基于多源氣象預報總輻照度修正的光伏功率短期預測

師浩琪，郭 力，劉一欣，王成山

（天津大學 智能電網教育部重點實驗室，天津 300072）

0 引言

近年來，為了緩解能源危機，以光伏發電為代表的可再生能源發展迅速，但其出力的不確定性和波動性給電網的安全穩定運行帶來了巨大沖擊［1］。因此，準確預測光伏功率對電網制定更加精細的調度計劃、提高電力系統可靠性有重要的現實意義［2］。

目前已有很多學者圍繞光伏電站日前24 h短期預測開展研究。在數據預處理方面，對預測模型的訓練數據劃分不同天氣類型有助于建立更加精細的預測模型［3］，但在天氣類型劃分方面，目前還沒有統一的標準。文獻［4］根據溫度、濕度、輻照度的特征，采用改進Kohonen 神經網絡進行天氣聚類。文獻［5］根據云量、輻照度、溫度采用概率神經網絡PNN（Probabilistic Neural Network）算法劃分天氣類型。上述歷史數據分類模型未考慮各氣象因素之間的相關關系，深層特征挖掘不足，存在數據冗余現象。在預測方法方面，隨著大數據技術的發展，人工智能算法相較于統計方法和物理方法應用更加廣泛［6］，主要包括人工神經網絡［7-8］、支持向量機［9］以及多模型組合算法［10］等。文獻［7］以溫度、濕度等氣象數據和相似日功率數據為輸入變量，采用反向傳播BP（Back Propagation）神經網絡預測光伏功率。文獻［8］額外引入天氣類型指數作為BP 神經網絡預測模型的輸入變量，預測不同天氣類型下的光伏功率。文獻［9］采用變分模態分解VMD（Variational Mode Decomposition）將歷史光伏發電功率分解成多個子模態，用最小二乘支持向量機LSSVM（Least Square Support Vector Machine）分別預測光伏發電功率和誤差。文獻［10］針對各天氣分型下的波動過程和類晴空過程，建立卷積神經網絡CNN（Convolutional Neural Network）和長短期記憶LSTM（Long Short Term Memory）網絡的組合預測模型。在預測數據源選擇方面，短期預測算法多以數值天氣預報NWP（Numerical Weather Prediction）為氣象數值預報源［11-12］，以公共氣象服務預報為天氣狀態預報源［13］。文獻［11］對高維NWP 數據進行降維處理，在篩選相似日樣本的基礎上，通過LSTM 網絡預測模型建立氣象因素與光伏功率之間的映射關系。文獻［12］以數據采集與監視控制SCADA（Supervisory Control And Data Acquisition）系統的功率數據和NWP 數據建立小波-粒子群-支持向量機預測模型。上述文獻以NWP 原始數據為輸入，建立NWP-功率映射模型，但由于NWP 存在誤差，該模型不能準確描述氣象-功率之間的關系。另外，由于NWP 誤差的不確定性，NWP-功率映射模型不能有效消除NWP 誤差對功率預測的影響。文獻［13］對所劃分的廣義天氣類型分別建立預測模型，并根據公共氣象服務預報的預測日天氣類型選擇預測模型進行預測。由于公共氣象服務預報的區域范圍較大，與光伏發電預測要求的精細化氣象預報場景存在較大差異，故須對公共氣象服務預報的準確度進行評估。針對NWP預報偏差較大的問題，很多學者一直嘗試解決，如采用模式后處理［14-15］等方法進行修正，但效果不明顯。利用數據融合和數據同化技術綜合多種來源的觀測資料或者模擬數據，可獲得高精度、高質量的多源數據融合氣象預報產品［16］。然而目前應用于光伏功率預測領域的氣象數據融合研究還比較少。

針對上述問題，本文提出基于多源氣象預報總輻照度修正的光伏功率短期預測方法。首先，根據功率序列特征采用自組織映射SOM（Self Organizing Map）神經網絡聚類算法劃分廣義天氣類型，并與公共氣象服務天氣類型預報實現匹配對應，分類方法具有較高的準確度和較強的適應性；然后，通過融合預測日NWP 和公共氣象服務天氣類型預報，基于樹擴展樸素貝葉斯TAN（Tree Augmented Naive Bayes）算法評估2種氣象預報源的準確度，再結合實測總輻照度數據實現預測日NWP 總輻照度修正；最后，以實測氣象和功率為訓練樣本，得到準確反映氣象與功率映射關系的預測模型，并以修正后的總輻照度為輸入實現光伏功率短期預測。利用我國某光伏電站的實際運行數據和氣象預報數據驗證了模型的有效性。

