收稿日期：2022-10-13

基金項目：中央高校基本科研業(yè)務費專項資金（2021MS089）

通信作者：黃 宇（1982—），男，博士、副教授，主要從事多類異質(zhì)綜合能源系統(tǒng)分析與優(yōu)化方面的研究。huangyufish@163.com

DOI：10.19912/j.0254-0096.tynxb.2022-1542 文章編號：0254-0096（2024）02-0443-08

摘 要：為了提高模型預測性能，提出一種綜合太陽輻射模型及深度學習的光伏功率預測模型。首先，利用太陽輻射機理建立太陽輻射模型（SRM），估算出水平面上總輻射值，再由斜面輻照度轉(zhuǎn)換方法計算出光伏組件所接收的斜面輻射值。其次，通過皮爾遜相關分析法篩選出對光伏功率影響較大的主要因素，將斜面輻射計算值及主要影響因素作為輸入，采用卷積神經(jīng)網(wǎng)絡（CNN）和長短期記憶網(wǎng)絡（LSTM）建立光伏功率SRM-CNN-LSTM預測模型。分別利用春夏秋冬四季典型日的數(shù)據(jù)開展對比實驗，結(jié)果表明：與幾種其他方法相比，該文方法具有更好的預測效果。

關鍵詞：光伏發(fā)電；預測；太陽輻射；神經(jīng)網(wǎng)絡；卷積神經(jīng)網(wǎng)絡；長短期記憶網(wǎng)絡

中圖分類號：TM615 """""" 文獻標志碼：A

0 引 言

近年來，全球不可再生能源匱乏問題嚴重［1］，使得各國對清潔能源發(fā)電的需求比以往任何時候都更加緊迫。截至2022年6月底，中國光伏發(fā)電并網(wǎng)裝機容量達3.4億kW，多年來領先于世界各國。精準地預測光伏功率，不僅可為光伏電站并網(wǎng)運行及能量管理運行提供依據(jù)，也為及時發(fā)現(xiàn)設備異常、排除故障提供參考。因此，準確地預測光伏功率對電網(wǎng)的未來規(guī)劃和穩(wěn)定安全的運行具有重要意義［2-3］。然而，影響光伏功率的關鍵因子太陽輻照度受氣候、地勢等影響，具有明顯的波動性和間歇性［4］，因此給光伏功率預測帶來一定困難。

世界各國眾多專家和學者針對光伏功率預測問題進行了深入研究，主要可分為物理方法、統(tǒng)計方法［5］、人工智能方法。物理方法一般是利用量測數(shù)據(jù)及詳細電站的地理信息來計算光伏功率。文獻［6］基于氣象數(shù)據(jù)、遙感數(shù)據(jù)等，改進復雜地形地表接收太陽輻照度的算法，為復雜地形太陽能的合理利用提供新的方法。文獻［7］根據(jù)數(shù)值天氣預報（numerical weather prediction，NWP），提出新的輻照度斜面轉(zhuǎn)換方法。以上文獻雖能在一定程度上提升預測精度，但太陽光在穿過大氣層時，受氣候條件影響，使得地表所接收的輻照度是變化的，且光伏電站所處地理環(huán)境復雜，會出現(xiàn)不同程度的樹蔭遮蔽、積灰等現(xiàn)象，使光電轉(zhuǎn)換效率不斷發(fā)生變化。因此，僅通過物理建模來計算光伏功率，抗干擾能力一般，魯棒性不強。統(tǒng)計方法是依據(jù)歷史數(shù)據(jù)，通過曲線擬合、參數(shù)估計等方法建立模型［8］，能提高模型的魯棒性。隨著人工智能的發(fā)展，多種神經(jīng)網(wǎng)絡方法應用于時間序列預測［9］，利用神經(jīng)網(wǎng)絡模型可從歷史數(shù)據(jù)中挖掘更深層次的特征，以獲得更準確的預測結(jié)果。目前，深度學習已被開發(fā)并應用在多個領域［10］。文獻［11］提出一種新的自適應噪聲完備集合經(jīng)驗模態(tài)分解（complete ensemble empirical mode decomposition with adaptive noise，CEEMDAN）、卷積神經(jīng)網(wǎng)絡（convolutional neural networks， CNN）、長短期記憶網(wǎng)絡（long short-term memory， LSTM）組合的小時輻照度預測模型，研究4個不同氣候類型下太陽輻照度的預測精度。文獻［12］針對光伏序列具有高復雜性而預測精度較低的問題，提出考慮誤差補償?shù)淖兎帜B(tài)分解（variational mode decomposition， VMD）和LSTM相結(jié)合的混合模型，實驗結(jié)果表明光伏功率預測精度達97%。文獻［13］利用遷移學習對缺少歷史數(shù)據(jù)的系統(tǒng)進行補充，并根據(jù)LSTM網(wǎng)絡建立數(shù)字孿生模型來預測光伏功率，所提方法解決了數(shù)據(jù)不足問題，并得出準確的預測結(jié)果。以上文獻綜合各種智能算法及預測方法的優(yōu)勢，可有效地從不同程度提升光伏功率的預測準確度，避免了單一預測方法的缺陷。

