結(jié)合遙感數(shù)據(jù)的光伏發(fā)電功率預(yù)測(cè)方法

劉周斌 徐崇斌 王鑫磊 陳前2, 左欣2, 吳俁 徐丹露

結(jié)合遙感數(shù)據(jù)的光伏發(fā)電功率預(yù)測(cè)方法

劉周斌1徐崇斌*2,3,4王鑫磊3陳前2,3左欣2,3吳俁5徐丹露1

（1國(guó)網(wǎng)浙江省電力有限公司雙創(chuàng)中心，杭州 310051）（2 北京空間機(jī)電研究所，北京 100094）（3 北京航天創(chuàng)智科技有限公司，北京 100076)（4 北京市航空智能遙感裝備工程技術(shù)研究中心，北京 100094）（5 中國(guó)科學(xué)院空天信息創(chuàng)新研究院，北京 100094）

在光伏發(fā)電功率預(yù)測(cè)中，地表太陽(yáng)輻射量的準(zhǔn)確獲取十分重要，衛(wèi)星遙感能夠定量獲得區(qū)域氣象和環(huán)境信息，為此提出結(jié)合衛(wèi)星遙感數(shù)據(jù)的光伏發(fā)電功率預(yù)測(cè)方法。文章基于高時(shí)間分辨率衛(wèi)星數(shù)據(jù)，采用深度學(xué)習(xí)方法，獲取大范圍內(nèi)的地表太陽(yáng)輻射數(shù)據(jù)，進(jìn)而結(jié)合光伏發(fā)電功率數(shù)據(jù)和氣象數(shù)據(jù)，進(jìn)行光伏發(fā)電功率預(yù)測(cè)。結(jié)果表明，采用文章提出的預(yù)測(cè)方法，光伏發(fā)電功率4h預(yù)測(cè)平均功率精度為2=0.92，均方根誤差RMSE=0.99MW，24h預(yù)測(cè)平均功率精度為2=0.78，RMSE=0.60MW。文章研究可為大范圍光伏功率預(yù)測(cè)提供參考。

太陽(yáng)輻射 光伏發(fā)電功率 短期預(yù)測(cè) 深度學(xué)習(xí) 航天遙感應(yīng)用

0 引言

光伏發(fā)電是我國(guó)實(shí)現(xiàn)碳達(dá)峰、碳中和目標(biāo)的一個(gè)重要手段。根據(jù)國(guó)際能源署（International Energy Agency，IEA）發(fā)布的全球光伏報(bào)告[1-2]，截止2020年底，全球累計(jì)光伏裝機(jī)760.4GW，中國(guó)累計(jì)光伏裝機(jī)254.4GW，占比33.45%。2020年中國(guó)新增光伏容量48.2GW，較2019年增長(zhǎng)60.13%，增長(zhǎng)速度最快。

在能源結(jié)構(gòu)中，光伏累計(jì)發(fā)電量占比穩(wěn)步提升，新能源綠色電能替代作用不斷增強(qiáng)。但是光伏發(fā)電功率受日照、地理?xiàng)l件、大氣環(huán)境、氣象等因素的影響，具有顯著的波動(dòng)性和隨機(jī)性[3-4]。準(zhǔn)確預(yù)測(cè)光伏發(fā)電功率對(duì)于光伏并網(wǎng)具有重要的意義，只有能夠準(zhǔn)確的預(yù)測(cè)光伏發(fā)電，才能實(shí)現(xiàn)多能互補(bǔ)，有效的電網(wǎng)協(xié)調(diào)，以及穩(wěn)定和低成本的電網(wǎng)運(yùn)營(yíng)。

光伏發(fā)電功率和太陽(yáng)輻照度具有極強(qiáng)的線性關(guān)系[5]，輻照度預(yù)測(cè)精度的準(zhǔn)確性直接決定光伏功率預(yù)測(cè)的準(zhǔn)確性。首先，最直接影響輻照度的是云，云的遮擋直接影響到達(dá)地面的太陽(yáng)輻射量。此外，氣溶膠光學(xué)厚度和水汽含量也是影響太陽(yáng)輻照度的重要因素。文獻(xiàn)[6]通過(guò)研究不用因子的透光率，實(shí)現(xiàn)全天空太陽(yáng)輻照度計(jì)算；文獻(xiàn)[7]通過(guò)線性模型和神經(jīng)網(wǎng)絡(luò)模型組合，獲得更好的預(yù)測(cè)精度，但是模型選擇和權(quán)重設(shè)置是多模型組合的難點(diǎn)；基于地基觀測(cè)儀器（比如全天空成像儀），文獻(xiàn)[8]利用前后觀測(cè)的時(shí)序數(shù)據(jù)進(jìn)行云層運(yùn)動(dòng)分析，進(jìn)而預(yù)測(cè)太陽(yáng)輻射量；基于衛(wèi)星觀測(cè)，文獻(xiàn)[9]利用MODIS衛(wèi)星數(shù)據(jù)估算地表短波輻射。利用衛(wèi)星數(shù)據(jù)計(jì)算太陽(yáng)輻射量和空間分布研究較多，但預(yù)測(cè)地表太陽(yáng)輻射量相關(guān)研究較少。

