李 遙，李照榮，王小勇，閆曉敏，趙文婧

（1.甘肅省氣象服務(wù)中心，甘肅 蘭州 730020；2.甘肅省氣象局，甘肅 蘭州 730020）

引 言

太陽(yáng)能作為一種可再生清潔能源，其開(kāi)發(fā)與利用已成為減緩全球氣候變暖、實(shí)現(xiàn)我國(guó)能源戰(zhàn)略轉(zhuǎn)型的重要舉措之一，光伏發(fā)電是太陽(yáng)能利用最主要的方式之一，但由于其波動(dòng)性強(qiáng)、隨機(jī)性大等特點(diǎn)，大規(guī)模并網(wǎng)勢(shì)必會(huì)對(duì)電網(wǎng)系統(tǒng)造成嚴(yán)重沖擊［1－2］，因此，準(zhǔn)確預(yù)測(cè)光伏發(fā)電功率是提高太陽(yáng)能資源利用率的關(guān)鍵問(wèn)題。

光伏功率預(yù)測(cè)從預(yù)測(cè)時(shí)間上主要分為超短期（未來(lái)4 h）、短期（未來(lái)72 h）以及中長(zhǎng)期（未來(lái)168 h）預(yù)測(cè)［3］，短期預(yù)測(cè)是電力系統(tǒng)考核的重要指標(biāo)之一，直接影響電站當(dāng)日的發(fā)電計(jì)劃，因此，短期光伏功率的精準(zhǔn)預(yù)測(cè)尤為重要。從預(yù)測(cè)方法上主要分為原理法和統(tǒng)計(jì)法。原理法是基于輻射預(yù)測(cè)和光伏發(fā)電物理原理進(jìn)行功率預(yù)測(cè)的一種間接預(yù)測(cè)方法［4］，該方法計(jì)算原理簡(jiǎn)單，不需要依靠歷史數(shù)據(jù)建立預(yù)測(cè)模型，但是對(duì)電站系統(tǒng)數(shù)據(jù)的精度要求較高，包括光伏逆變器安裝的地理位置以及光電轉(zhuǎn)換效率等信息［5］。統(tǒng)計(jì)法基于歷史數(shù)據(jù)資料，通過(guò)統(tǒng)計(jì)學(xué)方法建立預(yù)測(cè)模型［4］，主要有人工神經(jīng)網(wǎng)絡(luò)［6］、回歸分析［7］、支持向量機(jī)［8］等方法，然后輸入數(shù)值預(yù)報(bào)數(shù)據(jù)得到預(yù)測(cè)結(jié)果，是一種直接預(yù)測(cè)方法。該方法不需要考慮光伏發(fā)電原理以及詳細(xì)的電站系統(tǒng)信息數(shù)據(jù)，但是對(duì)電站的歷史數(shù)據(jù)質(zhì)量要求較高，增加了數(shù)據(jù)前期收集和預(yù)處理工作的難度［5］。

近年來(lái)，隨著我國(guó)光伏發(fā)電產(chǎn)業(yè)的迅速發(fā)展和裝機(jī)容量的不斷增長(zhǎng)，光伏功率預(yù)測(cè)技術(shù)取得了重要進(jìn)展。華中科技大學(xué)及湖北省氣象服務(wù)中心先后建立了光伏發(fā)電實(shí)驗(yàn)平臺(tái)和示范光伏電站，積累了可靠的長(zhǎng)期實(shí)驗(yàn)數(shù)據(jù)資料，獲得一系列相關(guān)研究成果，使得光伏發(fā)電的隨機(jī)化問(wèn)題得到改善［9］，并針對(duì)不同電站運(yùn)行情況建立多種短期功率預(yù)測(cè)模型以滿足實(shí)際業(yè)務(wù)需求［10］。此外，多種數(shù)學(xué)模型及算法組合的預(yù)測(cè)方法相繼出現(xiàn)，其預(yù)測(cè)精度往往較傳統(tǒng)單一模型有不同程度的提高。葛樂(lè)等［11］基于改進(jìn)相似日和人工蜂群算法對(duì)原有支持向量機(jī)模型進(jìn)行了優(yōu)化。其他類(lèi)似的組合預(yù)測(cè)方法還有GA－BP算法［12］、IWD－Elman神經(jīng)網(wǎng)絡(luò)模型［13］和熵權(quán)法［14］等，均使得功率預(yù)測(cè)效果有所改進(jìn)。

