摘要: 光伏功率预测是提高光伏电站控制、调度性能，保障高比率光伏发电接入的电网安全稳定运行的基础性关键技术。国内光伏功率预测技术研究和工程应用尚处于起步阶段，理清其技术脉络和关键问题尤其迫切。文中对光伏功率预测基本技术原理和关键问题进行了全面综述，首先介绍其基本原理和预测模式，然后总结了超短期和短期预测的主要技术要点，并着重对提升预测精度的相关研究进行评述，最后结合中国光伏功率预测发展现状，提出了值得研究和关注的光伏功率预测关键问题。
关键词: 光伏功率预测; 云图; 数值天气预报; 预测算法
0 引言
光伏发电已经成为继风力发电之后的可再生能源发电的新增长点。2005—2014 年全球光伏发电装机容量平均年增长率高于 30%[1]，2014 年全球光伏发电总装机容量已达约 186 GW，欧洲光伏发电量占总发电量的峰值比例达 7%[2]。
2009—2013 年中国光伏发电装机容量平均年增长率均超过了 100% ，从 2009 年的 0. 3 GW 增长至 2014 年的 28 GW[3]，仅次于德国( 38. 2 GW) ，居世界第二位。中国光伏发电的主要利用模式逐渐从早期分布式离网光伏系统模式发展成大型并网光伏电站模式，截至 2014 年底，集中并网型光伏电站占光伏发电总装机容量的 83. 35%[3]。
由于日照的昼夜周期性，光伏电站只能白天发电，是一种典型的间歇式电源; 光伏功率受气象、环境条件影响，具有较大的波动性和随机性。这些特性使得大规模光伏发电并网对电网造成不良影响。若能及时、准确地预测光伏功率，将对电网调度及光伏电站运行具有重要意义。
光伏功率预测即根据历史和当前数据对未来一定时段的光伏功率进行预测，按预测时长可分为超短期光伏功率预测、短期光伏功率预测和中长期光伏功率预测。光伏功率预测精度强依赖于天气模态和气候条件等因素。美国加州地区的统计表明[4]，晴空条件下，超短期光伏功率预测的方均根误差在 8% 以内; 而非晴空条件下的方均根误差高于 20% 。有研究表明，超短期光伏功率预测的方均根误差最小可 达 到 3. 9% ，短期预测的方均根误差可达 4. 6%[5]。
国际上已有不少机构提供光伏功率预测和光资源 评 估 的 服 务，如 AWS Truepower，Clean Power Research，Green Power Labs，MeteoTest 瑞士公司开发的 Meteonorm 软件，以及法国美迪公司的 MeteoDyn Solar。基于光伏功率预测可拓展开发光伏系统工程设计应用软件，如瑞士日内瓦大学能源课题组开发的 PVSYST 软件; 国内如中国电力科学研究院电工所开发的针对光伏功率预测和光伏系统设计的软件。光伏功率预测已开始应用于电力系统运行，国家电网智能电网调度控制系统( 简称 D5000 系统) 的新能源监测与调度高级应用中包含了光伏功率预测功能模块。
总体来看，国外的光伏发电产业较中国起步早，已经积累了大量的技术成果、工程经验和运行数据; 中国目前在光伏功率预测领域的研究稍滞后于欧美发达国家，仍处于探索阶段。
本文对光伏功率预测的技术体系、研究热点进行了梳理，以期为中国的光伏功率预测研究与应用提供借鉴和启发。
1 光伏功率预测原理和基本框架
光伏功率预测是以数值天气预报( numerical weather prediction，NWP) 数据或/和实测数据为基础，结合光伏电站地理坐标及具体地域特点的参数化方案，建立预测模型及算法，实现对未来一定时间段内光伏电站输出功率的预测。
光伏发电从光到电能量的传递路线如图 1 所示。
