張 玉，張振濤，莫 寒

ZHANG Yu, ZHANG Zhen-tao, MO Han

（桂林理工大學(xué) 廣西建筑新能源與節(jié)能重點實驗室，桂林 541004）

0 引言

面對全球日益嚴(yán)重的能源危機，人類加快了對新能源探索的腳步。太陽能作為目前全球最大的可再生能源，具有極高的利用價值。發(fā)電量預(yù)測是太陽能利用的一項非常重要的指標(biāo)，對大電網(wǎng)的分配調(diào)度會產(chǎn)生一定的影響。然而光伏陣列的輸出特性受到光照強度、溫度、濕度等其他外界因素的影響，具有不確定性[1,2]，這使得光伏發(fā)電量的預(yù)測變得更加困難。

圖1 光伏發(fā)電量受環(huán)境因素影響示意圖

對于一個光伏發(fā)電系統(tǒng)，其發(fā)電量的預(yù)測對于大電網(wǎng)調(diào)度十分重要，我們需要掌握的是該系統(tǒng)在某一時刻的實時發(fā)電功率，在不同情況下選擇合理的預(yù)測方法對發(fā)電量預(yù)測能起到事半功倍的效果。目前光伏發(fā)電量的預(yù)測方法有很多種，按照時間尺度可以分為超短期預(yù)測、短期預(yù)測和中長期預(yù)測。按照研究過程可以分為直接預(yù)測和間接預(yù)測[3]。這些方法雖然可以將大多數(shù)的預(yù)測方法進(jìn)行歸類，卻很難全面覆蓋，甚至有些預(yù)測方法的劃分界限十分模糊，不能系統(tǒng)的將光伏發(fā)電量預(yù)測的方法進(jìn)行歸類。為此本文將光伏發(fā)電預(yù)測方法用數(shù)學(xué)統(tǒng)計預(yù)測法和人工智能預(yù)測進(jìn)行分類，并在最后補充了一些其他的預(yù)測方法。實現(xiàn)了光伏發(fā)電量預(yù)測的完整化分類。

1 數(shù)學(xué)統(tǒng)計預(yù)測法

1.1 灰色理論預(yù)測法

所謂灰色理論預(yù)測法就是指利用灰色系統(tǒng)實現(xiàn)的預(yù)測模型?；疑到y(tǒng)的概念是在1982年由鄧聚龍教授首次提突出，他所描述的是介于部分信息已知的白色系統(tǒng)和部分信息未知的黑箱系統(tǒng)之間的過度系統(tǒng)?；疑到y(tǒng)可以通過對原始數(shù)的分析整理找出它們之間存在的聯(lián)系從而預(yù)測數(shù)據(jù)的變化規(guī)律從而達(dá)到預(yù)測的效果。GM(1,1)模型是灰色系統(tǒng)中較為常用的動態(tài)預(yù)測模型，該模型的構(gòu)成只有一個單一變量的一階微分方程，預(yù)測過程大致可以分為累加—擬合—累減三個步驟[4]。

文獻(xiàn)[5,6]分別采用GM(1,1)模型對光伏發(fā)電量進(jìn)行預(yù)測，單一的采用GM(1,1)模型對光伏的發(fā)電量雖然可以起到預(yù)測的效果，但其預(yù)測結(jié)果與實際結(jié)果存在一定的偏差，為了能夠得到較為準(zhǔn)確的預(yù)測結(jié)果，采用GM(1,1)殘差修正模型對原有的預(yù)測模型進(jìn)行修正。將一天中各個時間段的發(fā)電量構(gòu)成一個時間序列，以一天中光照強度最強發(fā)電量最大時為分界點，把一天中的預(yù)測分為兩個階段分別進(jìn)行預(yù)測。結(jié)果顯示，基于殘差修正的GM(1,1)模型效果更好，其預(yù)測結(jié)果更為接近實際值。

1.2 多元線性回歸預(yù)測法

在生活中一種現(xiàn)象的發(fā)生往往與多個因素存在相互關(guān)聯(lián)，此時就需要多個相關(guān)因素作為自變量解釋因變量的變化規(guī)律，這種模型就是多元線性回歸模型。在光伏發(fā)電量預(yù)測中，光伏系統(tǒng)的發(fā)電量受到輻射強度和溫度等因素的影響，因此可以以這些因素作為光伏發(fā)電系統(tǒng)的多元線性回歸模型的輸入。

