師浩琪，郭 力，劉一欣，王成山

（天津大學(xué) 智能電網(wǎng)教育部重點(diǎn)實(shí)驗(yàn)室，天津 300072）

0 引言

近年來，為了緩解能源危機(jī)，以光伏發(fā)電為代表的可再生能源發(fā)展迅速，但其出力的不確定性和波動(dòng)性給電網(wǎng)的安全穩(wěn)定運(yùn)行帶來了巨大沖擊［1］。因此，準(zhǔn)確預(yù)測(cè)光伏功率對(duì)電網(wǎng)制定更加精細(xì)的調(diào)度計(jì)劃、提高電力系統(tǒng)可靠性有重要的現(xiàn)實(shí)意義［2］。

目前已有很多學(xué)者圍繞光伏電站日前24 h短期預(yù)測(cè)開展研究。在數(shù)據(jù)預(yù)處理方面，對(duì)預(yù)測(cè)模型的訓(xùn)練數(shù)據(jù)劃分不同天氣類型有助于建立更加精細(xì)的預(yù)測(cè)模型［3］，但在天氣類型劃分方面，目前還沒有統(tǒng)一的標(biāo)準(zhǔn)。文獻(xiàn)［4］根據(jù)溫度、濕度、輻照度的特征，采用改進(jìn)Kohonen 神經(jīng)網(wǎng)絡(luò)進(jìn)行天氣聚類。文獻(xiàn)［5］根據(jù)云量、輻照度、溫度采用概率神經(jīng)網(wǎng)絡(luò)PNN（Probabilistic Neural Network）算法劃分天氣類型。上述歷史數(shù)據(jù)分類模型未考慮各氣象因素之間的相關(guān)關(guān)系，深層特征挖掘不足，存在數(shù)據(jù)冗余現(xiàn)象。在預(yù)測(cè)方法方面，隨著大數(shù)據(jù)技術(shù)的發(fā)展，人工智能算法相較于統(tǒng)計(jì)方法和物理方法應(yīng)用更加廣泛［6］，主要包括人工神經(jīng)網(wǎng)絡(luò)［7-8］、支持向量機(jī)［9］以及多模型組合算法［10］等。文獻(xiàn)［7］以溫度、濕度等氣象數(shù)據(jù)和相似日功率數(shù)據(jù)為輸入變量，采用反向傳播BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)光伏功率。文獻(xiàn)［8］額外引入天氣類型指數(shù)作為BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的輸入變量，預(yù)測(cè)不同天氣類型下的光伏功率。文獻(xiàn)［9］采用變分模態(tài)分解VMD（Variational Mode Decomposition）將歷史光伏發(fā)電功率分解成多個(gè)子模態(tài)，用最小二乘支持向量機(jī)LSSVM（Least Square Support Vector Machine）分別預(yù)測(cè)光伏發(fā)電功率和誤差。文獻(xiàn)［10］針對(duì)各天氣分型下的波動(dòng)過程和類晴空過程，建立卷積神經(jīng)網(wǎng)絡(luò)CNN（Convolutional Neural Network）和長(zhǎng)短期記憶LSTM（Long Short Term Memory）網(wǎng)絡(luò)的組合預(yù)測(cè)模型。在預(yù)測(cè)數(shù)據(jù)源選擇方面，短期預(yù)測(cè)算法多以數(shù)值天氣預(yù)報(bào)NWP（Numerical Weather Prediction）為氣象數(shù)值預(yù)報(bào)源［11-12］，以公共氣象服務(wù)預(yù)報(bào)為天氣狀態(tài)預(yù)報(bào)源［13］。文獻(xiàn)［11］對(duì)高維NWP 數(shù)據(jù)進(jìn)行降維處理，在篩選相似日樣本的基礎(chǔ)上，通過LSTM 網(wǎng)絡(luò)預(yù)測(cè)模型建立氣象因素與光伏功率之間的映射關(guān)系。文獻(xiàn)［12］以數(shù)據(jù)采集與監(jiān)視控制SCADA（Supervisory Control And Data Acquisition）系統(tǒng)的功率數(shù)據(jù)和NWP 數(shù)據(jù)建立小波-粒子群-支持向量機(jī)預(yù)測(cè)模型。上述文獻(xiàn)以NWP 原始數(shù)據(jù)為輸入，建立NWP-功率映射模型，但由于NWP 存在誤差，該模型不能準(zhǔn)確描述氣象-功率之間的關(guān)系。另外，由于NWP 誤差的不確定性，NWP-功率映射模型不能有效消除NWP 誤差對(duì)功率預(yù)測(cè)的影響。文獻(xiàn)［13］對(duì)所劃分的廣義天氣類型分別建立預(yù)測(cè)模型，并根據(jù)公共氣象服務(wù)預(yù)報(bào)的預(yù)測(cè)日天氣類型選擇預(yù)測(cè)模型進(jìn)行預(yù)測(cè)。由于公共氣象服務(wù)預(yù)報(bào)的區(qū)域范圍較大，與光伏發(fā)電預(yù)測(cè)要求的精細(xì)化氣象預(yù)報(bào)場(chǎng)景存在較大差異，故須對(duì)公共氣象服務(wù)預(yù)報(bào)的準(zhǔn)確度進(jìn)行評(píng)估。針對(duì)NWP預(yù)報(bào)偏差較大的問題，很多學(xué)者一直嘗試解決，如采用模式后處理［14-15］等方法進(jìn)行修正，但效果不明顯。利用數(shù)據(jù)融合和數(shù)據(jù)同化技術(shù)綜合多種來源的觀測(cè)資料或者模擬數(shù)據(jù)，可獲得高精度、高質(zhì)量的多源數(shù)據(jù)融合氣象預(yù)報(bào)產(chǎn)品［16］。然而目前應(yīng)用于光伏功率預(yù)測(cè)領(lǐng)域的氣象數(shù)據(jù)融合研究還比較少。

