基于卷積神經(jīng)網(wǎng)絡(luò)的新能源光伏電站發(fā)電功率預(yù)測(cè)方法

張 健

(國(guó)電投安徽生態(tài)能源有限公司，安徽 合肥 230001)

近年來(lái)，我國(guó)針對(duì)新能源光伏電站發(fā)電功率預(yù)測(cè)方面的研究頗多。劉軍、劉海濤等[1-2]設(shè)計(jì)了光伏電站功率預(yù)測(cè)方法，結(jié)合神經(jīng)網(wǎng)絡(luò)推導(dǎo)出與預(yù)測(cè)日相關(guān)的相似日，并利用熵權(quán)法優(yōu)化預(yù)測(cè)模型，但該方法僅適用于短期功率預(yù)測(cè)；王繼拓等[3]針對(duì)光伏電站發(fā)電功率預(yù)測(cè)方法進(jìn)行研究，該方法結(jié)合自回歸以及馬爾科夫鏈構(gòu)建預(yù)測(cè)模型，計(jì)算量較大且極為復(fù)雜；姜鐵騮等[4]利用移動(dòng)Ad Hoc網(wǎng)絡(luò)設(shè)計(jì)了發(fā)電功率預(yù)測(cè)方法，該方法不適用于預(yù)測(cè)雨天、雪天等特殊天氣，存在一定的局限性。

鑒于卷積神經(jīng)網(wǎng)絡(luò)的構(gòu)造較為精簡(jiǎn)且網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)規(guī)模小，無(wú)需進(jìn)行預(yù)訓(xùn)練，且具有一定的實(shí)時(shí)性，尤其在特征提取方面表現(xiàn)突出，將其應(yīng)用在預(yù)測(cè)光伏電站發(fā)電功率方面能夠獲得較好的預(yù)測(cè)效果，因此本文提出一種基于卷積神經(jīng)網(wǎng)絡(luò)的新能源光伏電站發(fā)電功率預(yù)測(cè)方法，通過(guò)搭建卷積神經(jīng)網(wǎng)絡(luò)模型并結(jié)合小波分解技術(shù)精準(zhǔn)預(yù)測(cè)光伏電站發(fā)電功率，以助力電力調(diào)度平穩(wěn)運(yùn)行，促進(jìn)新能源長(zhǎng)期可持續(xù)發(fā)展。

1 新能源光伏電站發(fā)電功率預(yù)測(cè)方法

1.1 選取光伏電站發(fā)電功率預(yù)測(cè)因子

1.1.1選取預(yù)測(cè)因子基本原則

全面分析新能源光伏電站發(fā)電功率的波動(dòng)情況，搭建新能源光伏電站發(fā)電功率預(yù)測(cè)模型(以下簡(jiǎn)稱預(yù)測(cè)模型)之前需先確定預(yù)測(cè)因子，即預(yù)測(cè)模型的各個(gè)輸入向量，選取預(yù)測(cè)因子至關(guān)重要，需綜合以下幾個(gè)角度考量：

1)高效挖掘現(xiàn)有數(shù)據(jù)。考慮預(yù)測(cè)模型直接受預(yù)測(cè)因子影響，因此預(yù)測(cè)因子數(shù)量需保證在一定量范圍內(nèi)，避免發(fā)電功率預(yù)測(cè)模型工作過(guò)程中丟失關(guān)鍵信息，需在現(xiàn)有數(shù)據(jù)中充分挖掘有效信息以達(dá)到建模需求。

2)防止信息過(guò)度冗余。鑒于各個(gè)預(yù)測(cè)因子間的關(guān)系錯(cuò)綜復(fù)雜，若選取錯(cuò)誤預(yù)測(cè)因子極易導(dǎo)致預(yù)測(cè)模型遭受過(guò)度冗余信息干擾，給預(yù)測(cè)精度帶來(lái)一定程度的影響。

3)把控輸入變量維數(shù)。預(yù)測(cè)因子數(shù)量過(guò)多會(huì)導(dǎo)致樣本數(shù)據(jù)在高維空間中較為分散，使得預(yù)測(cè)模型訓(xùn)練難度加大。

1.1.2輻照度變化規(guī)律

輻照度包括地外以及地表輻照度兩大類。地外輻照度為處于大氣層之上的輻照度，大氣層對(duì)其不產(chǎn)生絲毫影響，且不受當(dāng)下天氣狀況影響，完全受制于地球的公轉(zhuǎn)以及自轉(zhuǎn)活動(dòng)影響[5]。光伏電站的經(jīng)緯度、日期以及太陽(yáng)高度角等為影響地外輻照度的重點(diǎn)因素。

