结合遥感数据的光伏发电功率预测方法

刘周斌 徐崇斌 王鑫磊 陈前2, 左欣2, 吴俣 徐丹露

结合遥感数据的光伏发电功率预测方法

刘周斌1徐崇斌*2,3,4王鑫磊3陈前2,3左欣2,3吴俣5徐丹露1

（1国网浙江省电力有限公司双创中心，杭州 310051）（2 北京空间机电研究所，北京 100094）（3 北京航天创智科技有限公司，北京 100076)（4 北京市航空智能遥感装备工程技术研究中心，北京 100094）（5 中国科学院空天信息创新研究院，北京 100094）

在光伏发电功率预测中，地表太阳辐射量的准确获取十分重要，卫星遥感能够定量获得区域气象和环境信息，为此提出结合卫星遥感数据的光伏发电功率预测方法。文章基于高时间分辨率卫星数据，采用深度学习方法，获取大范围内的地表太阳辐射数据，进而结合光伏发电功率数据和气象数据，进行光伏发电功率预测。结果表明，采用文章提出的预测方法，光伏发电功率4h预测平均功率精度为2=0.92，均方根误差RMSE=0.99MW，24h预测平均功率精度为2=0.78，RMSE=0.60MW。文章研究可为大范围光伏功率预测提供参考。

太阳辐射 光伏发电功率 短期预测 深度学习 航天遥感应用

0 引言

光伏发电是我国实现碳达峰、碳中和目标的一个重要手段。根据国际能源署（International Energy Agency，IEA）发布的全球光伏报告[1-2]，截止2020年底，全球累计光伏装机760.4GW，中国累计光伏装机254.4GW，占比33.45%。2020年中国新增光伏容量48.2GW，较2019年增长60.13%，增长速度最快。

在能源结构中，光伏累计发电量占比稳步提升，新能源绿色电能替代作用不断增强。但是光伏发电功率受日照、地理条件、大气环境、气象等因素的影响，具有显著的波动性和随机性[3-4]。准确预测光伏发电功率对于光伏并网具有重要的意义，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。

光伏发电功率和太阳辐照度具有极强的线性关系[5]，辐照度预测精度的准确性直接决定光伏功率预测的准确性。首先，最直接影响辐照度的是云，云的遮挡直接影响到达地面的太阳辐射量。此外，气溶胶光学厚度和水汽含量也是影响太阳辐照度的重要因素。文献[6]通过研究不用因子的透光率，实现全天空太阳辐照度计算；文献[7]通过线性模型和神经网络模型组合，获得更好的预测精度，但是模型选择和权重设置是多模型组合的难点；基于地基观测仪器（比如全天空成像仪），文献[8]利用前后观测的时序数据进行云层运动分析，进而预测太阳辐射量；基于卫星观测，文献[9]利用MODIS卫星数据估算地表短波辐射。利用卫星数据计算太阳辐射量和空间分布研究较多，但预测地表太阳辐射量相关研究较少。

光伏功率预测方法有多种分类：1）根据流程的不同，可分为直接预测法和间接预测法。直接预测法使用历史光伏功率数据和气象、辐射数据来预测未来的光伏功率[11]；间接预测法是首先使用气象数据和卫星云图预测太阳短波辐射，然后使用太阳辐射和相关的环境变量计算光电转换率，最后得到预测的光伏功率[12]。2）根据预测时长的不同，可分为超短期预测、短期预测和中长期预测[10]。3）根据预测空间范围的不同，可分为单场预测[13]和区域预测[14]。现有方法中，单场的直接预测法是最常用的类型，以光伏电站的历史记录数据作为样本，训练时间序列预测模型（如循环神经网络），得到未来短期的光伏功率预测结果。但此类方法的外推能力有限，通常仅能在短期内（1～4h）有较高的精度，超过4h后精度快速衰减[15]，因此光伏功率预测的精度和有效时长都有待提高。

