基于云边协同的分布式光伏超短期功率预测方法

2025-01-21苏建平王培尧冯坤凌浩洁

中国新技术新产品 2025年1期

摘要：采用现有预测方法对分布式光伏超短期功率进行预测，其预测结果与实际结果相差较大，没有达到理想的预测精度。因此，本文引入云边协同对分布式光伏超短期功率预测方法进行研究。构建分布式光伏输出功率不确定性概率，利用云边协同计算分布式光伏并网点功率预测数据。分别从2个方面进行超短期功率预测，包括单个光伏电站输出功率超短期预测和区域分布式光伏功率超短期预测。试验结果表明，使用本文预测方法预测精度更高，能够为分布式光伏发电运维提供有利条件。

关键词：云边协同；光伏；功率预测；超短期；分布式

中图分类号：TM 615 " " " 文献标志码：A

分布式光伏发电作为一种清洁且可再生的能源，其装机容量与发电量正经历快速增长，受气候条件、地理位置、光伏组件特性和运行环境等多种因素影响，其输出功率具有明显不确定性和波动性，给电网调度、电力市场交易以及用户侧管理带来了挑战。因此，精确预测分布式光伏的超短期功率输出，对优化资源配置、提高电网灵活性以及保证电力供需平衡具有重要意义。

自2010年以来，分布式光伏功率预测技术取得了明显进展。王迎春等[1]提出了基于联邦学习的光伏超短期功率预测方法，该方法不仅能够有效利用分布式数据源，还提高了预测模型的泛化能力和准确性。但是，该方法在预测过程中未充分考虑不同地理环境和气候条件的差异性，导致预测精度不高。郑婉婷等[2]采用自然梯度提升方法（Natural Gradient Boosting，NGBoost）并结合改进权重优化策略，对区域分布式光伏功率的概率进行了预测。但是，该方法忽略了分布式光伏系统之间的相互作用及其与电网的交互影响，从而限制了其在复杂电网环境中的实际应用效果。针对上述问题，本文提出了一种基于云边协同的分布式光伏超短期功率预测方法。

1 分布式光伏输出功率不确定性概率建模

为了精准预测分布式光伏系统的超短期功率输出并全面衡量其固有的波动性，本文构建了一个预测模型。该模型综合考虑了影响光伏电站输出功率的不确定性因素，尤其是辐照度强度的实时变化，原因是辐照度与光伏电站发电效能波动之间存在明显的正相关关系[3]。将辐照度选定为核心预测因子，旨在精确捕捉并量化光伏电站输出功率的波动，从而加快系统响应速度，并大幅提升能源管理的准确性[4]。

在这个模型框架中，笔者选用高斯分布作为近似模型的核心来表征输出功率不确定性的概率分布特性。高斯分布具有数学方面的简洁性，不仅便于处理，适用性高，而且能够较好地拟合众多自然现象的统计规律。具体来说，本文定义了高斯分布的概率密度函数（Probability Density Function，PDF）和累积分布函数（Cumulative Distribution Function，CDF），并将它们作为分析和预测光伏电站输出功率不确定性的基础工具，以期进一步提升能源预测与管理系统的智能化水平[5]。高斯分布的PDF和CDF计算过程如公式（1）、公式（2）所示。

（1）

（2）

式中：fnorm（x）为高斯分布的PDF；σ为高斯分布的标准差；x为随机变量；μ为高斯分布的平均值；Fnorm（x）为高斯分布的CDF；∫x -∞fnorm（z）为（-∞，x）的fnorm（z）的积分。

通用分布具有良好的适应性与灵活性，其核心优势是其独特的3个形状参数配置[6]。通用分布的CDF及其逆函数均具备闭合的解析表达式，使计算过程更直接、更高效。逆函数F-1（c）的表达式如公式（3）所示。