1 基于總輻照度修正的光伏功率預測

光伏輸出功率受多種外部氣象因素和自身組件狀態的影響，為構建高效、精確的預測模型，本節首先分析光伏發電影響因素，并篩選預測模型輸入變量，然后介紹本文提出的基于多源氣象預報總輻照度修正的光伏功率短期預測模型框架。

1.1 影響因素分析

光伏功率主要受兩方面因素影響［17］：一方面是光伏電站所處位置的輻照度、溫度等氣象因素；另一方面是光伏面板傾角、組件轉換效率等自身因素。在不發生故障的情況下，光伏組件自身因素在短期內變化較小，研究預測問題時可以忽略其對光伏功率的影響。

不同天氣類型下光伏電站功率曲線特征具有明顯差異。按照中國天氣網對天氣狀態的預報形式，結合光伏電站所在地區的氣候特點，以我國河南省某光伏電站為例，分析該地區天氣類型占比較大的晴天（41.00%）、多云天（27.83%）、陰天（13.64%）和雨雪天（16.08%）4 種典型天氣類型下光伏電站功率曲線特征，功率曲線如圖1所示。

由圖1 可知：晴天和多云天功率幅值較大，但晴天功率曲線較為平滑，多云天由于云層移動的影響其功率曲線呈現較強的波動性；陰天和雨雪天功率幅值較小并呈現出一定的波動性。通常而言，對于氣象要素變化平緩的天氣類型（如晴天），光伏預測精度較高，對于氣象要素波動性強、變化規律不明顯的天氣類型（如多云天、陰天和雨雪天），由于氣象要素預測的難度較大、精度較低，光伏功率預測偏差較大，因此有必要通過劃分天氣類型，采取針對性的預報方法或者修正方法來提高光伏功率預測精度。

圖1 不同天氣類型下光伏電站功率曲線Fig.1 Power curves of photovoltaic power plant under different weather types

到達地面的太陽輻射包括直射輻射和散射輻射，兩者之和稱為總輻射。直射輻射是指沒有被任何物質所散射，直接到達地面的太陽輻射；散射輻射則是太陽輻射經過大氣和云的散射后到達地面的太陽輻射。單位面積輻射量稱為輻照度?？傒椪斩仁枪夥β实闹苯佑绊懸蛩?，而氣溫、濕度、風速、氣壓等其他因素通過影響總輻照度的強弱間接影響光伏功率。隨機選取連續3 d 采樣時間間隔為15 min 的實測數據，采用皮爾森相似度分析法計算氣象因素與光伏功率之間的相關性，不同氣象因素與光伏功率間的皮爾森相關系數見表1。

表1 氣象因素與光伏功率間的皮爾森相關系數Table 1 Pearson relevant coefficient between meteorological factors and photovoltaic power

由表1 可知：總輻照度與光伏功率呈現極強的正相關性；實際中，雖然氣溫升高導致光伏組件效率降低，但在該過程中往往天氣越晴朗，太陽輻射越強，從而使光伏功率增大，綜合效果來看，氣溫和光伏功率呈現較強的正相關性；濕度和風速也與光伏功率呈現出較強的相關性。因此本文以上述4 種因素作為光伏功率預測模型的輸入變量，并對最關鍵的總輻照度因素進行修正，以提高功率預測精度。

1.2 預測模型框架

單一氣象預報源存在誤報和偏差的問題，綜合多種氣象預報源可提升氣象預報產品的精度，本文使用的多源氣象預報包括2 種氣象源：一種是預測日的NWP 數據，通常由NWP 服務機構提供；另一種是預測日公共氣象服務天氣類型預報，通常來源于中央氣象臺、中國天氣網等天氣類型預報服務機構。在獲取這2 種信息的基礎上，本文所提基于多源氣象預報總輻照度修正的光伏功率短期預測模型框架見圖2，主要包括光伏電站歷史數據分類、NWP 廣義天氣類型分類、廣義天氣類型轉移概率計算、NWP總輻照度修正和遺傳算法GA（Genetic Algorithm）優化的BP（GA-BP）神經網絡預測5個部分。目前關于GA-BP神經網絡算法的研究較成熟，本文不再贅述。