本文利用卫星遥感数据，反演得到云和气溶胶等大气成份的理化光学参数和变化趋势，结合地面气象数据，预测不同时空条件地表下行短波辐射，利用深度学习方法进一步提升光伏功率预测精度。

1 研究区和数据

本文选取浙江嘉兴作为研究区域，研究区地处东亚季风区，年平均日照2017.0小时。6月份前后受梅雨季节影响，阴雨天较多，日照少，该阶段对光伏发电影响较大[16]。卫星数据采用Himawari-8卫星的短波辐射Level 2产品[17]，产品的空间分辨率为0.05°，时间分辨率为10min。DEM数据来源于SRTM（Shuttle Radar Topography Mission）产品，空间分辨率约30m。地面气象数据来自嘉兴地面气象监测站点，共计73个，采集要素为气温、降水、风速、风向、湿度、气压。地面光伏发电功率数据为多个站点2018年至2020年监测数据，采集要素包括并网点有功功率、及时辐射、散射辐射、光伏年限衰减情况、光伏板功率转换效率等数据。图1为嘉兴地区气象站点及示范光伏电站发布。

图1 嘉兴地区气象站点及示范光伏电站分布

2 研究方法

2.1 地表太阳辐射预测

地表太阳辐射预测常用的方法有统计方法、数值天气预报、遥感模型、深度学习方法以及混合模型[18-19]。传统统计方法操作简单，但是不能很好地适用于本文研究区数据波动较大的情况。数值天气预报以气象参数为主，同时分辨率较低，无法在大范围内快速得到较高时空分辨率的预测结果。遥感模型以监测云层运动为主。深度学习方法通过构建输入与输出之间复杂的非线性关系，通过多次迭代学习，使模型能够学习到其中复杂的变换关系，为地表太阳辐射预测提供有效的支撑。

为满足光伏预测的实时性要求，本文以Himawari-8卫星的短波辐射产品（历史数据）和地面高程数据为基础，首先根据研究区进行数据整合，将两类数据进行组合后作为输入，采用最大最小值归一化方法将数据统一到相同范围内，并按照数据的时间序列进行数据归集。选取长短期记忆网络（Long Short-Term Memory，LSTM）模型作为预测模型，数据集分为训练集、验证集和测试集。训练过程中设定不同超参数和模型结构参数，多次迭代训练，得到最优模型，最终根据实时输入数据生成实时参数预测结果。地表太阳辐射预测流程如图2所示。

图2 地表太阳辐射预测流程图

LSTM是循环神经网络（RNN）的一种改进版本，它解决了普通RNN中存在的梯度消失和梯度爆炸的问题，使其可以处理长时间序列的数据。如图3所示，LSTM与RNN的单隐藏层不同，LSTM将信息存储在RNN正常流之外的控制单元中。LSTM将RNN的隐藏单元分为两个状态向量：C和h。C用于保留序列特征，前一序列的记忆由“遗忘门”f控制；h用于输出，并且“输出门”o控制要写入当前状态的C。“输入门”用于控制h–1和当前输入x。上述三种门是动态更新的，通过sigmoid函数来实现。最后使用激活函数得到当前样本的类别或回归值。LSTM的计算过程如式（1）所示：

式中 f为“遗忘门”，ft为时间序列变量；i为“输入门”，it为时间序列变量；o为“输出门”，ot为时间序列变量；σ为sigmoid函数；xt为输入数据；ht为输出；W为权重；b为偏置；为候选向量；t为时间序列。

本文中采用的LSTM模型如图4所示，使用LSTM Cell作为基础网络单元，每个LSTM Cell的输入为上一个时刻的数据和标签，并将其输出传递到下一个时刻。本文采用的LSTM既考虑了数据的空间关系，又考虑了前后时间的依赖和变化，因此适用于地表太阳辐射的时空变化预测。