針對太陽輻射量計算本身存在一定程度的誤差、光伏電站所處天氣和地理環(huán)境復雜多變等問題，本文提出將輻射機理建模與深度學習相結(jié)合的預測方法，兩者的組合預測不僅可提高光伏功率的預測精度，且能避免單獨使用物理建模而造成魯棒性差、精度有限等問題，可有效提高光伏功率預測精度。

1 太陽輻射機理建模

太陽輻照度是光伏功率預測的主要影響因素。利用物理方法計算的太陽輻射值雖然不需要大量的歷史數(shù)據(jù)，但需要詳細的地理信息來求出太陽輻射理論值。一般來說，日輻照度越大，光伏組件接收的能量越多，光伏功率值越高。因此，太陽輻射與氣候、時段以及光伏電站詳細地理位置有著直接的關系。根據(jù)大氣相關物理知識，利用物理方法結(jié)合光伏電站的時段、經(jīng)緯度以及海拔等信息來建立太陽輻射模型，從而計算出水平面太陽總輻射值。

1.1 水平面上太陽總輻射

研究表明全球近50年來日照時數(shù)、降雨、溫度等氣候要素發(fā)生了變化［14］，從地外到地表接收的太陽輻射也在不斷變化。地面所接收的太陽總輻射[SG]主要由直接輻射[Sdir]、散射輻射[Sdif]、反射輻射[Sref]共同構(gòu)成，由于反射輻射[Sref]會在一些特殊條件下才會產(chǎn)生，因此忽略不計。公式為：

[SG=Sdir+Sdif]"""" （1）

在理想天氣情況下，可通過直接輻射透射率[τdir]、散射輻射透射率[τdif]以及天頂角來計算水平面上的輻射值，即：

[Sdir=S0τdircoszSdif=S0τdifcoszS0=Spod2m]"""""" （2）

式中：[S0]——大氣上界面輻照度，與日地距離有關；[Spo]——太陽常數(shù)，[Spo=1367" W/m2]；[dm]——日地訂正因數(shù)。

直接輻射透射率[τdir]為：

[τdir=0.56e-0.56Mh+e-0.095Mh]"""""" （3）

式中：[Mh]—— 一定高程下的大氣質(zhì)量。

散射輻射透射率[τdif]為：

[τdif=0.271-0.294τdir]"""" （4）

大氣質(zhì)量是表征大氣光學厚度的物理量。一定高程下大氣質(zhì)量[Mh]為：

[Mh=M0×php0]""" （5）

[M0=1229+（614sinβ）212-614sinβ]"" （6）

[php0=288-0.0065hdem2885.256]"""""" （7）

式中：[M0]——海平面上的大氣質(zhì)量；[php0]——氣壓修正系數(shù)；[β]——太陽高度角，rad；[hdem]——某點的高程，km。

1.2 日地關系相關物理量計算

太陽位置由時角和赤緯角兩個坐標確定，所以太陽總輻射需要天頂角、高度角及太陽赤緯角等物理量來計算得出。

1）天頂角[z]和方位角[α]

