摘 要：短期光伏發(fā)電功率的預測精度與天氣類型緊密相關，云層的無規(guī)則運動導致光伏發(fā)電功率波動。因此該文通過監(jiān)測不同天氣類型下云層的運動形態(tài)提高預測精度。首先，基于NWP因子將天氣劃分為5種類型，并通過變分模態(tài)分解將光伏發(fā)電功率分為平滑過程與波動過程數(shù)據(jù)。其次，采用云層灰度值判斷云層厚度，由加速魯棒特征（SURF）監(jiān)測得到云層特征點，跟蹤特征點的移動得到云層的運動速度和方向。然后，提出波動特征參數(shù)，結合云層運動狀態(tài)分析波動形態(tài)，從而將云層運動狀態(tài)與波動形態(tài)相關聯(lián)實現(xiàn)“云層分型”。最后，針對平滑數(shù)據(jù)和波動過程的數(shù)據(jù)特征，結合機器學習算法自身的適應性條件，提出基于CNN-LSTM的組合預測算法。該算法實現(xiàn)了基于NWP相關因子，以光伏功率歷史平滑數(shù)據(jù)和歷史波動數(shù)據(jù)為輸入、以光伏功率預測值為輸出的預測方法，顯著提高了光伏發(fā)電功率的預測精度。

關鍵詞：光伏發(fā)電；NWP；組合預測；變分模態(tài)分解；波動特征SUBF云層監(jiān)測；CNN-LSTM

中圖分類號：TK514" " " " " " " " " " " " " " " " 文獻標志碼：A

0 引 言

光伏發(fā)電的不確定性、間歇性、高滲透率等諸多因素給電網(wǎng)的安全穩(wěn)定運行帶來極大困難。導致電網(wǎng)電壓、電流和頻率發(fā)生強烈波動的原因與光伏大規(guī)模并網(wǎng)息息相關，同時也給電網(wǎng)電能質量造成影響［1-2］。研究更精確的光伏預測方法已勢在必行。

受外界環(huán)境因素的影響，傳統(tǒng)的光伏發(fā)電預測模型的建立過程較復雜，且預測精度不夠準確。越來越多的學者更加青睞采用數(shù)據(jù)統(tǒng)計的方式建立光伏發(fā)電功率的預測模型，常用方法有支持向量機［3］、極限學習機［4］、人工神經(jīng)網(wǎng)絡（artificial neural network，ANN）［5］、馬爾科夫鏈［6］等方法。卷積神經(jīng)網(wǎng)絡（convolutional neural network，CNN）和長短期記憶網(wǎng)絡（long short-term memory，LSTM）［7］廣泛運用在復雜的時間序列預測領域中，在提高光伏發(fā)電預測的精度上取得了重大突破。文獻［8］通過人工神經(jīng)網(wǎng)絡，深入研究太陽輻射對光伏發(fā)電預測的影響；文獻［9］將深度學習模型應用到光伏功率預測中；文獻［10］使用循環(huán)神經(jīng)網(wǎng)絡探究晴天與陰天天氣下光伏發(fā)電功率的預測精度；文獻［11］將卷積神經(jīng)網(wǎng)絡應用到光伏發(fā)電功率的預測上，驗證其預測精度優(yōu)于反向傳播神經(jīng)網(wǎng)絡。

然而，通過數(shù)據(jù)統(tǒng)計的方式建立的光伏發(fā)電預測模型受算法原理的制約，難以對不同天氣類型下光伏發(fā)電功率的趨勢以及云團運動導致的功率波動做出精準預測。為研究光伏發(fā)電功率與云團運動之間的關系，文獻［12］采用神經(jīng)網(wǎng)絡模型來預測大氣輻射數(shù)據(jù)和輻照度；文獻［13］中拍攝云圖來自多個地點，采用支持向量機來檢測這些云圖的運動狀態(tài)；文獻［14］研究了時間和季節(jié)與天空云圖之間的相關關系，采用模式分類法和粒子群優(yōu)化權值法來計算云團的運動速度；文獻［15］采用聚類分析的方法來處理從天空圖像中提取的數(shù)據(jù)，但無法對輻照度的突變進行預警，致使輻照度的突變嚴重降低了預測的精度；文獻［16］基于天空云圖提出云圖特征聯(lián)想和長短期記憶網(wǎng)絡結合的預測模型，該預測模型使光伏發(fā)電的預測精度大大提高，但該方法缺少將云團信息同數(shù)據(jù)類型相互對照，從而導致部分數(shù)據(jù)類型的預測精度降低。因此，把光伏功率中的波動功率提取出來與云團運動結合就尤為關鍵。變分模態(tài)分解（variational mode decomposition，VMD）［17］不僅具有強大的自適應能力還具有防止模態(tài)混疊的能力，光伏信號功率分解常采用該方法［18］。文獻［19］通過VMD劃分光伏功率的波動數(shù)據(jù)并結合不同天氣類型建立預測模型；文獻［20］采用變分模態(tài)分解將光伏功率輸出分解成不同的頻率分量后分別預測所得到的預測精度有顯著提高。

基于上述分析，本文提出一種基于波動特征提取下云層分型的光伏出力預測方法。通過監(jiān)測不同天氣類型下光伏電站上空的云層形態(tài)結合波動特征參數(shù)，建立CNN-LSTM網(wǎng)絡實現(xiàn)波動過程的預測。結合平滑過程的預測結果，完成光伏發(fā)電功率的短期功率預測。

1 云層分型下的數(shù)據(jù)處理

天氣類型不同，光伏發(fā)電功率就存在差異，光伏電站上空云層的運動狀態(tài)也存在差異。且不同的云層運動狀態(tài)使光伏發(fā)電功率呈現(xiàn)出不同的波動形態(tài)，嚴重影響光伏發(fā)電功率的預測精度。為此，本文首先通過歷史天氣數(shù)據(jù)將光伏發(fā)電功率數(shù)據(jù)劃分為晴天、多云、陰天、陣雨、全雨5種類型，然后通過變分模態(tài)分解將光伏功率劃分為平滑過程與波動過程數(shù)據(jù)。

1.1 基于NWP的天氣分類模型

太陽輻照度主要與光伏的出力有關，不同天氣類型會導致太陽輻照在光伏發(fā)電單元上的時間不同，進一步導致光伏波動特征的不同。本文以天氣預報的短期預報標準作為參考，選取數(shù)值天氣預報（numerical weather prediction ， NWP）中的云量[C]、大尺度降水[P1]、對流降水[Ps]作為天氣分型因素，記為天氣分型向量[V=[C，P1，Ps]]?？紤]到光伏電站只有在白天才能輸出發(fā)電功率，夜間無功率輸出，所以本文以日平均云量和日平均降水時長將天氣劃分為晴天模型、多云模型、陰天模型以及全雨模型和陣雨模型。天氣分型因子的預處理以氣象劃分標準為準。