图4 LSTM模型

2.2 光伏发电功率预测

光伏发电功率技术路线如图5所示，输入数据为光伏站监测的功率数据、太阳辐射数据以及气象数据，所有数据分为实时监测数据和历史数据。利用历史数据训练预测模型，首先进行数据采样，功率数据每15min更新一次，太阳辐射数据每10min更新一次，气象数据每5min更新一次，统一将数据时间尺度采样到15min一次。根据不同类型数据设定阈值筛选，去除观测异常值。采用最大最小值归一化方法将数据统一到相同范围内，并按照数据的时间序列进行数据归集。

图5 光伏发电功率预测流程图

同样选取LSTM模型作为预测模型，训练过程中设定不同超参数和模型结构参数，多次迭代训练，得到最优模型。最终根据实时输入数据生成实时发电功率预测结果。

3 结果与精度评价

本文采用深度学习方法，以光伏功率数据、太阳辐射数据和气象数据作为训练数据，训练数据采用2018年至2020年底三年历史数据，包括卫星数据、气象数据、光伏监测数据。将80%数据用于模型训练，20%数据用于测试。通过构建LSTM预测模型，实现光伏发电的4h超短期功率预测和次日逐小时功率预测。

3.1 精度评价指标

本文模型为回归预测问题，选择决定系数2、平均绝对百分比误差MAPE和均方根误差RMSE作为精度评价指标，来为训练过程中的参数选择和最终的精度评价提供依据。三个指标计算方法如下：

3.2 地表太阳辐射预测

采用本文提出的地表太阳辐射预测模型，4h内10min一次，24h内每小时预测一次。4h和24h预测结果如图6、图7所示，图中横轴是真实辐射量，纵轴是预测辐射量，红线是1:1线，斜率为1，绿线是散点图拟合出来的斜率，绿线斜率越接近红线，拟合效果越好。结果表明预测结果在4h内一致性较高，24h预测结果一致性降低。预测结果的数值分布与真实值分布较为吻合，高值区域和低值区域分布情况一致，预测结果的空间细节较为平滑，原因是模型运算过程中降采样造成空间细节模糊。4h预测2达到0.92，MAPE为5.09%，24h预测结果2精度降低至0.82，说明随着预测时间的推移，总体精度降低，误差升高，误差大的样本数量逐渐增加。相较于依赖地面观测设备进行单点位预测[20]，本文基于卫星遥感数据实现了高时间分辨的大区域预测，可以用于大范围动态预测。

图6 4小时预测结果

图7 24小时预测结果

采用2和MAPE进行地表太阳辐射精度评价，表1所示为逐小时预测结果精度评价。可以看出，短时内精度较高，T+1h时2为0.92，随着时间推移，T+24h时降低到0.71。MAPE由T+1h时的9.84%，逐步升高到14.74%。

表1 地表太阳辐射预测误差结果

Tab.1 Prediction error results of surface solar radiation

3.3 光伏发电功率预测

本文采用机器学习常用方法SVM[21]与本文方法比分析，同时对LSTM模型是否采用地表太阳辐射预测数据进行对比分析，同时。晴空条件下预测结果如图8所示，结果表明，在晴空天气下三种方法预测结果与实际发电功率一致性较高，预测曲线与实际发电功率曲线基本吻合。多云条件下预测结果如 图9所示，其中未采用辐射预测数据的光伏功率预测曲线与实际发电功率曲线相差较大，预测结果高于实际功率，如图9（a）所示。采用地表太阳辐射预测数据+SVM方法预测的光伏功率曲线与实际发电功率曲线较为仍有差距，如图9（b）所示。采用地表太阳辐射预测数据+LSTM方法预测的光伏功率曲线与实际发电功率曲线较为吻合，相较于其他两种方法预测效果提升明显，如图9（c）所示。相较于晴空条件下，多云天气下的结果一致性降低，实际发电功率曲线受天气影响变化显著，有明显的突变性和随机性，预测曲线较为平滑，本文采用的方法总体趋势保持一致，具有较好的适用性。

