摘 要：【目的】通過光伏發(fā)電功率短期預測技術可實時掌握光伏發(fā)電的輸出功率，有助于電網(wǎng)調(diào)度部門統(tǒng)籌安排常規(guī)電源和光伏發(fā)電，合理調(diào)整調(diào)度計劃，能有效減輕光伏發(fā)電系統(tǒng)接入對電網(wǎng)產(chǎn)生的不利影響，保證電網(wǎng)安全穩(wěn)定運行。【方法】提取光伏發(fā)電功率的影響因子，分析太陽輻照度、溫度、氣象因子對光伏發(fā)電功率的影響，避免短期預測出現(xiàn)失誤?；诖髷?shù)據(jù)技術構建光伏發(fā)電功率短期預測模型，利用長短期記憶神經(jīng)網(wǎng)絡來提取光伏發(fā)電功率短期特征，確保功率預測的準確性。生成光伏發(fā)電功率短期非平穩(wěn)預測序列，并捕捉光伏發(fā)電功率的時間序列特征，及時更新校正發(fā)電功率預測結果，從而得到精準的預測結果?！窘Y果】設計方法的功率預測波動與實際波動一致，預測值與實際值之間偏差較小，能適應后續(xù)功率調(diào)度、運行需求?！窘Y論】研究成果為制定合理的調(diào)度計劃奠定重要基礎，減少資源浪費，對提高電站經(jīng)濟效益具有重要的促進作用。

關鍵詞：大數(shù)據(jù)技術；光伏電站；發(fā)電功率；短期；預測方法

中圖分類號：TM615" " "文獻標志碼：A" " 文章編號：1003-5168（2024）24-0004-04

DOI：10.19968/j.cnki.hnkj.1003-5168.2024.24.001

Research on Short-Term Prediction of Photovoltaic Power Generation Capacity Based on Big Data Technology

Abstract：[Purposes] Through the short-term prediction technology of photovoltaic power generation， the output power of photovoltaic power generation can be grasped in real time， which helps the power grid dispatch department to coordinate the coordination between conventional power sources and photovoltaic power generation， adjust the dispatch plan reasonably， effectively reduce the adverse impact of photovoltaic power generation system access on the power grid， and ensure the safe and stable operation of the power grid. [Methods] By extracting the influencing factors of photovoltaic power generation， this paper analyzes the impact of solar irradiance， temperature， and meteorological factors on photovoltaic power generation to avoid the problem of short-term prediction errors. This paper builds a short-term prediction model for photovoltaic power generation based on big data technology，and utilizes long short-term memory neural networks to extract short-term features of photovoltaic power generation to ensure the accuracy of power prediction. And then， this paper generates a short-term non-stationary prediction sequence for photovoltaic power generation， captures the time series characteristics of photovoltaic power generation， and updates sand correct the prediction results in a timely manner to obtain accurate prediction results. [Findings] The power prediction fluctuation of the design method is consistent with the actual fluctuation， and the deviation between the predicted value and the actual value is small， which can adapt to the subsequent power scheduling and operation requirements. [Conclusions] This study can lay an important foundation for formulating reasonable scheduling plans， reduce resource waste， and play an important role in improving the economic benefits of power plants.

Keywords： big data technology; photovoltaic power station; power generation capacity; short-term; prediction methods

0 引言

光伏電站通過太陽電池板將太陽能轉化為電能，完成相應的電力供應任務。光伏發(fā)電作為綠色能源項目，能減少煤炭資源的使用，保護環(huán)境，實現(xiàn)能源轉型。在單位時間內(nèi)，光伏發(fā)電產(chǎn)生的電能就是發(fā)電功率，是影響發(fā)電效率的關鍵指標。光伏電池組件的功率越高，發(fā)電量就越高。然而，在實際應用過程中，光伏發(fā)電可能受太陽輻射照度、溫度、天氣條件等的影響，導致發(fā)電功率出現(xiàn)波動，影響電力供應與調(diào)度。針對該問題，已研發(fā)出多種短期預測方法。

其中，基于廣義天氣分類的光伏發(fā)電功率短期預測方法確定了光伏出力與各氣象因子間的關系，并分析氣象影響因子對光伏發(fā)電功率的影響［1］。根據(jù)不同天氣條件下光伏出力的不確定性，采用輻照度衰減指數(shù)K的廣義天氣類型劃分方法對天氣類型進行劃分，從而提高短期預測的準確性。但是，該方法要用到大量的歷史發(fā)電數(shù)據(jù)與天氣數(shù)據(jù)，在數(shù)據(jù)處理與獲取方面存在難度，影響預測的準確性?；赩MD-FE-CNN-BiLSTM的光伏發(fā)電功率短期預測方法利用VMD將原始光伏序列數(shù)據(jù)分解成多個子序列，減少隨機波動分量［2］。通過FE對每個子序列進行重組，能更好地提取特征，并將CNN輸出的特征融合后輸入到BiLSTM模型中，最終得到光伏發(fā)電功率的預測結果。但該方法結構相對復雜，參數(shù)的數(shù)量較多，增加實際運行成本。因此，本研究結合大數(shù)據(jù)技術，設計出光伏發(fā)電功率短期預測方法。