1.1.1 天氣分型因子

本文定義天氣分型向量中各因子在一天內(nèi)的均值為天氣分型因子日均值[vs，t]，即：

[vs，t=t=1ndvs，tnd，]" [s=1，2，3，4，5][" ] （1）

式中：[vs，t]——[t]時刻第[s]個天氣分型因子的值；[nd]——預報間隔為15 min時一天內(nèi)白天的數(shù)量點。

1.1.2 降水時間

本文定義大尺度降水時間點數(shù)量[P1]和對流降水時間點數(shù)量[Ps]的最大值為降水時間[tp]，即：

[tp=max（tP1，tPs）]

[tP1=Count（t）， P1（t）gt;0， t=1，2，…，ndtPs=Count（t）， Ps（t）gt;0， t=1，2，…，nd] （2）

式中：[Count（t）]——統(tǒng)計元素數(shù)量的計數(shù)函數(shù)；[tP1]——大尺度降水的時間點數(shù)量，當大尺度降水量[P1（t）gt;0]時統(tǒng)計；[tPs]——對流降水的時間點數(shù)量，當對流降水量[Ps（t）gt;0]時統(tǒng)計；[tp]——降水時間，取[tP1]和[tPs]的最大值。

根據(jù)上述劃分的各種天氣模型，基于NWP的天氣分型方式如表1所示。

表1中，[C]為日平均云量，[c1]為劃分日平均云量在晴天和多云模型的閾值參數(shù)，[c2]為劃分日平均云量在多云與陰天模型的閾值參數(shù)，[t1]為劃分日平均降水時長在全雨和陣雨模型的閾值參數(shù)。以氣象學原理和天氣預報的國家標準作為參考標準，取[c1=0.3， c2=0.7， t1=4]。當[C∈[0， c1]]且[tp=0]時，將當日天氣類型劃分到晴天模型中，同理可將多云、陰天、陣雨及全雨等天氣類型劃分到各自對應的模型中。

1.2 基于VMD分解光伏功率

本文劃分天氣類型的方法是以氣象因素與功率波動為基礎，劃分為5種不同天氣類型的光伏功率預測模型，為更好地反映不同天氣類型下光伏出力波動特征與NWP數(shù)據(jù)之間的關系，本文基于VMD將光伏功率數(shù)據(jù)分解為晴空平滑數(shù)據(jù)和波動數(shù)據(jù)。詳細步驟如下：

1）初始化光伏功率序列各模式分量[u（1）k]、各模式中心頻率[ω（1）k]、拉格朗日乘數(shù)[λ（1）]。

2）更新[u（1）k]和[ω（1）k]，即：

[u（n+1）k（ω）=g（ω）-i≠ku（n）i（ω）+λ（n）（ω）21+2α（ω-ω（n）k）2] （3）

[ω（n+1）k=0∞ωu（n+1）k（ω）2dω0∞u（n+1）k（ω）2dω] （4）

式中：[g（ω）]——光伏功率原始信號；[α]——二次懲罰因子；[ω]——泛指變量；[ωk]——對應的特指變量。

3）更新拉格朗日乘數(shù)[λ]，即：

[λ（n+1）（ω）=λn（ω）+τg（ω）-ku（n+1）k（ω）] （5）

4）對于給定的判別式精度[egt;0]，若[ku（n+1）k-u（k）n22u（n）k22lt;e]則迭代停止，否則返回步驟1）。

根據(jù)步驟1）～4）得到[M]個模式函數(shù)，第[m]個固有模式函數(shù)記[IMFm（m=1，2，…，M）]。為獲取低頻信號以表示平滑過程，需確定合適的模態(tài)數(shù)量[M]。每個[m]值都有一個固有模式函數(shù)與之對應，對這些固有模式函數(shù)進行快速傅里葉變換，確定其中心頻率[ωm]。

穿透是指信號離散時，相鄰的采樣值具有不同的代數(shù)符號。本文將穿透次數(shù)與信號長度的比例定義為穿透率[T]，用來劃分含波動數(shù)據(jù)固有模式函數(shù)。即：

[T=nzeroNs] （6）

式中：[nzero]——發(fā)生穿透數(shù)據(jù)的數(shù)量；[Ns]——序列中數(shù)據(jù)的總數(shù)。疊加不同中心頻率下的[IMFm]，得到光伏功率的波動部分與平滑部分。

分析各天氣類型下的波動數(shù)據(jù)形態(tài)，結合該形態(tài)對應的云層運動狀態(tài)，計算波動數(shù)據(jù)的波動特征參數(shù)。通過對波動特征參數(shù)進行分類，實現(xiàn)云層分型。

2 基于波動特征提取下的云層分型

2.1 結合云團運動類型定義波動特征參數(shù)

光伏發(fā)電功率的波動是造成光伏發(fā)電存在不確定性的主要原因［21-22］。為提高光伏發(fā)電預測的準確度，本文深度挖掘波動數(shù)據(jù)的規(guī)律，找到影響光伏發(fā)電波動的主要因素，并將形態(tài)各異的波動數(shù)據(jù)進行分類，使光伏發(fā)電功率波動數(shù)據(jù)預測的準確性大大提高。為此，本文定義了3種波動特征參數(shù)，即移動平均線、標準差、峰值比來分析波動數(shù)據(jù)的形態(tài)，以反映不同形態(tài)下光伏發(fā)電功率的波動特征。將劃分波動形態(tài)的時間窗口設定為60 min，將相鄰波動數(shù)據(jù)的時間設為15 min。

2.1.1 移動平均線

通過移動平均線可判斷時序數(shù)據(jù)的趨勢形態(tài)，通常以移動平均線的拐點來判斷時序數(shù)據(jù)的上升/下降趨勢［23］。將其運用到光伏發(fā)電功率的波動數(shù)據(jù)上，反映光伏發(fā)電功率波動的走勢。