图8 不同方法天气预测结果（晴空）

图9 不同方法预测结果（多云）

采用2和RMSE进行光伏发电功率预测精度评价，并统计误差分布。采用地表太阳辐射预测数据+LSTM方法得到图10和图11所示的精度评价图和误差分布图，图中横轴是真实功率，纵轴是预测功率。4h预测平均功率的2为0.92，RMSE为0.99MW，且多数误差分布在0MW附近，少数样本的误差绝对值大于2MW，如图9所示。24h预测平均功率的2为0.78，RMSE为0.60MW，多数误差分布在–1～1MW之间，如图10所示。

图10 4小时平均功率预测精度

图11 24小时平均预测功率精度

4 结束语

本文利用卫星遥感数据、气象数据和光伏发电功率数据，采用深度学习方法，实现了区域性地表太阳辐射量预测和光伏发电功率预测。结果表明，基于卫星遥感数据可以准确预测大范围的太阳辐射量，利用高时间分辨率卫星数据，可以为光伏发电预测提供准确的数据支撑。在太阳辐射数据准确预测的基础上，结合光伏电站功率数据和气象监测数据，可以实现准确的光伏发电功率预测。

[1] International Energy Agency. Snapshot of Global PV Markets 2020[EB/OL]. [2021-08-16]. https://iea-pvps.org/ wp-content/uploads/2020/04/IEA_PVPS_Snapshot_2020.pdf.

[2] International Energy Agency. Snapshot of Global PV Market[EBOL]. [2021-08-16]. https://www.researchgate.net/ publication/332606669_2019_-_Snapshot_of_Global_Photovoltaic_Markets.

[3] 赖昌伟, 黎静华, 陈博, 等. 光伏发电出力预测技术研究综述[J]. 电工技术学报, 2019, 34(6): 1201-1217.

LAI Changwei, LI Jinghua, CHEN Bo, et al. Review of Photovoltaic Power Output Prediction Technology[J]. Transactions of China Electrotechnical Society, 2019, 34(6): 1201-1217. (in Chinese)

[4] ROSATO A, PANELLA M, ARANEO R, et al. A Distributed Algorithm for the Cooperative Prediction of Power Production in PV Plants[J]. IEEE Transactions on Energy Conversion, 2018, 34(1): 497-508.

[5] 田壁源, 李永新, 文玉玲, 等. 光伏功率预测技术与方法[J]. 电工技术, 2019(15): 25-27.

TIAN Biyuan, LI Yongxin, WEN Yuling, et al. Technology and Method of PV Power Prediction[J]. Electric Engineering, 2019(15): 25-27. (in Chinese)

[6] BIRD R E, HULSTROM R L. Simplified Clear Sky Model for Direct and Diffuse Insolation on Horizontal Surfaces[EB/OL]. [2021-08-16]. https://www.osti.gov/servlets/purl/6510849/.

[7] MONJOLY S, ANDRÉ M, CALIF R, et al. Hourly Forecasting of Global Solar Radiation Based on Multiscale Decomposition Methods: A Hybrid Approach[J]. Energy, 2017(15): 288-298.

[8] CHOW C W, BELONGIE S, KLEISSL J. Cloud Motion and Stability Estimation for Intra-hour Solar Forecasting[J]. Solar Energy, 2015, 115: 645-655.

[9] TANG B, LI Z L, ZHANG R. A Direct Method for Estimating Net Surface Shortwave Radiation from MODIS Data[J]. Remote sensing of Environment, 2006, 103(1): 115-126.

[10] 龚莺飞, 鲁宗相, 乔颖, 等. 光伏功率预测技术[J]. 电力系统自动化, 2016(4): 140-151.

GONG Yingfei, LU Zongxiang, QIAO Ying, et al. An Overview of Photovoltaic Energy System Output Forecasting Technology[J]. Automation of Electric Power Systems, 2016(4): 140-151. (in Chinese)

[11] INEICHEN P. Comparison of Eight Clear Sky Broadband Models Against 16 Independent Data Banks[J]. Solar Energy, 2006, 80(4): 468-478.