光伏功率預(yù)測(cè)方法有多種分類：1）根據(jù)流程的不同，可分為直接預(yù)測(cè)法和間接預(yù)測(cè)法。直接預(yù)測(cè)法使用歷史光伏功率數(shù)據(jù)和氣象、輻射數(shù)據(jù)來(lái)預(yù)測(cè)未來(lái)的光伏功率[11]；間接預(yù)測(cè)法是首先使用氣象數(shù)據(jù)和衛(wèi)星云圖預(yù)測(cè)太陽(yáng)短波輻射，然后使用太陽(yáng)輻射和相關(guān)的環(huán)境變量計(jì)算光電轉(zhuǎn)換率，最后得到預(yù)測(cè)的光伏功率[12]。2）根據(jù)預(yù)測(cè)時(shí)長(zhǎng)的不同，可分為超短期預(yù)測(cè)、短期預(yù)測(cè)和中長(zhǎng)期預(yù)測(cè)[10]。3）根據(jù)預(yù)測(cè)空間范圍的不同，可分為單場(chǎng)預(yù)測(cè)[13]和區(qū)域預(yù)測(cè)[14]。現(xiàn)有方法中，單場(chǎng)的直接預(yù)測(cè)法是最常用的類型，以光伏電站的歷史記錄數(shù)據(jù)作為樣本，訓(xùn)練時(shí)間序列預(yù)測(cè)模型（如循環(huán)神經(jīng)網(wǎng)絡(luò)），得到未來(lái)短期的光伏功率預(yù)測(cè)結(jié)果。但此類方法的外推能力有限，通常僅能在短期內(nèi)（1～4h）有較高的精度，超過(guò)4h后精度快速衰減[15]，因此光伏功率預(yù)測(cè)的精度和有效時(shí)長(zhǎng)都有待提高。

本文利用衛(wèi)星遙感數(shù)據(jù)，反演得到云和氣溶膠等大氣成份的理化光學(xué)參數(shù)和變化趨勢(shì)，結(jié)合地面氣象數(shù)據(jù)，預(yù)測(cè)不同時(shí)空條件地表下行短波輻射，利用深度學(xué)習(xí)方法進(jìn)一步提升光伏功率預(yù)測(cè)精度。

1 研究區(qū)和數(shù)據(jù)

本文選取浙江嘉興作為研究區(qū)域，研究區(qū)地處東亞季風(fēng)區(qū)，年平均日照2017.0小時(shí)。6月份前后受梅雨季節(jié)影響，陰雨天較多，日照少，該階段對(duì)光伏發(fā)電影響較大[16]。衛(wèi)星數(shù)據(jù)采用Himawari-8衛(wèi)星的短波輻射Level 2產(chǎn)品[17]，產(chǎn)品的空間分辨率為0.05°，時(shí)間分辨率為10min。DEM數(shù)據(jù)來(lái)源于SRTM（Shuttle Radar Topography Mission）產(chǎn)品，空間分辨率約30m。地面氣象數(shù)據(jù)來(lái)自嘉興地面氣象監(jiān)測(cè)站點(diǎn)，共計(jì)73個(gè)，采集要素為氣溫、降水、風(fēng)速、風(fēng)向、濕度、氣壓。地面光伏發(fā)電功率數(shù)據(jù)為多個(gè)站點(diǎn)2018年至2020年監(jiān)測(cè)數(shù)據(jù)，采集要素包括并網(wǎng)點(diǎn)有功功率、及時(shí)輻射、散射輻射、光伏年限衰減情況、光伏板功率轉(zhuǎn)換效率等數(shù)據(jù)。圖1為嘉興地區(qū)氣象站點(diǎn)及示范光伏電站發(fā)布。