本文將移動平均線定義為第一種波動特征參數(shù)[R（1）]，用來判斷光伏發(fā)電功率波動數(shù)據(jù)的上升/下降趨勢，即：

[R（1）=1kBik] （7）

式中：[k]——時間窗口內(nèi)的時間節(jié)點數(shù)量；[Bi]——該窗口內(nèi)第[i]時刻的波動值。

移動平均線[R（1）]反映光伏發(fā)電功率波動數(shù)據(jù)的走勢，當波動數(shù)據(jù)的移動平均線走勢平緩，即斜率較低時，此時波動數(shù)據(jù)較小或為0，對應此刻光伏電站上空的云層情況為無云或云團穩(wěn)定連續(xù)；當光伏發(fā)電功率波動數(shù)據(jù)的移動平均線走勢強勁，即斜率較高且呈現(xiàn)正值，此時波動數(shù)據(jù)呈增大趨勢，對應此刻光伏電站上空的云層情況為云團將離或云層變薄；當光伏發(fā)電功率波動數(shù)據(jù)的移動平均線走勢很弱，即斜率較高且呈現(xiàn)負值，此時波動數(shù)據(jù)呈減小趨勢，對應此刻光伏電站上空的云層情況為云團將至或云層變厚。

2.1.2 標準差

光伏功率波動數(shù)據(jù)的標準差可作為反映光伏發(fā)電功率在一個時間窗口內(nèi)的波動程度的參數(shù)之一。本文將標準差定義為第二種波動特征參數(shù)[R（2）]，用來判斷光伏功率波動數(shù)據(jù)的波動程度，即：

[R（2）=1ki=1k（Bi-B）12] （8）

式中：[B]——該窗口的波動均值。

2.1.3 峰值比

時間窗口內(nèi)極值點的數(shù)量也可反映該時間窗口內(nèi)光伏發(fā)電功率的波動程度。但時間窗口不同，其中所包含的時間點數(shù)量也不同，單純討論時間窗口中極值點的數(shù)量也就失去了意義。

本文定義時間窗口內(nèi)極值點數(shù)量與時間點數(shù)量的比值即峰值比，作為第3種波動特征參數(shù)[R（3）]，用來判斷光伏發(fā)電功率是否發(fā)生了尖峰波動，即：

[R（3）=Njk] （9）

式中：[R（3）]——光伏發(fā)電功率波動數(shù)據(jù)的峰值比；[Nj]——統(tǒng)計該時間窗口內(nèi)的極值點數(shù)量。

時間窗口內(nèi)極值點的類型分為極大值點與極小值點。本文光伏電站日功率序列極值點的判別方法采用前向差分與后向差分，如式（10）和式（11）所示。光伏電站日功率序列的極值通過極大值與極小值的判別式進行判斷，如式（12）和式（13）所示。

前向差分：

[Bi，Bi+1，…，Bi+k=Bi+1，Bi+2，…，Bi+k-Bi，Bi+1，…，Bi+k-1（i+k）-i] （10）

后向差分：

[Bi，Bi+1，…，Bi-k=Bi，Bi+1，…，Bi-k+1-Bi-1，Bi，…，Bi-ki-（i-k）] （11）

式中：[.]——差分運算。

極大值判別式：

[Bi，Bi+1·Bi-1，Bilt;0Bi，Bi+1lt;0] （12）

極小值判別式：

[Bi，Bi+1·Bi-1，Bilt;0Bi，Bi+1gt;0] （13）

式中：當[i]點[Bi]的前向差分與后向差分的乘積為負值，且[Bi]的前向差分為負值時，判斷該點為極大值點；當[i]點[Bi]的前向差分與后向差分的乘積為負值，且[Bi]的前向差分為正值時，判斷該點為極小值點。

標準差[R（2）]與峰值比[R（3）]反映了光伏發(fā)電功率的波動程度以及尖峰波動情況，結合光伏電站上空的云層形態(tài)進行分析，標準差與峰值比可反映云層的復雜程度與連續(xù)程度。標準差越大，云層復雜程度越高；標準差越小，云層復雜程度越低。峰值比越高，云層的連續(xù)性越低；峰值比越低，云層的連續(xù)性越強。

通過光伏發(fā)電功率的波動數(shù)據(jù)形態(tài)以及所提取的波動特征參數(shù)，對光伏功率的波動數(shù)據(jù)進行分類。初步實現(xiàn)了云層分型中的數(shù)據(jù)分類，還需對光伏電站上空的云層圖像進行分類，以實現(xiàn)云層分型。

2.2 基于GSI-SURF的云團運動形態(tài)監(jiān)測模型

為實現(xiàn)云層分型，本文對云層中云團的運動形態(tài)進行監(jiān)測。提出基于灰度圖結合加速魯棒特征（gray scale image-speed up robust features， GSI-SURF）的云團運動形態(tài)監(jiān)測模型，用來監(jiān)測云團的厚度以及云團的位移形態(tài)。結合不同云團的厚度與運動軌跡，實現(xiàn)光伏電站上空的云層分型。

2.2.1 基于云圖灰度值的云團厚度監(jiān)測模型

云團厚度嚴重影響了太陽的穿透情況，在地基云圖中，云團的厚度不同會導致云團對應像素灰度值不同。為提高識別及提取云團的精確度，本文通過灰度圖中灰度值存在差異這一特點，結合云層圖像篩選出薄厚云層的灰度邊界值來區(qū)分云層厚薄。具體步驟如下：

1）將光伏電站上空的云層圖像轉換為灰度圖。

2）計算各像素點的灰度值，找到晴空區(qū)域的灰度值，并對厚云團和薄云團的灰度值進行分類。

3）對厚薄云團的分類結果進行統(tǒng)計，計算厚薄云層灰度值的閾值。

4）通過判斷地基云圖中灰度值的分布情況，分析該地基云圖類型方法為：

[Glt;Gsky，" 晴空Gskylt;Glt;Gthin，" 薄云層Gthinlt;Glt;Gthick，" 厚云層其他，" 塊狀云] （14）

式中：[G]——云圖全部灰度值的分布情況； [Gsky、Gthin、Gthick]——晴空、薄云層、厚云層的灰度閾值。

5）通過分析云層中晴空區(qū)域、薄云區(qū)域、厚云層區(qū)域的分布情況，判斷該時刻地基上空云層類型。

通過步驟1）～5）對光伏電站上空的云層圖像進行云團厚度監(jiān)測，得到各圖像區(qū)域的灰度值及厚薄云團的灰度閾值如圖1所示，該閾值可對厚薄云團在云層圖像中的區(qū)域進行判斷。

通過灰度閾值將云層類型分成晴天狀態(tài)、薄云狀態(tài)、厚云狀態(tài)、塊狀云狀態(tài)，各云層狀態(tài)地基云圖如圖2所示。

2.2.2 基于SURF的云團位移監(jiān)測模型

以分鐘為時間尺度的運動型云團的狀態(tài)和特征的變化微乎其微。由于云團與云團之間的相似特征與時間點的接近程度有關，因此要想實現(xiàn)云團的準確定位通?？蛇x用特征點提取算法?？焖傩砸笫枪β暑A測的基本要求，因此本文通過尺度不變特征變換（SIFT）的快速改進型算法——加速魯棒特征（SURF）算法進行特征點提?。?4-25］。而SURF進行特征點提取時最為核心的環(huán)節(jié)是Hessian矩陣的構建。