文獻(xiàn)[7]將由18塊京瓷KC130GH-2P多晶硅太陽能電池組件串聯(lián)的光伏陣列作為研究對象，對該系統(tǒng)的輻射強度、環(huán)境溫度、組件背板溫度、風(fēng)速、發(fā)電功率以及每小時發(fā)電量6個自變量建立多元線性回歸模型，并采用F檢測法對回歸方程顯著性檢測后說明該模型有很好的擬合效果。將對預(yù)測結(jié)果在不同的天氣情況下進(jìn)行分類，在晴天，多云，陰轉(zhuǎn)天三種情況下與將預(yù)測值與實際值比較后發(fā)現(xiàn)，在晴天的預(yù)測值較實際值偏高，陰轉(zhuǎn)云的情況下預(yù)測值較實際值偏低，多云天氣的預(yù)測值則有較好的預(yù)測效果。

1.3 時間序列預(yù)測法

時間序列預(yù)測法是一種以時間為序列，根據(jù)歷史數(shù)據(jù)揭示事物發(fā)展規(guī)律的數(shù)學(xué)統(tǒng)計方法。在光伏發(fā)電量預(yù)測技術(shù)中將光伏系統(tǒng)某一時段內(nèi)的發(fā)電量看作一個隨時間周期變化的隨機數(shù)列。通過曲線擬合和參數(shù)評估來建立預(yù)測系統(tǒng)的數(shù)學(xué)模型，自回歸—滑動平均模型（ARMA）是時間序列預(yù)測法中較為常見的預(yù)測模型。文獻(xiàn)[8]中作者建立了ARMA模型在光照充分的晴天下對光伏系統(tǒng)的短期發(fā)電量進(jìn)行預(yù)測，結(jié)果表明，ARMA模型在晴天中有較高的預(yù)測精度。

數(shù)學(xué)統(tǒng)計預(yù)測法雖然在光伏發(fā)電量預(yù)測中可以實現(xiàn)預(yù)測的效果，其預(yù)測結(jié)果雖然和歷史數(shù)據(jù)存在著某種相互聯(lián)系，但這種聯(lián)系并不能起到?jīng)Q定性的作用。在短期預(yù)測中光伏發(fā)電量受環(huán)境因素影響時效性較強，這種特性導(dǎo)致此類方法一旦受到環(huán)境因素變化較大情況時，預(yù)測結(jié)果變化緩慢，預(yù)測精度較低等情況。但這種方法易于實現(xiàn)，正是由于與歷史數(shù)據(jù)存在著相互聯(lián)系使得在中長期發(fā)電量變化趨勢上有一定的可取性。

2 人工智能預(yù)測法

2.1 BP神經(jīng)網(wǎng)絡(luò)預(yù)測法

BP神經(jīng)網(wǎng)絡(luò)是一種按照誤差逆向傳播算法訓(xùn)練的多層前饋網(wǎng)絡(luò)，是由大量的神經(jīng)元相互連接而成的非線性動態(tài)系統(tǒng)，使用最速下降法通過反饋結(jié)果進(jìn)而不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閘值，使網(wǎng)絡(luò)的輸出達(dá)到最優(yōu)化。BP神經(jīng)網(wǎng)絡(luò)模型包括輸入層，隱含層和輸出層三個部分。目前，通過BP神經(jīng)網(wǎng)絡(luò)與其他算法相結(jié)合可延伸出多種預(yù)測方法，如基于牛頓法小波神經(jīng)網(wǎng)絡(luò)預(yù)測模型，基于遺傳算法神經(jīng)網(wǎng)絡(luò)預(yù)測模型，基于BP神經(jīng)網(wǎng)絡(luò)—馬爾科夫鏈預(yù)測模型，基于粒子群BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型等。

圖2 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖

2.1.1 基于牛頓法小波神經(jīng)網(wǎng)絡(luò)預(yù)測模型

文獻(xiàn)[9]描述了一種基于牛頓法小波神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電預(yù)測模型，在原有神經(jīng)網(wǎng)絡(luò)的預(yù)測模型中做了以下兩點改進(jìn)，其一在訓(xùn)練方法上選擇能夠較好地處理復(fù)雜問題的擬牛頓算法；其二是在神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)上采用能夠較好處理小信號的小波神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)。通過仿真結(jié)果分析發(fā)現(xiàn)，該模型比普通的神經(jīng)網(wǎng)絡(luò)預(yù)測模型預(yù)測精度更高，尤其針對不同季節(jié)采用該模型有較好的預(yù)測效果。