（3）

式中：F-1（c）为逆函数；c 为累积分布概率，即 CDF 值；γ为位置参数；α为尺度参数；β为形状参数，其中αgt;0，βgt;0，γ为（-∞，+∞）。

调整这些参数，该分布的PDF和CDF能够灵活地变换形状，从而更紧密地贴合光伏电站输出功率概率分布的复杂特性，进而提高近似模拟过程的精度。

2 基于云边协同的分布式光伏并网点功率预测数据计算

在构建了分布式光伏输出功率的不确定性概率模型后，本文采用云边协同技术来精确计算分布式光伏并网点的功率预测数据[7]。每个边缘计算智能电力终端（Edge Smart Power Terminal，ESPT）都融入光伏并网系统中，与光伏逆变器、气象传感器阵列、变配电区定位装置、风机和微机测控装置紧密连接[8]。其中，微机测控装置进一步与电流/电压互感器进行交互，保证数据全面、准确。基于云边协同的分布式光伏并网点功率预测数据获取原理如图1所示。

ESPT采集的数据涵盖了电流、电压、有功功率、无功功率、逆变器等状态参数，以及由气象传感器提供的本地气象数据（例如辐照度、温度、湿度和风速等）。将变配电区定位装置提供的电站位置中心坐标作为辅助信息，用以分析地理位置对光伏发电效率可能产生的影响。另外，每个ESPT内部都集成了多种边缘计算模型。其中，基于光电转换效率和辐照度的光伏发电物理模型如公式（4）所示。

PPV=η∙Et∙A " " " " " " （4）

式中：PPV为光伏发电物理模型；η为光电转换效率；Et为辐照度；A为光伏板面积。数据驱动模型可以选择BP神经网络模型，利用权重和偏置学习非线性关系如公式（5）所示。

y=f（W∙x+b） " " " " " " （5）

式中：y为预测功率；W为权重；x为输入特征矢量；b为偏置。

ESPT根据实时的电流、电压和逆变器数据，计算出每个并网点的即时功率值。将这些实时数据与气象数据输入集成的边缘计算模型中。模型输出的结果，即为该分布式新能源电站从短期至超短期的功率预测值，其中h代表预测时间步长。

为了构建符合该台区环境特征的气象模型，笔者基于综合气象数据源，针对台区的精确地理坐标，提取并整合了数值天气预报中的核心参数。首先，笔者设定了一个9 km×9 km的广域大气边界条件作为模型的初始框架。在此基础上，利用这些精细化的大气参数，进一步将关注点聚焦于台区周边3 km×3 km的局部区域，进行高精度的数值天气预报计算与预测工作。

3 单个光伏电站输出超短期功率预测

根据基于云边协同技术获取的分布式光伏并网点功率预测数据，笔者对单个光伏电站的超短期输出功率进行了预测。考虑到实际光伏电站的输出功率概率分布会随辐照度的变化而呈现不同的特性，因此，在拟合过程中，通用分布会针对不同的辐照度等级呈现出各异的形状参数配置。为了准确捕捉这种特性，笔者利用光伏电站的历史数据库，对每个辐照度等级下实际分布的PDF或CDF进行了精细拟合，并据此构建了全面的通用分布形状参数集，具体见表1。

本文结合表1中的数据，对历史数据进行了分箱拟合处理。对于任意给定的辐射照度值，笔者能够判断其所属分箱，并据此找到对应的通用分布函数。在此基础上，笔者假设随机变量Pt服从某一累积概率分布函数Fl（p），即Pr（Pt≤P）=Fl（p）。为了生成符合该分布的随机样本，本文采用了逆变换抽样方法，如公式（6）所示。

Pt=Fl-1（U），U～Unif[0，1] " " "（6）

式中：U～Unif[0，1]为在[0，1]的均匀分布；Fl-1（U）为累积概率分布Fl的逆函数。将通用分布作为CDF的建模基础。在模拟随机变量Pt的抽样过程中，需要生成一系列遵循均匀分布Unif[0，1]的随机数，这些随机数代表随机变量Pt在其CDF中的累积概率值。为了将这些概率值转换为光伏电站可能的输出功率值，笔者利用通用分布模型提供的逆CDF函数（即解析的逆函数）对这些随机数进行逆变换，直接映射光伏电站可能的输出功率值。