若圖像像素為[I（u，v）]，則構造的Hessian矩陣為：

[H（I（u，v））=?2I?u2?2I?u?v?2I?u?v?2I?v2] （15）

本文定義[H]矩陣的判別式為[det（H）]，即：

[det（H）=?2I?u2·?2I?v2-?2I?u?v] （16）

式中：[I]——圖像像素；[u]、[v]——該像素點在圖像中的橫坐標與縱坐標。[H]矩陣的特征值與判別式的值等價，極值點可根據(jù)該值的正負進行判定。

在構建Hessian矩陣前需對圖像進行高斯濾波，構建的[H]矩陣為：

[H（u，v，σ）=Lxx（u，v，σ）Lxy（u，v，σ）Lxy（u，v，σ）Lyy（u，v，σ）] （17）

式中：[σ]——圖像像素點的尺度；[L（u，v，σ）]——圖像的深度解析。

服從正態(tài)分布的高斯核，其系數(shù)隨中心點由內(nèi)向外越來越低，SURF采用盒式濾波器主要是為提高運算速度，構建滿足快速要求的[H]矩陣。每個像素的[H]矩陣判別式的近似值需進一步求解得到，即：

[det（H）=Lzx·Lyy-（0.9·Lzy）2] （18）

式中：[Lzx]、[Lyy]、[Lzy]——盒式濾波器與該點像素的卷積。

結合時間窗口內(nèi)各云層圖像中監(jiān)測得到的特征點。通過式（19）、式（20）計算該時間窗口內(nèi)云團的運動速度以及運動方向。

[VTn=1n（Xn-xn）2+（Yn-yn）2n·（Tn-Tn-1）] （19）

[DTn=1narctanYn-ynXn-xnn·（Tn-Tn-1）] （20）

式中：[n]——云圖在時間窗口中排序的位置；[VTn]——云團的運動速度；[DTn]——云團的運動方向；[Xn]——特征點的橫坐標；[Yn]——特征點的縱坐標。

監(jiān)測得到光伏電站上空的云團運動形態(tài)，結合波動特征參數(shù)，對各時間窗口內(nèi)光伏電站上空的云層圖像類型進行劃分。SURF特征點檢測情況如圖3所示。

2.3 云層分型的實現(xiàn)過程

本文在獲得15 min級別光伏電站上空云層圖像后，首先監(jiān)測圖像中云團的厚度和特征點，并計算云團的移動速度和方向，實現(xiàn)對云層圖像的分類。然后結合波動特征參數(shù)的物理意義對其進行組合，得到8種典型的云層形態(tài)。最后把分類出來的云層圖像與這8種云層形態(tài)進行匹配實現(xiàn)云層分型。通過云層分型劃分波動數(shù)據(jù)集的過程如圖4所示。

實現(xiàn)波動數(shù)據(jù)集劃分的步驟如下：

1）將光伏電站上空的云層圖像變換為灰度圖，結合灰度值劃分出厚薄云團的所在區(qū)域。

2）通過SUBF檢測得到不同云團的特征點，記錄不同時間節(jié)點下云團特征點在圖像中的位置，設第一張圖像上特征點的位置為初始位置。

3）通過式（18）和式（19）計算特征點移動的速度[VT2]與方向[DT2]。

4）通過速度[VT2]、方向[DT2]及厚薄云團區(qū)域判斷該時間窗口內(nèi)光伏電站上空云團的運動狀態(tài)，分析云層形態(tài)并判斷該時間窗口內(nèi)的云層類型。

5）對波動數(shù)據(jù)進行處理，計算各時間窗口內(nèi)波動數(shù)據(jù)的波動特征。

6）分析波動特征參數(shù)物理意義，通過該時間窗口內(nèi)的云層類型對波動特征參數(shù)分類。

7）通過對應波動特征參數(shù)與云層類型情況，將波動數(shù)據(jù)與云層類型實現(xiàn)對應，完成云層分型。

8種典型的云層形態(tài)與波動特征的關聯(lián)情況如表2所示，其波動特征參數(shù)大于閾值用1表示，小于閾值用0表示。如表2所示，由于晴空過程狀態(tài)與運動速度較慢的厚云層狀態(tài)不易造成光伏發(fā)電功率的波動，故將其分為一類。考慮到塊狀云的復雜程度不同造成的光伏發(fā)電功率波動程度不同，將其分成復雜程度低與復雜程度高的塊狀云。結合薄云狀態(tài)以及地基云圖中云團運動速度的快慢，將地基云圖分成8種類型。

標準差與峰值比可反映云層的復雜程度與連續(xù)程度，為研究標準差與峰值比的劃分對地基云圖分類準確性的影響，選取5種天氣類型下5個樣本日的光伏發(fā)電功率波動數(shù)據(jù)作為測試樣本計算均線值、標準差、峰值比。其中采用K-均值聚類的方式聚類均線值斜率與標準差的大小。聚類結果如圖5所示。其中在圖5a中，紅色部分表示均線值斜率小于閾值的聚類樣本，綠色部分表示均線值斜率大于閾值的聚類樣本；在圖5b中，藍色部分表示標準差小于閾值的聚類樣本，黃色部分表示標準差大于閾值的聚類樣本，圓圈表示聚類樣本的聚類中心。

由于一個時間窗口內(nèi)樣本數(shù)量為5個，最多出現(xiàn)3個極值，因此峰值比可能為0、0.2、0.4、0.6共4種情況。本節(jié)遍歷該4種峰值比，故選取0.1、0.3、0.5作為判定峰值比大小的閾值，在對均線值斜率和標準差大小聚類的基礎上實現(xiàn)波動數(shù)據(jù)與地基云圖的匹配，匹配準確率如表3所示。表3中，當峰值比閾值設置為0.1時，將時間窗口內(nèi)不出現(xiàn)極點的情況作為峰值比較小的狀態(tài)，其他情況為峰值較大的狀態(tài)；當峰值比閾值設置為0.3時，將時間窗口內(nèi)出現(xiàn)1個極點與不出現(xiàn)極點的情況作為峰值較小的狀態(tài)，出現(xiàn)2個極點及以上的情況作為峰值較大的狀態(tài)；當峰值比閾值設置為0.5時，將出現(xiàn)2個以下極點的情況作為峰值比較小的狀態(tài)，出現(xiàn)3個極點的情況作為峰值較大的狀態(tài)。通過匹配驗證當峰值比閾值設置為0.3時，地基云圖類型與波動數(shù)據(jù)的匹配程度最高，達到74.18%。通過本文提出的地基云團分類方法可實現(xiàn)光伏發(fā)電功率波動數(shù)據(jù)的分類。