2.1.2 基于遺傳算法神經(jīng)網(wǎng)絡(luò)預(yù)測模型

文獻(xiàn)[10]描述了一種改進(jìn)的神經(jīng)網(wǎng)絡(luò)算法，在神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上加入遺傳算法，建立GA-BP預(yù)測模型。首先對環(huán)境溫度、風(fēng)速、濕度、輻射強度等環(huán)境因素進(jìn)行主成分分析，剔除掉無用信息并篩選出主要成分作為GA-BP預(yù)測模型的輸入。設(shè)定初始種群數(shù)，經(jīng)過遺傳迭代，得到BP神經(jīng)網(wǎng)絡(luò)的最優(yōu)權(quán)值和閘值，經(jīng)過BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練后得到最終預(yù)測結(jié)果。對預(yù)測結(jié)果分析后表明主成分分析的遺傳優(yōu)化神經(jīng)網(wǎng)絡(luò)預(yù)測模型比一般的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型在預(yù)測結(jié)果上更為準(zhǔn)確。

2.1.3 基于BP神經(jīng)網(wǎng)絡(luò)—馬爾科夫鏈預(yù)測模型

文獻(xiàn)[11]中提到一種基于BP神經(jīng)網(wǎng)絡(luò)—馬爾科夫鏈的光伏發(fā)電預(yù)測方法，將前一日的發(fā)電量及最高和最低溫度以及預(yù)測日當(dāng)天的最低和最高溫度作為模型的輸入，在經(jīng)過BP神經(jīng)網(wǎng)絡(luò)預(yù)測后根據(jù)預(yù)測的相對誤差采用馬爾科夫鏈模型進(jìn)行修正。避免了在建模的過程中忽略了實際的光照數(shù)據(jù)等。結(jié)果表明該模型具有較高的預(yù)測精度。

2.1.4 基于粒子群BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型

文獻(xiàn)[12]中描述了一種基于粒子群的BP神經(jīng)網(wǎng)絡(luò)(PSO-BP)光伏發(fā)電預(yù)測模型，該模型將神經(jīng)網(wǎng)絡(luò)中需要調(diào)整的權(quán)值和閘值映射為PSO中的粒子，通過粒子間的競爭與合作不斷優(yōu)化這些參數(shù)，使網(wǎng)絡(luò)的訓(xùn)練效率大大提高。通過與普通BP神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果相比較，基于PSO-BP神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電預(yù)測模型有更好的預(yù)測效果。

2.2 支持向量機預(yù)測法

支持向量機（SVM）是1995年由Corinna Cortes和Vapnik提出的，是一種基于統(tǒng)計學(xué)習(xí)理論的模式識別方法，在解決一些復(fù)雜的非線性系統(tǒng)中具有極好的效果。其主要思想可以概括為將一個樣本空間映射到一個高維空間中，在原有樣本空間中線性不可分的問題在高維空間中實現(xiàn)線性可分。

2.2.1 基于魯棒學(xué)習(xí)最小二乘支持向量機預(yù)測模型

文獻(xiàn)[13]中提到了一種改進(jìn)后的基于魯棒學(xué)習(xí)最小二乘支持向量機（RLS-SVM）的光伏預(yù)測模型。在傳統(tǒng)的LS-SVM基礎(chǔ)上采用魯棒學(xué)習(xí)提高系統(tǒng)的魯棒性，同時減少了系統(tǒng)的“過擬合”現(xiàn)象。該模型以歷史發(fā)電量，太陽輻射強度和環(huán)境溫度作為輸入，以光伏發(fā)電功率為輸出，與LS-SVM模型及RBF神經(jīng)網(wǎng)絡(luò)做了仿真對比。研究結(jié)果表明，RLS-SVM光伏預(yù)測模型有更高的預(yù)測精度，能夠準(zhǔn)確的預(yù)測出光伏陣列額定輸出功率，有效地解決了光伏發(fā)電的隨機化問題。

2.2.2 基于相似日和最小二乘支持向量機預(yù)測模型

文獻(xiàn)[14]提出了一種基于相似日和最小二乘支持向量機的光伏發(fā)電預(yù)測模型，該模型首先將天氣因素歸類為晴天、陰天和雨天。將溫度和濕度作為兩個主要參考量，計算出預(yù)測當(dāng)日與歷史數(shù)據(jù)的相似度，根據(jù)相似度選擇相應(yīng)的相似日，由相似日的光伏發(fā)電量和預(yù)測日當(dāng)天的氣候特征來預(yù)測這一天的發(fā)電量。這種模型在一定程度上減小了天氣變化對預(yù)測值的影響，相比于SVM模型有更好的預(yù)測效果。