太阳辐照度是决定光伏功率的主要因素，与光伏功率大致呈线性关系。本节将从光伏功率( 或辐照度) 的关键影响因素、光伏功率特性、预测方法、预测模式以及预测精度评价 5 个方面对光伏功率预测原理和框架进行介绍。
1. 1 关键影响因素影响
光伏功率的因素众多，相互耦合。按照太阳能传递和转化过程，主要影响因素如图 2 所示。
辐照度受到气候、气象、地理等因素的影响，其预测精度直接影响光伏功率预测精度。
气候是某地区长时间尺度的大气一般状态和天气过程的综合表现，是影响光资源水平的重要因素。
气象是指短时间尺度的大气物理现象，如温度、云等。气象因素是影响光伏功率的重要因素，可通过 NWP( 含全球和中尺度模式) 、地面天空成像仪、卫星测量、地面遥感测量等方式获取。不同方式获取的气象数据具有不同的时空分辨率和精度水平， NWP 时空分辨率较低、时空尺度较大; 而地基云图对云层的预报时空分辨率较高，但时空尺度较小。
地理因素如光伏电站的地理坐标、地域环境等，这些因素对预报的影响较为稳定。
电气效率主要指光伏组件、电站其他电气设备的效率，前者直接影响光转电环节的能量转换效率，后者影响电能从光伏组件传送到电网的效率。电站设计、人为因素也将对光伏功率产生影响。
1. 2 光伏功率特性
光资源和光伏功率具有以下 4 个特点。
1) 较强的昼夜周期性和季节周期性。日照昼夜周期性和日—地相对位置周期性变化决定了光伏功率的这一特点，而风功率则不具有类似特性。
2) 影响因素多、影响机理复杂。地面辐照度和光伏功率受到气候、气象、地理等多种因素影响，且不同因素在不同环境下对其影响程度不同[6-7]。而风功率则主要取决于风速，其他因素如风向、温度、气压等，则影响较小。
3) 波动性和随机性强、变化频率快。电力负荷无法突变，风功率的波动性强于电力负荷，主要体现为小时级波动[8]，而光伏功率可在数分钟内实现从满功率到零功率变化，具有更强的波动性。
4) 数据样本有限、数据条件较差。受限于测量设备和技术，光伏数据量少、质差，因此光伏功率预测要解决小样本预测难题。
1. 3 光伏功率预测方法分类
光伏功率预测方法的分类方式很多，根据预测过程的不同，可分为直接法和间接法; 根据建模方式的不同，可分为物理方法和统计方法; 根据预测时间尺度不同，可分为超短期( 0 ～ 6 h) 、短期( 6 h ～ 1 d) 和中长期( 1 月 ～ 1 年) 预测法; 根据预测的空间范围大小不同，可分为单场预测和区域预测。
1. 3. 1 直接预测法和间接预测法
直接预测法是根据光伏功率历史数据直接进行预测; 间接预测法是首先预测地表或光伏电池板接收的太阳辐照度，再预测光伏功率。两类预测方法的流程如图 3 所示。
直接预测法的建模难度较大，不同时间尺度和工作状态下映射关系的变化可能导致模型性能下降甚至失效。间接预测法在整个预测过程中可能需要建立多个预测模型，较为复杂。
1. 3. 2 物理方法和统计预测方法
物理方法基于太阳辐照传递方程、光伏组件运行方程等物理方程进行预测，需要光伏电站详细的地理信息以及气象和太阳辐照数据; 统计方法基于预测模型输入、输出因素之间的统计规律进行预测。
物理方法不需要大量历史数据，适用于新建的光伏电站，但需要光伏电站详细的地理信息和组件参数等数据[9]，建模过程复杂，且难以模拟一些极端异常天气情况和环境及光伏组件参数随时间发生的缓慢变化，模型抗干扰能力较差，鲁棒性不强。
统计方法需要从大量的历史数据中获取预测需要的规律，如光伏电站有功功率与气象数据、历史运行情况之间的规律，对光伏电站的地理信息和测光资料要求不高。
1. 3. 3 超短期、短期和中长期预测