3 短期光伏發(fā)電功率的預測過程

混合模型CNN-LSTM面對相對獨立的時序矩陣時，其相關特征可以利用CNN提取，CNN無法提取的特征由LSTM進行彌補［26-28］。由于NWP特征在預測光伏功率時，其特征相對獨立，因此無法準確描述特征時序間的相關性，如果將CNN與LSTM分開使用，特征時序的相關性以及變化規(guī)律則無法同時提取。

為此，本文通過光伏發(fā)電功率的歷史數(shù)據(jù)，結合云層分類模型，實現(xiàn)對光伏數(shù)據(jù)的天氣分型以及云層分型。然后將各類型的光伏發(fā)電功率進行訓練集與預測集的劃分。最后建立CNN-LSTM網(wǎng)絡，將各類型數(shù)據(jù)代入到CNN網(wǎng)絡中的Conv1D核及maxpoolingID核中，實現(xiàn)輸入數(shù)據(jù)的一維化后，將一維化的結果代入到LSTM網(wǎng)絡中進行訓練預測，并把LSTM網(wǎng)絡的輸出結果返回到全連接層，實現(xiàn)循環(huán)迭代。最終完成CNN-LSTM網(wǎng)絡的訓練，光伏發(fā)電功率的預測結果由該訓練模型給出。具體流程如圖6所示。

3.1 基于CNN-LSTM建立短期光伏發(fā)電功率預測模型

本文采用基于CNN-LSTM網(wǎng)絡建立光伏發(fā)電功率預測模型的結構如圖7所示。

具體步驟如下：

1）選取同一時期具有時序屬性的光伏電站上空的云層圖集以及集中式光伏電站歷史氣象數(shù)據(jù)和歷史功率數(shù)據(jù)。

2）通過天氣分類模型將光伏電站歷史功率數(shù)據(jù)按照天氣類型進行劃分，并結合VMD把不同天氣類型的歷史功率數(shù)據(jù)劃分為平滑數(shù)據(jù)與波動數(shù)據(jù)。

3）結合歷史氣象數(shù)據(jù)，建立各種預測場景下光伏發(fā)電功率的輸入特征向量。

4）構建CNN，將輸入特征向量代入到CNN網(wǎng)絡，通過卷積層、Same層、RELU層對輸入向量進行權重初始化后，通過最大池化層對輸入特征向量進行一維化，實現(xiàn)特征參數(shù)的提取。

5）將CNN網(wǎng)絡輸出的一維特征參數(shù)代入到LSTM網(wǎng)絡中訓練預測，得到各預測場景下波動功率與平滑功率的預測值。

6）按時間序列對平滑數(shù)據(jù)與波動數(shù)據(jù)的預測值進行加和，得到最終的預測結果。

3.2 光伏發(fā)電功率預測的評價指標

本文建立誤差評價指標，該指標為平均絕對百分誤差（MAPE）和均方根誤差（RMSE），以相對誤差與絕對誤差兩方面來表現(xiàn)預測的準確率。本文分別定義這兩種評價標準為[eMAPE]與[eRMSE]，即：

[eMAPE=1NyT=0NyPre-PprePre] （21）

[eRMSE=T=0Ny（Pre-Ppre）2Ny] （22）

式中：[Ppre]、[Pre]——光伏出力的預測值與真實值；[Ny]——預測時段預測值的數(shù)量。

4 算例仿真

本文實驗選取江蘇某光伏電站作為研究對象，樣本選用2017年1月1日—12月31日時間段內(nèi)的光伏功率實測數(shù)據(jù)和NWP數(shù)據(jù)［29］。為了使選取的測試日樣本具有較為豐富的天氣類型，本文選取2017年3月2日、10月3日、12月17日、7月13日及7月22日，天氣類型依次為晴天、多云天、陰天、全雨天、陣雨天氣的光伏發(fā)電功率數(shù)據(jù)作為測試樣本進行具體分析。整個光伏電站每天各時段的光伏發(fā)電功率從測試樣本中獲得。本文將15 min設置為一個采樣周期，由于光伏電站僅在白天發(fā)出功率，故選取07：30—17：00的數(shù)據(jù)，共計190個數(shù)據(jù)樣本作為測試集數(shù)據(jù)。取2017年與5種典型類型相同天氣類型的光伏功率作為訓練集數(shù)據(jù)。5種典型的天氣類型以及全年出現(xiàn)與其相同的天氣類型次數(shù)如表4所示。

4.1 實驗數(shù)據(jù)的分類

由圖8可知，天氣的類型不同，光伏發(fā)電功率則會呈現(xiàn)出不同的形態(tài)，且不同周期內(nèi)所包含的高頻分量呈現(xiàn)出不同的振幅，這給光伏發(fā)電功率預測帶來極大挑戰(zhàn)。采用VMD分解光伏發(fā)電功率，通過圖9中IMF-1～IMF-5可看出，各本征函數(shù)未出現(xiàn)模態(tài)混淆的情況，光伏發(fā)電功率的波動數(shù)據(jù)與平滑數(shù)據(jù)也可由不同本征函數(shù)的模態(tài)分量疊加得到。

通過式（6）計算各分量的穿透率，結果如圖10所示。通常在測試樣本小于1000時，計算穿透率小于0.05可將其視作低頻部分，計算穿透率大于0.05將其視作高頻部分。IMF-1與IMF-2的穿透率分別為0.5218、0.3116，均大于0.05，故將IMF-1與IMF-2作為光伏發(fā)電功率的波動分量。IMF-3～IMF-5的穿透率均小于0.05，其作為光伏發(fā)電功率的平滑分量。將波動分量與平滑分量分別疊加，得到光伏發(fā)電功率的波動數(shù)據(jù)與平滑數(shù)據(jù)如圖11所示。

將光伏發(fā)電的波動數(shù)據(jù)與平滑數(shù)據(jù)進行分類，將高頻分量與光伏發(fā)電的波動數(shù)據(jù)相對應，將周期性的問題劃分到平滑數(shù)據(jù)中處理。對波動數(shù)據(jù)和平滑數(shù)據(jù)分別進行預測，降低了光伏功率預測的難度。