當太陽落在天頂時，天頂角為0，這時地球表面所接收的太陽輻射量最多。

天頂角z為：

[cosz=sin?sinδ+cos?cosδcos[15（t-t0）]]" （8）

方位角[α]為：

[cosα=（sinδ-sin?cosz）/cos?cosz]""" （9）

式中：[?]——地理緯度；[δ]——赤緯角，rad；[t]——當?shù)貥藴蕰r間； t0——太陽正午時間，h。

2）太陽赤緯角[δ]

參照Campbell等［15］提出的計算方法，即：

[sinδ=0.39785sin[278.97+0.9856J+""""""""""" 1.9165sin（356.6+0.9856J）]]""""" （10）

式中：[J]——儒略日。

3）日地距離訂正因數(shù)[dm]

[dm=dd]" （11）

式中：[d]——日地平均距離，m；[d]——太陽到地球的距離，m。

通過上述太陽輻射機理及相關計算，就可建立出太陽輻射模型（solar radiation model， SRM）。

1.3 傾斜光伏組件上的輻照度計算

通常情況下光伏組件傾斜放置，為了得到更準確的輻射值，將水平面的輻射轉(zhuǎn)換為斜面攝入的太陽輻射，使得光伏組件可吸取更多的光照。太陽入射角[θ′]一般與電站所處地理位置、光伏組件傾斜角度以及時間等因素有關，其計算公式為：

[cosθ′=coszcosγ+sinzsinγcos（α-ε）]"" （12）

式中：[γ]——光伏組件傾斜角度；[ε]——光伏組件朝向角，（ °）。

斜面輻照度轉(zhuǎn)換方法可采用Liu-Jordan模型［16］，計算公式為：

[S′=S0τdircosθ′+S0τdifcosz1+cosγ2]"""" （13）

式中：[S′]——斜面總輻照度，W/m2。

綜上，太陽光照射到大氣層上方的能量是較為穩(wěn)定的?？紤]地球自轉(zhuǎn)和公轉(zhuǎn)，通過引入儒略日、經(jīng)緯度、太陽時角及海拔高度等因子，可準確地計算出地面某一位置的總輻射，進而可得到準確的光伏功率。然而，大氣層下實際的天氣狀況是復雜多變的，在復雜天氣情況下，受大氣壓力、溫度和云層等氣象因子影響，使得地面接收太陽輻射具有較強的不穩(wěn)定性，進而影響地面的太陽輻射量，而太陽輻射與光伏功率有極強的相關性，因此這些氣象因子同樣對光伏功率的預測起著主要作用。利用收集的大量氣象數(shù)據(jù)，如大氣壓力、溫度和濕度等因子，通過神經(jīng)網(wǎng)絡進行建模，充分挖掘有效信息，以便對復雜天氣情況下計算的太陽輻照度進行修正，降低與實際相差較大的太陽輻射對神經(jīng)網(wǎng)絡模型的影響，彌補非理想天氣下所造成的光伏預測不準確的問題，從而能有效提高光伏功率預測準確度。

因此，本文提出太陽輻射模型與神經(jīng)網(wǎng)絡相結(jié)合的組合預測方法，具體原理如圖1所示。利用神經(jīng)網(wǎng)絡訓練歷史氣象數(shù)據(jù)，挖掘有效信息來預測光伏系統(tǒng)的發(fā)電功率。