超短期光伏功率预测可提供功率瞬变信息; 短期预测可用于调度计划制定、负荷跟踪预测、电力市场等领域; 中长期光伏功率预测可用于光资源评估、新建光伏电站规划等领域。
超短期光伏功率预测可采用物理方法和统计预测方法。其中物理方法主要是对云图进行图像处理，结合 NWP 或地面观测站数据，进行光伏功率预测; 统计预测方法主要采用自回 归滑动平均 ( ARMA) 算法、人工智能算法、持续预测法等进行预测。
相比之下，短期功率预测需要气象数据的时空分辨率要求相对较低，可利用精细化的 NWP 数据进行预测而不必采用云图数据。
中长期光伏功率预测主要是根据地区历史光资源数据等估计未来较长时间段内的光伏功率。
1. 3. 4 单场预测和区域预测
单场预测是指单个光伏电站的功率预测，区域预测是指对某个区域范围内的多个光伏电站总出力的预测。
单场预测可为发电运营者提供光伏电站的功率预测信息，主要应用于光伏电站发电的优化运行与控制; 区域预测可为电网运营商提供某一区域范围内的光伏出力值，帮助电力调度部门预估光伏功率波动，制定多种电源协调调度计划，降低光伏电站接入对电网的不利影响。
区域光伏功率预测的精度往往高于单场功率预测精度[5]。通过区域光伏电站之间的随机误差相互抵消，预测方均根误差可减少 64%[10]。
1. 4 光伏功率预测典型模式
图 4 是光伏功率预测的几种典型模式，分别适用于不同的数据条件、预测时空尺度及精度要求。
1) 模式 1: 输入气象数据、辐照数据，建立预测模型。该模式适用于气象、辐照数据可得的情况，对光伏电站的历史运行数据要求不高。进行大空间尺度预测时，采用 NWP 数据较合适; 进行小范围局部预测时，采用地面测量站数据更精确。这一模式多用于短期光伏功率预测，随着 NWP 的时空分辨率上升，模式 1 也逐渐在超短期光伏功率预测中使用。
2) 模式 2: 输入光伏电站历史发电量，建立预测模型。该模式适用于缺少气象、辐照数据但历史运行数据可获得的情况，可在超短期和短期光伏功率预测中使用。当光伏电站所处地区气候变化不明显时，未来光伏功率与历史光伏功率具有较强相关性，该模式可达到较高精度。
3) 模式 3: 输入气象、辐照、光伏电站历史运行数据等，建立预测模型。该模式对输入数据要求最高，预测结果的精度也较高。
4) 模式 4: 基于持续预测模型和晴空预测模型的基础预测模式。针对天气预报数据较难获取或新建光伏电站历史数据较少的情况，使用上述两个预测模型实现光伏功率粗略估计。基础模型算法简单、实现要求低，但其预测精度较低、适用时空尺度较小，常作为对照模型，对比新预测模型的预测效果。
所有预测模式的关键都在于寻找已知变量和数据与未来光伏功率之间的映射规律，如模式 1 需寻找气象因素、地理因素与地面辐照度之间的规律，模式 2 需要寻找历史和未来发电量之间的规律。
2 光伏功率预测算法
2. 1 预测技术图谱
光伏功率预测的关键在于确定不同时空尺度下影响光伏功率的主要因素及其作用机理，并选择恰当的算法建立预测模型。常见的预测技术方法总结如图 5 所示。
图 5 中: WRF 为天气研究和预报模型; MM5 为第 5 代中尺度预报模型; GFS 为 全 球 预 报 系 统; ECMWF 为欧洲中尺度天气预报中心。图 5 中的预测方法基本沿着两条思路展开技术研究。
1) 研究辐照度、光伏功率的关键影响因素，这是物理方法的思路，主要方法有基于云图( 超短期) 和 NWP( 短期、中长期) 的方法。
2) 学习辐照度、光伏功率历史规律，这是统计方法的思路，主要方法有神经网络等智能算法、时间序列法、基础预测法等。
本节按预测时间尺度分超短期和短期光伏功率预测进行方法评述，中长期光伏功率预测目前研究较少，此处不再进一步评述。
