荊博，譚倫農(nóng)，錢政，裴巖，王婧怡

（1.江蘇大學(xué)電氣信息工程學(xué)院，江蘇鎮(zhèn)江212013；2.北京航空航天大學(xué)儀器科學(xué)與光電工程學(xué)院，北京100191）

0 引 言

太陽能具有取之不盡、用之不竭、綠色環(huán)保等特點(diǎn)，被公認(rèn)為是未來最具競爭力的新能源之一［1］。分析結(jié)果表明，到2050年前后，光伏發(fā)電將占全球發(fā)電總量的20%～25%，成為人類應(yīng)用的主要能源形式之一［2］。然而，地表太陽能屬于間歇性能源，受太陽輻照強(qiáng)度與氣象狀況的影響，輸出功率呈現(xiàn)出間斷性和隨機(jī)性等特征，迫切需要對其發(fā)電功率進(jìn)行準(zhǔn)確預(yù)測，以滿足電力系統(tǒng)的要求。

光伏發(fā)電功率預(yù)測按照時(shí)間尺度可分為中長期預(yù)測和短期預(yù)測，目前還沒有統(tǒng)一的分類標(biāo)準(zhǔn)。中長期預(yù)測的預(yù)測時(shí)長一般為幾個(gè)月至一年，主要為滿足光伏電站及電力網(wǎng)絡(luò)的建設(shè)與檢修；短期預(yù)測的預(yù)測時(shí)長一般在48小時(shí)之內(nèi)，主要用于配合電力調(diào)度部門規(guī)劃調(diào)度用電及合理安排備用容量［3］。隨著并網(wǎng)光伏電站裝機(jī)容量的增加，對電網(wǎng)穩(wěn)定性造成的影響將逐步加大，研究表明，當(dāng)光伏電站裝機(jī)容量在電力系統(tǒng)中所占比例超過15%時(shí)，其波動(dòng)可能會(huì)引起電網(wǎng)系統(tǒng)的癱瘓［4］。因此，對光伏發(fā)電進(jìn)行短期預(yù)測的意義和重要性日益凸顯。

文章對近期國內(nèi)外光伏發(fā)電短期預(yù)測的研究進(jìn)展進(jìn)行了綜述，將其分為間接預(yù)測和直接預(yù)測兩大類。間接預(yù)測方法首先需要對光照幅度進(jìn)行預(yù)測，再基于光伏發(fā)電系統(tǒng)的物理原理建立光照功率模型，實(shí)現(xiàn)功率預(yù)測［5］，預(yù)測精度較高，但可能產(chǎn)生誤差累積并且預(yù)測成本較高；直接預(yù)測方法使用歷史統(tǒng)計(jì)數(shù)據(jù)或結(jié)合數(shù)值天氣預(yù)報(bào)直接預(yù)測發(fā)電功率，方法簡單易行，預(yù)測精度一般低于間接預(yù)測方法。

文章首先對評價(jià)預(yù)測方法性能的評估指標(biāo)進(jìn)行簡要介紹，之后分別介紹間接預(yù)測方法和直接預(yù)測方法的研究現(xiàn)狀，分析存在的問題，最后對未來研究工作做出展望。

1 評估指標(biāo)

常用的功率預(yù)測模型性能評估指標(biāo)表1所示。其中MAPE和 MAE反映出預(yù)測誤差的絕對值，RMSE描述了樣本的離散程度，為了更直觀的表明預(yù)測效果，一些文獻(xiàn)將MAE和RMSE進(jìn)行歸一化，利用NMAE和NRMSE比較不同方法的預(yù)測效果。

表1 光伏發(fā)電功率預(yù)測用到的評估指標(biāo)Tab.1 Evaluation indicators of photovoltaic power forecasts

2 間接預(yù)測方法

間接預(yù)測方法一般分為兩個(gè)步驟：首先建立光照幅度預(yù)測模型，再根據(jù)光照幅度的預(yù)測值結(jié)合光伏電站的實(shí)際狀況建立發(fā)電功率預(yù)測模型。