2 CNN-LSTM組合預測模型原理

2.1 卷積神經(jīng)網(wǎng)絡CNN

現(xiàn)有研究表明，CNN自動進行提取特征的技術(shù)在圖像視覺領域取得了很大成功，同時在處理時間序列問題上也顯示出強大的潛力。CNN結(jié)構(gòu)如圖2所示，其主要由卷積層、池化層及全連接層3部分組成。其中，一維卷積特征提取公式可描述為：

[a（l+1）j（τ）=σblj+f=1FlKljf（τ）×a（l）f（τ）]"""" （14）

式中：[alj（τ）]——第[l]層的特征映射[j]；[σ]——激活函數(shù)ReLU；[blj]——偏置；[Fl]——第[l]層特征映射[f]上的特征映射數(shù)量；[Kljf]——對第[l]層特征映射[f]進行卷積來創(chuàng)建第[l+1]層中的特征映射[j]。

卷積完成后，再利用池化層來降低卷積層輸出的特征維度，能有效減少參數(shù)計算量，并提高魯棒性。池化過程描述為：

[Alk（i，j）=x=1fy=1fAlk（s0i+x， s0j+y）p1p]""" （15）

式中：[f]——卷積核大小[;s0]——步長；[p]——填充層數(shù)，當[p]無窮大時池化區(qū)域內(nèi)取最大值，即最大池化。

2.2 長短期記憶網(wǎng)絡LSTM

RNN神經(jīng)網(wǎng)絡在處理很長的時序時會出現(xiàn)“梯度消失”現(xiàn)象。針對這一問題，學者們對RNN網(wǎng)絡進行改進，提出LSTM，結(jié)構(gòu)如圖3所示。其不僅能很好地緩解RNN在訓練時由于反向傳播所帶來的這一問題，還能有效處理序列長期依賴關系問題，因此是一個很好的選擇。

LSTM網(wǎng)絡主要包含輸入門、輸出門和遺忘門，其中遺忘門決定是否保留有用信息，輸入門將確定何種信息存放在記憶單元中，輸出門則決定下一個隱藏狀態(tài)。計算過程為：

[it=σWixxt+Wimmt-1+Wicct-1+bift=σWfxxt+Wfmmt-1+Wfcct-1+bfct=ft?ct-1+it?g（Wcxxt+Wcmmt-1+bc）ot=σWoxxt+Wommt-1+Wocct-1+b0mt=ot?by]" （16）

式中：[it]——輸入門；[W]——權(quán)重矩陣；[xt]——當前時間步[t]的輸入數(shù)據(jù)；[ct、][mt]——細胞狀態(tài)與記憶塊的激活載體；[b]——偏置項；[ft]——遺忘門。

2.3 SRM-CNN-LSTM模型預測流程

由于原始歷史數(shù)據(jù)具有高維度、信息繁多且復雜的特點，各氣象因素信息隱藏在數(shù)據(jù)的復雜關聯(lián)中，而CNN-LSTM模型主要是通過CNN網(wǎng)絡來獲取特征，提取輸入數(shù)據(jù)并與LSTM網(wǎng)絡相連接。具體來說，通過CNN進行特征提取后，能降低模型復雜度，即降低維度，然后將降維后有時間關系的數(shù)據(jù)輸入到LSTM網(wǎng)絡里，不斷挖掘時序中的長期依賴關系，進而實現(xiàn)功率的準確預測。因此，根據(jù)CNN-LSTM模型的優(yōu)勢來進行下一步預測。

利用第1節(jié)所述的太陽輻射機理構(gòu)成的太陽輻射模型（SRM），通過斜面轉(zhuǎn)換方法估算出光伏組件所接收的太陽輻射值（solar_rad），然后結(jié)合CNN-LSTM網(wǎng)絡，提出SRM-CNN-LSTM組合預測模型，流程如圖4所示。