[12] 朱想, 居蓉蓉, 程序, 等. 组合数值天气预报与地基云图的光伏超短期功率预测模型[J]. 电力系统自动化, 2015, 39(6): 4-10, 74.

ZHU Xiang, JU Rongrong, CHENG Xu, 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. (in Chinese)

[13] 胡兵, 詹仲强, 陈洁, 等. 基于PCA-GA-Elman的短期光伏出力预测研究[J]. 太阳能学报, 2020, 41(6): 256-263.

HU Bing, ZHAN Zhongqiang, CHEN Jie, et al. Prediction Research on Short-term Photovoltaic Output Based on Pca-ga-elman[J]. Acta Energiae Solaris Sinica, 2020, 41(6): 256-263. (in Chinese)

[14] 姚仲敏, 潘飞, 沈玉会, 等. 基于GA-BP 和POS-BP神经网络的光伏电站出力短期预测[J]. 电力系统保护与控制, 2015, 43(20): 83-89.

YAO Zhongmin, PAN Fei, SHEN Yuhui, et al. Short-term Prediction of Photovoltaic Power Generation Output Based on GA-BP and POS-BP Neural Network[J]. Power System Protection and Control, 2015, 43(20): 83-89. (in Chinese)

[15] GE L, XIAN Y, YAN J, et al. A Hybrid Model for Short-term PV Output Forecasting Based on PCA-GWO-GRNN[J]. Journal of Modern Power Systems and Clean Energy, 2020, 8(6): 1268-1275.

[16] 黄艳, 蔡敏, 严红梅. 浙江省太阳能资源分布特征及其初步区划研究[J]. 科技通报, 2014, 30(5): 78-85.

HUANG Yan, CAI Min, YAN Hongmei. The Distributive Character and Compartment Analysis of Solar Energy Resources in Zhejiang Province[J]. Bulletin of Science and Technology, 2014, 30(5): 78-85. (in Chinese)

[17] Earth Observation Research Center(JAEA). JAXA Himawari Monitor[EB/OL]. [2021-08-16]. https://www.eorc.jaxa.jp/ ptree/userguide.html.

[18] BLAGA R, SABADUS A, STEFU N, et al. A Current Perspective on the Accuracy of Incoming Solar Energy Forecasting[J]. Progress in Energy and Combustion Science, 2019, 70: 119-144.

[19] 李冰, 张妍, 刘石. 基于LSTM 的短期风速预测研究[J]. 计算机仿真, 2018, 35(11): 468-473.

LI Bing, ZHANG Yan, LIU Shi. Wind Speed Short Term Prediction Study Based on LSTM[J]. Computer Simulation, 2018, 35(11): 468-473. (in Chinese)

[20] 杨茂, 朱亮. 基于FA-PCA-LSTM的光伏发电短期功率预测[J]. 昆明理工大学学报(自然科学版), 2019, 44(1): 61-68.

YANG Mao, ZHU Liang. Short-term Power Prediction of Photovoltaic Power Generation Based on FA-PCA-LSTM[J]. Journal of Kunming University of Science and Technology (Natural Science Edition), 2019, 44(1): 61-68. (in Chinese)

[21] 张雨金, 杨凌帆, 葛双冶, 等. 基于Kmeans-SVM的短期光伏发电功率预测[J]. 电力系统保护与控制, 2018, 46(21): 118-124.

ZHANG Yujin, YANG Lingfan, GE Shuangye, et al. Short-term Photovoltaic Power Forecasting Based on Kmeans Algorithm and Support Vector Machine[J]. Power System Protection and Control, 2018, 46(21): 118-124. (in Chinese)

[22] 于峰, 王兵, 赵振明. 太阳辐射参数对透射系统热设计的影响及仿真对策[J]. 航天返回与遥感, 2013, 34(2): 36-41.