2.1 光照幅度預(yù)測模型

光照幅度作為影響光伏發(fā)電功率輸出的決定性因素，對其進(jìn)行準(zhǔn)確預(yù)測是間接預(yù)測方法的一個(gè)研究重點(diǎn)。模型輸入?yún)?shù)的選擇是影響光照幅度預(yù)測效果的主要原因之一［6］，研究人員根據(jù)各地區(qū)實(shí)際情況選取不同輸入?yún)?shù)，提出了多種光照幅度預(yù)測模型。

地外輻照度在地理位置確定的情況下可由物理公式計(jì)算得出，能夠反映季節(jié)和時(shí)間變化對光照幅度的影響。文獻(xiàn)［7］使用前一日各時(shí)刻的地外輻照度和地表光照幅度，利用最小二乘法建立對應(yīng)模型，將預(yù)測當(dāng)日的地外輻照度輸入模型后，可得到地表光照幅度的預(yù)測值。其優(yōu)勢在于計(jì)算過程簡單，但預(yù)測精度受地面天氣類型變化的影響較大，適用在以晴天為主且天氣平穩(wěn)、降水較少的地區(qū)。

人工神經(jīng)網(wǎng)絡(luò)（ANN）在光照幅度的預(yù)測中得到大量應(yīng)用，不同ANN對光照幅度的預(yù)測效果存在一定差異。文獻(xiàn)［8］在相同條件下使用反饋型神經(jīng)網(wǎng)絡(luò)（RNN）和前饋型神經(jīng)網(wǎng)絡(luò)（FNN）預(yù)測光照幅度，結(jié)果表明：RNN的預(yù)測效果要優(yōu)于FNN，兩種神經(jīng)網(wǎng)絡(luò)模型的預(yù)測精度都隨預(yù)測時(shí)長增加而下降。文獻(xiàn)［9］將光照幅度的預(yù)報(bào)值除以地外輻照度，得到晴朗指數(shù)用來補(bǔ)償季節(jié)影響。此外，使用被測光伏電站周邊氣象觀測點(diǎn)的數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)的輸入，預(yù)測日次各時(shí)刻的光照幅度，能夠在缺乏本地觀測數(shù)據(jù)的情況下較為準(zhǔn)確的預(yù)測發(fā)電功率。

上文中各預(yù)測模型的輸入?yún)?shù)及其預(yù)測效果如表2所示，由于各光伏電站實(shí)際狀況存在差異，不同方法的實(shí)際預(yù)測效果不能夠直接比較，但可以看出預(yù)測精度大致相近。在輸入?yún)?shù)的選擇上，基本以歷史數(shù)據(jù)中的地表光照幅度為主，可以從本地傳感器或氣象站提供的數(shù)據(jù)中獲得。氣象站往往無法提供光伏電站具體所在地點(diǎn)的氣象數(shù)據(jù)，不如傳感器的測量結(jié)果準(zhǔn)確，但是預(yù)測成本低，適用于中小型光伏電站的光照幅度預(yù)測。

表2 不同光照幅度預(yù)測模型的輸入?yún)?shù)及預(yù)測效果Tab.2 Input parameters and prediction accuracy of different irradiance prediction models

將不同類型的光照幅度預(yù)測模型進(jìn)行組合也成為近些年來的一個(gè)研究熱點(diǎn)。文獻(xiàn)［10］通過兩種組合策略將線性過濾預(yù)測模型與經(jīng)驗(yàn)公式相結(jié)合，一方面是考慮季節(jié)特性，在冬夏使用線性過濾模型，春秋則使用經(jīng)驗(yàn)公式；另一方面則是利用晴朗指數(shù)［11］判斷天氣類型，當(dāng)晴朗指數(shù)大于0.5時(shí)使用線性過濾模型，否則用經(jīng)驗(yàn)公式預(yù)測。結(jié)果表明組合預(yù)測模型的預(yù)測效果比單一使用線性過濾模型提高了10%至30%。

2.2 發(fā)電功率預(yù)測模型

在得到光照幅度的預(yù)測值后，還需建立發(fā)電功率預(yù)測模型以實(shí)現(xiàn)光伏電站功率預(yù)測。發(fā)電功率預(yù)測模型可以分為經(jīng)驗(yàn)公式法和統(tǒng)計(jì)學(xué)習(xí)模型法兩大類，如圖1所示。

圖1 發(fā)電功率預(yù)測模型原理框圖Fig.1 Principle block diagram of prediction model of generated power