針對(duì)上述問題，本文提出基于多源氣象預(yù)報(bào)總輻照度修正的光伏功率短期預(yù)測(cè)方法。首先，根據(jù)功率序列特征采用自組織映射SOM（Self Organizing Map）神經(jīng)網(wǎng)絡(luò)聚類算法劃分廣義天氣類型，并與公共氣象服務(wù)天氣類型預(yù)報(bào)實(shí)現(xiàn)匹配對(duì)應(yīng)，分類方法具有較高的準(zhǔn)確度和較強(qiáng)的適應(yīng)性；然后，通過融合預(yù)測(cè)日NWP 和公共氣象服務(wù)天氣類型預(yù)報(bào)，基于樹擴(kuò)展樸素貝葉斯TAN（Tree Augmented Naive Bayes）算法評(píng)估2種氣象預(yù)報(bào)源的準(zhǔn)確度，再結(jié)合實(shí)測(cè)總輻照度數(shù)據(jù)實(shí)現(xiàn)預(yù)測(cè)日NWP 總輻照度修正；最后，以實(shí)測(cè)氣象和功率為訓(xùn)練樣本，得到準(zhǔn)確反映氣象與功率映射關(guān)系的預(yù)測(cè)模型，并以修正后的總輻照度為輸入實(shí)現(xiàn)光伏功率短期預(yù)測(cè)。利用我國(guó)某光伏電站的實(shí)際運(yùn)行數(shù)據(jù)和氣象預(yù)報(bào)數(shù)據(jù)驗(yàn)證了模型的有效性。

1 基于總輻照度修正的光伏功率預(yù)測(cè)

光伏輸出功率受多種外部氣象因素和自身組件狀態(tài)的影響，為構(gòu)建高效、精確的預(yù)測(cè)模型，本節(jié)首先分析光伏發(fā)電影響因素，并篩選預(yù)測(cè)模型輸入變量，然后介紹本文提出的基于多源氣象預(yù)報(bào)總輻照度修正的光伏功率短期預(yù)測(cè)模型框架。

1.1 影響因素分析

光伏功率主要受兩方面因素影響［17］：一方面是光伏電站所處位置的輻照度、溫度等氣象因素；另一方面是光伏面板傾角、組件轉(zhuǎn)換效率等自身因素。在不發(fā)生故障的情況下，光伏組件自身因素在短期內(nèi)變化較小，研究預(yù)測(cè)問題時(shí)可以忽略其對(duì)光伏功率的影響。

不同天氣類型下光伏電站功率曲線特征具有明顯差異。按照中國(guó)天氣網(wǎng)對(duì)天氣狀態(tài)的預(yù)報(bào)形式，結(jié)合光伏電站所在地區(qū)的氣候特點(diǎn)，以我國(guó)河南省某光伏電站為例，分析該地區(qū)天氣類型占比較大的晴天（41.00%）、多云天（27.83%）、陰天（13.64%）和雨雪天（16.08%）4 種典型天氣類型下光伏電站功率曲線特征，功率曲線如圖1所示。

由圖1 可知：晴天和多云天功率幅值較大，但晴天功率曲線較為平滑，多云天由于云層移動(dòng)的影響其功率曲線呈現(xiàn)較強(qiáng)的波動(dòng)性；陰天和雨雪天功率幅值較小并呈現(xiàn)出一定的波動(dòng)性。通常而言，對(duì)于氣象要素變化平緩的天氣類型（如晴天），光伏預(yù)測(cè)精度較高，對(duì)于氣象要素波動(dòng)性強(qiáng)、變化規(guī)律不明顯的天氣類型（如多云天、陰天和雨雪天），由于氣象要素預(yù)測(cè)的難度較大、精度較低，光伏功率預(yù)測(cè)偏差較大，因此有必要通過劃分天氣類型，采取針對(duì)性的預(yù)報(bào)方法或者修正方法來提高光伏功率預(yù)測(cè)精度。

圖1 不同天氣類型下光伏電站功率曲線Fig.1 Power curves of photovoltaic power plant under different weather types

到達(dá)地面的太陽(yáng)輻射包括直射輻射和散射輻射，兩者之和稱為總輻射。直射輻射是指沒有被任何物質(zhì)所散射，直接到達(dá)地面的太陽(yáng)輻射；散射輻射則是太陽(yáng)輻射經(jīng)過大氣和云的散射后到達(dá)地面的太陽(yáng)輻射。單位面積輻射量稱為輻照度。總輻照度是光伏功率的直接影響因素，而氣溫、濕度、風(fēng)速、氣壓等其他因素通過影響總輻照度的強(qiáng)弱間接影響光伏功率。隨機(jī)選取連續(xù)3 d 采樣時(shí)間間隔為15 min 的實(shí)測(cè)數(shù)據(jù)，采用皮爾森相似度分析法計(jì)算氣象因素與光伏功率之間的相關(guān)性，不同氣象因素與光伏功率間的皮爾森相關(guān)系數(shù)見表1。

表1 氣象因素與光伏功率間的皮爾森相關(guān)系數(shù)Table 1 Pearson relevant coefficient between meteorological factors and photovoltaic power