SRM-CNN-LSTM組合預測模型的具體流程如下：

1）將原始數(shù)據(jù)里缺失的值進行填補，調(diào)整數(shù)據(jù)采樣間隔，從而完成數(shù)據(jù)預處理。

2）由太陽輻射模型（SRM）、經(jīng)斜面轉(zhuǎn)換后得到的太陽輻照度數(shù)據(jù)導入處理好的數(shù)據(jù)集中。

3）將數(shù)據(jù)集進行歸一化，并把影響光伏功率的主要特征作為輸入，光伏功率作為輸出。

4）將處理后的數(shù)據(jù)集分為訓練集、測試集。

5）初始化模型參數(shù)，將訓練集放到SRM-CNN-LSTM模型中去訓練，再用測試集進行測試，滿足要求停止。

2.4 評價指標

為更好地評價模型的性能，采用平均絕對誤差（mean absolute error，MAE，[NMAE]）與均方根誤差（root mean square error，RMSE，[NRMSE]）對所提方法進行評估。公式分別為：

[NMAE=1Ni=1Nyi-yi]" （17）

[NRMSE=1Ni=1N（yi-yi）2]"" （18）

式中：[N]——樣本總數(shù)；[i=1，2，3，…，N;][yi]——預測值；[yi]——真實值。

3 實驗與仿真

以澳大利亞某光伏電站為例，光伏組件傾角為20°，裝機容量為5.5 kW，由澳大利亞DKASC提供2012年11月—2017年12月的公開數(shù)據(jù)，對所提光伏功率預測方法進行檢驗。原始數(shù)據(jù)集主要包括溫度、濕度、降雨量、水平面總輻照度（global horizontal irradiance，GHI）等氣象因素以及實際光伏功率等，將數(shù)據(jù)劃分為春、夏、秋、冬4個季節(jié)。數(shù)據(jù)采樣時間間隔為5 min，運行環(huán)境為Python3.7。

3.1 太陽輻射模型估算結(jié)果分析

通過第1節(jié)所述的太陽輻射機理，建立太陽輻射模型，最終估算出水平面上的太陽輻照度，與原始數(shù)據(jù)水平面總輻照度對比，以驗證太陽輻射模型的準確度。如圖5所示，數(shù)據(jù)取2014年近半年的水平面總輻照度真實值，經(jīng)數(shù)據(jù)處理，時間間隔為1 h，并與太陽輻射模型估算值進行對比。為了更直觀地反映真實值與估算值的誤差，圖6分別取3日晴天與陰雨天的數(shù)據(jù)，利用評價指標[NMAE、NRMSE]分析水平面總輻照度真實值與估算值的誤差情況。

澳大利亞位于南半球，季節(jié)和北半球相反，結(jié)合氣象情況顯示，澳大利亞的春季是9—11月份，夏季是12—2月份，秋季是3—5月份，冬季是6—8月份。圖5為2014年春、夏季近半年的對比結(jié)果，可看到水平面總輻照度的增長趨勢，到夏季達到峰值，由太陽輻射模型計算得到的輻射值與真實值存在一定的誤差，但基本趨勢一致。從圖6可看出，晴天時，水平面總輻照度真實值與計算值最接近，擬合效果最好，但陰雨天天氣變化頻繁，不確定性因素較多，太陽光在穿透大氣層時受溫度、氣壓及云層等氣象條件影響，導致地面接收到的太陽輻射值低且不穩(wěn)定，所以陰雨天時水平面總輻照度的估算值與真實值誤差較大。具體評價模型的誤差情況如表1所示。

由表1可知，天氣類型不同，對模型的影響也不同。晴天時，水平面總輻照度估算值能很好地跟蹤真實值的變化，[NMAE、][NRMSE]經(jīng)正則化計算的誤差百分比分別為14.23%、21.25%，準確度較高。相較于晴天，陰雨天時的誤差更大，可見晴天時太陽輻射模型最為準確。

估算出水平面太陽輻照度后，通過斜面轉(zhuǎn)換方法，得到傾斜光伏組件上所接收到的太陽輻射值，再通過神經(jīng)網(wǎng)絡建立組合模型對陰雨天氣輻射值進行修正，以提高光伏功率預測能力。