經(jīng)驗(yàn)公式法是根據(jù)光伏電池的工作原理，通過實(shí)驗(yàn)得到光伏電池組的相關(guān)物理參數(shù)，結(jié)合光伏電站的實(shí)際安裝情況與當(dāng)?shù)貧庀髼l件等影響因素計(jì)算出發(fā)電功率，分為簡單物理模型和復(fù)雜物理模型兩類：簡單物理模型利用光伏電池的基本物理原理，根據(jù)光照幅度、電池板轉(zhuǎn)換效率、面積、溫度等與發(fā)電功率間存在的函數(shù)關(guān)系建模，建模過程較容易但預(yù)測精度一般；復(fù)雜物理模型是在簡單物理模型的基礎(chǔ)上考慮了遮擋、積灰等因素，根據(jù)各項(xiàng)實(shí)驗(yàn)測試結(jié)果確定模型中的待定系數(shù)，建模過程復(fù)雜、參數(shù)較多且條件苛刻，但預(yù)測精度較高。

經(jīng)驗(yàn)公式法的優(yōu)勢在于無需歷史發(fā)電功率數(shù)據(jù)，能夠在光伏電站建成之初實(shí)現(xiàn)發(fā)電功率的預(yù)測。但存在以下不足：

（1）由于無法考慮到所有物理影響因素，公式自身會(huì)存在一定誤差；

（2）在光伏電站出力的預(yù)測過程中，光伏電站自身參數(shù)的改變會(huì)導(dǎo)致預(yù)測精度下降。

統(tǒng)計(jì)學(xué)習(xí)模型是基于光照幅度、溫度等相關(guān)參數(shù)與發(fā)電功率間存在統(tǒng)計(jì)關(guān)系的思想而建立。

文獻(xiàn)［12］根據(jù)光照幅度的預(yù)測值劃分天氣類型，對每種天氣類型使用自適應(yīng)前饋神經(jīng)網(wǎng)絡(luò)（AFFNN），并結(jié)合氣象數(shù)據(jù)和歷史數(shù)據(jù)建立子預(yù)測模型預(yù)測發(fā)電功率。文獻(xiàn)［13］使用第5代區(qū)域中尺度數(shù)值模式（MM5）對氣象數(shù)據(jù)進(jìn)行降維處理，得到與被測電站地理位置更相近的氣象數(shù)據(jù)，再結(jié)合歷史發(fā)電量數(shù)據(jù)作為ANN的輸入預(yù)測發(fā)電功率，可以用于無本地氣象數(shù)據(jù)的光伏電站。

表3列舉出部分統(tǒng)計(jì)學(xué)習(xí)型的功率預(yù)測模型的預(yù)測效果。使用統(tǒng)計(jì)學(xué)習(xí)模型能夠挖掘隱含在歷史發(fā)電功率中的信息，一定程度上彌補(bǔ)了物理經(jīng)驗(yàn)公式的不足，預(yù)測效果較好。但由于既要對光照幅度進(jìn)行預(yù)測又需要光伏電站的歷史運(yùn)行數(shù)據(jù)，在適用范圍上受到了一定限制。

表3 基于統(tǒng)計(jì)學(xué)習(xí)的功率預(yù)測模型及預(yù)測效果Tab.3 Prediction accuracy of power prediction models based on statistical learning methods

綜上所述，間接預(yù)測方法的預(yù)測效果將隨著各類傳感器測量精度的提升、數(shù)值天氣預(yù)報(bào)的逐步完善以及歷史數(shù)據(jù)庫的積累而不斷改善，但也存在一些不足：

（1）光照幅度模型與發(fā)電功率模型的預(yù)測誤差會(huì)產(chǎn)生疊加，光照幅度模型的預(yù)測誤差會(huì)在發(fā)電功率模型中進(jìn)一步放大；

（2）需要各類設(shè)備測量光照幅度、云量等參數(shù)以及大量詳細(xì)的氣象數(shù)據(jù)作為支撐，預(yù)測成本高。

由于我國光伏發(fā)電起步較晚及基礎(chǔ)設(shè)施建設(shè)較為薄弱，因此間接預(yù)測方法在國內(nèi)應(yīng)用較少。

3 直接預(yù)測方法

直接預(yù)測方法主要包含經(jīng)典預(yù)測法和混合模型預(yù)測法兩大類。經(jīng)典預(yù)測法是以歷史發(fā)電功率和氣象數(shù)據(jù)作為模型輸入?yún)?shù)，使用單一類型數(shù)學(xué)模型預(yù)測發(fā)電功率?；旌夏Ｐ皖A(yù)測法是將兩種及兩種以上的預(yù)測方法（或其他算法）相結(jié)合組成混合模型，來預(yù)測光伏發(fā)電的功率輸出。