圖2 光伏功率短期預測模型框架Fig.2 Framework of short-term photovoltaic power forecasting model

2 光伏電站歷史數據分類

本節以光伏日功率序列為研究對象，提取光伏日功率序列特征，采用SOM 神經網絡聚類算法進行光伏電站歷史數據廣義天氣類型劃分，并對各廣義天氣類型的總輻照度劃分不同等級。光伏電站歷史數據分類模型框架見附錄A圖A1。

2.1 基于SOM 神經網絡聚類算法的光伏電站歷史數據分類

光伏功率與多種氣象因素密切相關，因此光伏功率可反映多種氣象因素的綜合變化。以光伏日功率序列特征構建特征向量進行聚類分析，綜合了各氣象要素場的關聯關系，分類結果有較高的準確度。

2.1.1 光伏日功率序列特征

如圖1 所示，不同天氣類型下光伏功率序列呈現出不同的幅值和波動情況，因此光伏日功率序列的幅值和波動特征反映了該日天氣狀態。本文對每日白晝時段的光伏日功率序列進行小波變換［18］，分解層數為4，得到反映光伏功率變化趨勢的近似信號A4和反映光伏功率隨機波動的細節信號D1—D4，將近似信號A4作為該日晴空序列u，細節信號D1—D4之和作為該日波動序列v，基于晴空序列u和波動序列v構建的光伏日功率序列特征如下。

1）幅值特征。

以晴空序列u的平均值uˉ衡量光伏功率幅值大小，如式（1）所示。

式中：ui為晴空序列u中第i個采樣點的功率值；n1和n2分別為采樣起始位置和結束位置。

2）波動特征。

（1）波動幅值特征。

以波動序列v的一階差分指標Δf衡量光伏功率波動幅值，如式（2）所示。

式中：vi為波動序列v中第i個采樣點的功率值。

（2）波動頻率特征。

將波動序列v進行快速傅里葉變換，確定其中心頻率，以中心頻率衡量光伏功率波動快慢。

2.1.2 SOM神經網絡聚類

SOM神經網絡根據人腦神經系統中興奮和抑制的現象，采用“競爭學習”的方式，實現對不同特征樣本的分類，其結構和算法步驟見附錄B。

SOM 神經網絡聚類算法根據數據間的相似性，通過自組織、自適應改變網絡的權值，可消除輸入噪聲的影響，但其聚類數需事先設定。本文借鑒層次聚類的思想，自頂向下利用SOM 神經網絡聚類算法，以2.1.1 節中的光伏日功率序列特征為輸入變量，采用逐步二分的方式將光伏電站歷史數據劃分為N類廣義天氣類型，分類過程見附錄A圖A2，然后如附錄A圖A3所示按晴朗程度實現廣義天氣類型與同時間范圍內公共氣象服務天氣類型預報匹配對應。

2.2 實測總輻照度等級劃分與折算

風速越大，對大氣中云團和懸浮物的推動作用越大，天氣越晴朗，總輻照度越大；濕度越大，大氣中的水汽對總輻照度的阻擋作用越大。特定的廣義天氣類型對應多種公共氣象服務天氣類型預報，不同公共氣象服務天氣類型預報如陰、霧、揚沙、霾的總輻照度大小不同，因此，各廣義天氣類型下由于其他氣象因素的影響或包含更精細的天氣類型，總輻照度呈現出不同水平。為構建更精細的總輻照度修正模型，需對各廣義天氣類型的總輻照度等級進行劃分，廣義天氣類型c總輻照度等級劃分流程如下。

1）根據2.1 節中的光伏電站歷史功率數據廣義天氣類型劃分結果，繪制廣義天氣類型c總輻照度散點圖。

2）計算廣義天氣類型c各時刻總輻照度序列不同分位數值，構建分位數值時間序列。廣義天氣 類 型c第i個 采 樣 點 的 總 輻 照 度 序 列Rc，i=[Rc，1，i，Rc，2，i，…，Rc，Kc，i]，其 中Rc，j，i(j=1，2，…，Kc)為 廣 義 天氣類型c第j個樣本中第i個采樣點的總輻照度值，Kc為廣義天氣類型c所包含的樣本數。若Rc，i的α分位數值R′c，i，α滿足P(Rc，j，i≤R′c，i，α)=α，則廣義天氣類型c的α分位數值時間序列R′c，α=[R′c，1，α，R′c，2，α，…，R′c，h，α]，其中P(A)表示事件A成立的概率，h為采樣點數。

