《综合智慧能源管理》课件-项目五 功率预测技术

光伏功率预测技术引言01光伏功率预测原理和基本框架02光伏功率预测算法03提升预测精度方法04结语05引言PART01由于日照的昼夜周期性，光伏电站只能白天发电，是一种典型的间歇式电源；光伏功率受气象、环境条件影响，具有较大的波动性和随机性。这些特性使得大规模光伏发电并网对电网造成不良影响。若能及时、准确地预测光伏功率，将对电网调度及光伏电站运行具有重要意义。光伏功率预测原理和基本框架PART02光伏功率预测是以数值天气预报数据或/和实测数据为基础，结合光伏电站地理坐标及具体地域特点的参数化方案，建立预测模型及算法，实现对未来一定时间段内光伏电站输出功率的预测。关键影响因素气候地理电站设计、人为因素等电气效率气象关键影响因素光伏功率特性较强的昼夜周期性和季节周期性；影响因素多、影响机理复杂；波动性和随机性强、变化频率快；数据样本有限、数据条件较差。光伏功率预测方法分类根据预测过程的不同，可分为直接法和间接法；根据建模方式的不同，可分为物理方法和统计方法；根据预测时间尺度不同，可分为超短期

（0~6h）、短期（6h~1d）和中长期（1月~1年）预测法；根据预测的空间范围大小不同，可分为单场预测和区域预测。光伏功率预测方法分类直接预测法和间接预测法直接预测法是根据光伏功率历史数据直接进行预测；间接预测法是首先预测地表或光伏组件接收的太阳辐照度，再预测光伏功率。直接预测法的建模难度较大，不同时间尺度和工作状态下映射关系的变化可能导致模型性能下降甚至失效。间接预测法在整个预测过程中可能需要建立多个预测模型，较为复杂。光伏功率预测方法分类直接预测法和间接预测法光伏功率预测方法分类物理方法和统计方法物理方法基于太阳辐照传递方程、光伏组件运行方程等物理方程进行预测，需要光伏电站详细的地理信息以及气象和太阳辐照数据；统计方法基于预测模型输入、输出因素之间的统计规律进行预测。物理方法不需要大量历史数据，适用于新建的光伏电站，但需要光伏电站详细的地理信息和组件参数等数据，建模过程复杂，且难以模拟一些极端异常天气情况和环境及光伏组件参数随时间发生的缓慢变化，模型抗干扰能力较差，鲁棒性不强。光伏功率预测方法分类物理方法和统计方法统计方法需要从大量的历史数据中获取预测需要的规律，如光伏电站有功功率与气象数据、历史运行情况之间的规律，对光伏电站的地理信息和测光资料要求不高。光伏功率预测方法分类超短期、短期和中长期预测超短期光伏功率预测可提供功率瞬变信息；短期光伏功率预测可用于调度计划制定、负荷跟踪预测、电力市场等领域；中长期光伏功率预测可用于光资源评估、新建光伏电站规划等领域。光伏功率预测方法分类超短期、短期和中长期预测超短期光伏功率预测可采用物理方法和统计预测方法。其中物理方法主要是对云图进行图像处理，结合NWP或地面观测站数据，进行光伏功率预测；统计预测方法主要采用自回归滑动平均（ARMA）算法、人工智能算法、持续预测法等进行预测。光伏功率预测方法分类超短期、短期和中长期预测相比之下，短期功率预测需要气象数据的时空分辨率要求相对较低，可利用精细化的NWP数据进行预测而不必采用云图数据。中长期光伏功率预测主要是根据地区历史光资源数据等估计未来较长时间段内的光伏功率。光伏功率预测方法分类单场预测和区域预测单场预测是指单个光伏电站的功率预测；区域预测是指对某个区域范围内的多个光伏电站总出力的预测。