3.1 經(jīng)典預(yù)測法

經(jīng)典預(yù)測法中常用的數(shù)學(xué)模型有差分自回歸移動(dòng)平均模型（ARIMA）、灰色理論、馬爾科夫鏈、支持向量機(jī)（SVM）、貝葉斯理論和各類人工神經(jīng)網(wǎng)絡(luò)（ANN）等。其中ANN應(yīng)用最廣泛。BP神經(jīng)網(wǎng)絡(luò)、前饋神經(jīng)網(wǎng)絡(luò)（FNN）、反饋神經(jīng)網(wǎng)絡(luò)（RNN）等多種神經(jīng)網(wǎng)絡(luò)算法在直接預(yù)測方法中得以應(yīng)用并取得了較好的效果。

天氣類型變化是導(dǎo)致預(yù)測誤差的主要原因，研究人員為此提出多種解決方法，并且取得了一定效果。

文獻(xiàn)［15－16］統(tǒng)計(jì)了不同天氣類型下的發(fā)電功率，按照倍率關(guān)系映射為天氣類型指數(shù)，從而把模糊的天氣類型轉(zhuǎn)換成能夠作為神經(jīng)網(wǎng)絡(luò)輸入的精確值。由于不同天氣類型下的功率特征并無明顯界限，文獻(xiàn)［15］利用歐拉公式歸類模糊天氣類型，結(jié)合歷史發(fā)電功率采用BP神經(jīng)網(wǎng)絡(luò)預(yù)測次日各時(shí)刻的發(fā)電功率。文獻(xiàn)［16］在此基礎(chǔ)上考慮到季節(jié)和溫度對發(fā)電功率預(yù)測的影響，將歷史數(shù)據(jù)按季節(jié)劃分建立子預(yù)測模型，將溫度也作為模型輸入?yún)?shù)進(jìn)行訓(xùn)練。這類方法中天氣類型指數(shù)的劃分和界定成為影響預(yù)測結(jié)果好壞的關(guān)鍵因素，也是研究的難點(diǎn)。

文獻(xiàn)［17］提出相似日選擇法，根據(jù)天氣預(yù)報(bào)信息選擇與預(yù)測日期天氣狀況類似日期的歷史發(fā)電功率、氣象數(shù)據(jù)和預(yù)報(bào)氣溫作為模型輸入，使用FNN預(yù)測未來24小時(shí)發(fā)電功率。該方法能夠有效發(fā)掘歷史數(shù)據(jù)與預(yù)測發(fā)電功率間的對應(yīng)關(guān)系，但較為依賴現(xiàn)有的歷史數(shù)據(jù)庫，需要大量不同天氣類型的歷史數(shù)據(jù)作為支撐。

文獻(xiàn)［18－19］按天氣類型劃分歷史數(shù)據(jù)，對每種天氣類型下的歷史數(shù)據(jù)使用ANN建立子預(yù)測模型實(shí)現(xiàn)功率預(yù)測。其中文獻(xiàn)［18］以總云量和低層云量為輸入，利用自組織特征映射神經(jīng)網(wǎng)絡(luò)（SOM）劃分歷史數(shù)據(jù)，文獻(xiàn)［19］根據(jù)不同天氣中發(fā)電功率的特征將天氣定義為4種典型類型，用SVM將不同天氣狀況下的歷史數(shù)據(jù)歸類為典型天氣類型。該類方法在使用時(shí)需要保證歷史數(shù)據(jù)中包含各類型天氣的歷史數(shù)據(jù)，且每種天氣類型的數(shù)據(jù)量大致相同，并具備一定數(shù)量以確保ANN的預(yù)測效果，因此對歷史數(shù)據(jù)的要求較苛刻。