圖1 嘉興地區(qū)氣象站點(diǎn)及示范光伏電站分布

2 研究方法

2.1 地表太陽(yáng)輻射預(yù)測(cè)

地表太陽(yáng)輻射預(yù)測(cè)常用的方法有統(tǒng)計(jì)方法、數(shù)值天氣預(yù)報(bào)、遙感模型、深度學(xué)習(xí)方法以及混合模型[18-19]。傳統(tǒng)統(tǒng)計(jì)方法操作簡(jiǎn)單，但是不能很好地適用于本文研究區(qū)數(shù)據(jù)波動(dòng)較大的情況。數(shù)值天氣預(yù)報(bào)以氣象參數(shù)為主，同時(shí)分辨率較低，無(wú)法在大范圍內(nèi)快速得到較高時(shí)空分辨率的預(yù)測(cè)結(jié)果。遙感模型以監(jiān)測(cè)云層運(yùn)動(dòng)為主。深度學(xué)習(xí)方法通過(guò)構(gòu)建輸入與輸出之間復(fù)雜的非線性關(guān)系，通過(guò)多次迭代學(xué)習(xí)，使模型能夠?qū)W習(xí)到其中復(fù)雜的變換關(guān)系，為地表太陽(yáng)輻射預(yù)測(cè)提供有效的支撐。

為滿足光伏預(yù)測(cè)的實(shí)時(shí)性要求，本文以Himawari-8衛(wèi)星的短波輻射產(chǎn)品（歷史數(shù)據(jù)）和地面高程數(shù)據(jù)為基礎(chǔ)，首先根據(jù)研究區(qū)進(jìn)行數(shù)據(jù)整合，將兩類數(shù)據(jù)進(jìn)行組合后作為輸入，采用最大最小值歸一化方法將數(shù)據(jù)統(tǒng)一到相同范圍內(nèi)，并按照數(shù)據(jù)的時(shí)間序列進(jìn)行數(shù)據(jù)歸集。選取長(zhǎng)短期記憶網(wǎng)絡(luò)（Long Short-Term Memory，LSTM）模型作為預(yù)測(cè)模型，數(shù)據(jù)集分為訓(xùn)練集、驗(yàn)證集和測(cè)試集。訓(xùn)練過(guò)程中設(shè)定不同超參數(shù)和模型結(jié)構(gòu)參數(shù)，多次迭代訓(xùn)練，得到最優(yōu)模型，最終根據(jù)實(shí)時(shí)輸入數(shù)據(jù)生成實(shí)時(shí)參數(shù)預(yù)測(cè)結(jié)果。地表太陽(yáng)輻射預(yù)測(cè)流程如圖2所示。

圖2 地表太陽(yáng)輻射預(yù)測(cè)流程圖

LSTM是循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）的一種改進(jìn)版本，它解決了普通RNN中存在的梯度消失和梯度爆炸的問(wèn)題，使其可以處理長(zhǎng)時(shí)間序列的數(shù)據(jù)。如圖3所示，LSTM與RNN的單隱藏層不同，LSTM將信息存儲(chǔ)在RNN正常流之外的控制單元中。LSTM將RNN的隱藏單元分為兩個(gè)狀態(tài)向量：C和h。C用于保留序列特征，前一序列的記憶由“遺忘門(mén)”f控制；h用于輸出，并且“輸出門(mén)”o控制要寫(xiě)入當(dāng)前狀態(tài)的C?！拜斎腴T(mén)”用于控制h–1和當(dāng)前輸入x。上述三種門(mén)是動(dòng)態(tài)更新的，通過(guò)sigmoid函數(shù)來(lái)實(shí)現(xiàn)。最后使用激活函數(shù)得到當(dāng)前樣本的類別或回歸值。LSTM的計(jì)算過(guò)程如式（1）所示：

式中 f為“遺忘門(mén)”，ft為時(shí)間序列變量；i為“輸入門(mén)”，it為時(shí)間序列變量；o為“輸出門(mén)”，ot為時(shí)間序列變量；σ為sigmoid函數(shù)；xt為輸入數(shù)據(jù)；ht為輸出；W為權(quán)重；b為偏置；為候選向量；t為時(shí)間序列。