3）利用高斯濾波法對廣義天氣類型c總輻照度分位數值時間序列進行平滑處理。

4）定義廣義天氣類型c相鄰分位數值時間序列之間的總輻照度散點帶，將其按照從高到低分別分為等級1—M。

將各廣義天氣類型總輻照度均按上述方法劃分為多個等級后，將上下界分位數值時間序列的平均值作為該等級的代表序列。根據不同廣義天氣類型同一等級的代表序列計算不同廣義天氣類型間的總輻照度折算系數序列。廣義天氣類型c1和c2間總輻照度等級i的折算系數序列λc1→c2，i按式（3）進行計算。

3 基于TAN的廣義天氣類型轉移概率計算

天氣狀態變化具有連續性，本文天氣類型轉移概率定義為在預測日前幾日天氣類型一定的情況下，預測日各天氣類型發生的概率。某日鄰近前幾日的天氣狀態與該日天氣狀態具有相關性，不滿足傳統樸素貝葉斯算法各屬性變量之間相互獨立的假設。本文使用TAN 算法計算預測日各廣義天氣類型的轉移概率，該算法在樸素貝葉斯算法的基礎上，假設每個條件屬性在類別屬性之外最多依賴于1 個其他條件屬性。根據該思想，本文將預測日的廣義天氣類型作為類別屬性，將預測日前D天的廣義天氣類型作為條件屬性，計算預測日各廣義天氣類型的轉移概率，以此評估各氣象預報源的準確性。廣義天氣類型轉移概率計算模型框架見附錄A 圖A4。TAN算法步驟見附錄C。

廣義天氣類型轉移概率的大小對總輻照度修正值的精度有很大影響，為確定轉移概率計算模型的最適條件屬性數，本文提出轉移概率有效率Ie來評估轉移概率的有效性，計算公式為：

4 基于NWP 廣義天氣類型分類的總輻照度修正

以反映云量多少的日均直總輻照度比作為NWP 廣義天氣類型分類的標準，通過分析NWP 廣義天氣類型分類正確的樣本計算NWP 總輻照度系統誤差，引入公共氣象服務天氣類型預報源，并結合廣義天氣類型轉移概率修正NWP 總輻照度。NWP總輻照度修正模型框架見附錄A圖A5。

4.1 NWP廣義天氣類型分類

有關研究結果表明，在云量較少、大氣透明度較高的時段，總輻照度中直射輻照度占比較大，因此直射輻照度和總輻照度的比值反映了云量的多少。根據2.1節中的各廣義天氣類型所占比例，對同一時間范圍內NWP 日均直總輻照度比進行排序，按比例求取各廣義天氣類型日均直總輻照度比閾值，即可根據預測日NWP 數據確定預報的廣義天氣類型。日均直總輻照度比η按式（5）進行計算。

4.2 NWP總輻照度系統誤差計算

NWP總輻照度系統誤差計算步驟如下：

1）根據2.1 節中的歷史功率數據分類模型確定樣本集的廣義天氣類型；

2）根據4.1 節中的日均直總輻照度比確定樣本集NWP廣義天氣類型；

3）從樣本集篩選NWP 廣義天氣類型分類正確的樣本，本文NWP 廣義天氣類型分類正確的樣本定義為與NWP 廣義天氣類型與功率分類確定的廣義天氣類型相同的樣本；

4）在NWP 廣義天氣類型分類正確的樣本中分別計算各廣義天氣類型下NWP總輻照度系統誤差。

4.3 NWP總輻照度修正

在預測日前一天從不同的氣象服務機構獲取預測日的NWP 數據和公共氣象服務天氣類型預報，判斷預測日NWP 廣義天氣類型cNWP與公共氣象服務預報的廣義天氣類型cWTF是否一致：若一致，則僅修正總輻照度系統誤差即可得到用于功率預測的總輻照度序列，即廣義天氣類型cNWP的總輻照度序列RcNWP；若不一致，則根據輻照度較高時段11:00—13:00 的總輻照度平均值判斷廣義天氣類型cNWP總輻照度等級i，根據廣義天氣類型cNWP和cWTF之間總輻照度等級i的折算系數序列λcNWP→cWTF，i得到廣義天氣類型cWTF的總輻照度序列RcWTF。由預測日廣義天氣類型轉移概率模型分別計算NWP 廣義天氣類型cNWP和公共氣象服務預報的廣義天氣類型cWTF的轉移概率P(cNWP)和P(cWTF)，并以轉移概率為權重對2種廣義天氣類型下的總輻照度序列進行求和，得到用于功率預測的總輻照度序列R*。NWP總輻照度2步修正示意圖見附錄A 圖A6。用于功率預測的總輻照度序列R*按式（11）進行計算。

