研究背景

近十年，化石能源消耗不断增加，环境污染日趋严重，已经成为国际社会普遍关心的问题。世界上很多国家都在积极开发新能源，来解决能源短缺与环境污染问题，太阳能作为一种清洁能源，已经成为世界上最受重视的资源。国际能源署2021年发布的全球光伏报告显示,自 2013 年起世界范围内的光伏发电量持续稳定地增加,至 2021年中国新增光伏并网装机容量达到了 54880 ＭＷ,创造历史新高。将会有越来越多的光伏发电设备投入到电网，这对电力系统的影响是不可小觑的，将会给电网带来巨大冲击。

为什么要做光伏发电功率预测？

光伏发电不容易驾驭，光伏发电具有明显的间歇性、随机性和波动性，大规模光伏发电接入会极大的影响电力系统的稳定运行，给电网的安全稳定运行带来一定的冲击。要解决这个问题就要对光伏发电功率进行预测，合理安排运行方式和对应措施， 提高电网的安全性和可靠性。
通过光伏发电功率预测对电力资源进行调度，达到发电和消费之间的平衡，对提升电力系统稳定运行具有重要意义。因此光伏发电功率预测是一个至关重要的研究领域。

光伏功率预测难点

太阳辐射、气候和地理条件等因素会导致光伏发电功率的频繁波动，给功率预测带来巨大挑战。

影响光伏发电的因素

太阳辐射、温度、相对湿度、云层厚度、风速等
影响光伏发电因素链接地址：https://blog.csdn.net/qq_42761751/article/details/140136579?spm=1001.2014.3001.5501

光伏发电功率预测分类

根据预测时间范围：

1. 超短期预测：一般预测范围小于4小时，主要用于控制和管理光伏系统等
2. 短期预测：提前24~72小时预测，主要用于控制电力系统运行、经济调度、机组投入等
3. 中长期预测：一般预测范围是一个月到一年，主要用于光伏系统的维护和规划

不同时间范围的预测其精度也不同。随着时间范围变长，所需要的数据以及预测的复杂度都会增加，预测精度也会下降。

根据预测过程：

1. 直接预测：通过实测的气象数据和历史光伏数据直接预测光伏发电功率
2. 间接预测：通过预测与光伏发电功率的气象因子，再通过数学模型输出光伏发电功率

间接预测的数学模型建模困难且误差较大，直接预测是目前的主流预测方法

根据预测形式不同：

1. 点预测：预测某一时刻的光伏发电功率
2. 区间预测：预测某一段时间的光伏发电功率波形

区间预测具有较强的不确定性，目前研究重点基本是点预测

根据预测空间大小不同：

1. 单光伏电站预测
2. 区域光伏系统预测

对于区域光伏系统的功率预测需要大量且精确的光伏功率历史数据，数据处理难度大，而且一个区域内所有光伏电站并不是都具有完整的数据系统，当前区域光伏系统功率预测发展缓慢。

光伏发电功率预测方法

在光伏功率预测领域主要有传统机器学习方法和深度学习方法，各有优劣，深度学习方法和组合方法是主流预测方法，数据预处理、特征提取和补偿误差是提升预测精度的关键因素。
两种方式：

式子（1）是通过历史功率预测未来功率
式子（2）是通过影响因子预测未来功率

传统机器学习方法：
支持向量机（support vector machines, SVM）
k近邻（k-nearest neigbour, KNN）
人工神经网络（artificial neural network, ANN）
模糊逻辑
极限学习机（extreme learning machines, ELM）
混合改进的多元宇宙优化算法（hybrid improved multi-verse optimizer, HIMVO）

传统机器学习方法大都是将气象因素等作为输入进行预测取得较好的效果。
传统机器学习方法易于解释和实现，目前在该领域的研究应用已经相对成熟，应用范围主要是数据量较小的中小规模光伏电站。但是对于复杂的非线性关系和庞大的数据量时，传统机器学习算法表现可能不如深度学习方法

深度学习方法：
在过去几年中，深度学习在各个领域都取得了很好的表现。在光伏功率预测领域，通过深度神经网络的自动学习能力，构造多输入到单输出或者多输出的复杂映射关系。