為了更好地驗證SRM-CNN-LSTM組合預測模型的有效性，分別建立SRM-LSTM與CNN-LSTM模型進行對比。通過NMAE、NRMSE來評估四季的光伏功率誤差指標情況，并對預測結(jié)果進行分析。

3.2 光伏功率影響因素分析

由于考慮過多的非關鍵影響因素會使模型訓練難度增強，因此通過Pearson相關性分析出影響光伏功率的主要因素，公式為：

[R（x，l）=cov（x，l）cov（x，x）?cov（l，l）] （19）

式中：[x]——待分析因素；[l]——光伏功率時間序列。

由圖7可知，在多影響因素下，相關系數(shù)較低的是風向和降雨因素，而水平輻射對光伏功率的影響是最大的，系數(shù)高達0.910，然后依次是溫度、濕度，最后是風速。因此，本文選擇相關性較高的溫度、濕度、風速以及水平輻射作為影響功率的主要因素。

3.3 各預測模型方法分季節(jié)比較

原始數(shù)據(jù)經(jīng)過數(shù)據(jù)清洗后，將樣本集劃分并通過歸一化處理，設置預測模型主要參數(shù)。為了更好地與其他預測模型進行比較，各模型都設置相同的主要參數(shù)，其中batch size設置為200，學習率為0.0012，采用Rmsprop優(yōu)化器，激活函數(shù)默認為RelU，以保證模型的公平性和實驗的準確性。

為了驗證所提方法SRM-CNN-LSTM的精準性，取春分、夏至、秋分、冬至典型日的前4日做對比，時間間隔1 h，結(jié)果如圖8所示。

3.4 各預測方法結(jié)果分析

由圖8可直觀得出，CNN-LSTM模型的預測精度最低，SRM-LSTM模型次之。由于云層、污染氣體以及降雨等氣象條件的影響，使得傾斜光伏組件接收的太陽輻射量不穩(wěn)定，因此與其他典型季節(jié)比較，夏至這4天的預測效果不佳。

另外，雖然CNN-LSTM、SRM-LSTM模型均在一定程度上提高了光伏功率預測精度，但SRM-CNN-LSTM模型相較于CNN-LSTM、SRM-LSTM模型的預測精度是最準的，且預測值均能較好地跟蹤實際值的變化趨勢。表2采用平均絕對誤差[NMAE]與均方根誤差[NRMSE]指標來評估四季典型日前4天的光伏功率誤差情況。由表2可知，組合預測方法SRM-CNN-LSTM模型在春分、夏至、秋分、冬至均展現(xiàn)出良好的預測精度，與CNN-LSTM、SRM-LSTM方法相比，預測效果最佳。

由于夏至（12月19—22日）受氣象因素影響，氣候波動不穩(wěn)定，因此預測誤差較大。[NMAE、NRMSE]經(jīng)正則化后可知，本文所提方法在秋分時節(jié)中的誤差百分比是最小的，所以預測精度最高。即與CNN-LSTM方法的結(jié)果相比，SRM-CNN-LSTM預測模型[NMAE、][NRMSE]的誤差比分別降低13.9%、18.7%；與SRM-LSTM方法的結(jié)果相比，[NMAE、][NRMSE]的誤差比分別降低8.2%、11.1%。

根據(jù)四季典型日[NMAE、][NRMSE]的平均值可知，該方法與CNN-LSTM方法的結(jié)果相比，預測精度分別提高15.20%和21.78%，與SRM-LSTM方法的結(jié)果相比，預測精度分別提高6.55%和9.23%。

4 結(jié) 論

本文提出的物理模型與神經(jīng)網(wǎng)絡相結(jié)合的混合預測方法可有效提升功率預測水平，并以澳大利亞Alice Springs城鎮(zhèn)公開的歷史數(shù)據(jù)進行了實驗分析，得出以下主要結(jié)論：