2. 2 超短期预测
适用于光伏功率超短期预测的方法有基础预测方法、基于云图的预测方法以及基于数据驱动的预测方法。目前 NWP 时空分辨率普遍较低，暂不适用于超短期预测。
2. 2. 1 基础预测方法
持续预测方法假设预测时刻气象、辐照等条件与当前时刻一致，从而采用数据外推方法预测辐照度和光伏功率。这是最简单的预测方法之一，但精度也较低，通常情况下，持续预测在超过 1 h 的预测中仅作为基准预测方法而非实际应用的工程算法[12]。
晴空预测模型( clear sky model) 假定天空中无云，基于大气辐射传输模型和大气要素进行辐照度或光伏功率预测，其主要考虑的大气要素有臭氧含量、水汽含量、林顿浑浊度等[13]，主要的预测模型有 Solis 模 型、ESRA 模 型、Bird and Hulstrom 模 型、 Ineichen 模型等[14]。晴空条件下光伏功率波动小，能够最大限度地反映辐照度的发电效应，因此常将晴空预测模型作为基本标定模型。
上述两种基础预测模型适用于光伏数据缺失或数据质量较差的情况，但由于无法考虑辐照度和光伏功率的波动性和随机性，其预测精度较低，在天气状况变化剧烈或预测时间尺度较长时预测效果更差，目前工程应用不多。
2. 2. 2 基于云图的超短期预测
云是影响地面辐照度的主要气象要素，云层运动是地面辐照度和光伏功率波动性的主要原因[15]，因此，基于云图的预测方法成为精细化光伏预测的重要技术方向之一。基于云图的超短期预测通过专用设备对云进行测量并完成图像采集，利用在线图像分析技术分析云层运动情况，预测云层对太阳光的遮挡情况，实现地面辐照度和光伏功率预测。基于云图的光伏功率预测误差随着预测时间尺度增加而变 大，实时预测的方均根误差在 5% 以 内，而 10 min 预测的方均根误差则可达 20% 以上[16]。
常用的云图有地基云图和气象卫星云图。其基本原理都是在假定云团形状不发生改变、云团移动速度在短时间内保持不变的情况下，通过连续图像分析得到天空云层的分布位置、云团大小、移动速度等信息。所有的云图都需要进行图像处理识别云团，通过块匹配技术、交叉相关算法[17]等方法预测云团运动、形成云指数图、预测云团遮挡等操作。其中云指数的提取技术已经较为成熟，常用于太阳资源 研 究[17-18]。图 6 所示为通过分析气象 卫 星 Mereosat-9 拍摄的云图形成的云层移动矢量图[18]，从中可以清晰地看到云层的运动方向和速度，从而得到考虑云层遮挡效应后的辐照度数据并进一步预测光伏功率。表 1 对基于卫星云图和地基云图的两种预测方法进行了对比。
虽然基于云图的方法为实现精细化预测提供了可能，但受限于测量设备和方法局限，仍然存在以下不足。
1) 由于在预测中默认假设短时间内云团的形态、速度保持不变，因此在云团形态和移动速度剧烈变化时，该方法无法获得准确预测结果。
2) 云层高度信息获取困难或缺少。云层对地面的遮挡与云层的高度有密切关系，但云图无法给出云层高度信息，将不同高度的云层统一处理，会增加预测的误差。
3) 卫星云图空间分辨率较低，图上一个像素点对应较大的地面面积，无法判定小范围内云层情况。
4) 地面天空成像仪拍摄空间有限，只能获取较小范围内云层信息，当云层移动速度较快时，预测时间尺度将大大缩减。
5) 云图图像处理分析需在极短的时间内完成，对算法速度要求高，需权衡速度与精度。为弥补上述不足，有研究尝试将云图与其他预测方法或数据来源相结合，共同实现超短期辐照度或光伏功率预测，如文献[19]将卫星云图的分析数据与地面遥测数据相结合，共同作为预测模型的输入进行预测; 文献[20-21]利用卫星云图与 NWP 数据进行提前 4 h 的超短期光伏功率预测; 文献[19- 22]分别将地基云图数据和卫星云图数据、NWP 数据相结合进行预测。