甘肅省太陽(yáng)能資源豐富，年太陽(yáng)總輻射量為4700～6350 MJ·m－2［15］，具有優(yōu)越的光伏產(chǎn)業(yè)發(fā)展優(yōu)勢(shì)，近年來(lái)，該省光伏市場(chǎng)規(guī)模增長(zhǎng)迅速，根據(jù)國(guó)家能源局統(tǒng)計(jì)結(jié)果，截止2018年底光伏發(fā)電累計(jì)裝機(jī)容量達(dá)到8 280 000 kW。然而，對(duì)于該省太陽(yáng)能光伏發(fā)電預(yù)測(cè)技術(shù)的研究相對(duì)較少，預(yù)測(cè)精度還有待進(jìn)一步提高?；诖?，本文選取甘肅北部典型光伏電站，在改進(jìn)原有斜面輻射算法的基礎(chǔ)上，基于多元線性回歸法和經(jīng)驗(yàn)公式法，建立適用于光伏電站實(shí)際業(yè)務(wù)化運(yùn)行的短期光伏發(fā)電功率預(yù)測(cè)模型，通過(guò)對(duì)結(jié)果的檢驗(yàn)和評(píng)估，為電站選取更優(yōu)的預(yù)測(cè)模型提供參考。

1 資料來(lái)源

選取2017年3月至2019年2月中電蘆陽(yáng)扶貧光伏電站（ZDLYFP，103.58°E、37.23°N）15 min間隔的功率與環(huán)境觀測(cè)數(shù)據(jù)，其中環(huán)境數(shù)據(jù)為光伏電站內(nèi)氣象站觀測(cè)資料，包括總輻射、風(fēng)速、風(fēng)向、溫度、相對(duì)濕度和氣壓。該電站裝機(jī)5000 kW，位于甘肅省白銀市景泰縣蘆陽(yáng)鎮(zhèn)，地處黃土高原與騰格里沙漠過(guò)渡地帶，地勢(shì)較平坦，年日照時(shí)數(shù)約2726 h，年太陽(yáng)總輻射量約 5870 MJ·m－2［16］，屬于太陽(yáng)能資源較豐富地區(qū)。該站為扶貧光伏電站，不存在限電情況，且運(yùn)行狀況良好，設(shè)備維護(hù)較為及時(shí)，數(shù)據(jù)質(zhì)量較高，適宜作為研究站點(diǎn)。

另外，選取同期中國(guó)氣象局公共氣象服務(wù)中心提供的BJ－RUC數(shù)值預(yù)報(bào)數(shù)據(jù)，包括總輻射、直接輻射、散射輻射、風(fēng)速、風(fēng)向、溫度、相對(duì)濕度和氣壓，預(yù)報(bào)時(shí)間長(zhǎng)度為72 h，時(shí)間分辨率為15 min。

經(jīng)過(guò)篩選，剔除停電、檢修時(shí)段以及儀器故障引起的異常值，有效數(shù)據(jù)占總數(shù)據(jù)量的95.6%，數(shù)據(jù)資料相對(duì)較為完整。其中，2017年3月至2018年2月的數(shù)據(jù)資料用于前期數(shù)據(jù)分析，2018年3月至2019年2月的數(shù)據(jù)資料用于短期光伏功率預(yù)測(cè)方法研究和結(jié)果分析與檢驗(yàn)。

2 方 法

2.1 斜面輻射算法的改進(jìn)

為提高太陽(yáng)能資源的利用效率，電站的光伏面板一般傾斜放置［17］，傾斜面板接收到的太陽(yáng)輻射由直接輻射、散射輻射和反射輻射三部分組成［18］，斜面總輻射 IT的計(jì)算公式為［4，19］：

式中：IT，b、IT，d、IT，g（W·m－2）分別表示斜面接收到的直接輻射、散射輻射和地面反射輻射。

利用Liu－Jordan模型進(jìn)行斜面輻射計(jì)算，該模型是典型的天空各向同性模型，假設(shè)天空中太陽(yáng)散射輻射各向同性且均勻分布，基于該模型計(jì)算IT的表達(dá)式為［20］：