相同條件下，使用不同類型的神經(jīng)網(wǎng)絡(luò)也會(huì)產(chǎn)生不同的預(yù)測結(jié)果，為比較不同神經(jīng)網(wǎng)絡(luò)的預(yù)測性能，文獻(xiàn)［20］分別使用FNN和RNN預(yù)測未來一天各時(shí)刻的發(fā)電功率。結(jié)果表明RNN較FNN具有更高的預(yù)測精度并且計(jì)算速度快。各類ANN預(yù)測模型的輸入?yún)?shù)及其預(yù)測效果如表4所示，從表中可以看出各預(yù)測模型的預(yù)測誤差在10%～20% 之間，歷史發(fā)電功率和溫度一般作為ANN的輸入?yún)?shù)，然而在溫度類型的選擇上各方法存在較大差異，還有待于進(jìn)一步研究。

表4 部分ANN預(yù)測模型的輸入?yún)?shù)及預(yù)測效果Tab.4 Input parameters and prediction accuracy of some ANN prediction models

其余經(jīng)典預(yù)測法在近幾年的文獻(xiàn)中研究較少，文獻(xiàn)［21］利用動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)預(yù)測一天各時(shí)刻的發(fā)電功率。使用前七天光照幅度、環(huán)境溫度、組件溫度和發(fā)電功率建立靜態(tài)貝葉斯網(wǎng)絡(luò)，在此基礎(chǔ)上擴(kuò)展時(shí)間序列形成動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)，利用極大似然法計(jì)算貝葉斯網(wǎng)絡(luò)中各節(jié)點(diǎn)的條件概率，得到預(yù)測當(dāng)日各時(shí)刻發(fā)電功率的概率分布。動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)能夠很好的反映各個(gè)影響因素的內(nèi)在聯(lián)系，預(yù)測精度較高，但預(yù)測當(dāng)日天氣類型較前七天發(fā)生較大改變時(shí)，預(yù)測效果將大幅下降。

3.2 混合模型預(yù)測法

混合預(yù)測模型法主要圍繞歷史數(shù)據(jù)中存在不可靠數(shù)據(jù)、輸入?yún)?shù)的選取和各類預(yù)測模型的特點(diǎn)將不同方法相結(jié)合來展開研究。

歷史數(shù)據(jù)中存在的不可靠數(shù)據(jù)會(huì)增加預(yù)測誤差，針對這類問題文獻(xiàn)［22］提出可靠性系數(shù)（REL）對歷史數(shù)據(jù)有效性進(jìn)行判定，將判定為有效的歷史發(fā)電功率作為ANN的輸入。文獻(xiàn)［23］將小波變換與徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)（RBFNN）相結(jié)合，使用小波分解將功率時(shí)間序列分解為幾個(gè)子序列，分別作為神經(jīng)網(wǎng)絡(luò)的輸入并利用小波重構(gòu)組合RBFNN的輸出得到預(yù)測功率，研究結(jié)果表明，不可靠數(shù)據(jù)點(diǎn)的有效剔除將顯著提高預(yù)測精度。

有效輸入?yún)?shù)的選取將對預(yù)測效果產(chǎn)生重要影響。文獻(xiàn)［24］使用逐步回歸（SR）從歷史數(shù)據(jù)中提取出對發(fā)電量影響最大的水平光照幅度和濕度兩項(xiàng)參數(shù)，作為ANN的輸入，建立混合預(yù)測模型；文獻(xiàn)［25］采用主成分分析法（PCA）結(jié)合支持向量回歸（SVR），將各輸入?yún)?shù)經(jīng)過PCA簡化后作為SVR的輸入。文獻(xiàn)［26］將熵值法與極限學(xué)習(xí)機(jī)（ELM）結(jié)合，利用熵值法判定輸入?yún)?shù)對發(fā)電量的影響權(quán)重，將賦予權(quán)重后的參數(shù)作為ELM的輸入預(yù)測發(fā)電功率。研究結(jié)果表明，輸入?yún)?shù)的有效選取能夠簡化模型的結(jié)構(gòu)并降低計(jì)算負(fù)擔(dān)。