本文中采用的LSTM模型如圖4所示，使用LSTM Cell作為基礎(chǔ)網(wǎng)絡(luò)單元，每個(gè)LSTM Cell的輸入為上一個(gè)時(shí)刻的數(shù)據(jù)和標(biāo)簽，并將其輸出傳遞到下一個(gè)時(shí)刻。本文采用的LSTM既考慮了數(shù)據(jù)的空間關(guān)系，又考慮了前后時(shí)間的依賴和變化，因此適用于地表太陽(yáng)輻射的時(shí)空變化預(yù)測(cè)。

圖4 LSTM模型

2.2 光伏發(fā)電功率預(yù)測(cè)

光伏發(fā)電功率技術(shù)路線如圖5所示，輸入數(shù)據(jù)為光伏站監(jiān)測(cè)的功率數(shù)據(jù)、太陽(yáng)輻射數(shù)據(jù)以及氣象數(shù)據(jù)，所有數(shù)據(jù)分為實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)和歷史數(shù)據(jù)。利用歷史數(shù)據(jù)訓(xùn)練預(yù)測(cè)模型，首先進(jìn)行數(shù)據(jù)采樣，功率數(shù)據(jù)每15min更新一次，太陽(yáng)輻射數(shù)據(jù)每10min更新一次，氣象數(shù)據(jù)每5min更新一次，統(tǒng)一將數(shù)據(jù)時(shí)間尺度采樣到15min一次。根據(jù)不同類型數(shù)據(jù)設(shè)定閾值篩選，去除觀測(cè)異常值。采用最大最小值歸一化方法將數(shù)據(jù)統(tǒng)一到相同范圍內(nèi)，并按照數(shù)據(jù)的時(shí)間序列進(jìn)行數(shù)據(jù)歸集。

圖5 光伏發(fā)電功率預(yù)測(cè)流程圖

同樣選取LSTM模型作為預(yù)測(cè)模型，訓(xùn)練過(guò)程中設(shè)定不同超參數(shù)和模型結(jié)構(gòu)參數(shù)，多次迭代訓(xùn)練，得到最優(yōu)模型。最終根據(jù)實(shí)時(shí)輸入數(shù)據(jù)生成實(shí)時(shí)發(fā)電功率預(yù)測(cè)結(jié)果。

3 結(jié)果與精度評(píng)價(jià)

本文采用深度學(xué)習(xí)方法，以光伏功率數(shù)據(jù)、太陽(yáng)輻射數(shù)據(jù)和氣象數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，訓(xùn)練數(shù)據(jù)采用2018年至2020年底三年歷史數(shù)據(jù)，包括衛(wèi)星數(shù)據(jù)、氣象數(shù)據(jù)、光伏監(jiān)測(cè)數(shù)據(jù)。將80%數(shù)據(jù)用于模型訓(xùn)練，20%數(shù)據(jù)用于測(cè)試。通過(guò)構(gòu)建LSTM預(yù)測(cè)模型，實(shí)現(xiàn)光伏發(fā)電的4h超短期功率預(yù)測(cè)和次日逐小時(shí)功率預(yù)測(cè)。

3.1 精度評(píng)價(jià)指標(biāo)

本文模型為回歸預(yù)測(cè)問(wèn)題，選擇決定系數(shù)2、平均絕對(duì)百分比誤差MAPE和均方根誤差RMSE作為精度評(píng)價(jià)指標(biāo)，來(lái)為訓(xùn)練過(guò)程中的參數(shù)選擇和最終的精度評(píng)價(jià)提供依據(jù)。三個(gè)指標(biāo)計(jì)算方法如下：

3.2 地表太陽(yáng)輻射預(yù)測(cè)

采用本文提出的地表太陽(yáng)輻射預(yù)測(cè)模型，4h內(nèi)10min一次，24h內(nèi)每小時(shí)預(yù)測(cè)一次。4h和24h預(yù)測(cè)結(jié)果如圖6、圖7所示，圖中橫軸是真實(shí)輻射量，縱軸是預(yù)測(cè)輻射量，紅線是1:1線，斜率為1，綠線是散點(diǎn)圖擬合出來(lái)的斜率，綠線斜率越接近紅線，擬合效果越好。結(jié)果表明預(yù)測(cè)結(jié)果在4h內(nèi)一致性較高，24h預(yù)測(cè)結(jié)果一致性降低。預(yù)測(cè)結(jié)果的數(shù)值分布與真實(shí)值分布較為吻合，高值區(qū)域和低值區(qū)域分布情況一致，預(yù)測(cè)結(jié)果的空間細(xì)節(jié)較為平滑，原因是模型運(yùn)算過(guò)程中降采樣造成空間細(xì)節(jié)模糊。4h預(yù)測(cè)2達(dá)到0.92，MAPE為5.09%，24h預(yù)測(cè)結(jié)果2精度降低至0.82，說(shuō)明隨著預(yù)測(cè)時(shí)間的推移，總體精度降低，誤差升高，誤差大的樣本數(shù)量逐漸增加。相較于依賴地面觀測(cè)設(shè)備進(jìn)行單點(diǎn)位預(yù)測(cè)[20]，本文基于衛(wèi)星遙感數(shù)據(jù)實(shí)現(xiàn)了高時(shí)間分辨的大區(qū)域預(yù)測(cè)，可以用于大范圍動(dòng)態(tài)預(yù)測(cè)。