1 光伏發(fā)電功率大數(shù)據(jù)短期預測方法設計

1.1 光伏發(fā)電功率的影響因子提取

在電力系統(tǒng)中，光伏發(fā)電功率能調(diào)節(jié)電力負荷，發(fā)電出力與電力負荷之間的互補性能提高電力系統(tǒng)的運行效率［3］。在光伏發(fā)電過程中，太陽輻照強度、云層覆蓋與天氣狀況、系統(tǒng)配置與匹配等因素是影響發(fā)電的關鍵因素。分析太陽輻照度、溫度、氣象因子對光伏發(fā)電功率的影響，能避免出現(xiàn)短期預測失誤［4］。在光伏電站運行過程中，光伏電池每單位面積的發(fā)電量表示見式（1）。

氣象特征向量分量表示見式（2）。

式中：[Fi]為第[i]個氣象特征向量；[εi（k）]為預測日語歷史日氣象特征分量的關聯(lián)系數(shù)。將[p（t）]、[Fi]作為輸入變量，通過大數(shù)據(jù)技術分析與訓練，能提高短期預測的準確性。

1.2 基于大數(shù)據(jù)技術的光伏發(fā)電功率短期預測模構建型

在提取完影響因子后，本研究利用長短期記憶神經(jīng)網(wǎng)絡來提取光伏發(fā)電功率短期特征，確保功率預測的準確性。利用大數(shù)據(jù)技術中的長短記憶遞歸神經(jīng)網(wǎng)絡模型，將[p（t）]、[Fi]等變量信息作為輸入條件，映射各個變量間的序列化關系［6］。通過上一時間步輸入序列，使遞歸神經(jīng)網(wǎng)絡具有記憶特性。在光伏發(fā)電功率上輸入多個變量信息作為神經(jīng)元，前向、后向訓練的過程就是發(fā)電功率預測的過程。由此構建的光伏發(fā)電功率短期預測模型見式（3）、式（4）。

式中：[a]為光伏發(fā)電功率短期預測模型的表達式；[wih]、[wjh]分別為神經(jīng)元[i]、[j]在隱含層[h]的預測權重；[δ]為激活函數(shù)；[?（a）]為模型預測的發(fā)電轉換效率；[K]為變量數(shù)量；[k]為隱含層殘差；[H]為隱含層變量數(shù)量；[I]為輸入層變量數(shù)量。

大數(shù)據(jù)技術能實時采集光伏電站的運行數(shù)據(jù)和氣象數(shù)據(jù)，確保預測模型能及時獲取最新的信息［7］。將[p（t）]、[Fi]考慮在內(nèi)，預測光伏發(fā)電功率變化趨勢，能使電力調(diào)度部門更加合理地安排電力資源的配置和調(diào)度計劃，為電力系統(tǒng)提供穩(wěn)定的電力。

1.3 光伏發(fā)電功率短期預測實現(xiàn)

光伏發(fā)電功率受多種因素影響，使其呈現(xiàn)出非平穩(wěn)特性。通過大數(shù)據(jù)技術來生成短期非平穩(wěn)預測序列，能捕捉光伏發(fā)電功率的時間序列特征，并及時更新校正發(fā)電功率預測結果，從而滿足短期預測精度需求［8］。非平穩(wěn)序列表示見式（5）、式（6）。

[x（t）=I（a）+H（a）+K（a）]" " " " " （5）

[d（t）=x（t）-m（t）]" " " " " " "（6）

式中：[x（t）]為發(fā)電功率短期預測的原始序列；[I（a）]為輸入層預測序列；[H（a）]為隱含層預測序列；[K（a）]為變量預測序列；[d（t）]為發(fā)電功率短期預測的非平穩(wěn)序列；[m（t）]為上包絡、下包絡的均值。

在光伏電站運行過程中，將每日、每小時、每分鐘的功率數(shù)據(jù)輸入到[a]中，并用[d（t）]來代替[a]中的[p（t）]，得到更加準確的功率預測值，真正意義上提高電力系統(tǒng)的穩(wěn)定性。