光伏功率预测方法分类单场预测和区域预测单场预测可为发电运营者提供光伏电站的功率预测信息，主要应用于光伏电站发电的优化运行与控制；区域预测可为电网运营商提供某一区域范围内的光伏出力值，帮助电力调度部门预估光伏功率波动，制定多种电源协调调度计划，降低光伏电站接入对电网的不利影响。光伏功率预测方法分类单场预测和区域预测区域光伏功率预测的精度往往高于单场功率预测精度。通过区域光伏电站之间的随机误差相互抵消，预测方均根误差可减少６４％。光伏功率预测典型模式所有预测模式的关键都在于寻找已知变量和数据与未来光伏功率之间的映射规律，如模式１需寻找气象因素、地理因素与地面辐照度之间的规律，模式２需要寻找历史和未来发电量之间的规律。光伏功率预测典型模式模式１：输入气象数据、辐照数据，建立预测模型。该模式适用于气象、辐照数据可得的情况，对光伏电站的历史运行数据要求不高。进行大空间尺度预测时，采用NWP数据较合适；进行小范围局部预测时，采用地面测量站数据更v精确。这一模式多用于短期光伏功率预测，随着NWP的时空分辨率上升，模式１也逐渐在超短期光伏功率预测中使用。光伏功率预测典型模式模式2：输入光伏电站历史发电量，建立预测模型。该模式适用于缺少气象、辐照数据但历史运行数据可获得的情况，可在超短期和短期光伏功率预测中使用。当光伏电站所处地区气候变化不明显时，未来光伏功率与历史光伏功率具有较强相关性，该模式可达到较高精度。光伏功率预测典型模式模式3：输入气象、辐照、光伏电站历史运行数据等，建立预测模型。该模式对输入数据要求最高，预测结果的精度也较高。光伏功率预测典型模式模式4：基于持续预测模型和晴空预测模型的基础预测模式。针对天气预报数据较难获取或新建光伏电站历史数据较少的情况，使用上述两个预测模型实现光伏功率粗略估计。基础模型算法简单、实现要求低，但其预测精度较低、适用时空尺度较小，常作为对照模型，对比新预测模型的预测效果。预测精度评价指标预测精度评价指标预测精度评价指标光伏功率预测算法PART03光伏功率预测的关键在于确定不同时空尺度下影响光伏功率的主要因素及其作用机理，并选择恰当的算法建立预测模型。预测技术图谱WRF为天气研究和预报模型；MM５为第５代中尺度预报模型；GFS为全球预报系统；ECMWF为欧洲中尺度天气预报中心。预测技术图谱图5中的预测方法基本沿着两条思路展开技术研究。1）研究辐照度、光伏功率的关键影响因素，这是物理方法的思路，主要方法有基于云图（超短期）和NWP（短期、中长期）的方法；2）学习辐照度、光伏功率历史规律，这是统计方法的思路，主要方法有神经网络等智能算法、时间序列法、基础预测法等。适用于光伏功率超短期预测的方法有基础预测方法、基于云图的预测方法以及基于数据驱动的预测方法。目前NWP时空分辨率普遍较低，暂不适用于超短期预测。超短期预测持续预测方法假设预测时刻气象、辐照等条件与当前时刻一致，从而采用数据外推方法预测辐照度和光伏功率。这是最简单的预测方法之一，但精度也较低，通常情况下，持续预测在超过1h的预测中仅作为基准预测方法而非实际应用的工程算法。超短期预测晴空预测模型（clearskymodel）假定天空中无云，基于大气辐射传输模型和大气要素进行辐照度或光伏功率预测，其主要考虑的大气要素有臭氧含量、水汽含量、林顿浑浊度等，主要的预测模型有Solis模型、ESRA模型、BirdandHulstrom模型、Ineichen模型等。晴空条件下光伏功率波动小，能够最大限度地反映辐照度的发电效应，因此常将晴空预测模型作为基本标定模型。