式中：Ib、Id、I（W·m－2）分別表示水平面直接輻射、散射輻射和總輻射；ρ為地表反照率，一般取0.2；Rb為 IT，b與 Ib的比值；β為斜面傾角。

Rb通過(guò)以下幾何關(guān)系計(jì)算得到［4，21］：

式中：δ＝23.45sin［360×（284＋n）／365］，δ為當(dāng)天赤緯，n為當(dāng)日在一年中的日序號(hào)；γT為光伏面板斜面方位角；φ為緯度；ω為時(shí)角。

在進(jìn)行光伏功率預(yù)測(cè)時(shí)，利用水平面直接輻射、散射輻射和總輻射的模式預(yù)報(bào)數(shù)據(jù)，根據(jù)公式（2）可計(jì)算斜面輻射預(yù)報(bào)值進(jìn)而實(shí)現(xiàn)功率預(yù)報(bào)。然而，在實(shí)際業(yè)務(wù)中由此計(jì)算得到的預(yù)測(cè)值往往與實(shí)際功率存在差距，預(yù)報(bào)效果不理想，因此，本文利用直散分離模型對(duì)原有的計(jì)算方法進(jìn)行改進(jìn)。直散分離模型將水平面總輻射分解為水平面直接輻射和散射輻射，其中較為典型的直散分離模型有Erbs模型［22］、DIRINT模型［23］、Reindl模型［24］等，本文選取 Erbs模型進(jìn)行直散分離計(jì)算。

Erbs模型因其準(zhǔn)確率高且參數(shù)較易獲取而廣泛應(yīng)用，該模型是利用晴空指數(shù)KT反演散射分?jǐn)?shù)DF的分段多項(xiàng)式模型［19］，晴空指數(shù)KT表征大氣的通透程度，是水平面總輻射與大氣層外太陽(yáng)輻射的比值，散射分?jǐn)?shù)DF為水平面散射輻射與總輻射的比值，Erbs模型的表達(dá)式為［22］：

大氣層外太陽(yáng)輻射I0的計(jì)算公式為［25］：

式中：Esc為太陽(yáng)常數(shù)，取1367 W·m－2；γ為日地距離訂正系數(shù)，γ＝1＋0.033cos（360×n／365）。

基于Erbs模型得到Ib和Id的預(yù)報(bào)值，再根據(jù)Liu－Jordan模型得到斜面輻射的預(yù)報(bào)結(jié)果。

2.2 短期光伏功率預(yù)測(cè)方法

基于上述改進(jìn)后的斜面總輻射計(jì)算方法和BJ－RUC資料，采用多元線性回歸法［4］和經(jīng)驗(yàn)公式法分別建立短期光伏功率預(yù)測(cè)模型。光伏電站每日需要上傳未來(lái)3 d的短期功率預(yù)測(cè)結(jié)果，但考核時(shí)只針對(duì)未來(lái)第一天的預(yù)測(cè)結(jié)果，因此僅選取第一天的模型輸出結(jié)果進(jìn)行檢驗(yàn)。

2.2.1 多元線性回歸法

為選取對(duì)發(fā)電功率影響最為顯著的預(yù)報(bào)因子，利用2017年3月至2018年2月實(shí)況功率與BJ－RUC數(shù)值預(yù)報(bào)數(shù)據(jù)，先將總輻射換算成斜面總輻射，然后對(duì)實(shí)況功率與各預(yù)報(bào)變量分季節(jié)進(jìn)行相關(guān)性分析。從表1相關(guān)分析結(jié)果看出，實(shí)況功率與斜面總輻射、風(fēng)速、溫度呈正相關(guān)關(guān)系，而與風(fēng)向、相對(duì)濕度、氣壓呈負(fù)相關(guān)關(guān)系，除氣壓外，其他氣象要素各季節(jié)的相關(guān)性均通過(guò)0.01的顯著性檢驗(yàn)。其中，實(shí)況功率與斜面總輻射相關(guān)系數(shù)各季節(jié)均遠(yuǎn)大于其他要素，冬季最小為0.862，春季最大為0.924；溫度次之，夏季溫度對(duì)發(fā)電功率的影響最大，相關(guān)系數(shù)為0.471。另外，實(shí)況功率與斜面總輻射和溫度總的相關(guān)系數(shù)分別為0.896和0.386，明顯大于其他要素，考慮到預(yù)報(bào)因子對(duì)光伏發(fā)電功率的物理意義，最終確定斜面總輻射和溫度作為構(gòu)建多元線性回歸模型的預(yù)報(bào)因子。