不考慮閏年、地軸移動(dòng)等影響，地外輻照度的變化規(guī)律以年為單位進(jìn)行周期改變，對(duì)于一個(gè)已知地點(diǎn)的光伏電站而言，充分考量各個(gè)日期及各個(gè)時(shí)刻的影響，通過(guò)太陽(yáng)常數(shù)、時(shí)角及日地間距離等參數(shù)求解該地的地外輻照度。

相對(duì)于地外輻照度，地表輻照度的變化具有極強(qiáng)的隨機(jī)不確定性，易受到大氣擴(kuò)散狀態(tài)的影響。在從大氣層之上返回地球表面的途中，受到大氣散射、水氣、云量以及大氣吸收等因素影響，太陽(yáng)輻射有所減弱，此時(shí)該地的地外輻照度要明顯大于地表輻照度。此外，輻照度制約部分氣象參數(shù)的變化，二者間具有極高的關(guān)聯(lián)度，這部分氣象參數(shù)也能夠反映輻照度的變化趨勢(shì)。

1.1.3選取預(yù)測(cè)因子

新能源光伏電站發(fā)電功率直接受天氣因素影響，在各種類型天氣下發(fā)電功率皆隨之產(chǎn)生變化[6-7]，這是因?yàn)樾履茉垂夥娬景l(fā)電功率與太陽(yáng)輻射強(qiáng)度密切相關(guān)，而太陽(yáng)輻射強(qiáng)度又與季節(jié)變換、不同時(shí)刻同步變化，光伏發(fā)電站的發(fā)電功率具有時(shí)間段周期性的變化規(guī)律，因此預(yù)測(cè)模型的預(yù)測(cè)因子需從現(xiàn)有歷史數(shù)據(jù)以及相應(yīng)氣象參數(shù)歷史數(shù)據(jù)中選取。

從選取的數(shù)據(jù)以及數(shù)據(jù)引入方式兩個(gè)角度分析，將一段時(shí)間內(nèi)的多維度發(fā)電功率歷史數(shù)據(jù)定義為輸入數(shù)據(jù)，并依據(jù)嵌入維數(shù)及各個(gè)歷史數(shù)據(jù)求解預(yù)測(cè)模型的輸入向量。

由于太陽(yáng)輻射過(guò)程具有隨機(jī)不平穩(wěn)特性，且在日落至日出時(shí)間段內(nèi)不產(chǎn)生輻照度[8]，在日出至日落時(shí)間段內(nèi)輻照度時(shí)刻發(fā)生變化，預(yù)測(cè)因子直接引入多維度輻照度歷史數(shù)據(jù)可能導(dǎo)致預(yù)測(cè)模型產(chǎn)生大量重復(fù)信息，導(dǎo)致輸入向量維度增大，加劇搭建預(yù)測(cè)模型難度，因此僅選取某段時(shí)間內(nèi)的輻照度歷史數(shù)據(jù)并將其視為預(yù)測(cè)因子，能夠降低輸入向量的維度，同時(shí)高效挖掘歷史數(shù)據(jù)中的有效信息。

另外，地外輻照度以及地表輻照度二者間的差異代表各種類型的天氣狀況，選取適宜的方式將其導(dǎo)入視作預(yù)測(cè)模型的預(yù)測(cè)因子，使得預(yù)測(cè)模型能夠得到較為精準(zhǔn)的天氣狀況數(shù)據(jù)，預(yù)測(cè)模型預(yù)測(cè)精度得以提升。

受計(jì)算方式的影響，地表輻照度數(shù)據(jù)通過(guò)離散采樣的形式獲取，地外輻照度數(shù)據(jù)則通過(guò)真太陽(yáng)時(shí)和太陽(yáng)時(shí)角獲取。為把控輸入向量的維數(shù)，將輻照度差值中的一些數(shù)學(xué)參數(shù)作為預(yù)測(cè)模型預(yù)測(cè)因子引入。通過(guò)相關(guān)研究發(fā)現(xiàn)，地表輻照度歷史數(shù)據(jù)平均數(shù)以及輻照度差值一階差分方差、輻照度差值三階差分最大值為比較恰當(dāng)?shù)暮饬恐笜?biāo)，可將其視為探索光伏電站輻照度變化規(guī)律的候選預(yù)測(cè)因子?？紤]到實(shí)際采集氣象參數(shù)的過(guò)程中受不確定性因素影響，不能獲取所有氣象參數(shù)的歷史數(shù)據(jù)，且其中一些氣象參數(shù)存在關(guān)聯(lián)性[9]，綜合考量，從中選擇與輻照度有較高相關(guān)性的環(huán)境溫度以及相對(duì)濕度變量，將其視為預(yù)測(cè)模型的預(yù)測(cè)因子。