圖6 4小時(shí)預(yù)測(cè)結(jié)果

圖7 24小時(shí)預(yù)測(cè)結(jié)果

采用2和MAPE進(jìn)行地表太陽(yáng)輻射精度評(píng)價(jià)，表1所示為逐小時(shí)預(yù)測(cè)結(jié)果精度評(píng)價(jià)?？梢钥闯?，短時(shí)內(nèi)精度較高，T+1h時(shí)2為0.92，隨著時(shí)間推移，T+24h時(shí)降低到0.71。MAPE由T+1h時(shí)的9.84%，逐步升高到14.74%。

表1 地表太陽(yáng)輻射預(yù)測(cè)誤差結(jié)果

Tab.1 Prediction error results of surface solar radiation

3.3 光伏發(fā)電功率預(yù)測(cè)

本文采用機(jī)器學(xué)習(xí)常用方法SVM[21]與本文方法比分析，同時(shí)對(duì)LSTM模型是否采用地表太陽(yáng)輻射預(yù)測(cè)數(shù)據(jù)進(jìn)行對(duì)比分析，同時(shí)。晴空條件下預(yù)測(cè)結(jié)果如圖8所示，結(jié)果表明，在晴空天氣下三種方法預(yù)測(cè)結(jié)果與實(shí)際發(fā)電功率一致性較高，預(yù)測(cè)曲線與實(shí)際發(fā)電功率曲線基本吻合。多云條件下預(yù)測(cè)結(jié)果如 圖9所示，其中未采用輻射預(yù)測(cè)數(shù)據(jù)的光伏功率預(yù)測(cè)曲線與實(shí)際發(fā)電功率曲線相差較大，預(yù)測(cè)結(jié)果高于實(shí)際功率，如圖9（a）所示。采用地表太陽(yáng)輻射預(yù)測(cè)數(shù)據(jù)+SVM方法預(yù)測(cè)的光伏功率曲線與實(shí)際發(fā)電功率曲線較為仍有差距，如圖9（b）所示。采用地表太陽(yáng)輻射預(yù)測(cè)數(shù)據(jù)+LSTM方法預(yù)測(cè)的光伏功率曲線與實(shí)際發(fā)電功率曲線較為吻合，相較于其他兩種方法預(yù)測(cè)效果提升明顯，如圖9（c）所示。相較于晴空條件下，多云天氣下的結(jié)果一致性降低，實(shí)際發(fā)電功率曲線受天氣影響變化顯著，有明顯的突變性和隨機(jī)性，預(yù)測(cè)曲線較為平滑，本文采用的方法總體趨勢(shì)保持一致，具有較好的適用性。

圖8 不同方法天氣預(yù)測(cè)結(jié)果（晴空）

圖9 不同方法預(yù)測(cè)結(jié)果（多云）

采用2和RMSE進(jìn)行光伏發(fā)電功率預(yù)測(cè)精度評(píng)價(jià)，并統(tǒng)計(jì)誤差分布。采用地表太陽(yáng)輻射預(yù)測(cè)數(shù)據(jù)+LSTM方法得到圖10和圖11所示的精度評(píng)價(jià)圖和誤差分布圖，圖中橫軸是真實(shí)功率，縱軸是預(yù)測(cè)功率。4h預(yù)測(cè)平均功率的2為0.92，RMSE為0.99MW，且多數(shù)誤差分布在0MW附近，少數(shù)樣本的誤差絕對(duì)值大于2MW，如圖9所示。24h預(yù)測(cè)平均功率的2為0.78，RMSE為0.60MW，多數(shù)誤差分布在–1～1MW之間，如圖10所示。