表1 不同季節(jié)各因子與實(shí)況功率的相關(guān)系數(shù)Tab.1 Correlation coefficients between real power and each factor in different seasons

采用滾動(dòng)系數(shù)法建立預(yù)測(cè)模型，即利用過(guò)去一段時(shí)間的實(shí)況和預(yù)報(bào)資料進(jìn)行回歸分析，建立二者之間的動(dòng)態(tài)統(tǒng)計(jì)模型，采用滾動(dòng)樣本的方式每天對(duì)模型參數(shù)進(jìn)行更新，考慮到季節(jié)氣候變化帶來(lái)的輻射、溫度變化，滾動(dòng)系數(shù)法建模一般使用20 d左右的樣本量較為合理［4，10］。為選取具有代表性的樣本量，首先對(duì)不同樣本量建模的預(yù)測(cè)效果進(jìn)行評(píng)估，發(fā)現(xiàn)15 d的均方根誤差最小，20 d與15 d相差不大，而10 d和25 d以上均方根誤差較大且比較接近（表2），因此建模時(shí)選擇15 d的樣本容量。滾動(dòng)過(guò)程：第i天進(jìn)行第i＋1天功率預(yù)測(cè)時(shí)，利用第i－15至第i－1天的BJ－RUC數(shù)值預(yù)報(bào)數(shù)據(jù)和實(shí)況功率數(shù)據(jù)建立模型，結(jié)合第i天生成的BJ－RUC預(yù)報(bào)數(shù)據(jù)即可獲得第i＋1天逐15 min的預(yù)測(cè)功率，并利用第i＋1天的實(shí)況功率檢驗(yàn)預(yù)測(cè)效果。該方法可以減少季節(jié)氣候變化對(duì)光伏發(fā)電的影響以及光伏電站長(zhǎng)期運(yùn)營(yíng)而產(chǎn)生的衰減效應(yīng)。

為評(píng)估多元線性回歸方程的預(yù)測(cè)效果，對(duì)構(gòu)建的方程進(jìn)行擬合優(yōu)度檢驗(yàn)、方程整體及各項(xiàng)回歸系數(shù)的顯著性檢驗(yàn)，發(fā)現(xiàn)每日建立的多元線性回歸方程整體及斜面總輻射項(xiàng)均通過(guò)顯著性檢驗(yàn)，溫度項(xiàng)t檢驗(yàn)的Sig.值小于0.05的天數(shù)占總數(shù)的83.4%（表略），大部分天數(shù)溫度對(duì)功率的影響顯著，可見(jiàn)斜面總輻射、溫度與功率的擬合效果比較理想，回歸方程較為可靠。以2019年3月16日的顯著性檢驗(yàn)結(jié)果為例，發(fā)現(xiàn)方程的擬合優(yōu)度 R2為0.926，接近1，F(xiàn)檢驗(yàn)的 Sig.值接近0，方程整體顯著，且各項(xiàng)回歸系數(shù)t檢驗(yàn)的 Sig.值均小于0.05（表3），說(shuō)明回歸方程中各項(xiàng)對(duì)功率的影響均顯著。

表2 不同樣本量建模的預(yù)測(cè)值與實(shí)況的均方根誤差Tab.2 The root mean square error between real value and forecasted value by models based on different sample sizes

表3 各項(xiàng)回歸系數(shù)顯著性檢驗(yàn)Tab.3 Significance test of regression coefficients of each item

2.2.2 經(jīng)驗(yàn)公式法

經(jīng)驗(yàn)公式法是根據(jù)太陽(yáng)能電池光伏發(fā)電的物理原理、光電轉(zhuǎn)換效率和逆變器轉(zhuǎn)換效率的定義，建立影響光電轉(zhuǎn)換效率及逆變器效率的經(jīng)驗(yàn)公式和合理的經(jīng)驗(yàn)系數(shù)，輸入輻射預(yù)報(bào)，進(jìn)行功率預(yù)測(cè)的方法［10］?；诮?jīng)驗(yàn)公式法建立的光伏電站輸出功率的預(yù)測(cè)模型為［4］：