1. 循环神经网络（recurrent neural network，RNN），由于其特殊的结构使其在预测问题上有良好的表现，无法处理长期时间序列
2. 长短期记忆网络LSTM、门控循环单元GRU，通过新的循环单元RU来解决RNN无法处理长期时间序列问题
3. 互信息熵MIE，对高维气象因子进行降维以及筛选出相似日样本，通过LSTM预测兆瓦级光伏电站提前一天的功率输出
4. 独立循环神经网络 indRNN，该算法解决了梯度消失和梯度爆炸问题，有较强的记忆能力，训练快
5. 卷积神经网络CNN进行预测
6. 通过将CNN与LSTM结合进行预测
7. 基于Transformer进行预测

总结：深度学习的光伏功率预测大都基于CNN,RNN,LSTM,Transformer架构来搭建神经网络。其次对于数据的预处理对网络训练预测也会有影响，合适的数据预处理方法也是至关重要的。深度学习方法具有较强的非线性建模能力，自动学习和提取输入数据的特征，减少了人工干预和工作量，并且可以处理大规模、高纬度数据，适用于各种复杂的光伏系统。

组合方法应用：
组合方法主要是解决单个预测方法性能不足的问题，将多个预测模型进行组合，达到优劣互补目的，主流组合方式：
（1）选择两个模型并行预测，将得到的结果进行权值分配，通过加权得到更加准确的预测结果
（2）采用信号分解技术，对输入特征序列数据进行分解，降低数据的波动性，采用单个或者多个预测模型对各个子序列分别预测，叠加子序列的预测结果

1. 将历史样本数据依据天气进行分类，通过扩展经验模态分解EEMD分解历史数据为多个模态分量IMF，来降低波动性，并选择强相关分量使用LSTM进行预测，最后将各个分量预测结果重构叠加，得到最终预测结果，该模型取得了较好的结果
2. 将离散小波变换DWT、CNN、LSTM进行深度融合，对不同天气适应性具有明显特征
3. CNN-LSTM进行融合，但是输入特征融入基于地基云图像转化的辐照系数作为输入特征

总结：组合方法通过将多个预测模型的结果进行综合或融入其它数据处理的方法，避免了单一模型的特殊性，在光伏发电功率预测中有着更加广泛的应用

预测评价指标

平均绝对百分比误差MAPE
平均绝对误差MAE
归一化均方根误差NRMSE
决定系数

总结

1. 一般来说，对于光伏功率预测系统，业内的相关标准是系统的在线时间应大于99%，意味着需要连续不间断的运行。如果出现故障，将导致业务中断，无法正确进行功率预测。
2. 国内研究最多是超短期和短期光伏输出功率预测，它们能为电力调度部门提供准确依据,减少因光伏发电功率易波动而对电网造成的冲击,这也是最符合电力系统稳定性需求的 。相反,中长期预测的研究很少,主要是因为预测所需的数据量很大,预测输出的时间序列太长,预测精度低
3. 将天气因素作为预测模型的输入特征,可以有效提升预测精度。 将输入数据依据天气类型分别训练测试时,晴天的预测效果较好,而多云或雨天时的预测精度较差,主要是因为晴天的太阳辐照度比较稳定。 其他天气情况时,由于云层遮挡情况和太阳照射情况变化较快,导致发电功率具有间歇性和波动性。
4. 利用信号分解技术可以降低光伏发电功率序列的波动性,经过分解的特征序列作为模型输入一定程度上提高了预测准确率。 近几年研究人员开发了许多误差预测方法,实验结果表明,误差预测分析可以描述光伏功率的波动范围,并进一步提升预测精度。
5. 目前的大多数研究是针对单个光伏电站的功率预测,而针对整个区域光伏系统或者微电网的光伏出力预测相对较少,准确率也比较低。主流的预测方法是深度学习和组合方法。

参考光伏发电功率预测方法综述论文：
https://d.wanfangdata.com.cn/periodical/ChlQZXJpb2RpY2FsQ0hJTmV3UzIwMjQwNzA0Eg9zY2RsanMyMDI0MDIwMDUaCGdsamt0dXJr