4.2 基于云層分型模型的預測結果

光伏電站上空云團的運動使光伏發(fā)電功率產(chǎn)生數(shù)據(jù)波動，且波動數(shù)據(jù)在電站上空云層形態(tài)相似的采樣窗口內(nèi)呈現(xiàn)一定的周期性。結合表2中提出的云層類型，對10月3日多云天氣以及12月17日陰天天氣，共76個數(shù)據(jù)樣本進行波動分類，分類結果如表5所示。

圖12為各云層類型下光伏發(fā)電功率的預測對比。選取表4中各類云層下的光伏功率作為樣本，將未采用云層分型得到的預測結果與其對比，分析基于云層分型下光伏發(fā)電功率預測的優(yōu)勢。

結合式（20）、式（21）計算各云層類型下光伏發(fā)電功率預測結果的[eMAPE]與[eRMSE]，采結果如表6所示。計算該76個樣本點，采用云層分型以及未采用云層分型所得到光伏發(fā)電功率預測結果的[eMAPE]與[eRMSE]如表7所示。其中采用云層分型后，光伏發(fā)電功率預測值的[eMAPE]與[eRMSE]分別為3.9035%與4.5618 MW，均小于未采用云層分型時的[eMAPE]（12.5963%）與[eRMSE]（15.6659 MW）。

表6中，第4類云層下得到的MAPE值最大為5.8093%，第8類云層下得到的RMSE值最大為5.3619 MW，但均小于未采用云層分型時預測得到的[eMAPE]值12.5963%與[eRMSE]值15.6659 MW。且第4類與第8類的云層類型為云團即將到達或離開光伏電站上空。云團復雜密集的尖峰波動，此時光伏電站上空的云層圖像中所包含的云團運動形態(tài)最復雜，造成的波動數(shù)值也最大。第1類與第5類云層中，電站上空的云層類型為無云或連續(xù)且較厚的云團。此時云層特征最為明顯，通過云層形態(tài)劃分的波動數(shù)據(jù)集最為準確，計算其預測誤差評判指標分別為1.6892與2.6349，均小于采用云層分型時綜合76個樣本點預測值的[eMAPE]（3.9035）與[eRMSE]（4.5618）。故采用云層分型后可有效提高光伏發(fā)電功率的預測精度。

4.3 光伏發(fā)電功率的預測精度

4.3.1 CNN-LSTM模型的預測精度

采用CNN-LSTM預測模型預測表4中5種天氣類型的光伏發(fā)電功率，預測結果如圖13所示。由圖13可知，本文提出的基于云層分型的短期光伏發(fā)電功率預測方法得到的預測值曲線在各類天氣條件下均可與光伏發(fā)電功率的實際值曲線進行擬合。

通過對表8中文獻［16］和文獻［30］中光伏發(fā)電功率預測方法的預測精度進行分析，本文預測結果的RMSE為2.86 MW，均顯著小于文獻［30］與文獻［16］的RMSE分別為10.56 MW與8.21 MW。故采用云層分型可有效地解決高頻數(shù)據(jù)中測試集與訓練集因頻率差異所產(chǎn)生的誤差；采用CNN-LSTM網(wǎng)絡作為預測模型進行預測可充分挖掘光伏功率的周期性，其預測精度也大大提高。

4.3.2 不同天氣類型下光伏發(fā)電功率的預測對比

對比以下4種方法中晴天、多云天、陰天、陣雨天和全雨天的光伏出力，可進一步顯現(xiàn)出本文提出的預測方法的優(yōu)點。各天氣類型的預測結果如圖14所示。

方法1：采用本文提出的基于云層分型的組合預測模型對光伏出力進行預測。

方法2：采用CNN結合云層分型方法構建預測模型。

方法3：采用LSTM網(wǎng)絡結合云層分型方法構建預測模型。

方法4：采用CNN-LSTM網(wǎng)絡搭建預測模型直接預測。

分析圖14中各天氣類型的預測結果，通過式（20）、式（21）計算[eMAPE]與[eMAPE]，結果如表9所示。通過表9中各天氣類型下各方案預測結果的MAPE與RMSE可看出，各天氣類型下方案1的預測誤差評判指標遠小于方案4，方案2與方案3的評判指標在不同的天氣類型下呈現(xiàn)出不同的大小關系，但均大于方案1的評判指標且小于方案4的評判指標。

說明采用云層分型方法對波動數(shù)據(jù)進行分類可有效提高光伏發(fā)電的預測精度，且采用CNN-LSTM網(wǎng)絡對平滑數(shù)據(jù)與波動數(shù)據(jù)進行預測，得到的預測結果均優(yōu)于單體CNN網(wǎng)絡或LSTM網(wǎng)絡。

4.3.3 不同天氣類型下基于云層分型的預測精度

由表9可知，各天氣類型下方案1的[eMAPE]與[eRMSE]中最大的MAPE值為陣雨天氣下的[eMAPE]（4.6163%），最大的RMSE值為多云天氣下的[eRMSE]（6.5366 MW）。略大于晴天條件下方案3的MAPE值3.6647%與RMSE值5.7583 MW。在各天氣類型中，晴天天氣下各方案的MAPE值與RMSE值均小于其他天氣類型，多云天氣與陣雨天氣下的誤差評判指標均大于其他３種天氣類型。證明在多云天氣與陣雨天氣下，光伏發(fā)電功率的預測精度較晴天天氣下的預測精度低。然而如表9所示，通過本文提出的預測方案對多云天氣以及陣雨天氣下的光伏功率進行預測時，預測精度可以高于晴天天氣下部分預測方案的預測精度，再次證明本文所提預測方法具有優(yōu)越性。

分析表9中各天氣類型下方案1與方案4中[eMAPE]與[eRMSE]的差值并對其排序，在[eMAPE]中由小到大的順序依次為晴天（4.711%）、陰天（6.4236%）、全雨（10.3504%）、多云（10.6821%）、陣雨（10.9194%）在[eRMSE]中由小到大的順序依次為晴天（7.1752 MW）、陰天（8.2586 MW）、全雨（8.3194 MW）、多云（11.9496 MW）、陣雨（15.9769 MW）。差值越大，說明采用本文提出的預測方法進行預測時對預測精度的提升程度越大。對應本文分析的5種天氣類型，差值較小的晴天天氣與陰天天氣下光伏電站上空的云層類型較為單一，而差值較大的多云天氣與陣雨天氣下光伏電站上空的云層類型較為復雜。故采用本文提出的預測方法在提高預測精度的能力上，對陣雨天和多云天的效果優(yōu)于晴天和陰天天氣。綜上，本文提出的基于云層分型的組合預測方法受天氣類型的影響較小，光伏發(fā)電功率的預測精度有明顯提高。