国内对基于云图的预测方法研究及应用时间较短，对云层信息预报能力有限，仍处在探索阶段。国外在此方面的研究起步较早，但受限于预测精度和时空尺度，现阶段工程应用实例不多。
文献[23]介绍了安装在美国 San Diego 的地基云图分析系统，在不同时间尺度、不同季节条件下对比基于地基云图的超短期辐照度预测与持续预测的精度，基于地基云图的预测在 30 s 预测尺度下整体优于持续预测，在 5 min 预测尺度下优势并不明显。
2. 2. 3 基于数据驱动的超短期预测的数学方法
超短期预测算法已被用于电力负荷和风功率预测中，在光伏功率预测中也有着广泛的应用前景。根据算法原理的不同，可以分为线性和非线性预测算法以及两种或多种预测算法组合形成的综合算法。
1) 线性预测算法
线性预测算法利用光伏电站的历史数据和外源性气象数据等，进行多元回归，预测光伏功率或地面辐照度，常见的算法有 ARMA、自回归积分滑动平均 ( ARIMA) 、外源自回归滑动平均( ARMAX) 等。
2) 非线性预测算法
光伏功率与其作用因素之间存在着较强的非线性关系，单纯采用线性预测算法可能无法获得期望精度。非线性预测算法主要依据多因素与光伏功率之间的非线性统计规律，实现预测。主要算法有: 神经网络算法[22，24]、支持向量机( SVM) 算法[9，25]、卡尔曼滤波算法[26-27]、马尔可夫链算法等。
3) 综合预测算法
综合预测算法是针对辐照度和光伏功率特性，选择算法进行组合得到的。针对各因素对光伏功率的线性和非线性影响，将线性和非线性预测算法相结合; 针对云对光伏功率的显著影响，将云图与智能算法如神经网络算法相结合[24]; 针对光伏功率变化频率快，文献[28]将 AR 回归模型和 Lucheroni 模型相结合，建立 CARDS 综合模型，利用 Lucheroni 模型处 理 高 频 数 据; 针对光伏功率的波动性，文献[29-30]分别将小波分析算法与智能预测算法相结合，将光伏功率分解到不同频段( 能量段) 上分别进行预测; 针对光伏功率的周期性和规律性，采用相似时段选择算法[25]，利用分类/聚类方法筛选与预测对象具有相同特征和规律的训练样本; 利用光资源的物理特性，如空间相关性，将目标光伏电站周边的光伏电站历史数据和目标电站历史数据作为预测模型的输入[31]。
采用综合预测算法时，需要深度把握光伏发电及光资源特性方可得到恰当的算法组合，否则可能无法提高预测精度。但目前研究还停留在不同算法间的机械组合，尚未深入到依据特性组合算法层面。
2. 3 短期预测
2. 3. 1 基于 NWP 的预测
短期预测一般需要 NWP。NWP 可以提供光伏功率的关键气象因素及辐照度的预报。NWP 模型由一组根据物理规律建立的、用于预测大气状态的微分方程组成，最大预测时间尺度为 10 d [5]，可同时给出风功率和光伏功率预测所需的风速和辐照度信息。根据预测时空分辨率不同，NWP 可分为全球和中尺度 NWP。全球 NWP 目前运行在大约15 个气象服 务 站[12]，如美国国家海洋和大气管理局 ( NOAA) 的 GFS 及 ECMWF，其空间分辨率一般为 16 ～ 50 km，时间分辨率一般为 3 ～ 6 h。中 尺 度 NWP 是基于全球天气预报的输出结果和地区特点进行的预报，相比于全球 NWP 具有更高的时空分辨率，其空间分辨率一般为 5 ～ 20 km，甚至可达 1 km，时间分辨率可达 15 min ～ 1 h。中尺度 NWP 模型还可根据地域特点，利用数据后处理技术对结果进行修正[12]。常用的 NWP 模型如表 2 所示[13]。