式（11）中公共氣象服務預報的廣義天氣類型cWTF對應的總輻照度序列RcWTF按照式（12）進行計算。

5 算例分析

以我國某裝機容量為20 MW 的光伏電站2018年6 月1 日至2019 年5 月31 日的實測數據和相關氣象預報數據為樣本。NWP 數據來源于德國天氣在線數值預報數據中心，該中心基于WRF（Weather Research and Forecasting）模式對全球預報系統GFS（Global Forecast System）背景場數據進行計算模擬；公共氣象服務天氣類型預報數據來源于中國天氣網。以2018年6月1日至2019年4月30日的樣本作為訓練樣本，2019 年5 月1 日至2019 年5 月31 日的樣本作為測試樣本，對本文所建立的光伏功率短期預測模型進行驗證。根據測試樣本所在季節的日出日落時間，選取06:30—18:30 時段的功率作為功率預測的對象。另外，根據2017—2019 年的公共氣象服務天氣類型預報數據建立和驗證廣義天氣類型轉移概率計算模型。

5.1 光伏電站歷史數據分類

提取日功率序列特征并采用SOM 神經網絡聚類算法進行逐步分類，由戴維森堡丁指數DBI［19］（Davies Bouldin Index）確定分類數N，DBI 越小，分類效果越好。不同分類數N對應的DBI變化見圖3。

理論上，廣義天氣類型種類越多，分類模型越精細，但預測模型的復雜度越高。由圖3可知，當N=4時，DBI 出現明顯拐點，因此本文將歷史數據劃分為4 種廣義天氣類型。通過比較聚類中心發現：廣義天氣類型1和2的日功率幅值較大，但廣義天氣類型1的日功率波動性較小，廣義天氣類型2的日功率波動性較大；廣義天氣類型3和4的日功率都呈現出一定的波動性，但廣義天氣類型4的日功率幅值更低。

樣本時間范圍內光伏電站所在地區公共氣象服務天氣類型預報包括晴、多云、陰、小雨、中雨、大雨、暴雨、陣雨、雷陣雨、霧、霾、揚沙、小雪、大雪、雨夾雪共15 種天氣類型。將這15 種天氣類型按照晴朗度排序，并與本文劃分的4 種廣義天氣類型進行匹配，匹配結果及各天氣類型占比見表2。

由表2 可以看出，在一定誤差范圍內，公共氣象服務天氣類型預報與本文所劃分的4 種廣義天氣類型具有較高的匹配度，驗證了本文提出的基于功率特征的歷史數據分類方法的有效性。

在總輻照度等級劃分上，針對難以細化的廣義天氣類型1和2，由于風速、濕度等其他因素的影響，總輻照度呈現出不同的水平。針對包含多種精細天氣狀態的廣義天氣類型3和4，不同的精細天氣狀態對應不同的總輻照度水平，兼顧典型性和代表性，本文將各廣義天氣類型總輻照度劃分為10%、30%、50%、70%、90%這5個分位數序列，共4個等級。各廣義天氣類型總輻照度等級及分位數界見表3。

此外，位于10%分位數序列以下和90%分位數序列之上的總輻照度序列出現的概率較低，分別將其歸為等級4 和等級1。廣義天氣類型1 所有樣本總輻照度散點圖及等級劃分如圖4 所示。其他廣義天氣類型所有樣本總輻照度散點圖及等級劃分見附錄D 圖D1—D3。圖5 為廣義天氣類型3 總輻照度等級及其對應的精細天氣狀態示意圖，圖中陰、霧、揚沙、霾4 種天氣類型分別對應總輻照度等級1—4。另外，經統計驗證可知：廣義天氣類型4 中小雨、陣雨、雷陣雨天氣下的輻照度水平較高，屬于等級1；中雨、大雨天氣下的輻照度水平屬于等級2；暴雨、小雪天氣下的輻照度水平屬于等級3；大雪、雨夾雪天氣下的輻照度水平屬于等級4。