由表1 可知：總輻照度與光伏功率呈現(xiàn)極強(qiáng)的正相關(guān)性；實(shí)際中，雖然氣溫升高導(dǎo)致光伏組件效率降低，但在該過程中往往天氣越晴朗，太陽(yáng)輻射越強(qiáng)，從而使光伏功率增大，綜合效果來看，氣溫和光伏功率呈現(xiàn)較強(qiáng)的正相關(guān)性；濕度和風(fēng)速也與光伏功率呈現(xiàn)出較強(qiáng)的相關(guān)性。因此本文以上述4 種因素作為光伏功率預(yù)測(cè)模型的輸入變量，并對(duì)最關(guān)鍵的總輻照度因素進(jìn)行修正，以提高功率預(yù)測(cè)精度。

1.2 預(yù)測(cè)模型框架

單一氣象預(yù)報(bào)源存在誤報(bào)和偏差的問題，綜合多種氣象預(yù)報(bào)源可提升氣象預(yù)報(bào)產(chǎn)品的精度，本文使用的多源氣象預(yù)報(bào)包括2 種氣象源：一種是預(yù)測(cè)日的NWP 數(shù)據(jù)，通常由NWP 服務(wù)機(jī)構(gòu)提供；另一種是預(yù)測(cè)日公共氣象服務(wù)天氣類型預(yù)報(bào)，通常來源于中央氣象臺(tái)、中國(guó)天氣網(wǎng)等天氣類型預(yù)報(bào)服務(wù)機(jī)構(gòu)。在獲取這2 種信息的基礎(chǔ)上，本文所提基于多源氣象預(yù)報(bào)總輻照度修正的光伏功率短期預(yù)測(cè)模型框架見圖2，主要包括光伏電站歷史數(shù)據(jù)分類、NWP 廣義天氣類型分類、廣義天氣類型轉(zhuǎn)移概率計(jì)算、NWP總輻照度修正和遺傳算法GA（Genetic Algorithm）優(yōu)化的BP（GA-BP）神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)5個(gè)部分。目前關(guān)于GA-BP神經(jīng)網(wǎng)絡(luò)算法的研究較成熟，本文不再贅述。

圖2 光伏功率短期預(yù)測(cè)模型框架Fig.2 Framework of short-term photovoltaic power forecasting model

2 光伏電站歷史數(shù)據(jù)分類

本節(jié)以光伏日功率序列為研究對(duì)象，提取光伏日功率序列特征，采用SOM 神經(jīng)網(wǎng)絡(luò)聚類算法進(jìn)行光伏電站歷史數(shù)據(jù)廣義天氣類型劃分，并對(duì)各廣義天氣類型的總輻照度劃分不同等級(jí)。光伏電站歷史數(shù)據(jù)分類模型框架見附錄A圖A1。

2.1 基于SOM 神經(jīng)網(wǎng)絡(luò)聚類算法的光伏電站歷史數(shù)據(jù)分類

光伏功率與多種氣象因素密切相關(guān)，因此光伏功率可反映多種氣象因素的綜合變化。以光伏日功率序列特征構(gòu)建特征向量進(jìn)行聚類分析，綜合了各氣象要素場(chǎng)的關(guān)聯(lián)關(guān)系，分類結(jié)果有較高的準(zhǔn)確度。

2.1.1 光伏日功率序列特征

如圖1 所示，不同天氣類型下光伏功率序列呈現(xiàn)出不同的幅值和波動(dòng)情況，因此光伏日功率序列的幅值和波動(dòng)特征反映了該日天氣狀態(tài)。本文對(duì)每日白晝時(shí)段的光伏日功率序列進(jìn)行小波變換［18］，分解層數(shù)為4，得到反映光伏功率變化趨勢(shì)的近似信號(hào)A4和反映光伏功率隨機(jī)波動(dòng)的細(xì)節(jié)信號(hào)D1—D4，將近似信號(hào)A4作為該日晴空序列u，細(xì)節(jié)信號(hào)D1—D4之和作為該日波動(dòng)序列v，基于晴空序列u和波動(dòng)序列v構(gòu)建的光伏日功率序列特征如下。

1）幅值特征。

以晴空序列u的平均值uˉ衡量光伏功率幅值大小，如式（1）所示。

式中：ui為晴空序列u中第i個(gè)采樣點(diǎn)的功率值；n1和n2分別為采樣起始位置和結(jié)束位置。

2）波動(dòng)特征。

（1）波動(dòng)幅值特征。

以波動(dòng)序列v的一階差分指標(biāo)Δf衡量光伏功率波動(dòng)幅值，如式（2）所示。

式中：vi為波動(dòng)序列v中第i個(gè)采樣點(diǎn)的功率值。

（2）波動(dòng)頻率特征。

將波動(dòng)序列v進(jìn)行快速傅里葉變換，確定其中心頻率，以中心頻率衡量光伏功率波動(dòng)快慢。

2.1.2 SOM神經(jīng)網(wǎng)絡(luò)聚類

SOM神經(jīng)網(wǎng)絡(luò)根據(jù)人腦神經(jīng)系統(tǒng)中興奮和抑制的現(xiàn)象，采用“競(jìng)爭(zhēng)學(xué)習(xí)”的方式，實(shí)現(xiàn)對(duì)不同特征樣本的分類，其結(jié)構(gòu)和算法步驟見附錄B。