超短期预测持续预测方法和晴空预测模型两种基础预测模型适用于光伏数据缺失或数据质量较差的情况，但由于无法考虑辐照度和光伏功率的波动性和随机性，其预测精度较低，在天气状况变化剧烈或预测时间尺度较长时预测效果更差，目前工程应用不多。超短期预测云是影响地面辐照度的主要气象要素，云层运动是地面辐照度和光伏功率波动性的主要原因，因此，基于云图的预测方法成为精细化光伏预测的重要技术方向之一。超短期预测常用的云图有地基云图和气象卫星云图。其基本原理都是在假定云团形状不发生改变、云团移动速度在短时间内保持不变的情况下，通过连续图像分析得到天空云层的分布位置、云团大小、移动速度等信息。所有的云图都需要进行图像处理识别云团，通过块匹配技术、交叉相关算法等方法预测云团运动、形成云指数图、预测云团遮挡等操作。其中云指数的提取技术已经较为成熟，常用于太阳资源研究。超短期预测图６所示为通过分析气象卫星MereosatＧ９拍摄的云图形成的云层移动矢量图，从中可以清晰地看到云层的运动方向和速度，从而得到考虑云层遮挡效应后的辐照度数据并进一步预测光伏功率。超短期预测基于云图的超短期预测通过专用设备对云进行测量并完成图像采集，利用在线图像分析技术分析云层运动情况，预测云层对太阳光的遮挡情况，实现地面辐照度和光伏功率预测。基于云图的光伏功率预测误差随着预测时间尺度增加而变大，实时预测的方均根误差在5%以内，而10min预测的方均根误差则可达20%以上。超短期预测超短期预测虽然基于云图的方法为实现精细化预测提供了可能，但受限于测量设备和方法局限，仍然存在以下不足。１）由于在预测中默认假设短时间内云团的形态、速度保持不变，因此在云团形态和移动速度剧烈变化时，该方法无法获得准确预测结果。２）云层高度信息获取困难或缺少。云层对地面的遮挡与云层的高度有密切关系，但云图无法给出云层高度信息，将不同高度的云层统一处理，会增加预测的误差。超短期预测３）卫星云图空间分辨率较低，图上一个像素点对应较大的地面面积，无法判定小范围内云层情况。４）地面天空成像仪拍摄空间有限，只能获取较小范围内云层信息，当云层移动速度较快时，预测时间尺度将大大缩减。５）云图图像处理分析需在极短的时间内完成，对算法速度要求高，需权衡速度与精度。超短期预测国内对基于云图的预测方法研究及应用时间较短，对云层信息预报能力有限，仍处在探索阶段；国外在此方面的研究起步较早，但受限于预测精度和时空尺度，现阶段工程应用实例不多。超短期预测超短期预测基于数据驱动的超短期预测的数学方法根据算法原理的不同，可以分为线性和非线性预测算法以及两种或多种预测算法组合形成的综合算法。超短期预测基于数据驱动的超短期预测的数学方法线性预测算法利用光伏电站的历史数据和外源性气象数据等，进行多元回归，预测光伏功率或地面辐照度，常见的算法有ARMA、自回归积分滑动平均（ARIMA）、外源自回归滑动平均（ARMAX）等。超短期预测基于数据驱动的超短期预测的数学方法非线性预测算法主要依据多因素与光伏功率之间的非线性统计规律，实现预测。主要算法有：神经网络算法、支持向量机（SVM）算法、卡尔曼滤波算法、马尔可夫链算法等。超短期预测基于数据驱动的超短期预测的数学方法综合预测算法是针对辐照度和光伏功率特性，选择算法进行组合得到的。针对各因素对光伏功率的线性和非线性影响，将线性和非线性预测算法相结合；针对云对光伏功率的显著影响，将云图与智能算法如神经网络算法相结合等。超短期预测基于NWP的预测数值天气预报（numericalweatherprediction）短期预测常用短期预测算法神经网络算法；分类回归算法；时间序列算法；小波分析算法；随机森林算法；概率预测算法；综合预测算法。