1）利用太陽輻射機理構(gòu)建出的太陽輻射模型，在天氣晴朗時，原始水平輻射值與計算值的誤差最小，[NMAE、NRMSE]誤差百分比分別為14.23%、21.25%。由近半年的誤差情況可知，太陽輻射模型的準確度較高。

2）本文提出的SRM-CNN-LSTM模型將太陽輻射模型與神經(jīng)網(wǎng)絡模型相結(jié)合，提高了光伏功率的預測精度。由四季典型日[NMAE、NRMSE]的平均值可知，與CNN-LSTM方法的結(jié)果相比，SRM-CNN-LSTM模型分別提高了15.20%和21.78%；與SRM-LSTM方法的結(jié)果相比，分別提高了6.55%和9.23%。

［參考文獻］

［1］"""" 王開艷， 杜浩東， 賈嶸， 等. 基于相似日聚類和QR-CNN-BiLSTM模型的光伏功率短期區(qū)間概率預測［J］. 高電壓技術(shù)， 2022， 48（11）： 4372-4388.

WANG K Y， DU H D， JIA R， et al. Short-term interval probability prediction of photovoltaic power based on similar daily clustering and QR-CNN-BiLSTM model［J］. High voltage engineering， 2022， 48（11）： 4372-4388.

［2］"""" 張雲(yún)欽， 程起澤， 蔣文杰， 等. 基于EMD-PCA-LSTM的光伏功率預測模型［J］. 太陽能學報， 2021， 42（9）： 62-69.

ZHANG Y Q， CHENG Q Z， JIANG W J， et al. Photovoltaic power prediction model based on EMD-PCA-LSTM ［J］. Acta energiae solaris sinica， 2021， 42（9）： 62-69.

［3］"""" 吉鋅格， 李慧， 葉林， 等. 基于波動特性挖掘的短期光伏功率預測［J］. 太陽能學報， 2022， 43（5）： 146-155.

JI X G， LI H， YE L， et al. Short-term photovoltaic power forecasting based on fluctuation characteristics mining［J］. Acta energiae solaris sinica， 2022， 43（5）： 146-155.

［4］"""" HUANG X Q， LI Q， TAI Y H， et al. Hybrid deep neural model for hourly solar irradiance forecasting［J］. Renewable energy， 2021， 171： 1041-1060.

［5］"""" DAS U K， TEY K S， SEYEDMAHMOUDIAN M， et al. Forecasting of photovoltaic power generation and model optimization： a review［J］. Renewable and sustainable energy reviews， 2018， 81： 912-928.

［6］ 劉興冉， 張宏曄， 閆海明， 等. 區(qū)域復雜地形晴日太陽輻射估算研究［J］. 太陽能學報， 2022， 43（8）： 174-180.

LIU X R， ZHANG H Y， YAN H M， et al. Estimation of regional solar radiation on clear days over complex terrian［J］. Acta energiae solaris sinica， 2022， 43（8）： 174-180.

［7］"""" 姜文玲， 趙艷青， 王勃， 等. 基于NWP輻照度斜面轉(zhuǎn)換的光伏功率預測方法［J］. 山東大學學報（工學版）， 2021， 51（5）： 114-121.

JIANG W L， ZHAO Y Q， WANG B， et al. Photovoltaic power prediction method based on NWP irradiance inclination conversion［J］. Journal of Shandong University （engineering science）， 2021， 51（5）： 114-121.

［8］"""" 王俊杰， 畢利， 張凱， 等. 基于多特征融合和XGBoost-LightGBM-ConvLSTM的短期光伏發(fā)電量預測［J］. 太陽能學報， 2023， 44（7）： 168-174.

WANG"" J"" J，"" BI"" L，"" ZHANG"" K，"" et"" al." Short-term photovoltaic power generation prediction based on multi-feature"" fusion"" and"" XGBoost-LightGBM-ConvLSTM［J］. Acta energiae solaris sinica， 2023， 44（7）： 168-174.