SOM 神經(jīng)網(wǎng)絡(luò)聚類算法根據(jù)數(shù)據(jù)間的相似性，通過自組織、自適應(yīng)改變網(wǎng)絡(luò)的權(quán)值，可消除輸入噪聲的影響，但其聚類數(shù)需事先設(shè)定。本文借鑒層次聚類的思想，自頂向下利用SOM 神經(jīng)網(wǎng)絡(luò)聚類算法，以2.1.1 節(jié)中的光伏日功率序列特征為輸入變量，采用逐步二分的方式將光伏電站歷史數(shù)據(jù)劃分為N類廣義天氣類型，分類過程見附錄A圖A2，然后如附錄A圖A3所示按晴朗程度實(shí)現(xiàn)廣義天氣類型與同時(shí)間范圍內(nèi)公共氣象服務(wù)天氣類型預(yù)報(bào)匹配對(duì)應(yīng)。

2.2 實(shí)測(cè)總輻照度等級(jí)劃分與折算

風(fēng)速越大，對(duì)大氣中云團(tuán)和懸浮物的推動(dòng)作用越大，天氣越晴朗，總輻照度越大；濕度越大，大氣中的水汽對(duì)總輻照度的阻擋作用越大。特定的廣義天氣類型對(duì)應(yīng)多種公共氣象服務(wù)天氣類型預(yù)報(bào)，不同公共氣象服務(wù)天氣類型預(yù)報(bào)如陰、霧、揚(yáng)沙、霾的總輻照度大小不同，因此，各廣義天氣類型下由于其他氣象因素的影響或包含更精細(xì)的天氣類型，總輻照度呈現(xiàn)出不同水平。為構(gòu)建更精細(xì)的總輻照度修正模型，需對(duì)各廣義天氣類型的總輻照度等級(jí)進(jìn)行劃分，廣義天氣類型c總輻照度等級(jí)劃分流程如下。

1）根據(jù)2.1 節(jié)中的光伏電站歷史功率數(shù)據(jù)廣義天氣類型劃分結(jié)果，繪制廣義天氣類型c總輻照度散點(diǎn)圖。

2）計(jì)算廣義天氣類型c各時(shí)刻總輻照度序列不同分位數(shù)值，構(gòu)建分位數(shù)值時(shí)間序列。廣義天氣 類 型c第i個(gè) 采 樣 點(diǎn) 的 總 輻 照 度 序 列Rc，i=[Rc，1，i，Rc，2，i，…，Rc，Kc，i]，其 中Rc，j，i(j=1，2，…，Kc)為 廣 義 天氣類型c第j個(gè)樣本中第i個(gè)采樣點(diǎn)的總輻照度值，Kc為廣義天氣類型c所包含的樣本數(shù)。若Rc，i的α分位數(shù)值R′c，i，α滿足P(Rc，j，i≤R′c，i，α)=α，則廣義天氣類型c的α分位數(shù)值時(shí)間序列R′c，α=[R′c，1，α，R′c，2，α，…，R′c，h，α]，其中P(A)表示事件A成立的概率，h為采樣點(diǎn)數(shù)。

3）利用高斯濾波法對(duì)廣義天氣類型c總輻照度分位數(shù)值時(shí)間序列進(jìn)行平滑處理。

4）定義廣義天氣類型c相鄰分位數(shù)值時(shí)間序列之間的總輻照度散點(diǎn)帶，將其按照從高到低分別分為等級(jí)1—M。

將各廣義天氣類型總輻照度均按上述方法劃分為多個(gè)等級(jí)后，將上下界分位數(shù)值時(shí)間序列的平均值作為該等級(jí)的代表序列。根據(jù)不同廣義天氣類型同一等級(jí)的代表序列計(jì)算不同廣義天氣類型間的總輻照度折算系數(shù)序列。廣義天氣類型c1和c2間總輻照度等級(jí)i的折算系數(shù)序列λc1→c2，i按式（3）進(jìn)行計(jì)算。

3 基于TAN的廣義天氣類型轉(zhuǎn)移概率計(jì)算

天氣狀態(tài)變化具有連續(xù)性，本文天氣類型轉(zhuǎn)移概率定義為在預(yù)測(cè)日前幾日天氣類型一定的情況下，預(yù)測(cè)日各天氣類型發(fā)生的概率。某日鄰近前幾日的天氣狀態(tài)與該日天氣狀態(tài)具有相關(guān)性，不滿足傳統(tǒng)樸素貝葉斯算法各屬性變量之間相互獨(dú)立的假設(shè)。本文使用TAN 算法計(jì)算預(yù)測(cè)日各廣義天氣類型的轉(zhuǎn)移概率，該算法在樸素貝葉斯算法的基礎(chǔ)上，假設(shè)每個(gè)條件屬性在類別屬性之外最多依賴于1 個(gè)其他條件屬性。根據(jù)該思想，本文將預(yù)測(cè)日的廣義天氣類型作為類別屬性，將預(yù)測(cè)日前D天的廣義天氣類型作為條件屬性，計(jì)算預(yù)測(cè)日各廣義天氣類型的轉(zhuǎn)移概率，以此評(píng)估各氣象預(yù)報(bào)源的準(zhǔn)確性。廣義天氣類型轉(zhuǎn)移概率計(jì)算模型框架見附錄A 圖A4。TAN算法步驟見附錄C。

廣義天氣類型轉(zhuǎn)移概率的大小對(duì)總輻照度修正值的精度有很大影響，為確定轉(zhuǎn)移概率計(jì)算模型的最適條件屬性數(shù)，本文提出轉(zhuǎn)移概率有效率Ie來評(píng)估轉(zhuǎn)移概率的有效性，計(jì)算公式為：