式中：IT（W·m－2）為斜面總輻射；NOCT（℃）為額定太陽(yáng)能電池工作溫度；Ta（℃）為氣溫；Tc（℃）為陣列板溫度；Pdc（kW）為15 min間隔的發(fā)電功率；ηs為標(biāo)準(zhǔn)測(cè)試條件的光電轉(zhuǎn)換效率；α（℃－1）為溫度系數(shù)；S（m2）為光伏組件有效面積；K1為光伏陣列老化損失系數(shù)；K2為光伏陣列失配損失系數(shù)；K3為塵埃遮擋損失系數(shù)；K4為直流回路線路損失系數(shù)；k為并網(wǎng)光伏電站投入使用的年數(shù)；ya為不同太陽(yáng)能電池材料年衰減率。

利用相關(guān)系數(shù)（CC）、均方根誤差（RMSE）和相對(duì)均方根誤差（RRMSE）等評(píng)價(jià)指標(biāo)［4］，對(duì)斜面輻射算法改進(jìn)后多元線性回歸法、經(jīng)驗(yàn)公式法的功率預(yù)測(cè)效果進(jìn)行檢驗(yàn)及對(duì)比，兩者的預(yù)測(cè)功率分別用P1、P2表示，實(shí)況功率用Pr表示。

3 結(jié)果分析

3.1 斜面輻射算法改進(jìn)后的效果檢驗(yàn)

基于改進(jìn)后的斜面輻射算法，利用多元線性回歸法和經(jīng)驗(yàn)公式法分別計(jì)算2018年3月至2019年2月逐15 min的短期功率。對(duì)比算法改進(jìn)前后兩種模型預(yù)測(cè)功率的RRMSE（圖1），發(fā)現(xiàn)各月RRMSE在算法改進(jìn)后均有不同程度的降低，P1和P2平均RRMSE分別降低0.066和0.040，斜面輻射算法的改進(jìn)使得功率預(yù)測(cè)效果有所提高。

圖1 斜面輻射算法改進(jìn)前后RRMSE對(duì)比（a）多元線性回歸法，（b）經(jīng)驗(yàn)公式法Fig.1 Comparison of RRMSE before and after the improvement of inclined plane solar radiation method（a）multiple linear regression method，（b）empirical formula method

3.2 兩種方法預(yù)測(cè)結(jié)果對(duì)比

圖2是多元線性回歸法和經(jīng)驗(yàn)公式法模擬功率與實(shí)況功率的日變化。可以看出，各季節(jié)Pr與P1、P2的日變化特征均呈單峰結(jié)構(gòu)，變化趨勢(shì)較為一致。春、夏季節(jié)由于日照時(shí)數(shù)相對(duì)較長(zhǎng)，曲線開(kāi)口程度大于秋、冬季節(jié)，光伏電站日平均工作時(shí)間較長(zhǎng)，尤其是夏季最長(zhǎng)，近14 h，冬季日照時(shí)數(shù)最短，曲線開(kāi)口程度最小，約10 h；Pr春季峰值最大，秋季次之，夏季最低，夏季峰值低于其他季節(jié)是由于日間受高溫影響，光伏面板輸出功率的效率降低，導(dǎo)致實(shí)際發(fā)電功率低于其他季節(jié)。P1、P2與Pr的偏差表現(xiàn)為正午前后最大，向兩側(cè)呈現(xiàn)逐漸減小的趨勢(shì)，且各季節(jié)偏差程度存在差異，P1秋季偏差最小，日最大偏差為378.8 kW，春季最大，日最大偏差為888.7 kW，這是由于春季天氣過(guò)程較多，輻射變化較為劇烈，預(yù)報(bào)輻射未能準(zhǔn)確預(yù)測(cè)實(shí)際輻射的變化特征，導(dǎo)致功率預(yù)測(cè)偏差較大；P2冬季偏差最小，日最大偏差為863.0 kW，春季最大，日最大偏差為1197.3 kW，且各季節(jié)P2的偏差程度較P1更為明顯。