圖4 廣義天氣類型1總輻照度散點圖及等級劃分Fig.4 Scatter diagram and classification of total irradiance for Generalized Weather Type 1

圖5 廣義天氣類型3總輻照度等級及精細天氣狀態Fig.5 Total irradiance levels and fine weather condition for Generalized Weather Type 3

5.2 廣義天氣類型轉移概率有效性評估

為確定基于TAN 的廣義天氣類型轉移概率模型的最適條件屬性數，考慮到與預測日間隔天數越多，天氣狀態間的相關性越弱，本文分別以預測日前1—6 d 作為預測日轉移概率計算的屬性變量，并通過轉移概率有效率Ie評估不同屬性變量數下的轉移概率有效性。

由于光伏電站歷史數據時間范圍較小，不適用于建立和驗證廣義天氣類型轉移概率計算模型，且雖然較長時間范圍內公共氣象服務預報的廣義天氣類型存在一定誤差，但當樣本集足夠大時，以公共氣象服務預報結果建立的廣義天氣類型轉移概率模型與以實際廣義天氣類型建立的轉移概率模型趨于一致，因此本文以2017 年1 月1 日至2019 年4 月30 日公共氣象服務預報的廣義天氣類型作為訓練樣本，2019 年5 月1 日 至2019 年12 月31 日 公 共 氣 象 服 務預報的廣義天氣類型作為測試樣本，分別建立不同屬性變量數的轉移概率計算模型，對應的轉移概率有效率如表4所示。

表4 不同屬性變量數下的轉移概率有效率Table 4 Transfer probability efficiency under different numbers of attribute variables

由表4 可知：僅用預測日前1 d 的廣義天氣類型作為屬性變量計算預測日廣義天氣類型轉移概率具有較大的偶然性，轉移概率有效率較低；當用預測日前3 d的廣義天氣類型作為屬性變量時，既保證了預測日前3 d 的廣義天氣類型與預測日廣義天氣類型具有較強的相關性，又避免了屬性變量較少時轉移概率偶然性較大造成轉移概率有效率較低的問題；當屬性變量繼續增加時，距離預測日時間較長的屬性變量的廣義天氣類型與預測日廣義天氣類型的相關性較小，對預測日廣義天氣類型的判定造成干擾，導致轉移概率有效率降低。因此，本文選擇預測日前3 d 的廣義天氣類型作為預測日廣義天氣類型轉移概率計算的屬性變量。

5.3 功率預測結果分析

本文將總輻照度、溫度、濕度、風速作為GA-BP神經網絡的輸入變量，功率作為輸出變量，使用五折交叉驗證進行模型參數尋優，將訓練樣本平均劃分為5 個互斥子集，其中4 個子集作為訓練集，另外1個子集作為驗證集，每組模型參數循環驗證5 次，將5 次預測結果的平均誤差作為最終誤差，選取誤差較小時的模型參數作為最終GA-BP 預測模型參數。模型參數見附錄D表D1。

本文選取平均絕對誤差MAE（Mean Absolute Error）和均方根誤差RMSE（Root Mean Square Error）［20］作為光伏電站功率預測誤差的評價指標。

在測試集中根據NWP 廣義天氣類型和公共氣象服務預報的廣義天氣類型對總輻照度進行修正，共分為附錄D 表D2 所示的7 種情況。表中：“一步修正”表示修正系統誤差，“兩步修正”表示修正系統誤差后進一步按照轉移概率進行修正；僅情況5—7需要計算廣義天氣類型的轉移概率和總輻照度等級，進行兩步修正；情況1—4中NWP 廣義天氣類型與公共氣象服務預報的廣義天氣類型相同，只需根據對應的廣義天氣類型修正總輻照度系統誤差；每種情況分別選取1 d 作為典型日。圖6 為廣義天氣類型1 典型日總輻照度修正及功率預測結果，其他廣義天氣類型典型日總輻照度修正及功率預測結果見附錄D 圖D4—D6。表5 為不同廣義天氣類型下的功率預測誤差。

圖6 廣義天氣類型1總輻照度修正及功率預測結果Fig.6 Total irradiance correction and power forecasting results for Generalized Weather Type 1

由表5 可以看出，所有廣義天氣類型下以NWP修正系統誤差后的總輻照度作為功率預測的數據源，預測準確度大幅提升，驗證了本文所提的NWP總輻照度系統誤差計算方法的有效性。