對(duì)于未來(lái)24～48小時(shí)的短期預(yù)測(cè)，考量其輸出時(shí)間范圍，結(jié)合輻照度變化規(guī)律的周期性以及年度內(nèi)各個(gè)日期間的相關(guān)性，可將年度內(nèi)各個(gè)日期的序號(hào)視為預(yù)測(cè)模型的預(yù)測(cè)因子。

綜上所述，本文決定將預(yù)測(cè)模型的預(yù)測(cè)因子輸入向量定義為6項(xiàng)，分別為年度內(nèi)各個(gè)日期的序號(hào)、輻照度平均數(shù)、環(huán)境溫度平均數(shù)、相對(duì)濕度平均數(shù)、輻照度差值一階差分方差值、輻照度差值三階差分最大值。

1.2 基于卷積神經(jīng)網(wǎng)絡(luò)的光伏電站發(fā)電功率預(yù)測(cè)模型

1.2.1選取預(yù)測(cè)模型的相似日

新能源光伏電站發(fā)電功率受各天氣類型的影響較大，依據(jù)現(xiàn)有研究結(jié)果分析得知，晴天時(shí)的光伏電站發(fā)電功率變化相對(duì)同步，在雨天、陰天時(shí)發(fā)電功率有一定程度的波動(dòng)，發(fā)電功率預(yù)測(cè)模型在各種天氣類型條件下需有足夠樣本數(shù)據(jù)支撐，否則會(huì)導(dǎo)致預(yù)測(cè)結(jié)果不夠精準(zhǔn)。

依據(jù)光伏電站光伏陣列面積大小以及光伏電池轉(zhuǎn)換速度、環(huán)境溫度等參數(shù)，求解單位面積的光伏陣列輸出功率。在同一光伏電站內(nèi)，歷史發(fā)電數(shù)據(jù)中包括光伏陣列面積大小以及光伏電池轉(zhuǎn)換速度等信息，因此不予過(guò)多考慮。

收集歷史發(fā)電功率數(shù)據(jù)后，將其先按四季時(shí)節(jié)劃分開(kāi)來(lái)，再將四季中的歷史發(fā)電功率數(shù)據(jù)依據(jù)晴天、雨天以及陰天天氣進(jìn)行二次劃分，對(duì)分類后的歷史數(shù)據(jù)利用灰色關(guān)聯(lián)分析法從中選取一天最為貼合預(yù)測(cè)日溫度的相似日，步驟如下：

步驟1，構(gòu)建初始樣本。

根據(jù)預(yù)測(cè)日所在季節(jié)以及當(dāng)日的天氣預(yù)報(bào)信息進(jìn)行分析，在歷史發(fā)電數(shù)據(jù)樣本庫(kù)內(nèi)選取與預(yù)測(cè)日同一季節(jié)、同一天氣類型的歷史發(fā)電日，構(gòu)建初始樣本。

步驟2，定義整點(diǎn)時(shí)刻溫度數(shù)據(jù)。

采集的歷史發(fā)電數(shù)據(jù)為單日內(nèi)8：00—17：00(與圖4相應(yīng))整點(diǎn)時(shí)刻的發(fā)電功率數(shù)據(jù)，而提取單日氣象特征向量時(shí)，需利用當(dāng)前日整點(diǎn)時(shí)刻溫度以及歷史日的氣象特征向量，求解初始樣本內(nèi)相應(yīng)的日發(fā)電功率的整點(diǎn)時(shí)刻溫度數(shù)據(jù)，以期提升選取相似日的精準(zhǔn)性。

步驟3，歸一化氣象特征向量。

利用第i個(gè)歷史日內(nèi)第k個(gè)氣象特征向量、第k個(gè)氣象特征向量極小值以及極大值，計(jì)算歸一化后的氣象特征向量。

步驟4，求解預(yù)測(cè)日與第i個(gè)歷史日內(nèi)第k個(gè)氣象特征向量二者間的關(guān)聯(lián)系數(shù)，在歸一化處理后對(duì)預(yù)測(cè)日等參數(shù)進(jìn)行求解。

步驟5，通過(guò)氣象特征向量的分量數(shù)值求解預(yù)測(cè)日與第i個(gè)歷史日的總關(guān)聯(lián)度Ri，選取總關(guān)聯(lián)度滿足Ri≥0.6條件的歷史發(fā)電日，并將其根據(jù)日期先后順序排列，從中選擇與預(yù)測(cè)日溫度最為接近的日期作為相似日。

