基于大数据技术的光伏发电功率短期预测研究

摘 要：【目的】通过光伏发电功率短期预测技术可实时掌握光伏发电的输出功率，有助于电网调度部门统筹安排常规电源和光伏发电，合理调整调度计划，能有效减轻光伏发电系统接入对电网产生的不利影响，保证电网安全稳定运行。【方法】提取光伏发电功率的影响因子，分析太阳辐照度、温度、气象因子对光伏发电功率的影响，避免短期预测出现失误。基于大数据技术构建光伏发电功率短期预测模型，利用长短期记忆神经网络来提取光伏发电功率短期特征，确保功率预测的准确性。生成光伏发电功率短期非平稳预测序列，并捕捉光伏发电功率的时间序列特征，及时更新校正发电功率预测结果，从而得到精准的预测结果。【结果】设计方法的功率预测波动与实际波动一致，预测值与实际值之间偏差较小，能适应后续功率调度、运行需求。【结论】研究成果为制定合理的调度计划奠定重要基础，减少资源浪费，对提高电站经济效益具有重要的促进作用。

关键词：大数据技术；光伏电站；发电功率；短期；预测方法

中图分类号：TM615" " "文献标志码：A" " 文章编号：1003-5168（2024）24-0004-04

DOI：10.19968/j.cnki.hnkj.1003-5168.2024.24.001

Research on Short-Term Prediction of Photovoltaic Power Generation Capacity Based on Big Data Technology

Abstract：[Purposes] Through the short-term prediction technology of photovoltaic power generation， the output power of photovoltaic power generation can be grasped in real time， which helps the power grid dispatch department to coordinate the coordination between conventional power sources and photovoltaic power generation， adjust the dispatch plan reasonably， effectively reduce the adverse impact of photovoltaic power generation system access on the power grid， and ensure the safe and stable operation of the power grid. [Methods] By extracting the influencing factors of photovoltaic power generation， this paper analyzes the impact of solar irradiance， temperature， and meteorological factors on photovoltaic power generation to avoid the problem of short-term prediction errors. This paper builds a short-term prediction model for photovoltaic power generation based on big data technology，and utilizes long short-term memory neural networks to extract short-term features of photovoltaic power generation to ensure the accuracy of power prediction. And then， this paper generates a short-term non-stationary prediction sequence for photovoltaic power generation， captures the time series characteristics of photovoltaic power generation， and updates sand correct the prediction results in a timely manner to obtain accurate prediction results. [Findings] The power prediction fluctuation of the design method is consistent with the actual fluctuation， and the deviation between the predicted value and the actual value is small， which can adapt to the subsequent power scheduling and operation requirements. [Conclusions] This study can lay an important foundation for formulating reasonable scheduling plans， reduce resource waste， and play an important role in improving the economic benefits of power plants.

Keywords： big data technology; photovoltaic power station; power generation capacity; short-term; prediction methods

0 引言

光伏电站通过太阳电池板将太阳能转化为电能，完成相应的电力供应任务。光伏发电作为绿色能源项目，能减少煤炭资源的使用，保护环境，实现能源转型。在单位时间内，光伏发电产生的电能就是发电功率，是影响发电效率的关键指标。光伏电池组件的功率越高，发电量就越高。然而，在实际应用过程中，光伏发电可能受太阳辐射照度、温度、天气条件等的影响，导致发电功率出现波动，影响电力供应与调度。针对该问题，已研发出多种短期预测方法。

其中，基于广义天气分类的光伏发电功率短期预测方法确定了光伏出力与各气象因子间的关系，并分析气象影响因子对光伏发电功率的影响［1］。根据不同天气条件下光伏出力的不确定性，采用辐照度衰减指数K的广义天气类型划分方法对天气类型进行划分，从而提高短期预测的准确性。但是，该方法要用到大量的历史发电数据与天气数据，在数据处理与获取方面存在难度，影响预测的准确性。基于VMD-FE-CNN-BiLSTM的光伏发电功率短期预测方法利用VMD将原始光伏序列数据分解成多个子序列，减少随机波动分量［2］。通过FE对每个子序列进行重组，能更好地提取特征，并将CNN输出的特征融合后输入到BiLSTM模型中，最终得到光伏发电功率的预测结果。但该方法结构相对复杂，参数的数量较多，增加实际运行成本。因此，本研究结合大数据技术，设计出光伏发电功率短期预测方法。

1 光伏发电功率大数据短期预测方法设计

1.1 光伏发电功率的影响因子提取

在电力系统中，光伏发电功率能调节电力负荷，发电出力与电力负荷之间的互补性能提高电力系统的运行效率［3］。在光伏发电过程中，太阳辐照强度、云层覆盖与天气状况、系统配置与匹配等因素是影响发电的关键因素。分析太阳辐照度、温度、气象因子对光伏发电功率的影响，能避免出现短期预测失误［4］。在光伏电站运行过程中，光伏电池每单位面积的发电量表示见式（1）。

气象特征向量分量表示见式（2）。

式中：[Fi]为第[i]个气象特征向量；[εi（k）]为预测日语历史日气象特征分量的关联系数。将[p（t）]、[Fi]作为输入变量，通过大数据技术分析与训练，能提高短期预测的准确性。

1.2 基于大数据技术的光伏发电功率短期预测模构建型

在提取完影响因子后，本研究利用长短期记忆神经网络来提取光伏发电功率短期特征，确保功率预测的准确性。利用大数据技术中的长短记忆递归神经网络模型，将[p（t）]、[Fi]等变量信息作为输入条件，映射各个变量间的序列化关系［6］。通过上一时间步输入序列，使递归神经网络具有记忆特性。在光伏发电功率上输入多个变量信息作为神经元，前向、后向训练的过程就是发电功率预测的过程。由此构建的光伏发电功率短期预测模型见式（3）、式（4）。

