10分钟为您横向简析几种主流光伏发电预测技术

引子

兔子君之前曾多次强调光伏发电预测具有极其重要的意义，这是由光伏发电靠天吃饭这个先天缺陷造成的。当再生能源在整个能源结构占比比较低的时候影响不大，但是当占比达到20%、30%的时候，发电预测的作用性就凸显出来了。只有能够准确的预测光伏发电，才能实现多能互补，有效的电网协调， 以及稳定和低成本的电网运营。

兔子以后会陆续推出预测相关的技术文章。今天为大家介绍5种预测方法，分别针对了不同的数据源，提供对提前24小时以每小时为单位间隔的短期预测，并给大家做出横向评估（da Silva Fonseca, Progress in Photovoltaics, 2015）。

方法一：天气信息+电站自身历史数据。

这种方法对应的算法很多，但是基本原理都是一样的：拿到电站本身的历史发电信息，和当地的历史天气信息，通过机器学习训练出反映两者对应关系的模型。模型建立以后，即可通过未来天气预报的信息预测未来电站的发电状况。模型有很多了，比如人工神经网络模型、自回归模型、模糊逻辑算法等等。而支持向量回归算法（support vector regression）号称是比较先进的一种。

方法二：天气信息+周边电站历史数据。

方法一准是准，但局限性也很明显——如果没有这个电站本身发电的历史数据怎么办？那退而求其次的办法就是拿到本地区其它电站的发电信息，基于与方法一同样的算法，预测待预测电站的发电状况。显而易见，比起方法一，可能引起的误差来源就是（1）取样的大小，也即是你能拿到的本地区其它电站的历史实测数据有多少？（2）拿到取样以后的前处理，也即是说，你有没有取样电站的关键信息，比如设计发电功率、组件类型、倾角等等。基本而言，如果取样足够大，信息足够全，方法二比起方法一的误差不会大很多。

方法三：天气信息+地区发电数据。

再退一步，如果这个地区一个电站的历史发电信息都拿不到，这该怎么办？那就去电网那里找找看吧，一般来说这个地区整体光伏发电的数据是应该有的。再配合对应的天气数据，也能建立起光伏发电和天气的对应关系。然而这样的处理方式误差相对较大，原因在于——到底该取哪个天气数据源？如果改进一下，我们可以把所有地方的不同天气数据源整合起来，配以不同的权重（也就是说每一个天气坐标对应的光伏电站系统大小性质有所不同），再来进行建模，看能不能通过机器学习分拆出对应坐标天气数据源对应的电站的发电信息。这里面比较困难的问题就在于数据的相关性需要解决，需要找到并抓住几个重要的变量。

方法四：一摸黑，仅靠天气信息。

我们假设什么历史数据都没有，巧妇难为无米之炊，怎么办？那撇开大数据机器学习，从天气预报+物理建模也可以进行预测。然而，根据物理建模精细程度和算法的不同，不同模型的预测水平参差不齐，造成的误差也差别很大。

日本中部地区多山气象条件复杂，中部高山冬季降雪，南北靠海则没有降雪，很适合不同预测方法的横向比较。这里分析了中部地区130个光伏电站一年的发电预测状况，四种发电预测技术依次排开。可以看到方法一到方法四，预测精度逐渐下降。这符合预期，因为从本光伏电站的历史数据，到地区取样电站的历史数据，再到本地区整体的历史数据，再到完全没有历史数据，拿到的数据源越来越少，机器学习建模的难度越来越大。

方法五：天气信息+物理模型+发电数据修正。

上面提到，根据物理建模精细程度和算法的不同，不同模型的预测水平参差不齐，造成的误差也差别很大。在这方面，我们自主开发的面向系统优化（System-Oriented Optimisation）发电预测技术对光伏发电系统本身有非常深刻的理解，得到足量的光伏系统的底层物理信息后，可准确高效的预测光伏系统在某种气象条件下的发电状况。而且我们的方法特别适合于双面、追光等新型复杂的光伏系统。这些复杂的光伏系统，一般机器学习的办法很难达到很好的预测效果。单纯的物理建模+天气预报，其精度基本能够达到方法三的水准。进而配合电站历史发电数据的修正，精度更可超过方法一和方法二，基本上比一般的建模精度可提升2-3%以上。

结论

光伏发电预测非常重要，而预测的精度基本上和所喂数据的质量直接相关。物理建模具有自身重大的优势，配合机器学习则能达到最佳的效果。欢迎有兴趣的朋友们找到兔子，我们可以进一步进行深入探讨。

长按指纹

一键关注

本文为PV兔子原创作品，非原文转载请添加管理员微信号pvtools_solar为好友，或直接扫描下方二维码添加兔子君好友，申请修改编辑授权。欢迎大家转载，谢谢您的喜爱和支持呦！

微信：pvtools_solar

兔子君

扫一扫上面的二维码，加我微信

更多精彩内容尽在PV兔子

订阅PV兔子微信

请

点击右上角“查看公众号”点击关注

请

搜索“PV兔子”点击关注

PVtools

公众号ID：PV兔子

长按识别二维码关注我们