光伏电力的生产，“弃光”“限电”问题加重，可能降低原始数据在预测模型中的可信度，从而进一步增加预测难度。

课题组首先分析影响光伏发电功率的因素，主要有气象因素、辐照度、温度、湿度、气压、风速、风向、云层、季节等；其次，利用皮尔逊相关系数公式计算得到对光伏发电影响较大的因素为光照幅值、温度、风向、风速气象因素，将它们作为输入数据，光伏电站的发电功率作为输出数据，并对输入输出数据进行归一化处理；最后，通过算例分析，采用本课题组提出的预测模型，使得晴天与非晴天天气的光伏发电预测精度显著提高，减小了预测误差。

1 光伏发电输出功率特性分析

由于光伏发电输出功率主要由光照幅值决定，而气温、天气的剧烈变化会直接影响到太阳辐照度的强弱，从而会给电网的稳定运行带来威胁。因此，对影响光伏发电的气温、天气等气象因素进行分析是十分有必要的[7]。

1.1 光照幅值对光伏出力的影响

通过新疆某光伏电站数据分析可知，一年中晴天天气占比62%，多云天气占比33%，阴天天气占比3%，阵雨天天气占比2%，每类气象条件都具有一定的变化趋势（例如光照幅值都具有相似性）。因此，可以用各类气象中的典型日代替该类气象日。为分析出四种天气光照幅值与实际功率之间的关系，选取四种天气的典型日数据作为研究基础，其光伏发电功率与实际光照幅值间的关系曲线如图1所示。

图1 各天气类型下光照幅值与实际功率对比曲线

由图1 可知，四种天气（晴天、多云、阴天、阵雨天）的典型日光伏发电功率与光照幅值具有相同的趋势，光伏发电输出功率随着光照幅值的增加而增加，且两者曲线变化基本一致，表明光照幅值的变化与光伏发电输出功率的增减密切相关。

1.2 气温对光伏出力的影响

气温对光伏输出功率的影响不可忽视。选择新疆某光伏电站连续两个晴天的相关记录数据，在季节类型、天气类型一定，不同温度条件下，温度与功率的关系曲线如图2所示。

图2 温度与功率曲线

由于选取了夏季连续两个晴天，气温变化相当接近，可以认为这两天的光照幅值基本相同。从图2 可以看出，随着温度的不断升高，光伏发电的出力也相应增加，并表现出正相关的趋势，表明温度对光伏发电功率影响很大，由此，应将温度考虑在内。

1.3 不同天气对光伏出力的影响

选取相同季节，不同天气类型条件下的典型日光伏出力数据，晴天、多云、阴天、阵雨天天气光伏发电出力特性曲线如图3所示。

图3 不同天气的光伏出力曲线

从图3 可以看出，当季节类型不变，天气类型对光伏发电系统输出功率的影响非常显著，发现天气为晴天时的光伏发电功率波动比较平缓，因光照强度很大，所以其光伏出力也比较大；当天气晴转多云时，光伏出力相对于晴天减少；转为阴雨天时，由于光照强度很弱，光伏出力一直在降低。由此可见，晴天与非晴天天气相比，光伏发电的输出功率值差距很大，表明了天气也是影响光伏出力的重要因素，因此，需要将天气考虑在内。

2 不同天气特征向量构造

光伏发电的短期预测需要历史数据的高度完整性和准确性。若将未处理的多维历史数据序列用作预测变量，则模型的输入维数将过高，并且将引入大量冗余信息，造成建模困难[8]。同时，由于四种气象因子均有很强的波动性，因此本课题组需要对不同气象的特征进行相关性分析，从而选取相关性高的影响因素作为预测的输入值，提高预测精度。

2.1 皮尔逊相关系数

两个连续变量之间的线性相关程度需要通过皮尔逊相关系数来检测。取值范围为[-1,1]，正值表示正相关，负值表示负相关。因此，本课题组采用皮尔逊相关系数方法（Pearson Correlation Coefficient）快速得出多组数据之间的相关性[9]，然后选择相关性最高的数据进行计算。两个变量之间的协方差和标准差的商由两个变量之间的皮尔逊相关系数定义，如式（1）所示：