3.3 兩種方法預(yù)測(cè)誤差對(duì)比

對(duì)比兩種方法的功率預(yù)測(cè)效果（表4）發(fā)現(xiàn)，P1和P2與實(shí)況功率的相關(guān)系數(shù)各月均較為接近，且均通過(guò)0.01的顯著性檢驗(yàn)，總的相關(guān)系數(shù)分別為0.823和 0.817，P1與實(shí)況功率的相關(guān)性略高于 P2；P1與實(shí)況功率的RMSE和RRMSE各月均小于P2，P1和P2總RMSE分別為940.917、1147.172 kW，總RRMSE分別為0.188和0.229，多元線性回歸法的預(yù)報(bào)效果優(yōu)于經(jīng)驗(yàn)公式法。

圖3是兩種方法RRMSE的月變化?？梢钥闯?，二者全年均呈現(xiàn)波動(dòng)變化趨勢(shì)，P1的RRMSE在4—7月以及10—12月較小且較為穩(wěn)定，而在3月、8月和1月出現(xiàn)明顯的峰值，這是由于在季節(jié)交替時(shí)，輻射及溫度變化較為劇烈，導(dǎo)致預(yù)測(cè)結(jié)果誤差增大；P2的RRMSE在9、11月以及2月出現(xiàn)明顯的峰值，P2與P1差值最小和最大的月份分別為3月和11月，差值分別為0.009和0.067，且 P2的變化幅度大于P1，P2各月之間的差異更為顯著，說(shuō)明多元線性回歸法的預(yù)報(bào)效果較經(jīng)驗(yàn)公式法更為穩(wěn)定。

圖2 多元線性回歸法、經(jīng)驗(yàn)公式法的模擬功率與實(shí)況功率的日變化（a）春季，（b）夏季，（c）秋季，（d）冬季Fig.2 Diurnal change of simulated power by MLR method and empirical formula and actual power（a）spring，（b）summer，（c）autumn，（d）winter

表4 兩種方法預(yù)報(bào)結(jié)果檢驗(yàn)Tab.4 Test of forecasted results based on two methods

圖3 兩種方法預(yù)報(bào)結(jié)果與實(shí)況功率的RRMSE月變化Fig.3 Monthly change of RRMSE between actual power and predicted power by two methods

3.4 不同天氣條件下兩種方法的預(yù)報(bào)效果對(duì)比

將2018年3月至2019年2月按天氣條件進(jìn)行分類(lèi)，可分為晴天、多云、陰、雨、雪、沙塵（以及污染）等6種天氣類(lèi)型，對(duì)比不同天氣條件下兩種方法的預(yù)報(bào)效果（圖4）?？梢钥闯?，兩種方法預(yù)測(cè)功率與實(shí)況功率的RRMSE值均呈現(xiàn)自晴天、多云天、陰天、雨天、沙塵天、雪天依次增大的趨勢(shì)。晴天時(shí)，P1與P2的預(yù)報(bào)效果最好，RRMSE分別為0.112和0.143，預(yù)報(bào)效果優(yōu)于其他天氣狀況；多云天氣次之，RRMSE分別為0.188和0.228，這兩種天氣狀況占所有天數(shù)的71.2%。陰天和雨天所占比例為21.9%，二者預(yù)報(bào)效果相當(dāng)，RRMSE值均大于晴天及多云天氣；雪天和沙塵天氣預(yù)報(bào)效果最不理想，沙塵天氣下P1與 P2的 RRMSE值分別為 0.273和 0.337，雪天分別達(dá)0.277和0.341，遠(yuǎn)高于晴天。