5 結 論

本文基于歷史天氣預報將光伏出力數(shù)據(jù)分為不同天氣類型，采用VMD將數(shù)據(jù)劃分為平滑部分以及波動部分，對于波動部分數(shù)據(jù)可根據(jù)基地上空云層情況做進一步細化，再通過NWP相關因子結合CNN-LSTM網(wǎng)絡實現(xiàn)光伏發(fā)電功率的預測。得到以下結論：

1）本文通過變分模態(tài)分解將原始數(shù)據(jù)分為波動部分數(shù)據(jù)與平滑部分數(shù)據(jù)，并對不同類型下的數(shù)據(jù)進行分析，建立光伏出力的預測模型。

2）本文對波動數(shù)據(jù)進行分析，提出3類波動特征數(shù)據(jù)。首先，將計算所得的波動特征數(shù)據(jù)與不同的云層類型進行比對；然后，將波動數(shù)據(jù)按不同云層情況進行分類；最后，把不同云層與不同波動數(shù)據(jù)對應起來，實現(xiàn)云層分型。結果表明，采用云層分型后光伏發(fā)電功率預測值的平均絕對百分誤差降低了69.1%，均方根誤差降低了70.9%。

3）本文提出基于云層分型的光伏發(fā)電功率預測方法適用于各種天氣類型。實驗結果表明，采用云層分型后，晴天、陰天、多云天、全雨天、陣雨天氣下的平均絕對百分誤差分別降低了65.9%、64.6%、68.9%、70.4%、78.3%，采用云層分型后，光伏出力受天氣類型的影響較小，預測精度明顯提高。

［參考文獻］

［1］ SHENG H M， XIAO J， CHENG Y H， et al. Short-term solar power forecasting based on weighted Gaussian process" regression［J］." IEEE" transactions" on" industrial electronics， 2018， 65（1）： 300-308.

［2］ SANJARI M J， GOOI H B. Probabilistic forecast of PV power generation based on higher order Markov chain［J］. IEEE transactions on power systems， 2017， 32（4）： 2942-2952.

［3］ 張娜， 葛磊蛟. 基于SOA優(yōu)化的光伏短期出力區(qū)間組合預測［J］. 太陽能學報， 2021， 42（5）： 252-259.

ZHANG N， GE L J. Photovoltaic system short-term power interval hybrid forecasting method based on seeker optimization" algorithm［J］." Acta" energiae" solaris" sinica， 2021， 42（5）： 252-259.

［4］ 趙書強， 張婷婷， 李志偉， 等. 基于數(shù)值特性聚類的日前光伏出力預測誤差分布模型［J］. 電力系統(tǒng)自動化， 2019， 43（13）： 36-45.

ZHAO S Q， ZHANG T T， LI Z W， et al. Distribution model of day-ahead photovoltaic power forecasting error based on numerical characteristic clustering［J］. Automation of electric power systems， 2019， 43（13）： 36-45.

［5］ 李爍， 陳新度， 尹玲， 等. 考慮氣象變化的光伏發(fā)電模型評估及研究［J］. 太陽能學報， 2022， 43（6）： 79-84.

LI S， CHEN X D， YIN L， et al. Evaluation and research of photovoltaic power generation model considering climate change［J］. Acta energiae solaris sinica， 2022， 43（6）： 79-84.

［6］ FENG Y， HAO W P， LI H R， et al. Machine learning models to quantify and map daily global solar radiation and photovoltaic power［J］. Renewable and sustainable energy reviews， 2020， 118： 109393.

［7］ 趙智立. 光伏電站短期功率預測及并網(wǎng)優(yōu)化技術研究［D］. 天津： 天津理工大學， 2021.

ZHAO Z L. Research on short-term power and forecast grid-connected optimal configuration of photovoltaic power station［D］." Tianjin：" Tianjin" University" of" Technology， 2021.

［8］ 王育飛， 付玉超， 薛花. 計及太陽輻射和混沌特征提取的光伏發(fā)電功率DMCS-WNN預測法［J］. 中國電機工程學報， 2019， 39（增刊1）： 63-71.

WANG Y F， FU Y C， XUE H. DMCS-WNN prediction method of photovoltaic power generation by considering solar radiation and chaotic feature extraction［J］. Proceedings of the CSEE， 2019， 39（S1）： 63-71.

［9］ 譚海旺， 楊啟亮， 邢建春， 等. 基于XGBoost-LSTM組合模型的光伏發(fā)電功率預測［J］. 太陽能學報， 2022， 43（8）： 75-81.

TAN H W， YANG Q L， XING J C， et al. Photovoltaic power predictionP based on combined XGBoost-LSTM model［J］. Acta energiae solaris sinica， 2022， 43（8）： 75-81.

［10］ YU Y J， CAO J F， ZHU J Y. An LSTM short-term solar irradiance forecasting under complicated weather conditions［J］. IEEE access， 2019， 7： 145651-145666.

［11］ YU Y J， CAO J F， WAN X F， et al. Comparison of short-term solar irradiance forecasting methods when weather conditions are complicated［J］. Journal of renewable and sustainable energy， 2018， 10（5）： 053501.

［12］ 陳志寶， 丁杰， 周海， 等. 地基云圖結合徑向基函數(shù)人工神經(jīng)網(wǎng)絡的光伏功率超短期預測模型［J］. 中國電機工程學報， 2015， 35（3）： 561-567.

CHEN Z B， DING J， ZHOU H， et al. A model of very short-term photovoltaic power forecasting based on ground-based cloud images and RBF neural network［J］. Proceedings of the CSEE， 2015， 35（3）： 561-567.

［13］ WANG F， ZHEN Z， WANG B， et al. Comparative study on KNN and SVM based weather classification models for day" ahead" short" term" solar" PV" power" "forecasting［J］.Applied sciences， 2017， 8（1）： 28.

［14］ 李燕青， 杜瑩瑩. 基于最優(yōu)相似度與IMEA-RBFNN的短期光伏發(fā)電功率預測［J］. 華北電力大學學報（自然科學版）， 2018， 45（5）： 29-35， 61.

LI Y Q， DU Y Y. Short-term photovoltaic power forecasting based on optimal similarity and radial basis function neural networks optimized by improved mind evolutionary algorithm［J］. Journal of North China Electric Power University （natural science edition）， 2018， 45（5）： 29-35， 61.

［15］ ZHEN Z， LIU J M， ZHANG Z Y， et al. Deep learning based surface irradiance mapping model for solar PV power forecasting" using" sky" image［J］." IEEE" transactions" on industry applications， 2020， 56（4）： 3385-3396.