［9］"""" 馮裕祺， 李輝， 李利娟， 等. 基于CNN-GRU的光伏電站電壓軌跡預測［J］. 中國電力， 2022， 55（7）： 163-171.

FENG Y Q， LI H， LI L J， et al. Voltage trajectory prediction of photovoltaic power station based on CNN-GRU［J］. Electric power， 2022， 55（7）： 163-171.

［10］""" YOUSSEF A， EL-TELBANY M， ZEKRY A. The role of artificial intelligence in photo-voltaic systems design and control： a review［J］. Renewable and sustainable energy reviews， 2017， 78： 72-79.

［11］""" GAO B X， HUANG X Q， SHI J S， et al. Hourly forecasting of solar irradiance based on CEEMDAN and multi-strategy CNN-LSTM neural networks［J］. Renewable energy， 2020， 162： 1665-1683.

［12］""" 王福忠， 王帥峰， 張麗. 基于VMD-LSTM與誤差補償?shù)墓夥l(fā)電超短期功率預測［J］. 太陽能學報， 2022， 43（8）： 96-103.

WANG F Z， WANG S F， ZHANG L. Ultra short term power prediction of photovoltaic power generation based on VMD-LSTM and error compensation［J］. Acta energiae solaris sinica， 2022， 43（8）： 96-103.

［13］""" 史凱鈺， 張東霞， 韓肖清， 等. 基于LSTM與遷移學習的光伏發(fā)電功率預測數(shù)字孿生模型［J］. 電網(wǎng)技術(shù)， 2022， 46（4）： 1363-1372.

SHI K Y， ZHANG D X， HAN X Q， et al. Digital twin model of photovoltaic power generation prediction based on LSTM and transfer learning［J］. Power system technology， 2022， 46（4）： 1363-1372.

［14］""" 于瑛， 賈曉宇， 陳笑. 基于氣候突變年的太陽輻射模型統(tǒng)計時長選取方法［J］. 哈爾濱工業(yè)大學學報， 2021， 53（1）： 193-200.

YU Y， JIA X Y， CHEN X. Selection method of statistical duration in solar radiation model based on climate abrupt change year［J］. Journal of Harbin Institute of Technology， 2021， 53（1）： 193-200.

［15］""" CAMPBELL G S， NORMAN J M. An introduction to environmental biophysics［J］. Biologia plantarum， 1979， 21（2）： 104.

［16］""" LIU B Y H， JORDAN R C. The interrelationship and characteristic distribution of direct， diffuse and total solar radiation［J］. Solar energy， 1960， 4（3）： 1-19.

PHOTOVOLTAIC POWER PREDICTION METHOD COMBINATING

SOLAR RADIATION CALCULATION AND CNN-LSTM

Wang Dongfeng，Liu Jing，Huang Yu，Shi Botao，Jin Mingyue

（Department of Automation， North China Electric Power University， Baoding 071003， China）

Abstract：Precise photovoltaic power forecast is helpful for grid dispatching and secure operation. To enhance the forecast performance of the model， a PV prediction model combining the solar radiation model and deep learning is suggested. Firstly， the solar radiation model （SRM） is built using the solar radiation mechanism to estimate the total radiation value on the horizontal plane. Then the inclined plane radiation value received by the inclined photovoltaic panel is calculated by the inclined plane irradiance conversion method. Secondly， Pearson correlation analysis is devoted to screen out the primary factors influencing greatly photovoltaic power. Finally， the calculated value of inclined plane radiation and the major influencing factors are taken as input and derived from convolutional neural network （CNN） and long short-term memory（LSTM） network to build the PV power SRM-CNN-LSTM prediction model. Comparative experiments are carried out with the data from typical spring， summer， autumn， and winter days. The results show that the suggested method has better forecast effect compared with several other methods.

Keywords：photovoltaic power； forecasting； solar radiation； neural network； convolutional neural network； long short-term memory network