式中，ρx,y表示总体相关系数；cov(x,y)表示协方差；E表示数学期望；δxδy表示标准差乘积；x-μx表示x值与其均值之差；y-μy表示y值与其均值之差。

样本皮尔逊相关系数如公式（2）所示：

式中，ϖ表示样本皮尔逊相关系数；和表示对变量x和y进行零均值化，则实际上x和y的Pearson 相关系数就是x'和y'的cosine 相似度：。

2.2 不同天气各特征相关性定量分析

本课题组以某光伏电站气象数据为例，采用皮尔逊相关系数对气象因素进行特征分析，对数据进行预处理后，分别计算晴天、多云、阴天与阵雨天四种天气下的辐照度（Ir）、温度（Ta）、风向（wd）、风速（ws）与输出功率（P）的距离。晴天和多云天气下辐照度、温度、风速与光伏输出功率的距离较小，对光伏输出功率影响较大；而阴天和阵雨天天气下辐照度、温度、风向与光伏输出功率的距离较小，对光伏输出功率影响较大。选取主要影响因子作为预测模型输入，使预测模型数据输入得以简化，减少了一定的预测误差。光照幅值、气温、风向、风速的变化均对不同天气的光伏发电功率产生影响，但由于数据的维度较多，需要对其主要因素进行相关性分析，对不同天气各特征之间的相关性进行定量分析。

各特征与功率的皮尔逊相关系数为正值，表明相关性越强；反之，则相关性越弱。通过对不同天气各特征之间的相关性进行定量分析可以得出，辐照度与功率的相关性接近1，对光伏发电的影响比较大。因此，晴天和多云天气选取辐照度、温度、风速主要影响因子作为预测输入值；阴天和阵雨天选取辐照度、温度、风向作为预测输入值进行研究。

3 基于BAS-ELM的预测模型搭建与误差评估

由于光伏自身具有不确定性、随机性等特点，所以全面分析了影响光伏发电输出的主要因素，又因其极限学习机（Extreme Learning Machine, ELM）易陷入局部最小值，因此针对ELM 存在的不足，本课题组采用天牛须-极限学习机算法（Beetle Antennae Search Algorithm-Extreme Learning Machine, BASELM）对光伏功率进行预测，采用均方根误差作为模型性能评价指标，以提高预测精度[10]。

3.1 光伏预测误差评估

由于光伏发电自身具有随机性和不均匀性，容易受外界因素的影响，导致输出功率波动剧烈，极不稳定，且随着光照强度的提高，其波动性也会相应地增强。本课题组采用均方根误差（RMSE）作为模型性能评价指标，计算如式（3）所示[11]：

式中，M表示样本点个数；yj表示实际测量光伏功率；表示对应的预测值。误差越小，表明模型预测精度越高；误差越大，表明模型预测精度越低。

3.2 预测结果分析

基于光伏出力影响因素以及相关性的分析，本课题组以新疆某光伏电站典型日历史发电数据和相关天气预报信息来分析BAS-ELM 算法预测模型在晴天、多云、阴天、阵雨天四种天气下的预测精度。考虑到光伏发电集中在白天，为此，消除了在其他时刻趋向于0 的发电，时间间隔为15 min，预测未来四种天气典型日的光伏发电量。

通过分析发现，不同天气光伏发电预测出力值最大分别在180 MW~200 MW、160 MW~180 MW、80 MW~90 MW。根据光伏电站实际和预测出力功率曲线可知，真实值和预测值之间存在着一定的误差。通过均方根误差公式，计算得到晴天、多云、阴天、阵雨天天气预测均方根误差分别为0.98、1.15、1.23、1.30，其预测精度分别为97%、95%、94%、93%，但仍存在一定的波动性，若将这种波动功率并入到电网，则会威胁到电网的安全稳定运行，使得原本功率曲线的波动极其剧烈。因此，需要采取合理的措施来控制光伏电站输出功率，使其输出较为平稳的光伏功率，从而减少电网安全稳定运行的威胁。

4 结论

课题组通过对光伏发电功率数据与辐照度、气温、天气等相关因素进行光伏出力研究，利用皮尔逊相关系数法筛选出影响光伏发电的气象特征因素，建立相关预测特征集，基于BAS-ELM 算法建立光伏发电预测模型，并将均方根误差作为模型性能评价指标，将相关性最高的因素作为预测输入变量，功率作为输出值，跟踪预测一天中的气象类型变化。通过计算分析，该模型在晴天与非晴天天气中的预测精度提升效果明显，其中晴天天气的预测准确率达到了97%，且晴天、多云天气预测精度高于阴天及阵雨天气。结果表明，本研究能够为光伏发电功率预测提供一定的参考。