表5 不同廣義天氣類型下的功率預測誤差Table 5 Power forecasting errors under different generalized weather types

情況5—7 中NWP 劃分的廣義天氣類型與公共氣象服務預報的廣義天氣類型不同，需要在修正系統誤差的基礎上進一步依據預測日不同廣義天氣類型的轉移概率修正NWP 總輻照度值。圖7 為情況5對應的總輻照度修正及功率預測結果。情況6 和情況7 對應的總輻照度修正及功率預測結果分別見附錄D圖D7和圖D8。

圖7 2019年5月5日總輻照度修正及功率預測結果Fig.7 Total irradiance correction and power forecasting results on May 5，2019

針對情況7 對應的2019 年5 月4 日進行分析說明。該日NWP 廣義天氣類型為廣義天氣類型4，公共氣象服務預報的廣義天氣類型為廣義天氣類型2。按照廣義天氣類型4 修正總輻照度系統誤差后得到的功率預測結果與實測功率相差較大，這是由NWP 廣義天氣類型預報錯誤，對總輻照度修正過度導致的。通過廣義天氣類型2與4之間的折算系數和2 種廣義天氣類型轉移概率計算融合2 種氣象預報進行修正后的總輻照度序列，拉升了按廣義天氣類型4 進行系統誤差修正后的總輻照度曲線，按該總輻照度曲線得到的功率預測結果與實測功率的誤差相比僅進行系統誤差修正大幅減小。附錄D 表D3為情況5—7典型日預測誤差。由表可知，當預測日NWP劃分的廣義天氣類型與公共氣象服務預報的廣義天氣類型不一致時，按照本文提出的兩步修正方法修正NWP 總輻照度，并將其作為預測模型的輸入源，得到的預測結果誤差更小，驗證了本文所提出的依據轉移概率對總輻照度進行進一步修正的有效性。

在測試集31 d 中：NWP 廣義天氣類型與公共氣象服務預報的廣義天氣類型一致的共有17 d，對于該類預測日的NWP 總輻照度，只需修正系統誤差；NWP 廣義天氣類型與公共氣象服務預報的廣義天氣類型不一致的共有14 d，對于該類預測日的NWP總輻照度，在修正系統誤差之后，以各廣義天氣類型的轉移概率為權重計算修正后的總輻照度。附錄D表D4為測試集平均誤差統計表。由表可知，從長時間范圍看：NWP 總輻照度修正系統誤差后比修正前預測結果的MAE 減小了6.48 %，RMSE 減小了6.19%；NWP 總輻照度兩步修正后比修正前預測結果的MAE 減小了7.65%，RMSE 減小了7.66%；本文提出的NWP 總輻照度兩步修正算法比僅修正NWP總輻照度系統誤差預測結果的MAE 減小了1.17%，RMSE 減小了1.47%。測試集31 d 預測結果的月RMSE 為9.91%，完全滿足我國現行標準NB／T 32011—2013《光伏發電站功率預測系統技術要求》中規定的短期預測月RMSE小于15%的要求。

因此，本文提出的結合公共氣象服務天氣類型預報分步修正NWP 總輻照度可以顯著提高功率預測的準確度，并有較高的工程應用價值。

6 結論

本文基于NWP和公共氣象服務天氣類型預報2種氣象預報數據源，建立總輻照度修正的光伏功率短期預測模型，該模型由光伏電站歷史數據分類模型、NWP 廣義天氣類型分類模型、廣義天氣類型轉移概率計算模型、NWP 總輻照度修正模型和GA-BP神經網絡預測模型組成。從測試集31 d 的預測結果來看，相較于傳統以未處理的NWP 數據和僅修正NWP 系統誤差后的數據進行功率預測的方法，本文所建立的預測模型MAE 分別減小了7.65% 和1.17%，RMSE分別減小了7.66%和1.47%，且月RMSE為9.91%，滿足我國現行標準的要求，驗證了所建立的光伏功率短期預測模型的有效性，為使用NWP 進行功率預測提供了一種新思路。

本文建立的總輻照度修正模型以d 為單位，以修正后的總輻照度預測光伏功率，在一定程度上提高了功率預測的精度。但在長時間尺度上總輻照度修正標準單一，未來可將研究重點轉向將預測日全天劃分為不同時段分別進行修正，以進一步提升預測精度。

附錄見本刊網絡版（http：//www.epae.cn）。