為了進(jìn)一步對(duì)比兩種方法的預(yù)報(bào)效果，選取晴天（2018年10月9日）、多云天（2018年5月27日）、陰天（2019年1月29日）、雨天（2018年8月7日）、雪天（2019年1月15日）、沙塵天（2018年4月4日）個(gè)例，細(xì)致分析不同天氣狀況下兩種方法預(yù)測(cè)功率與實(shí)況的差異（圖5）。可以看出，晴天時(shí)，兩種方法均能準(zhǔn)確預(yù)測(cè)實(shí)際發(fā)電功率的變化趨勢(shì)，但P1與實(shí)況曲線基本重合，擬合程度最好；在多云及陰、雨天氣狀況時(shí)，P1與P2能大致預(yù)測(cè)出實(shí)際功率的變化趨勢(shì)和變化幅度，但無(wú)法準(zhǔn)確把握實(shí)際功率的波動(dòng)特征；沙塵、雪天氣時(shí)，預(yù)測(cè)功率未能捕捉到實(shí)際功率的變化趨勢(shì)和變化幅度，預(yù)測(cè)效果不理想。

在數(shù)值預(yù)報(bào)相同的情況下，P1在各種天氣條件下RRMSE值均小于P2，預(yù)報(bào)效果相對(duì)更佳。在有天氣過(guò)程時(shí)，由于數(shù)值預(yù)報(bào)與實(shí)況存在偏差，導(dǎo)致P1和P2均未能準(zhǔn)確捕捉到發(fā)電功率的實(shí)際變化特征。下一步考慮結(jié)合衛(wèi)星云圖、沙塵天氣顆粒物濃度等數(shù)據(jù)資料，深入研究有天氣過(guò)程時(shí)光伏發(fā)電功率的日變化特征，同時(shí)考慮使用集合預(yù)報(bào)集成不同方法的優(yōu)勢(shì)提高功率預(yù)測(cè)準(zhǔn)確率。

圖4 不同天氣占比（a）及不同天氣狀況下兩種方法預(yù)測(cè)效果（b）Fig.4 The percentage of different weather conditions（a）and forecast effect based on two methods under different weather conditions（b）

圖5 不同天氣條件下兩種方法預(yù)測(cè)功率與實(shí)況的日變化（a）晴天，（b）多云天，（c）陰天，（d）雨天，（e）雪天，（f）沙塵天Fig.5 Diurnal change of predicted power by two methods and actual power under different weather conditions（a）sunny weather，（b）cloudy weather，（c）overcast weather，（d）rainy weather，（e）snow weather，（f）dust weather

4 結(jié) 論

（1）各季節(jié)斜面總輻射和溫度與光伏發(fā)電功率相關(guān)系數(shù)明顯高于其他變量，總相關(guān)系數(shù)分別為0.896和0.386，可作為基于多元線性回歸方法的發(fā)電功率預(yù)測(cè)模型的預(yù)報(bào)因子。

（2）斜面輻射計(jì)算方法改進(jìn)后，多元線性回歸法和經(jīng)驗(yàn)公式法的預(yù)測(cè)功率與實(shí)況各月RRMSE值均有所降低，總RRMSE值分別降低0.066和0.040，改進(jìn)后兩種方法的預(yù)報(bào)效果均有所提高。

（3）多元線性回歸法與經(jīng)驗(yàn)公式法的預(yù)測(cè)功率日變化曲線均呈單峰結(jié)構(gòu)，峰值與開(kāi)口程度季節(jié)差異明顯，二者總體與實(shí)況功率變化趨勢(shì)較為一致，但存在不同程度的偏差，多元線性回歸法的偏差小于經(jīng)驗(yàn)公式法，更接近實(shí)況功率。

（4）多元線性回歸法各月RMSE、RRMSE均小于經(jīng)驗(yàn)公式法，CC均略高于經(jīng)驗(yàn)公式法，兩種方法總RRMSE值分別為0.188和0.229，總 CC值分別為0.823和0.817，且前者RRMSE月變化幅度小于后者，表明多元線性回歸法的預(yù)報(bào)精度更高，且預(yù)報(bào)結(jié)果更為穩(wěn)定。

（5）不同天氣狀況下，多元線性回歸法和經(jīng)驗(yàn)公式法的RRMSE值均自晴天、多云天、陰天、雨天、沙塵天、雪天依次增大，兩種方法對(duì)晴天的預(yù)測(cè)效果均最優(yōu)，RRMSE分別為0.112和0.143，而對(duì)雪天和沙塵天氣的預(yù)測(cè)效果均不理想，雪天RRMSE值最大，分別為0.277和0.341。各種天氣條件下，多元線性回歸法的RRMSE值均小于經(jīng)驗(yàn)公式法。