短期预测常用短期预测算法神经网络算法；神经网络算法具有良好的泛化能力和容错能力，广泛运用于光伏功率预测。目前不少研究在神经网络算法基础上，通过建立组合模型、优化输入神经元结构、改进网络内部算法等来适应实际预测问题。虽然神经网络算法可拟合复杂的非线性关系，但高精度的神经网络预测模型需要高精度的输入数据。当样本复杂且分散时，神经网络可能无法有效学习输入、输出之间的规律，导致预测精度较低。短期预测常用短期预测算法分类回归算法；以光伏功率的周期性和规律性为基础，建立特征指标体系，划分数据样本，获得相似日样本，根据样本特点建立预测模型，利用与预测目标时段具有高相似度的样本训练模型进行预测。采用分类回归算法可以有效学习目标时段规律，提高预测效率和精度。常用的分类回归算法有SVR和决策树（CART）等。分类特征指标体系的确立是这一类方法的关键，目前这方面尚缺少深入研究。超短期预测常用短期预测算法时间序列算法；用于短期与超短期光伏功率预测的时间序列算法原理相同，主要有ARMAX、外源自回归（ARX）算法等。时间序列预测算法适用于对预测精度要求不高、天气变化不明显的情况。短期预测常用短期预测算法随机森林算法；随机森林是一种统计学习理论，通过重抽样方法抽取多个样本，建立决策树，组合多棵决策树预测最终结果，其对异常值和噪声有较强的容忍度，不易出现过拟合问题。随机森林算法在光伏功率预测领域的运用较少，仅有少量研究尝试建立有差异的回归树实现光伏功率预测。由于在不同天气模态下光伏数据特点不同，预测适用的算法不同，因此后续的研究中可以构建多预测模型森林，针对实际情况自主选择预测结果的组合。短期预测常用短期预测算法概率预测算法；概率预测方法能给出下一时刻可能的光伏功率值及其出现的概率，提供了较全面的预测信息。目前国内外对光伏功率的概率预测还处于研究起步阶段，主要尝试将不同概率预测算法套用到光伏功率预测问题，在建立适用于光伏功率预测问题的概率预测模型、建立误差评价标准等方面都需要进一步深入研究。短期预测常用短期预测算法综合预测算法；综合预测算法的基本思想与超短期预测中综合法类似，是研究热点之一，但目前针对特定预测环境的组合模型分析较少，组合模型对预测精度的提升效果有限。提升预测精度方法PART04光伏功率预测强依赖于天气模态数据样本，其精度在不同天气模态下差异较大。提高预测精度是光伏功率预测的核心问题，目前研究主要聚焦在通过数据预处理提升输入数据品质以及深度挖掘数据特性提高模型精确性两方面，前者如坏数据剔除、缺失数据重构、数据归一化和去趋势化等；后者如数据样本筛选和输入参数优选。光伏数据质量参差不齐，通信、测量环节的问题都可能导致坏数据产生及数据缺失；不同类别的数据具有不同的量纲和数值范围，因此，对光伏数据进行预处理操作是高精度预测的必要环节。光伏数据预处理光伏数据预处理１）坏数据剔除通常依据物理规律或数据采集质量控制要求剔除坏数据。但由于光伏数据本身具有较大的分散性，对坏数据的定义是一个难点，定义不准确会导致误判。目前这方面的相关研究不多。光伏数据预处理２）缺失数据处理当要求数据具有连续性或者数据样本较小时，剔除缺失数据段会给预测精度带来较大影响，因而重构缺失数据很有必要。光伏数据预处理２）缺失数据处理插值法是最简单的数据重构方法之一，如采用插值法提高NWP数据的时空分辨率。但由于光伏数据的波动性和随机性显著，插值法可能无法较好地还原数据序列。光伏数据预处理２）缺失数据处理辐照度和气象因素都具有较强的空间连续性和相似性，由此产生了基于空间相关性的数据还原技术。