4 基于NWP 廣義天氣類型分類的總輻照度修正

以反映云量多少的日均直總輻照度比作為NWP 廣義天氣類型分類的標(biāo)準(zhǔn)，通過分析NWP 廣義天氣類型分類正確的樣本計(jì)算NWP 總輻照度系統(tǒng)誤差，引入公共氣象服務(wù)天氣類型預(yù)報(bào)源，并結(jié)合廣義天氣類型轉(zhuǎn)移概率修正NWP 總輻照度。NWP總輻照度修正模型框架見附錄A圖A5。

4.1 NWP廣義天氣類型分類

有關(guān)研究結(jié)果表明，在云量較少、大氣透明度較高的時(shí)段，總輻照度中直射輻照度占比較大，因此直射輻照度和總輻照度的比值反映了云量的多少。根據(jù)2.1節(jié)中的各廣義天氣類型所占比例，對(duì)同一時(shí)間范圍內(nèi)NWP 日均直總輻照度比進(jìn)行排序，按比例求取各廣義天氣類型日均直總輻照度比閾值，即可根據(jù)預(yù)測(cè)日NWP 數(shù)據(jù)確定預(yù)報(bào)的廣義天氣類型。日均直總輻照度比η按式（5）進(jìn)行計(jì)算。

4.2 NWP總輻照度系統(tǒng)誤差計(jì)算

NWP總輻照度系統(tǒng)誤差計(jì)算步驟如下：

1）根據(jù)2.1 節(jié)中的歷史功率數(shù)據(jù)分類模型確定樣本集的廣義天氣類型；

2）根據(jù)4.1 節(jié)中的日均直總輻照度比確定樣本集NWP廣義天氣類型；

3）從樣本集篩選NWP 廣義天氣類型分類正確的樣本，本文NWP 廣義天氣類型分類正確的樣本定義為與NWP 廣義天氣類型與功率分類確定的廣義天氣類型相同的樣本；

4）在NWP 廣義天氣類型分類正確的樣本中分別計(jì)算各廣義天氣類型下NWP總輻照度系統(tǒng)誤差。

4.3 NWP總輻照度修正

在預(yù)測(cè)日前一天從不同的氣象服務(wù)機(jī)構(gòu)獲取預(yù)測(cè)日的NWP 數(shù)據(jù)和公共氣象服務(wù)天氣類型預(yù)報(bào)，判斷預(yù)測(cè)日NWP 廣義天氣類型cNWP與公共氣象服務(wù)預(yù)報(bào)的廣義天氣類型cWTF是否一致：若一致，則僅修正總輻照度系統(tǒng)誤差即可得到用于功率預(yù)測(cè)的總輻照度序列，即廣義天氣類型cNWP的總輻照度序列RcNWP；若不一致，則根據(jù)輻照度較高時(shí)段11:00—13:00 的總輻照度平均值判斷廣義天氣類型cNWP總輻照度等級(jí)i，根據(jù)廣義天氣類型cNWP和cWTF之間總輻照度等級(jí)i的折算系數(shù)序列λcNWP→cWTF，i得到廣義天氣類型cWTF的總輻照度序列RcWTF。由預(yù)測(cè)日廣義天氣類型轉(zhuǎn)移概率模型分別計(jì)算NWP 廣義天氣類型cNWP和公共氣象服務(wù)預(yù)報(bào)的廣義天氣類型cWTF的轉(zhuǎn)移概率P(cNWP)和P(cWTF)，并以轉(zhuǎn)移概率為權(quán)重對(duì)2種廣義天氣類型下的總輻照度序列進(jìn)行求和，得到用于功率預(yù)測(cè)的總輻照度序列R*。NWP總輻照度2步修正示意圖見附錄A 圖A6。用于功率預(yù)測(cè)的總輻照度序列R*按式（11）進(jìn)行計(jì)算。

式（11）中公共氣象服務(wù)預(yù)報(bào)的廣義天氣類型cWTF對(duì)應(yīng)的總輻照度序列RcWTF按照式（12）進(jìn)行計(jì)算。

5 算例分析

以我國(guó)某裝機(jī)容量為20 MW 的光伏電站2018年6 月1 日至2019 年5 月31 日的實(shí)測(cè)數(shù)據(jù)和相關(guān)氣象預(yù)報(bào)數(shù)據(jù)為樣本。NWP 數(shù)據(jù)來源于德國(guó)天氣在線數(shù)值預(yù)報(bào)數(shù)據(jù)中心，該中心基于WRF（Weather Research and Forecasting）模式對(duì)全球預(yù)報(bào)系統(tǒng)GFS（Global Forecast System）背景場(chǎng)數(shù)據(jù)進(jìn)行計(jì)算模擬；公共氣象服務(wù)天氣類型預(yù)報(bào)數(shù)據(jù)來源于中國(guó)天氣網(wǎng)。以2018年6月1日至2019年4月30日的樣本作為訓(xùn)練樣本，2019 年5 月1 日至2019 年5 月31 日的樣本作為測(cè)試樣本，對(duì)本文所建立的光伏功率短期預(yù)測(cè)模型進(jìn)行驗(yàn)證。根據(jù)測(cè)試樣本所在季節(jié)的日出日落時(shí)間，選取06:30—18:30 時(shí)段的功率作為功率預(yù)測(cè)的對(duì)象。另外，根據(jù)2017—2019 年的公共氣象服務(wù)天氣類型預(yù)報(bào)數(shù)據(jù)建立和驗(yàn)證廣義天氣類型轉(zhuǎn)移概率計(jì)算模型。