圖10 4小時(shí)平均功率預(yù)測(cè)精度

圖11 24小時(shí)平均預(yù)測(cè)功率精度

4 結(jié)束語(yǔ)

本文利用衛(wèi)星遙感數(shù)據(jù)、氣象數(shù)據(jù)和光伏發(fā)電功率數(shù)據(jù)，采用深度學(xué)習(xí)方法，實(shí)現(xiàn)了區(qū)域性地表太陽(yáng)輻射量預(yù)測(cè)和光伏發(fā)電功率預(yù)測(cè)。結(jié)果表明，基于衛(wèi)星遙感數(shù)據(jù)可以準(zhǔn)確預(yù)測(cè)大范圍的太陽(yáng)輻射量，利用高時(shí)間分辨率衛(wèi)星數(shù)據(jù)，可以為光伏發(fā)電預(yù)測(cè)提供準(zhǔn)確的數(shù)據(jù)支撐。在太陽(yáng)輻射數(shù)據(jù)準(zhǔn)確預(yù)測(cè)的基礎(chǔ)上，結(jié)合光伏電站功率數(shù)據(jù)和氣象監(jiān)測(cè)數(shù)據(jù)，可以實(shí)現(xiàn)準(zhǔn)確的光伏發(fā)電功率預(yù)測(cè)。

[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] 賴昌偉, 黎靜華, 陳博, 等. 光伏發(fā)電出力預(yù)測(cè)技術(shù)研究綜述[J]. 電工技術(shù)學(xué)報(bào), 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. 光伏功率預(yù)測(cè)技術(shù)與方法[J]. 電工技術(shù), 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] 龔鶯飛, 魯宗相, 喬穎, 等. 光伏功率預(yù)測(cè)技術(shù)[J]. 電力系統(tǒng)自動(dòng)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. 組合數(shù)值天氣預(yù)報(bào)與地基云圖的光伏超短期功率預(yù)測(cè)模型[J]. 電力系統(tǒng)自動(dòng)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?gòu)?qiáng), 陳潔, 等. 基于PCA-GA-Elman的短期光伏出力預(yù)測(cè)研究[J]. 太陽(yáng)能學(xué)報(bào), 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, 潘飛, 沈玉會(huì), 等. 基于GA-BP 和POS-BP神經(jīng)網(wǎng)絡(luò)的光伏電站出力短期預(yù)測(cè)[J]. 電力系統(tǒng)保護(hù)與控制, 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] 黃艷, 蔡敏, 嚴(yán)紅梅. 浙江省太陽(yáng)能資源分布特征及其初步區(qū)劃研究[J]. 科技通報(bào), 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, 張妍, 劉石. 基于LSTM 的短期風(fēng)速預(yù)測(cè)研究[J]. 計(jì)算機(jī)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] 楊茂, 朱亮. 基于FA-PCA-LSTM的光伏發(fā)電短期功率預(yù)測(cè)[J]. 昆明理工大學(xué)學(xué)報(bào)(自然科學(xué)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] 張雨金, 楊凌帆, 葛雙冶, 等. 基于Kmeans-SVM的短期光伏發(fā)電功率預(yù)測(cè)[J]. 電力系統(tǒng)保護(hù)與控制, 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, 趙振明. 太陽(yáng)輻射參數(shù)對(duì)透射系統(tǒng)熱設(shè)計(jì)的影響及仿真對(duì)策[J]. 航天返回與遙感, 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] 金國(guó)藩. 前沿光學(xué)技術(shù)的新發(fā)展[J]. 航天返回與遙感, 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

劉周斌，男，1972年生，2016年獲西安交通大學(xué)碩士學(xué)位，高級(jí)工程師。研究方向?yàn)檐浖こ?。E-mail：jxliuzb@qq.com。

徐崇斌，男，1984年生，在北京師范大學(xué)獲得理學(xué)博士學(xué)位，高級(jí)工程師。研究方向?yàn)檫b感信息處理與應(yīng)用。E-mail：xuchongbin@space3i.com。

2021-09-08

國(guó)家電網(wǎng)有限公司總部管理雙創(chuàng)孵化培育基金項(xiàng)目（SGZJSC00XMJS2000027）

劉周斌, 徐崇斌, 王鑫磊, 等. 結(jié)合遙感數(shù)據(jù)的光伏發(fā)電功率預(yù)測(cè)方法[J]. 航天返回與遙感, 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)

（編輯：毛建杰）