［16］ 柴閔康， 夏飛， 張浩， 等. 基于云圖特征自識別的光伏超短期預測模型［J］. 電網(wǎng)技術， 2021， 45（3）： 1023-1035.

CHAI M K， XIA F， ZHANG H， et al. Ultra-short-term prediction of self-identifying photovoltaic based on sky cloud chart［J］. Power system technology， 2021， 45（3）： 1023-1035.

［17］ 張琦. 短期光伏發(fā)電出力預測方法研究［D］. 廣州： 廣東工業(yè)大學， 2018.

ZHANG Q. Studies on short-term photovoltaic power output" prediction" method［D］." Guangzhou：" Guangdong University of Technology， 2018.

［18］ ZHANG J L， TAN Z F， WEI Y M. An adaptive hybrid model for day-ahead photovoltaic output power prediction［J］. Journal of cleaner production， 2020， 244： 118858.

［19］ 葉林， 裴銘， 路朋， 等. 基于天氣分型的短期光伏功率組合預測方法［J］. 電力系統(tǒng)自動化， 2021， 45（1）： 44-54.

YE L， PEI M， LU P， et al. Combination forecasting method of short-term photovoltaic power based on weather classification［J］. Automation of electric power systems， 2021， 45（1）： 44-54.

［20］ 楊晶顯， 張帥， 劉繼春， 等. 基于VMD和雙重注意力機制LSTM的短期光伏功率預測［J］. 電力系統(tǒng)自動化， 2021， 45（3）： 174-182.

YANG J X， ZHANG S， LIU J C， et al. Short-term photovoltaic power prediction based on variational mode decomposition and long shortterm memory with dual-stage attention mechanism［J］. Automation of electric power systems， 2021， 45（3）： 174-182.

［21］ BEDI J， TOSHNIWAL D. Empirical mode decomposition based deep learning for electricity demand forecasting［J］. IEEE access， 2018， 6： 49144-49156.

［22］ JAMAL T， CARTER C， SCHMIDT T， et al. An energy flow simulation tool for incorporating short-term PV forecasting in a diesel-PV-battery off-grid power supply system［J］. Applied energy， 2019， 254： 113718.

［23］ 王粟， 江鑫， 曾亮， 等. 基于VMD-DESN-MSGP模型的超短期光伏功率預測［J］. 電網(wǎng)技術， 2020， 44（3）： 917-926.

WANG S， JIANG X， ZENG L， et al. Ultra-short-term photovoltaic power prediction based on VMD-DESN-MSGP model［J］." Power" system" technology，" 2020，" 44（3）： 917-926.

［24］ ZHEN Z， PANG S J， WANG F， et al. Pattern classification and PSO optimal weights based sky images cloud motion speed calculation method for solar PV power forecasting［J］. IEEE transactions on industry applications， 2019， 55（4）： 3331-3342.

［25］ 余光正， 陸柳， 湯波， 等. 基于云圖特征提取的改進混合神經(jīng)網(wǎng)絡超短期光伏功率預測方法［J］. 中國電機工程學報， 2021， 41（20）： 6989-7003.

YU G Z， LU L， TANG B， et al. An improved hybrid neural network ultra-short-term photovoltaic power forecasting method based on cloud image feature extraction［J］. Proceedings of the CSEE， 2021， 41（20）： 6989-7003.

［26］ ABDEL-NASSER M， MAHMOUD K. Accurate photovoltaic power forecasting models using deep LSTM-RNN［J］. Neural computing and applications， 2019， 31（7）： 2727-2740.

［27］ BEHERA M K， NAYAK N. A comparative study on short-term PV power forecasting using decomposition based optimized" "extreme" " learning" " "machine" " "algorithm［J］. Engineering science and technology， an international journal， 2020， 23（1）： 156-167.

［28］ HAN L， ZHANG R C， WANG X S， et al. Multi-step wind power forecast based on VMD-LSTM［J］. IET renewable power generation， 2019， 13（10）： 1690-1700.

［29］ 紀棋彬. 光伏并網(wǎng)系統(tǒng)短期功率預測方法研究［D］. 鎮(zhèn)江： 江蘇大學， 2019.

JI Q B. Research on short-term power prediction method for" photovoltaic" grid-connected" system［D］." Zhenjiang： Jiangsu University， 2019.

［30］ 朱想， 居蓉蓉， 程序， 等. 組合數(shù)值天氣預報與地基云圖的光伏超短期功率預測模型［J］. 電力系統(tǒng)自動化， 2015， 39（6）： 4-10， 74.

ZHU X， JU R R， CHENG X， et al. A very short-term prediction model for photovoltaic power based on numerical weather prediction and ground-based cloud images［J］. Automation of electric power systems， 2015， 39（6）： 4-10， 74.

A SHORT-TERM PHOTOVOLTAIC POWER GENERATION POWER PREDICTION METHOD BASED ON CLOUD CLASSIFICATION USING WAVE FEATURE EXTRACTION

Zhang Rui1，2，Li Anyi1，2，Liu Shiyan1，2，Xue Shiwei1，2，Jia Qingquan3，Gong Qinhai3

（1. State Grid Hebei Electric Power Research Institute， Shijiazhuang 050021， China；

2. Hebei Energy Technology Services， Shijiazhuang 051430， China；

3. School of Electrical Engineering， Yanshan University， Qinhuangdao 066004， China）

Abstract：The fluctuation of PV power is caused by the irregular movement of cloud， and its fluctuation is closely related to the weather type， which affects the prediction accuracy of short term PV power forecast， the cloud motion pattern improves the prediction accuracy. Firstly， the weather types are divided into 5 types based on NWP factor， and the PV power is divided unsmooth data and fluctuating data by variational mode decomposition. Secondly， the cloud thickness is judged by the cloud gray level， and the use of SURF is to detect the cloud feature points，and the velocity and direction of the cloud are obtained by tracking the movement of the feature points. Then， the wave shape is analyzed by the wave characteristic parameters and the wave data， so that the cloud motion state is related to the wave shape to realize the“cloud classification”. Finally， a combined forecasting algorithm based on CNN-LSTM is proposed according to the characteristics of smooth data and fluctuating pro-cess and the adaptability of machine learning algorithm. Based on the NWP correlation factor，the daily fluctuation process of PV power is taken as input and the daily fluctuation process of PV power is taken as output.

Keywords：PV power generation； NWP； combination prediction； variational modal decomposition； fluctuation characteristics SUBF cloud cover monitoring； CNN-LSTM