通过 NWP 得到的辐照度可能存在较大误差，主要误差来源有 NWP 模型内辐照转化模型( RTM model) 、云量预测模型及其他预报变量的误差[32]，一般误差在非晴空条件下比晴空条件下大。
改进 NWP 精度的常用方法有数据后处理技术，通过模式输出统计( MOS) 方法可以对 NWP 的输出结果进行修正[12，32]; 时空平滑法，采用多个网格预测平均值作为一个区域的预测值[10]。
现阶段，很多国家提供了 NWP 公共服务。与国外先进水平( 如丹麦) 相比，中国的 NWP 精度较低。
2. 3. 2 常用短期预测算法
用于短期辐照度和光伏功率预测的主要算法有如下几种。
1) 神经网络算法
神经网络算法具有良好的泛化能力和容错能力，广泛运用于光伏功率预测[33-34]。目前不少研究在神经网络算法基础上，通过建立组合模型、优化输入神经元结构、改进网络内部算法等来适应实际预测问题。
虽然神经网络算法可拟合复杂的非线性关系，但高精度的神经网络预测模型需要高精度的输入数据。当样本复杂且分散时，神经网络可能无法有效学习输入、输出之间的规律，导致预测精度较低。
2) 分类回归算法
分类回归算法以光伏功率的周期性和规律性为基础，建立特征指标体系，划分数据样本，获得相似日样本[9，35]，根据样本特点建立预测模型，利用与预测目标时段具有高相似度的样本训练模型进行预测。采用分类回归算法可以有效学习目标时段规律，提高预测效率和精度。常用的分类回归算法有 SVR[36-37]和决策树( CART) 等。
相关论文您还可以参考：光伏电站相关最新发表的论文
分类特征指标体系的确立是这一类方法的关键，目前这方面尚缺少深入研究。
3) 时间序列算法
用于短期与超短期光伏功率预测的时间序列算法 原 理 相 同，主 要 有 ARMAX[38]、外 源 自 回 归 ( ARX) [39]算法等。时间序列预测算法适用于对预测精度要求不高、天气变化不明显的情况。
4) 小波分析算法
小波分析具有多分辨率分析的特点，在时域和频域都具有表征信号局部信息的能力。近年来，国内外不少研究将小波分析用于分析和预测光伏功率[29，40]，对光伏功率进行不同频段的分解和预测，以及异常数据点识别。
由于小波分析并不能直接实现光伏功率预测，因此小波分析算法往往在组合模型中出现，用于深入分析变量之间的关系和提高预测精度。
5) 随机森林算法
随机森林是一种统计学习理论，通过重抽样方法抽取多个样本，建立决策树，组合多棵决策树预测最终结果，其对异常值和噪声有较强的容忍度，不易出现过拟合问题[41]。随机森林算法在光伏功率预测领域的运用较少，仅有少量研究尝试建立有差异的回归树实现光伏功率预测[42]。
由于在不同天气模态下光伏数据特点不同，预测适用的算法不同，因此后续的研究中可以构建多预测模型森林，针对实际情况自主选择预测结果的组合。
6) 概率预测算法
概率预测方法能给出下一时刻可能的光伏功率值及其出现的概率，提供了较全面的预测信息[43]。
目前国内外对光伏功率的概率预测还处于研究起步阶段，主要尝试将不同概率预测算法套用到光伏功率预测问题[44-45]，在建立适用于光伏功率预测问题的概率预测模型、建立误差评价标准等方面都需要进一步深入研究。 7) 综合预测算法综合预测算法[46-49]的基本思想与超短期预测中综合法类似，是研究热点之一，但目前针对特定预测环境的组合模型分析较少，组合模型对预测精度的提升效果有限。——论文作者：龚莺飞1，2 ，鲁宗相1，2 ，乔 颖1，2 ，王 强3