式中：[a]为光伏发电功率短期预测模型的表达式；[wih]、[wjh]分别为神经元[i]、[j]在隐含层[h]的预测权重；[δ]为激活函数；[ϑ（a）]为模型预测的发电转换效率；[K]为变量数量；[k]为隐含层残差；[H]为隐含层变量数量；[I]为输入层变量数量。

大数据技术能实时采集光伏电站的运行数据和气象数据，确保预测模型能及时获取最新的信息［7］。将[p（t）]、[Fi]考虑在内，预测光伏发电功率变化趋势，能使电力调度部门更加合理地安排电力资源的配置和调度计划，为电力系统提供稳定的电力。

1.3 光伏发电功率短期预测实现

光伏发电功率受多种因素影响，使其呈现出非平稳特性。通过大数据技术来生成短期非平稳预测序列，能捕捉光伏发电功率的时间序列特征，并及时更新校正发电功率预测结果，从而满足短期预测精度需求［8］。非平稳序列表示见式（5）、式（6）。

[x（t）=I（a）+H（a）+K（a）]" " " " " （5）

[d（t）=x（t）-m（t）]" " " " " " "（6）

式中：[x（t）]为发电功率短期预测的原始序列；[I（a）]为输入层预测序列；[H（a）]为隐含层预测序列；[K（a）]为变量预测序列；[d（t）]为发电功率短期预测的非平稳序列；[m（t）]为上包络、下包络的均值。

在光伏电站运行过程中，将每日、每小时、每分钟的功率数据输入到[a]中，并用[d（t）]来代替[a]中的[p（t）]，得到更加准确的功率预测值，真正意义上提高电力系统的稳定性。

2 实验

为了验证本研究设计的方法是否满足光伏发电功率短期预测需求，对上述方法进行实验分析，并对基于广义天气分类的预测方法、基于VMD-FE-CNN-BiLSTM的预测方法及本研究设计的基于大数据技术的预测方法进行对比。

2.1 实验过程

先用大量数据来训练短期预测模型，并判断模型的预测精度。将气温、气压、湿度、降水、云量、风速、风向等天气因素考虑在内，并作为预测模型的输入条件。实验数据见表1。

由表1可知，以太阳辐射强度、温度、湿度、风速、风向等作为变量条件，设定每15 min采样一次，1 h内采样4次，并取平均值作为实验数据，确保短期预测的准确性。

2.2 实验结果

在上述实验条件下，本研究选取了0～1 800 h内的数据，预测该段时间内的发电功率。将该段时间内的发电功率实际值与预测值进行对比，二者偏差越小，说明短期预测的准确性越高。在其他条件均已知的情况下，基于广义天气分类的预测方法、基于VMD-FE-CNN-BiLSTM的预测方法及本研究设计的基于大数据技术的预测方法的实验结果如图1所示。

由图1可知，基于广义天气分类预测方法的功率预测波动较大，无法针对预测值作出后续决策。同时，其预测值与实际值之间存在较大的差异，对发电、供电的判断产生影响，增加电力调度成本。基于VMD-FE-CNN-BiLSTM预测方法的功率预测波动与实际波动保持一致，但预测值与实际值之间存在一定的偏差，影响功率预测与后续使用，亟待进一步加强。基于大数据技术预测方法的功率预测波动与实际波动一致，预测值与实际值之间的偏差较小，能适应后续功率调度、运行需求，符合研究目的。

3 结语

近年来，能源的开发、利用逐渐成为社会关注的焦点，如何深入实施能源转型成为亟待解决的问题。太阳能作为新型能源之一，在能源利用方面得到快速发展。然而，光伏发电受辐射强度、温度、云层遮挡等因素的影响，发电功率存在不确定性，影响电力系统的调度运行。因此，本研究基于大数据技术，设计出光伏发电功率短期预测方法，从影响因子、预测模型、预测序列等方面分析发电功率在短时间段内的不确定性，显著提高了预测的准确性，为太阳能资源的发展与利用提供了数据支撑。

参考文献：

［1］袁俊球，王迪，谢小锋，等.基于广义天气分类的ICEEMDAN-LSTM网络光伏发电功率短期预测［J］.综合智慧能源，2024，46（9）：53-60.

［2］姜建国，杨效岩，毕洪波.基于VMD-FE-CNN-BiLSTM的短期光伏发电功率预测［J］.太阳能学报，2024，45（7）：462-473.

［3］王红徐，严新军，夏庆成，等.基于OVMD-KPCA-RTH-GRU的短期光伏发电功率预测［J］.水力发电，2024，50（9）：98-103.

［4］黄莉，甘恒玉，刘兴举，等.基于Transformer编码器的超短期光伏发电功率预测［J］.智慧电力，2024，52（5）：16-22，59.

［5］焦丕华，蔡旭，王乐乐，等.考虑数据分解和进化捕食策略的BiLSTM短期光伏发电功率预测［J］.太阳能学报，2024，45（2）：435-442.

［6］龙小慧，秦际赟，张青雷，等.基于相似日聚类及模态分解的短期光伏发电功率组合预测研究［J］.电网技术，2024，48（7）：2948-2957.

［7］余向前，李政.基于LMD-EE-ESN在误差修正下的光伏发电功率短期预测［J］.Journal of Measurement Science and Instrumentation ， 2024，15（3）：360-368.

［8］徐恒山，莫汝乔，薛飞，等.基于时间戳特征提取和CatBoost-LSTM模型的光伏短期发电功率预测［J］.太阳能学报，2024，45（5）：565-575.