5.1 光伏電站歷史數(shù)據(jù)分類

提取日功率序列特征并采用SOM 神經(jīng)網(wǎng)絡(luò)聚類算法進(jìn)行逐步分類，由戴維森堡丁指數(shù)DBI［19］（Davies Bouldin Index）確定分類數(shù)N，DBI 越小，分類效果越好。不同分類數(shù)N對(duì)應(yīng)的DBI變化見圖3。

理論上，廣義天氣類型種類越多，分類模型越精細(xì)，但預(yù)測(cè)模型的復(fù)雜度越高。由圖3可知，當(dāng)N=4時(shí)，DBI 出現(xiàn)明顯拐點(diǎn)，因此本文將歷史數(shù)據(jù)劃分為4 種廣義天氣類型。通過比較聚類中心發(fā)現(xiàn)：廣義天氣類型1和2的日功率幅值較大，但廣義天氣類型1的日功率波動(dòng)性較小，廣義天氣類型2的日功率波動(dòng)性較大；廣義天氣類型3和4的日功率都呈現(xiàn)出一定的波動(dòng)性，但廣義天氣類型4的日功率幅值更低。

樣本時(shí)間范圍內(nèi)光伏電站所在地區(qū)公共氣象服務(wù)天氣類型預(yù)報(bào)包括晴、多云、陰、小雨、中雨、大雨、暴雨、陣雨、雷陣雨、霧、霾、揚(yáng)沙、小雪、大雪、雨夾雪共15 種天氣類型。將這15 種天氣類型按照晴朗度排序，并與本文劃分的4 種廣義天氣類型進(jìn)行匹配，匹配結(jié)果及各天氣類型占比見表2。

由表2 可以看出，在一定誤差范圍內(nèi)，公共氣象服務(wù)天氣類型預(yù)報(bào)與本文所劃分的4 種廣義天氣類型具有較高的匹配度，驗(yàn)證了本文提出的基于功率特征的歷史數(shù)據(jù)分類方法的有效性。

在總輻照度等級(jí)劃分上，針對(duì)難以細(xì)化的廣義天氣類型1和2，由于風(fēng)速、濕度等其他因素的影響，總輻照度呈現(xiàn)出不同的水平。針對(duì)包含多種精細(xì)天氣狀態(tài)的廣義天氣類型3和4，不同的精細(xì)天氣狀態(tài)對(duì)應(yīng)不同的總輻照度水平，兼顧典型性和代表性，本文將各廣義天氣類型總輻照度劃分為10%、30%、50%、70%、90%這5個(gè)分位數(shù)序列，共4個(gè)等級(jí)。各廣義天氣類型總輻照度等級(jí)及分位數(shù)界見表3。

此外，位于10%分位數(shù)序列以下和90%分位數(shù)序列之上的總輻照度序列出現(xiàn)的概率較低，分別將其歸為等級(jí)4 和等級(jí)1。廣義天氣類型1 所有樣本總輻照度散點(diǎn)圖及等級(jí)劃分如圖4 所示。其他廣義天氣類型所有樣本總輻照度散點(diǎn)圖及等級(jí)劃分見附錄D 圖D1—D3。圖5 為廣義天氣類型3 總輻照度等級(jí)及其對(duì)應(yīng)的精細(xì)天氣狀態(tài)示意圖，圖中陰、霧、揚(yáng)沙、霾4 種天氣類型分別對(duì)應(yīng)總輻照度等級(jí)1—4。另外，經(jīng)統(tǒng)計(jì)驗(yàn)證可知：廣義天氣類型4 中小雨、陣雨、雷陣雨天氣下的輻照度水平較高，屬于等級(jí)1；中雨、大雨天氣下的輻照度水平屬于等級(jí)2；暴雨、小雪天氣下的輻照度水平屬于等級(jí)3；大雪、雨夾雪天氣下的輻照度水平屬于等級(jí)4。

圖4 廣義天氣類型1總輻照度散點(diǎn)圖及等級(jí)劃分Fig.4 Scatter diagram and classification of total irradiance for Generalized Weather Type 1

圖5 廣義天氣類型3總輻照度等級(jí)及精細(xì)天氣狀態(tài)Fig.5 Total irradiance levels and fine weather condition for Generalized Weather Type 3

5.2 廣義天氣類型轉(zhuǎn)移概率有效性評(píng)估

為確定基于TAN 的廣義天氣類型轉(zhuǎn)移概率模型的最適條件屬性數(shù)，考慮到與預(yù)測(cè)日間隔天數(shù)越多，天氣狀態(tài)間的相關(guān)性越弱，本文分別以預(yù)測(cè)日前1—6 d 作為預(yù)測(cè)日轉(zhuǎn)移概率計(jì)算的屬性變量，并通過轉(zhuǎn)移概率有效率Ie評(píng)估不同屬性變量數(shù)下的轉(zhuǎn)移概率有效性。

由于光伏電站歷史數(shù)據(jù)時(shí)間范圍較小，不適用于建立和驗(yàn)證廣義天氣類型轉(zhuǎn)移概率計(jì)算模型，且雖然較長(zhǎng)時(shí)間范圍內(nèi)公共氣象服務(wù)預(yù)報(bào)的廣義天氣類型存在一定誤差，但當(dāng)樣本集足夠大時(shí)，以公共氣象服務(wù)預(yù)報(bào)結(jié)果建立的廣義天氣類型轉(zhuǎn)移概率模型與以實(shí)際廣義天氣類型建立的轉(zhuǎn)移概率模型趨于一致，因此本文以2017 年1 月1 日至2019 年4 月30 日公共氣象服務(wù)預(yù)報(bào)的廣義天氣類型作為訓(xùn)練樣本，2019 年5 月1 日 至2019 年12 月31 日 公 共 氣 象 服 務(wù)預(yù)報(bào)的廣義天氣類型作為測(cè)試樣本，分別建立不同屬性變量數(shù)的轉(zhuǎn)移概率計(jì)算模型，對(duì)應(yīng)的轉(zhuǎn)移概率有效率如表4所示。