人工智能預(yù)測法有預(yù)測精度高、響應(yīng)速度快等優(yōu)點，BP神經(jīng)網(wǎng)絡(luò)和支持向量機預(yù)測法是目前較為常用的人工智能預(yù)測法，許多其他的智能預(yù)測模型也都是基于這兩者加入其他算法進(jìn)行改進(jìn)。而這也使原本復(fù)雜的系統(tǒng)實現(xiàn)起來更為困難，尤其BP神經(jīng)網(wǎng)絡(luò)需要大量的原始數(shù)據(jù)進(jìn)行訓(xùn)練。而支持向量機面對大規(guī)模的訓(xùn)練樣本時更是難以實施。這些預(yù)測方法理論性較強，只能借助計算機實現(xiàn)仿真分析，很難與大型光伏發(fā)電站的實際情況相結(jié)合。

3 其他預(yù)測方法

在研究光伏陣列的數(shù)學(xué)模型中，我們不難發(fā)現(xiàn)影響光伏發(fā)電量的主要因素是溫度和輻射強度[1,3]。針對這一特性，人們提出另外一種間接預(yù)測光伏發(fā)電量的方法，即建立瞬時太陽輻射模型，例如Hottel輻射預(yù)測模型或者Liu-Jordan輻射模型[15]等。這種預(yù)測方法以天文輻射作為輸入變量，以地表接收到的太陽輻射為輸出建立數(shù)學(xué)模型來間接預(yù)測實時的光伏發(fā)電量。同樣利用此方法建立逐時太陽能預(yù)測模型和日總太陽能預(yù)測模型，可以實現(xiàn)以日為單位的光伏發(fā)電量。但這種方法實施起來十分困難，目前國內(nèi)外對這方面的研究尚處在起步階段。

從光伏電池板的電路特性出發(fā)可以直接采用日本工業(yè)標(biāo)準(zhǔn)（JIS）進(jìn)行光伏發(fā)電量的預(yù)測，這種方法較為簡單，通過光伏陣列的I/V特性曲線由數(shù)學(xué)公式計算出其輸出功率。與之相似的三維模擬計算法則是尋找輸出的瞬時最大功率，計算出瞬間的發(fā)電量并將其累加起來進(jìn)而算出一天的發(fā)電量乃至一月的發(fā)電量。該方法充分考慮了影響光伏發(fā)電量的各個因素，包括太陽高度角的選擇及配線方案等[16]。但這些方法僅在理論上存在可行性，實際實施起來具有一定的困難。

4 我國光伏發(fā)電量預(yù)測的發(fā)展現(xiàn)狀

目前我國正在走可持續(xù)發(fā)展的道路并且大力推進(jìn)“生態(tài)文明”建設(shè)，對能源的要求向著清潔環(huán)保的方向發(fā)展。在這樣的時代背景下我國的光伏發(fā)電產(chǎn)業(yè)得到了迅猛的發(fā)展。

根據(jù)德國商報報道，2014年最新全球十大光伏供應(yīng)商排名中中國企業(yè)就有四個之多，常州天合光能有限公司更是首次成為全球最大的光伏供應(yīng)商。其他三家分別為中國英利能源有限公司、無錫尚德太陽能有限公司和晶科能源有限公司。在新增裝機容量方面，根據(jù)國家可再生能源中心統(tǒng)計數(shù)據(jù)顯示，由2008年以前的零增長發(fā)展到2012年的新增裝機容量達(dá)328MW，僅次于德國和意大利，位列世界第三。這一趨還在以更快的速度增長。到2020年前后累計裝機總量可達(dá)20000GW。國家電網(wǎng)公司《關(guān)于做好分布式光伏發(fā)電并網(wǎng)服務(wù)的工作的意見》中規(guī)定，自2012年11月1日起不超過6MW的光伏發(fā)電項目可以到當(dāng)?shù)氐碾娋W(wǎng)公司申請免費并網(wǎng)運行[1,3]。這一政策的頒布也促使了國內(nèi)的光伏產(chǎn)業(yè)的快速發(fā)展。