2 實驗

為了驗證本研究設計的方法是否滿足光伏發(fā)電功率短期預測需求，對上述方法進行實驗分析，并對基于廣義天氣分類的預測方法、基于VMD-FE-CNN-BiLSTM的預測方法及本研究設計的基于大數(shù)據(jù)技術的預測方法進行對比。

2.1 實驗過程

先用大量數(shù)據(jù)來訓練短期預測模型，并判斷模型的預測精度。將氣溫、氣壓、濕度、降水、云量、風速、風向等天氣因素考慮在內(nèi)，并作為預測模型的輸入條件。實驗數(shù)據(jù)見表1。

由表1可知，以太陽輻射強度、溫度、濕度、風速、風向等作為變量條件，設定每15 min采樣一次，1 h內(nèi)采樣4次，并取平均值作為實驗數(shù)據(jù)，確保短期預測的準確性。

2.2 實驗結果

在上述實驗條件下，本研究選取了0～1 800 h內(nèi)的數(shù)據(jù)，預測該段時間內(nèi)的發(fā)電功率。將該段時間內(nèi)的發(fā)電功率實際值與預測值進行對比，二者偏差越小，說明短期預測的準確性越高。在其他條件均已知的情況下，基于廣義天氣分類的預測方法、基于VMD-FE-CNN-BiLSTM的預測方法及本研究設計的基于大數(shù)據(jù)技術的預測方法的實驗結果如圖1所示。

由圖1可知，基于廣義天氣分類預測方法的功率預測波動較大，無法針對預測值作出后續(xù)決策。同時，其預測值與實際值之間存在較大的差異，對發(fā)電、供電的判斷產(chǎn)生影響，增加電力調(diào)度成本?；赩MD-FE-CNN-BiLSTM預測方法的功率預測波動與實際波動保持一致，但預測值與實際值之間存在一定的偏差，影響功率預測與后續(xù)使用，亟待進一步加強?；诖髷?shù)據(jù)技術預測方法的功率預測波動與實際波動一致，預測值與實際值之間的偏差較小，能適應后續(xù)功率調(diào)度、運行需求，符合研究目的。

3 結語

近年來，能源的開發(fā)、利用逐漸成為社會關注的焦點，如何深入實施能源轉型成為亟待解決的問題。太陽能作為新型能源之一，在能源利用方面得到快速發(fā)展。然而，光伏發(fā)電受輻射強度、溫度、云層遮擋等因素的影響，發(fā)電功率存在不確定性，影響電力系統(tǒng)的調(diào)度運行。因此，本研究基于大數(shù)據(jù)技術，設計出光伏發(fā)電功率短期預測方法，從影響因子、預測模型、預測序列等方面分析發(fā)電功率在短時間段內(nèi)的不確定性，顯著提高了預測的準確性，為太陽能資源的發(fā)展與利用提供了數(shù)據(jù)支撐。

參考文獻：

［1］袁俊球，王迪，謝小鋒，等.基于廣義天氣分類的ICEEMDAN-LSTM網(wǎng)絡光伏發(fā)電功率短期預測［J］.綜合智慧能源，2024，46（9）：53-60.

［2］姜建國，楊效巖，畢洪波.基于VMD-FE-CNN-BiLSTM的短期光伏發(fā)電功率預測［J］.太陽能學報，2024，45（7）：462-473.

［3］王紅徐，嚴新軍，夏慶成，等.基于OVMD-KPCA-RTH-GRU的短期光伏發(fā)電功率預測［J］.水力發(fā)電，2024，50（9）：98-103.

［4］黃莉，甘恒玉，劉興舉，等.基于Transformer編碼器的超短期光伏發(fā)電功率預測［J］.智慧電力，2024，52（5）：16-22，59.

［5］焦丕華，蔡旭，王樂樂，等.考慮數(shù)據(jù)分解和進化捕食策略的BiLSTM短期光伏發(fā)電功率預測［J］.太陽能學報，2024，45（2）：435-442.

［6］龍小慧，秦際赟，張青雷，等.基于相似日聚類及模態(tài)分解的短期光伏發(fā)電功率組合預測研究［J］.電網(wǎng)技術，2024，48（7）：2948-2957.

［7］余向前，李政.基于LMD-EE-ESN在誤差修正下的光伏發(fā)電功率短期預測［J］.Journal of Measurement Science and Instrumentation ， 2024，15（3）：360-368.

［8］徐恒山，莫汝喬，薛飛，等.基于時間戳特征提取和CatBoost-LSTM模型的光伏短期發(fā)電功率預測［J］.太陽能學報，2024，45（5）：565-575.