YU Feng, WANG Bing, ZHAO Zhenming. Influence of Solar Radiation Parameters on Optical Lens Thermal Design and Its Simulation Countermeasure[J]. Spacecraft Recovery & Remote Sensing, 2013, 34(2): 36-41. (in Chinese)

[23] GE Leijiao, XIAN Yiming, YAN Jun, et al. A Hybrid Model for Short-term PV Output Forecasting Based on PCA-GWO-GRNN[J]. Journal of Modern Power Systems and Clean Energy, 2020, 8(6): 1268-1275.

[24] 金国藩. 前沿光学技术的新发展[J]. 航天返回与遥感, 2019, 40(3): 1-4.

JIN Guofan. New Development of Cutting-edge Optical Technology[J]. Spacecraft Recovery & Remote Sensing, 2019, 40(3):1-4. (in Chinese)

[25] XU Zhenlei, CHEN Zhicong, ZHOU Haifang, et al. A Short-term Photovoltaic Power Forecasting Model Based on a Radial Basis Function Neural Network and Similar Days[EB/OL]. [2021-08-16]. https://www.researchgate.net/publication/ 331472424_A_short-term_photovoltaic_power_forecasting_model_based_on_a_radial_basis_function_neural_network_and_ similar_days.

A Photovoltaic Power Prediction Method Based on Remote Sensing Data

LIU Zhoubin1XU Chongbin*2,3,4WANG Xinlei3CHEN Qian2,3ZUO Xin2,3WU Yu5XU Danlu1

（1 Center of Mass Entrepreneurship and Innovation State Grid Zhejiang Electric Power Co., Ltd., Hangzhou 310051, China）（2 Beijing Institute of Space Mechanics & Electricity, Beijing 100094, China）（3 Beijing Aerospace Innovative Intelligence Science and Technology Co., Ltd., Beijing 100076, China）（4 Beijing Engineering Technology Research Center of Aerial Intelligence Remote Sensing Equipments, Beijing 100094, China）（5 Institute of Aerospace Information Innovation, Chinese Academy of Sciences, Beijing 100094, China）

In the photovoltaic power prediction, it is very important to accurately acquire surface solar radiation data. Satellite remote sensing can quantitatively obtain regional meteorological and environmental information. Therefore, a photovoltaic power prediction method combined with satellite remote sensing data is proposed. Based on the satellite data with high temporal resolution, a wide range of surface solar radiation data is obtained by the in-depth learning method, and then combined with the photovoltaic power data and meteorological data to predict the photovoltaic power. The results show that the average power accuracies of the prediction method proposed in this paper are2=0.92,RMSE=0.99MW, and2=0.78,RMSE=0.60mw for 4-hour and 24-hour prediction of photovoltaic power respectively. This study can provide a reference for large-scale photovoltaic power prediction.

solar radiation; photovoltaic power generation; short-term prediction; deep learning; space remote sensing application

TP75

A

1009-8518(2021)05-0085-11

10.3969/j.issn.1009-8518.2021.05.010

刘周斌，男，1972年生，2016年获西安交通大学硕士学位，高级工程师。研究方向为软件工程。E-mail：jxliuzb@qq.com。

徐崇斌，男，1984年生，在北京师范大学获得理学博士学位，高级工程师。研究方向为遥感信息处理与应用。E-mail：xuchongbin@space3i.com。

2021-09-08

国家电网有限公司总部管理双创孵化培育基金项目（SGZJSC00XMJS2000027）

刘周斌, 徐崇斌, 王鑫磊, 等. 结合遥感数据的光伏发电功率预测方法[J]. 航天返回与遥感, 2021, 42(5): 85-95.

LIU Zhoubin, XU Chongbin, WANG Xinlei, et al. A Photovoltaic Power Prediction Method Based on Remote Sensing Data[J]. Spacecraft Recovery & Remote Sensing, 2021, 42(5): 85-95. (in Chinese)

（编辑：毛建杰）