在光伏發(fā)電量預(yù)測方面，我國華北電力大學(xué)栗然等結(jié)合當(dāng)?shù)貧夂蛱卣髂M了30MW光伏電站發(fā)電量數(shù)據(jù)，利用支持向量機和回歸分析法做了發(fā)電量的預(yù)測。但該方法僅模擬光伏發(fā)電站的預(yù)測數(shù)據(jù)，沒有實驗數(shù)據(jù)作為參考。華中科技大學(xué)在對18kW光伏發(fā)電站的研究中對每5分鐘系統(tǒng)的發(fā)電量進(jìn)行采集，陳昌松等結(jié)合這些數(shù)據(jù)和大量氣象數(shù)據(jù)建立了基于相似日的神經(jīng)網(wǎng)絡(luò)預(yù)測模型。取得了很好的預(yù)測效果，但也同樣存在著一旦環(huán)境急劇變化預(yù)測失真等情況[17]。

而在德國光伏發(fā)電量的預(yù)測已不僅僅在理論預(yù)測階段，2009年就有6000MW光伏發(fā)電量在德國電網(wǎng)運行，RWE運輸風(fēng)暴公司（RWE TSO）與一些科研院在光伏發(fā)電量預(yù)測的準(zhǔn)確性上做了深入研究，他們不僅能夠準(zhǔn)確的對光伏的發(fā)電量進(jìn)行預(yù)測，更重要的是他們已經(jīng)在考慮系統(tǒng)的平衡性、網(wǎng)絡(luò)損耗、擁堵、儲能等問題[18]。

總的來說，雖然我國的光伏發(fā)電量在以迅猛的速度發(fā)展，但由于我國的光伏產(chǎn)業(yè)起步較晚，也存在著很多因素制約著其發(fā)展，使得我國的光伏產(chǎn)業(yè)與國外的發(fā)達(dá)國家存在著一定差距。

5 光伏發(fā)電量預(yù)測的發(fā)展方向

隨著光伏產(chǎn)業(yè)的大力發(fā)展，光伏發(fā)電量預(yù)測技術(shù)也日漸成熟。但是目前的研究方法過分依賴大量的原始數(shù)據(jù)及智能算法，而忽略了光伏陣列的電氣特性以及影響光伏陣列輸出功率的外在因素，因此，我們的預(yù)測工作仍有許多需要改進(jìn)的地方。

光伏產(chǎn)業(yè)的飛速發(fā)展必將帶來更多大規(guī)模的光伏發(fā)電站與大電網(wǎng)的并網(wǎng)，光伏并網(wǎng)后其輸出功率的工程模型如式(1)：

式(1)中P為光伏陣列的輸出功率，N為光伏組建個數(shù)，n1為光伏轉(zhuǎn)換效率，n2為最大功率點跟蹤工作效率，n3為逆變器效率，A為光伏組件的面積，a為光伏陣列傾角，Ra為光伏陣列所受福照度，s為溫度系數(shù)，Tc為光伏組件背板溫度[6]。由此可見不僅溫度和輻射強度對光伏發(fā)電量有影響，光伏陣列的安裝角度等同樣對光伏發(fā)電量存在一定的影響。由于目前光伏陣列的安裝角度較為固定，尤其大型光伏發(fā)電站一旦安裝很難更改。以往，光伏板的最佳安裝角度都是根據(jù)太陽高度角來進(jìn)行設(shè)置，而我國地理環(huán)境復(fù)雜，一些地區(qū)具有獨特的氣候特征，僅僅通過太陽高度角確定下來的安裝角度不一定是最優(yōu)的，因此，在安裝角度上，我們可以綜合考慮太陽高度角以及當(dāng)?shù)靥赜械臍夂蛱卣?，確定當(dāng)?shù)氐淖罴寻惭b角度。

6 結(jié)束語

在對目前現(xiàn)有的大量有關(guān)光伏發(fā)電量預(yù)測的文獻(xiàn)調(diào)研后，本文系統(tǒng)的將光伏發(fā)電量預(yù)測的方法歸為數(shù)學(xué)統(tǒng)計預(yù)測法和人工智能預(yù)測法兩大類。并相應(yīng)地補充了其他有關(guān)光伏發(fā)電量預(yù)測的方法，起到了查漏補缺的效果，同時分析了各自的優(yōu)缺點。數(shù)學(xué)統(tǒng)計法可以大致模擬出預(yù)測數(shù)據(jù)的變化趨勢，但其過分依賴歷史數(shù)據(jù)，存在預(yù)測結(jié)果滯后等特點。人工智能算法有很好的預(yù)測精度，也有很快的響應(yīng)速度，但其理論性較強，多數(shù)情況下在計算機上進(jìn)行建模與仿真，很難與大型光伏發(fā)電站的實際情況相結(jié)合。通過建立太陽能輻射模型的間接預(yù)測以及單純的考慮光伏陣列的I/V特性預(yù)測同樣存在實現(xiàn)起來過于復(fù)雜和考慮過于片面的缺點。未來光伏發(fā)電量預(yù)測技術(shù)應(yīng)先在有的基礎(chǔ)上加以改進(jìn)完善，兼顧考慮環(huán)境因素、電氣特性以及最佳安裝角度等問題，實現(xiàn)預(yù)測精度更高、響應(yīng)速度更快、考慮更為全面等特點。