这种方法不仅能还原数据序列，而且可用于光伏功率预测。但现阶段国内外对光资源空间相关性研究不多，国外对空间相关性的研究较少考虑光伏电站之间的地理方位关系，而国内光伏发展起步较晚，区域光伏电站的数据积累不够，相关方面的研究还处于探索阶段。光伏数据预处理３）数据归一化和去趋势化对光伏数据实行归一化操作是为了避免不同数据的量纲和大小范围导致的预测结果不准确问题。光伏数据序列具有较明显的季节、时间变化趋势，而统计方法如ARMA等不能适应具有趋势的数据，需要对光伏数据进行去趋势化操作。去趋势化常通过将辐照度数据标准化或转化为晴空指数进行。光伏数据样本筛选的研究主要包括光伏数据分类/聚类和预测模型输入参数选择。分类/聚类方法研究是当前研究热点，常采用“相似日”的概念。光资源特性和光伏发电特性的研究是实现光伏数据样本筛选的基础，可以用相关性分析和多元回归方法进行特性分析。数据样本分类筛选数据样本分类筛选样本分类筛选即通过分类或聚类的方法寻找相似样本，用于预测模型的训练，不仅可以防止小容量样本的规律性被遮盖，还可使预测模型对目标样本更有针对性。分类筛选研究可分为以下两类。数据样本分类筛选样本分类筛选１）将光伏数据按不同的天气类型划分。划分依据通常是季节与天气类型，也可用辐照度和云量作为指标，将光伏样本划分为如晴天、阴天、雨天等。此类划分指标选取简单、实现方便，但划分结果粗糙，不能给出精确的物理、数学解释。数据样本分类筛选样本分类筛选２）选择特征指标构造特征空间，并通过KＧmeans聚类、自组织神经网络（SOM），以及SVM和CART等方法实现样本的分类/聚类。选择区分度显著的特征指标和有效的分类/聚类方法是这类研究的重点。数据样本分类筛选样本分类筛选特征指标的获取方式有：①直接从NWP中获取，如温度、云量等；②提取直接可得参数序列的某个统计指标作为特征指标，如晴空指数、辐照度三阶导数最大值、辐照度方差、辐照度与理论值偏差值等；③变换直接可得参数，形成特征指标，如采用主成分分析法将现有的相互相关的参数转换成互不相关的主成分。数据样本分类筛选样本分类筛选目前研究主要集中在对不同指标和聚类方法的选择上，有以下两点不足。１）对特征空间构造的阐述不足。样本划分合理性的关键在于特征空间构造的正确性，特征空间的构造需要联系光伏发电的内部物理规律，选择与光伏功率最显著的变量进行构造。数据样本分类筛选样本分类筛选目前研究主要集中在对不同指标和聚类方法的选择上，有以下两点不足。２）缺少对光伏数据时序特征的描述。光伏数据往往是一系列具有很强周期性和时序规律性的时序数据，但现阶段的研究很少涉及时序特性的描述。现阶段分类/聚类较粗糙，实现精细化分类是提高光伏功率预测精度的关键，也是后续研究的重点。数据样本分类筛选输入数据选择输入数据选择是通过物理分析和数学方法，选择目标预测条件下的主导因素。数据样本分类筛选输入数据选择在不同预测时空尺度、天气模态下，对地面辐照度和光伏功率产生主要影响的因素不同，直接辐照度、总辐照度、散射辐照度的主要影响因素也不同，如在长预测时间尺度上气象要素的重要性比短预测尺度小；对地面直接辐照度影响最明显的因素是云层覆盖率、气溶胶光学厚度、对流层大气成分和平流层大气，而对地面总辐照度影响最明显的因素是降雨量和太阳天顶角。数据样本分类筛选输入数据选择随着气象研究的发展和测量技术的升级，还出现了一些与地面辐照度和光伏功率相关的新参量，如液态水深、空气质量系数、气溶胶光学厚度等。数据样本分类筛选输入数据选择输入数据选择的方法有多元