每種預(yù)測模型都存在優(yōu)缺點(diǎn)，根據(jù)這些特點(diǎn)將不同預(yù)測模型相組合能夠起到揚(yáng)長避短的作用。文獻(xiàn)［27］結(jié)合灰色模型與BP神經(jīng)網(wǎng)絡(luò)，根據(jù)前六天的發(fā)電功率建立灰色模型，擬合得到第七天發(fā)電功率，再與天氣預(yù)報(bào)數(shù)據(jù)一同作為BP神經(jīng)網(wǎng)絡(luò)的輸入，該方法能夠在少量歷史數(shù)據(jù)的條件下較準(zhǔn)確的預(yù)測發(fā)電功率。文獻(xiàn)［28］結(jié)合季節(jié)性差分自回歸滑動(dòng)平均模型（SARIMA）與SVM，使用SARIMA評估分析光伏發(fā)電功率的線性部分，再由SVM計(jì)算SARIMA模型產(chǎn)生殘差序列的非線性部分，能夠發(fā)揮兩種預(yù)測模型的特有優(yōu)勢。研究結(jié)果表明，將不同類型的預(yù)測模型進(jìn)行組合適用場合更多，預(yù)測效果更好。

混合預(yù)測模型能夠發(fā)揮不同預(yù)測模型和方法的優(yōu)勢，在提高預(yù)測精度的同時(shí)具備更強(qiáng)的適應(yīng)性與容錯(cuò)性，成為近年來光伏發(fā)電短期功率預(yù)測的研究熱點(diǎn)之一。然而混合預(yù)測模型法存在建模復(fù)雜、可能產(chǎn)生誤差的累計(jì)和疊加等問題。

綜上所述，直接預(yù)測方法利用存在于光伏電站歷史功率數(shù)據(jù)中的自相關(guān)性（如電池板安裝傾角、面積、損耗、積灰等物理因素都反應(yīng)在歷史發(fā)電功率數(shù)據(jù)中），省去了光照幅度的預(yù)測或復(fù)雜的物理建模過程，預(yù)測成本較低。通過劃分天氣類型、改進(jìn)預(yù)測模型和使用混合預(yù)測模型等方法提高預(yù)測精度與適用范圍。目前，直接預(yù)測方法對晴天的預(yù)測精度較高，多云以及雨雪天氣中，由于云層變化無明顯規(guī)律導(dǎo)致預(yù)測效果不如晴天。此外，在一天中早晚光照幅度較弱的環(huán)境下誤差較大，還有待于后續(xù)研究來改善預(yù)測效果。

4 結(jié)束語

本文對近年來國內(nèi)外光伏發(fā)電短期預(yù)測領(lǐng)域的研究現(xiàn)狀進(jìn)行了綜述：

（1）在間接預(yù)測方法中，光照幅度預(yù)測模型的預(yù)測精度是影響間接預(yù)測方法預(yù)測效果的決定性因素。發(fā)電功率預(yù)測模型中，經(jīng)驗(yàn)公式法因無需歷史發(fā)電功率數(shù)據(jù)而廣泛應(yīng)用于新建成光伏電站，并且由簡單物理模型逐步發(fā)展為復(fù)雜物理模型。統(tǒng)計(jì)學(xué)習(xí)模型由于結(jié)合光照幅度與歷史發(fā)電功率等因素，預(yù)測效果一般優(yōu)于其它預(yù)測方法，但建模條件較高；

（2）直接預(yù)測方法的總體預(yù)測精度一般低于間接預(yù)測方法，對變化天氣狀況下的適應(yīng)性與間接預(yù)測方法相比較低，但由于直接預(yù)測方法無需預(yù)測光照幅度，建模簡單、預(yù)測成本較低，因而也得到大量應(yīng)用。根據(jù)光伏電站的實(shí)際情況將單一預(yù)測模型組合形成的混合模型具有更好的適應(yīng)性、容錯(cuò)性和預(yù)測效果，成為直接預(yù)測方法中一個(gè)重要研究方向；

（3）無論哪種預(yù)測方法，氣象條件都是影響光伏發(fā)電短期預(yù)測效果的一個(gè)重要原因，劃分天氣類型、使用數(shù)值天氣預(yù)報(bào)都可降低其對預(yù)測精度的影響。然而，目前在多云、陣雨等不穩(wěn)定氣象條件下的預(yù)測效果仍然不理想。季節(jié)變化相對具有一定規(guī)律可尋，一般通過利用地外輻照度、按季節(jié)建立子預(yù)測模型來補(bǔ)償季節(jié)更替對預(yù)測的影響，并取得了較好的效果。