[1]王磊.光伏發(fā)電系統(tǒng)輸出功率短期預(yù)測技術(shù)研究[D].合肥工業(yè)大學(xué),2012.

[2]Il-Song Kim,Myung-Bok Kim,Myung-Joong Youn.New Maximum Power Point Tracker Using Sliding-Mode Observer for Estimation of Solar Array Current in the Grid-ConnectedPhotovoltaic System[J].IEEE Transaction Industrial Electronice,2006,53(4):1027-1035.

[3]袁曉玲,施俊華,徐杰彥.計及天氣類型指數(shù)的光伏發(fā)電短期出力預(yù)測[J].中國電機工程學(xué)報,2013,34:57-64,12.

[4]姜強鑫.基于小波神經(jīng)網(wǎng)絡(luò)的分布式光伏發(fā)電出力預(yù)測[D].南昌大學(xué),2012.

[5]徐靜,陳正洪,唐俊,李芬.建筑光伏并網(wǎng)發(fā)電系統(tǒng)的發(fā)電量預(yù)測初探[J].電力系統(tǒng)保護(hù)與控制,2012,18:81-85.

[6]李光明,廖華,李景天,趙恒利,黃波,何京鴻.并網(wǎng)光伏發(fā)電系統(tǒng)發(fā)電量預(yù)測方法的探討[J].云南師范大學(xué)學(xué)報(自然科學(xué)版),2011,02:33-38,64.

[7]李光明,劉祖明,何京鴻,趙恒利,張樹明.基于多元線性回歸模型的并網(wǎng)光伏發(fā)電系統(tǒng)發(fā)電量預(yù)測研究[J].現(xiàn)代電力,2011,02:43-48.

[8]蘭華,廖志民,趙陽.基于ARMA模型的光伏電站出力預(yù)測[J].電測與儀表,2011,02:31-35.

[9]楊超穎,王金浩,王碩,徐永海,黃浩.基于擬牛頓法小波神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電系統(tǒng)短期功率預(yù)測模型[J].中國電力,2014,06:117-124.

[10]袁曉玲,施俊華,徐杰彥.基于BP神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電短期出力預(yù)測[J].可再生能源,2013,07:11-16.

[11]姜僑娜,陳中.BP-馬爾科夫組合預(yù)測方法在光伏發(fā)電量預(yù)測中的應(yīng)用[J].電力需求側(cè)管理,2011,06:21-24.

[12]張佳偉,張自嘉.基于PSO-BP神經(jīng)網(wǎng)絡(luò)的短期光伏系統(tǒng)發(fā)電預(yù)測[J].可再生能源,2012,08:28-32.

[13]李洪珠,賈威,聶苓,鄂小雪.基于魯棒LS-SVM在光伏發(fā)電預(yù)測中的應(yīng)用[J].計算機測量與控制,2013,05:1166-1167,1170.

[14]傅美平,馬紅偉,毛建容.基于相似日和最小二乘支持向量機的光伏發(fā)電短期預(yù)測[J].電力系統(tǒng)保護(hù)與控制,2012,16:65-69.

[15]Md Habibur Rahman,Susumu Yamashiro.Novel distributed power generating system of PV-ECASS using solar energy estimation[J].IEEE Transactions on Energy Conversion,2007,22(2):358-367.

[16]楊超,榑沼,弘貴.太陽能光伏發(fā)電系統(tǒng)發(fā)電量的預(yù)測方法[J].智能建筑電氣技術(shù),2011,02:29-34.

[17]李芬,陳正洪,成馳,段善旭.太陽能光伏發(fā)電量預(yù)報方法的發(fā)展[J].氣候變化研究進(jìn)展.2011,02:136-142

[18]Ernst B,Reyer,F,Vanzetta,J.Wind power and photovoltaic prediction tools for balancing and grid operation[J].2009 CIGRE/IEEE PES Joint Symposium.2009:1-9.