表4 不同屬性變量數(shù)下的轉(zhuǎn)移概率有效率Table 4 Transfer probability efficiency under different numbers of attribute variables

由表4 可知：僅用預(yù)測(cè)日前1 d 的廣義天氣類型作為屬性變量計(jì)算預(yù)測(cè)日廣義天氣類型轉(zhuǎn)移概率具有較大的偶然性，轉(zhuǎn)移概率有效率較低；當(dāng)用預(yù)測(cè)日前3 d的廣義天氣類型作為屬性變量時(shí)，既保證了預(yù)測(cè)日前3 d 的廣義天氣類型與預(yù)測(cè)日廣義天氣類型具有較強(qiáng)的相關(guān)性，又避免了屬性變量較少時(shí)轉(zhuǎn)移概率偶然性較大造成轉(zhuǎn)移概率有效率較低的問題；當(dāng)屬性變量繼續(xù)增加時(shí)，距離預(yù)測(cè)日時(shí)間較長(zhǎng)的屬性變量的廣義天氣類型與預(yù)測(cè)日廣義天氣類型的相關(guān)性較小，對(duì)預(yù)測(cè)日廣義天氣類型的判定造成干擾，導(dǎo)致轉(zhuǎn)移概率有效率降低。因此，本文選擇預(yù)測(cè)日前3 d 的廣義天氣類型作為預(yù)測(cè)日廣義天氣類型轉(zhuǎn)移概率計(jì)算的屬性變量。

5.3 功率預(yù)測(cè)結(jié)果分析

本文將總輻照度、溫度、濕度、風(fēng)速作為GA-BP神經(jīng)網(wǎng)絡(luò)的輸入變量，功率作為輸出變量，使用五折交叉驗(yàn)證進(jìn)行模型參數(shù)尋優(yōu)，將訓(xùn)練樣本平均劃分為5 個(gè)互斥子集，其中4 個(gè)子集作為訓(xùn)練集，另外1個(gè)子集作為驗(yàn)證集，每組模型參數(shù)循環(huán)驗(yàn)證5 次，將5 次預(yù)測(cè)結(jié)果的平均誤差作為最終誤差，選取誤差較小時(shí)的模型參數(shù)作為最終GA-BP 預(yù)測(cè)模型參數(shù)。模型參數(shù)見附錄D表D1。

本文選取平均絕對(duì)誤差MAE（Mean Absolute Error）和均方根誤差RMSE（Root Mean Square Error）［20］作為光伏電站功率預(yù)測(cè)誤差的評(píng)價(jià)指標(biāo)。

在測(cè)試集中根據(jù)NWP 廣義天氣類型和公共氣象服務(wù)預(yù)報(bào)的廣義天氣類型對(duì)總輻照度進(jìn)行修正，共分為附錄D 表D2 所示的7 種情況。表中：“一步修正”表示修正系統(tǒng)誤差，“兩步修正”表示修正系統(tǒng)誤差后進(jìn)一步按照轉(zhuǎn)移概率進(jìn)行修正；僅情況5—7需要計(jì)算廣義天氣類型的轉(zhuǎn)移概率和總輻照度等級(jí)，進(jìn)行兩步修正；情況1—4中NWP 廣義天氣類型與公共氣象服務(wù)預(yù)報(bào)的廣義天氣類型相同，只需根據(jù)對(duì)應(yīng)的廣義天氣類型修正總輻照度系統(tǒng)誤差；每種情況分別選取1 d 作為典型日。圖6 為廣義天氣類型1 典型日總輻照度修正及功率預(yù)測(cè)結(jié)果，其他廣義天氣類型典型日總輻照度修正及功率預(yù)測(cè)結(jié)果見附錄D 圖D4—D6。表5 為不同廣義天氣類型下的功率預(yù)測(cè)誤差。

圖6 廣義天氣類型1總輻照度修正及功率預(yù)測(cè)結(jié)果Fig.6 Total irradiance correction and power forecasting results for Generalized Weather Type 1

由表5 可以看出，所有廣義天氣類型下以NWP修正系統(tǒng)誤差后的總輻照度作為功率預(yù)測(cè)的數(shù)據(jù)源，預(yù)測(cè)準(zhǔn)確度大幅提升，驗(yàn)證了本文所提的NWP總輻照度系統(tǒng)誤差計(jì)算方法的有效性。

表5 不同廣義天氣類型下的功率預(yù)測(cè)誤差Table 5 Power forecasting errors under different generalized weather types

情況5—7 中NWP 劃分的廣義天氣類型與公共氣象服務(wù)預(yù)報(bào)的廣義天氣類型不同，需要在修正系統(tǒng)誤差的基礎(chǔ)上進(jìn)一步依據(jù)預(yù)測(cè)日不同廣義天氣類型的轉(zhuǎn)移概率修正NWP 總輻照度值。圖7 為情況5對(duì)應(yīng)的總輻照度修正及功率預(yù)測(cè)結(jié)果。情況6 和情況7 對(duì)應(yīng)的總輻照度修正及功率預(yù)測(cè)結(jié)果分別見附錄D圖D7和圖D8。

圖7 2019年5月5日總輻照度修正及功率預(yù)測(cè)結(jié)果Fig.7 Total irradiance correction and power forecasting results on May 5，2019