这个过程实现了从理论概率到实际物理量的转换，提升了模拟结果的实用性和准确性。首先，本文生成大量遵循标准正态分布的随机数作为初始样本。其次，计算这些随机数的标准正态分布函数值，获得其在标准正态分布中的位置。最后，利用通用分布的逆变换特性将这些标准正态分布函数值转换为光伏电站输出功率的可能值，在这个过程中生成多种输出功率的场景，每种场景都对应一个特定的辐照度条件。这种方法不仅丰富了预测结果的多样性，还提高了对光伏电站输出功率超短期变化的预测精度。

4 区域分布式光伏功率超短期预测

在进行区域分布式光伏功率的超短期预测过程中，必须考虑时空相关性因素，并计算等效晴空指数，具体流程如图2所示。

等效晴空指数是一个综合指标，它融合了地理位置、时间变化及光照条件等多重因素，其计算过程如公式（7）所示。

k=Ps/Pl "（7）

式中：k为等效晴空指数；Ps为光伏电站输出功率实际值；Pl为光伏电站输出功率理论值。为了更精确地预测光伏电站的输出功率，本文基于前T个时间点收集到的云层对N个光伏电站的遮挡面积数据，分别对后M个时间点内的N个光伏电站的遮挡面积进行预测。

计算每个光伏电站在上述时间段内的云层遮挡总面积，如公式（8）所示。

S=αijSPV " " "（8）

式中：S为光伏电站云层遮挡总面积；αij为衰减系数；SPV为某个时刻对光伏电站的遮挡面积。运用已知的转换关系，计算出后M个时间点的等效晴空指数预测值。然后将等效晴空指数与对应时间点的光伏电站输出功率理论值相乘，得到光伏电站在后M个时间点的输出功率预测值。最后，将这个预测流程应用于区域内除参考光伏电站以外的所有其他光伏电站，进而获得整个区域内所有光伏电站的未来超短期的输出功率预测值。

5 对比试验

本文结合云边协同，为了验证该预测方法的应用效果，将基于联邦学习的预测方法设置为对照A组，将基于NGBoost的预测方法设置为对照B组，将基于云边协同的预测方法设置为试验组。光伏电站装机容量为9.066 MW，由2种光伏组件和16个逆变器组成。2种光伏组件基本参数见表2。

分别利用上述3种方法对分布式光伏电站的超短期功率进行预测，得到的结果如图3所示。

由图3中的4条曲线可知，试验组预测结果更加接近实际情况，能够对分布式光伏超短期功率进行准确预测。对照A组和对照B组预测结果与实际相差较大，不具备高精度预测条件。因此，试验组预测方法的可行性和应用价值更高。

6 结语

本文提出基于云边协同的分布式光伏超短期功率预测方法。该方法提高了预测精度，增强了预测系统的灵活性和可扩展性。未来将进一步完善云边协同的分布式光伏功率预测方法，使其在更多的复杂场景中发挥重要作用。期望更多研究者关注这个领域，共同研究更加高效、准确的分布式光伏功率预测技术，为实现碳中和目标贡献力量。

参考文献

[1]王迎春，王志硕，刘洋，等.基于联邦学习的海上分布式光伏超短期功率预测[J].控制与决策，2024（7）：1-9.

[2]郑婉婷，肖浩，裴玮.基于NGBoost和改进权重优化的区域分布式光伏概率功率预测[J].供用电，2024，41（7）： 19-28.

[3]王剑斌，傅金波，陈博.基于强化学习的多模型融合光伏发电功率预测方法[J].太阳能学报，2024，45（6）： 382-388.

[4]李佳怡，张生艳，贺洁.基于CNN-XGBoost模型的光伏功率预测[J].宁夏电力，2024（3）：8-13，20.

[5]王田宇，赵葵银，曹哲，等.采用RBF神经网络改进有限集模型预测控制算法的光伏系统MPPT研究[J].湖南工程学院学报（自然科学版），2024，34（2）：7-13.