分布式光伏功率预测方法研究

清幕大学分布式光伏功率预测方法研究范思远2025年9月13日□3多模态融合功率预测方法全球光伏统计分析[1]差异化场景差异化场景调度整体动态管理管理规划调整联合策略电厂电厂控制结算多尺度策略增加场站发电小时数/容量利用率，为合理准确率(CR)均方根误差(Em)NB/T32031-2016光伏发电功率预测系统功能规范GB/T19964—2012光伏发电站接入电力系统技术规定GB/T30153—2013光伏发电站太阳能资源实时监测技术要求GB/T40604—2021新能源场站调度运行信息交换技术要求GB/T40607—2021调度侧风电或光伏功率预测系统技术要求5.3预测准中期功率预测以1日(24h)为步长统计，预测准确率按顺序一短期功率预测日前≥85%日前≥85%第4小时≥90%于80%;超短■光伏发电功率主要受地理位置、安装角度、自身参数、天气等影响；■对于光伏电站，其发电功率主要取决于气象因素，影响较大的为辐不同天气状况下光伏出力曲线不同天气状况下光伏出力曲线时刻光伏板接收阳光辐照过程6典型日光伏出力曲线光伏板接收阳光辐照过程6■晴空辐照：受太阳高度角、日照长短影响，由地理■晴空辐照：受太阳高度角、日照长短影响，由地理位置决定，机理明确；■云层衰减：受天气影响，如阴天/晴天、云移动轨迹，机理复杂06-010①6-01036-01066-01006-011D6-01106-0118⑧6-012FIGURE2.2GHIisobtainedbysubtractingcloudatt(GHI).Thisfigureisreprodicedincolorinthe光伏发电具有随机性、间歇性的特点，提高功率预测精度，有助于提高其发电的消纳水平，提高并网的可观测性和可控制性■区域内众多光伏电站在地理位置、设备参数、安装方式等方面存在差异；■在模型优化和验证过程中，需要不断调整参数并进行多次计算，进一步增加了计算资源边缘层边缘层边缘层边缘层■如何更好地利用电站现有的数据资源，提升功率预测的准确性?■如何更好地利用电站现有的数据资源，提升功率预测的准确性?■每个电站安装微气象站成本高2017,EarthSystemScienceData,11(2019)1931-1946.□1研究背景□3多模态融合功率预测方法光伏电站部署位置气象、地理、时间(含机理的数据)成分辨率15min,总共有1856174个时间点，1428个场站TotalTotalnumberofCSVfiles;47Totalnunberofrows(exctudingthef1rstrow)acrossallCSVfiles:1856174Totalnumberofcolumn美国TotalnumberTotalnumberofcSVfiles:1454Totalnumberofcolunns(excludingthefirstcolumn)acrossTotalnunberofCSVfTotalnumberofrows(excludingthefirstrow)acrossallCSVfiles:1Totalnuaberofcolumns(excludingthefirstcolumn)acrossallPleaseenterthefileextension(e.g.,.csV,xlsx,xlTotalnumberofrowsacrossall:xlsTotalnunberofcolunnsacrossallx1sfles:9731122334455667788t99tw板面辐照度=晴空辐照度-云层衰减一灰尘遮挡方位角、经纬度、时间■经度：-30~60,分辨率1度■纬度：0~65,分辨率1度■方位角：0~360■倾斜角：0~90动态积灰损失效率衰减损失photovoltaic(PV)systems[J].Energy,2025,324:135783.哥白尼大气监测服务(CAMS)基于欧洲中期天气预报中心(ECMWF)Table7.2.MainfeatureEurope/Africa/MiddleE假设辐射监测点存在光伏电站，通过机理模型(模型链)构建虚拟电站XPoweruderDieretTXPoweruderDieretT光伏系统1年发电功率据生成结果16训练流程生成数据(机理)+实际数据(1)架构：Transformer网络将存储在训练好的权重中；Pt,…,Pt-mPt+n…,Pt+1AI模型训练流程图Al大模型功率预测方法Al大模型功率预测方法■预训练——无监督学习(通过序列掩码学习光伏发电的规律)■微调——有监督学习(面向具体任务：预测、故障诊断等)MaskedSertenceAMa/pdf/1810.04805其中，红色代表行政中心，蓝色代表光伏电站，其中，蓝色代表光伏电站，共146个电站11213242526272结果表明，随着预训练数据的增加，特别是受预训练数据的限制，我们将参数数调整为当预训练数据量达到110个站时，训练损失基本稳定在0.06,测试误差是实验中最低的水数山西第1个站点单步预测结果Encoder-Decoder注意力热图中国山西光伏电站预测结果对比1235美国阿肯色州光伏电站预测结果对比125澳大利亚爱丽丝泉光伏电站预测结果对比1235□1研究背景□□3多模态融合功率预测方法多模态融合功率预测方法Add&NormAdd&NormAdd&NormAdd&NormD●使用了2018年中国吉林省西部某分布式光伏电站的数据。数据包括：风速、温度、风向、辐照度、板面温度(POT)和光伏输出功率，采样频率为每1分钟一次；光伏板可见光图像每隔5分钟采集一次●由于光伏电站在夜间的运行限制，无法获得图像，也不发电，影响了数据收集计划。因此，数据采集仅限于白天的上午9:05至下午4:30。对数据和图像进行了处理，使其时间分辨率标准化到5分钟的间隔，图像尺寸为352×288像素样本间隔数据描绘温度(℃)风速(m/s)风向辐照度(W/m²)光伏板温度(℃)1分钟1分钟1分钟1分钟1分钟气象数据(M)功率(kW)1分钟光伏功率数据(P)光伏板图像5分钟光伏图像数据(I)多模态融合功率预测方法光伏板接收阳光辐照过程光伏板遮挡导致性能衰减光伏系统发电功率计算[1]:考虑遮挡影响光伏系统发电功率计算：图像质量评估一结构相似性：—2018-02250905me插值确定参数三阶段混合数据重构方法数值数据提出了一种三阶段混合数据重构方法，以解决光伏系统中数据缺失、高噪声和时间戳不同步的问题向1111向461RepDLKBlockRepDLKBlock二ConvFFN(1)主干层(Stemlayer);(2)阶段层(Stagelayer);(3)上下文加权训练层(CWTlayer);AttentionModaleAttentionModale输入图像等效复用方法：多模态融合功率预测方法从attn1到attn2跨模态注意力：多模态融合功率预测方法明显小于其他模型，平均值更接近0。这表NaiveForecast