針對(duì)情況7 對(duì)應(yīng)的2019 年5 月4 日進(jìn)行分析說明。該日NWP 廣義天氣類型為廣義天氣類型4，公共氣象服務(wù)預(yù)報(bào)的廣義天氣類型為廣義天氣類型2。按照廣義天氣類型4 修正總輻照度系統(tǒng)誤差后得到的功率預(yù)測(cè)結(jié)果與實(shí)測(cè)功率相差較大，這是由NWP 廣義天氣類型預(yù)報(bào)錯(cuò)誤，對(duì)總輻照度修正過度導(dǎo)致的。通過廣義天氣類型2與4之間的折算系數(shù)和2 種廣義天氣類型轉(zhuǎn)移概率計(jì)算融合2 種氣象預(yù)報(bào)進(jìn)行修正后的總輻照度序列，拉升了按廣義天氣類型4 進(jìn)行系統(tǒng)誤差修正后的總輻照度曲線，按該總輻照度曲線得到的功率預(yù)測(cè)結(jié)果與實(shí)測(cè)功率的誤差相比僅進(jìn)行系統(tǒng)誤差修正大幅減小。附錄D 表D3為情況5—7典型日預(yù)測(cè)誤差。由表可知，當(dāng)預(yù)測(cè)日NWP劃分的廣義天氣類型與公共氣象服務(wù)預(yù)報(bào)的廣義天氣類型不一致時(shí)，按照本文提出的兩步修正方法修正NWP 總輻照度，并將其作為預(yù)測(cè)模型的輸入源，得到的預(yù)測(cè)結(jié)果誤差更小，驗(yàn)證了本文所提出的依據(jù)轉(zhuǎn)移概率對(duì)總輻照度進(jìn)行進(jìn)一步修正的有效性。

在測(cè)試集31 d 中：NWP 廣義天氣類型與公共氣象服務(wù)預(yù)報(bào)的廣義天氣類型一致的共有17 d，對(duì)于該類預(yù)測(cè)日的NWP 總輻照度，只需修正系統(tǒng)誤差；NWP 廣義天氣類型與公共氣象服務(wù)預(yù)報(bào)的廣義天氣類型不一致的共有14 d，對(duì)于該類預(yù)測(cè)日的NWP總輻照度，在修正系統(tǒng)誤差之后，以各廣義天氣類型的轉(zhuǎn)移概率為權(quán)重計(jì)算修正后的總輻照度。附錄D表D4為測(cè)試集平均誤差統(tǒng)計(jì)表。由表可知，從長(zhǎng)時(shí)間范圍看：NWP 總輻照度修正系統(tǒng)誤差后比修正前預(yù)測(cè)結(jié)果的MAE 減小了6.48 %，RMSE 減小了6.19%；NWP 總輻照度兩步修正后比修正前預(yù)測(cè)結(jié)果的MAE 減小了7.65%，RMSE 減小了7.66%；本文提出的NWP 總輻照度兩步修正算法比僅修正NWP總輻照度系統(tǒng)誤差預(yù)測(cè)結(jié)果的MAE 減小了1.17%，RMSE 減小了1.47%。測(cè)試集31 d 預(yù)測(cè)結(jié)果的月RMSE 為9.91%，完全滿足我國(guó)現(xiàn)行標(biāo)準(zhǔn)NB／T 32011—2013《光伏發(fā)電站功率預(yù)測(cè)系統(tǒng)技術(shù)要求》中規(guī)定的短期預(yù)測(cè)月RMSE小于15%的要求。

因此，本文提出的結(jié)合公共氣象服務(wù)天氣類型預(yù)報(bào)分步修正NWP 總輻照度可以顯著提高功率預(yù)測(cè)的準(zhǔn)確度，并有較高的工程應(yīng)用價(jià)值。

6 結(jié)論

本文基于NWP和公共氣象服務(wù)天氣類型預(yù)報(bào)2種氣象預(yù)報(bào)數(shù)據(jù)源，建立總輻照度修正的光伏功率短期預(yù)測(cè)模型，該模型由光伏電站歷史數(shù)據(jù)分類模型、NWP 廣義天氣類型分類模型、廣義天氣類型轉(zhuǎn)移概率計(jì)算模型、NWP 總輻照度修正模型和GA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型組成。從測(cè)試集31 d 的預(yù)測(cè)結(jié)果來看，相較于傳統(tǒng)以未處理的NWP 數(shù)據(jù)和僅修正NWP 系統(tǒng)誤差后的數(shù)據(jù)進(jìn)行功率預(yù)測(cè)的方法，本文所建立的預(yù)測(cè)模型MAE 分別減小了7.65% 和1.17%，RMSE分別減小了7.66%和1.47%，且月RMSE為9.91%，滿足我國(guó)現(xiàn)行標(biāo)準(zhǔn)的要求，驗(yàn)證了所建立的光伏功率短期預(yù)測(cè)模型的有效性，為使用NWP 進(jìn)行功率預(yù)測(cè)提供了一種新思路。

本文建立的總輻照度修正模型以d 為單位，以修正后的總輻照度預(yù)測(cè)光伏功率，在一定程度上提高了功率預(yù)測(cè)的精度。但在長(zhǎng)時(shí)間尺度上總輻照度修正標(biāo)準(zhǔn)單一，未來可將研究重點(diǎn)轉(zhuǎn)向?qū)㈩A(yù)測(cè)日全天劃分為不同時(shí)段分別進(jìn)行修正，以進(jìn)一步提升預(yù)測(cè)精度。

附錄見本刊網(wǎng)絡(luò)版（http：//www.epae.cn）。