1.2.2構(gòu)建光伏電站發(fā)電功率預(yù)測(cè)模型

卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks，CNN)于1989年提出，其包含卷積計(jì)算、具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)，可作為典型的深度學(xué)習(xí)算法。卷積神經(jīng)網(wǎng)絡(luò)可視作由傳統(tǒng)神經(jīng)網(wǎng)絡(luò)進(jìn)化而來(lái)，為分層式的網(wǎng)絡(luò)構(gòu)造，主要包含輸入層、卷積層、池化層、全連接層以及輸出層。由于卷積神經(jīng)網(wǎng)絡(luò)構(gòu)造較為精簡(jiǎn)，采用權(quán)值共享技術(shù)可使網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)規(guī)模較小，且無(wú)需進(jìn)行預(yù)訓(xùn)練，卷積神經(jīng)網(wǎng)絡(luò)擁有較強(qiáng)大的實(shí)時(shí)性，在特征提取和探索結(jié)構(gòu)方面性能極其優(yōu)秀，因此利用卷積神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)光伏電站發(fā)電功率能夠獲取非常好的預(yù)測(cè)效果。

由于卷積神經(jīng)網(wǎng)絡(luò)輸入層應(yīng)為二維圖像，而本文從與預(yù)測(cè)日溫度最為貼近的相似日中獲取6個(gè)預(yù)測(cè)因子值，將其作為輸入向量，這些數(shù)據(jù)皆為一維時(shí)間序列數(shù)據(jù)，需先轉(zhuǎn)換數(shù)據(jù)維度，因此在原有的網(wǎng)絡(luò)構(gòu)造中加入兩個(gè)轉(zhuǎn)換層，用于將輸入向量轉(zhuǎn)換為二維矩陣進(jìn)行訓(xùn)練，并在訓(xùn)練后將二維圖像形式的數(shù)據(jù)轉(zhuǎn)換為一維時(shí)間序列數(shù)據(jù)傳輸至輸出層。圖1為該卷積神經(jīng)網(wǎng)絡(luò)模型。

圖1 卷積神經(jīng)網(wǎng)絡(luò)模型構(gòu)造

構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)模型最關(guān)鍵的環(huán)節(jié)是確定超參數(shù)。超參數(shù)可細(xì)分為激活函數(shù)、卷積核數(shù)目以及卷積核大小等。本文選取ReLU線性激活函數(shù)，能夠提升卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練效率，同時(shí)避免出現(xiàn)梯度飽和現(xiàn)象。另外，初始權(quán)值同樣影響網(wǎng)絡(luò)訓(xùn)練效率，需額外擬定，卷積核數(shù)目及卷積核大小則選取默認(rèn)的參數(shù)配置。

鑒于相似日的預(yù)測(cè)因子值具有較為突出的非線性特征，在序列波形中會(huì)發(fā)生巨大震蕩，導(dǎo)致預(yù)測(cè)精度受到較大影響，采用小波分解技術(shù)將原始序列數(shù)據(jù)分解為具有不同頻率的子信號(hào)，使各子信號(hào)的特征更突出，更易被卷積神經(jīng)網(wǎng)絡(luò)模型提取，從而提升模型預(yù)測(cè)精度，由于光伏電站發(fā)電功率問(wèn)題為非連續(xù)性問(wèn)題，故選取離散型小波分解函數(shù)，將離散小波P(n)分解為一個(gè)低頻的近似信號(hào)A(n)以及若干個(gè)高頻細(xì)節(jié)信號(hào)B(n)，輸入至卷積神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練，用圖2描述小波分解過(guò)程。

圖2 小波分解過(guò)程

綜上所述，新能源光伏電站發(fā)電功率預(yù)測(cè)過(guò)程如下：結(jié)合小波分解技術(shù)與卷積神經(jīng)網(wǎng)絡(luò)，首先確定預(yù)測(cè)日期以及當(dāng)日天氣預(yù)報(bào)情況，從搜集的歷史數(shù)據(jù)中篩選出與預(yù)測(cè)日處于同一季節(jié)、同一天氣類型的日期構(gòu)建初始樣本集，并采用灰色關(guān)聯(lián)分析法從中選取最為貼近預(yù)測(cè)日溫度的相似日，將該相似日的6項(xiàng)預(yù)測(cè)因子值作為訓(xùn)練樣本，對(duì)輸入的訓(xùn)練樣本數(shù)據(jù)進(jìn)行歸一化處理，再采用小波分解技術(shù)將其分解為若干個(gè)子序列，有助于卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行特征提取，將子序列輸入至卷積神經(jīng)網(wǎng)絡(luò)模型中訓(xùn)練后獲取輸出結(jié)果，此時(shí)需將輸出結(jié)果進(jìn)行小波重構(gòu)，并進(jìn)行反歸一化處理，從而獲取預(yù)測(cè)日發(fā)電功率預(yù)測(cè)值的最終結(jié)果。

2 實(shí)驗(yàn)與分析

選取我國(guó)西部某地級(jí)市新能源光伏電站作為本次實(shí)驗(yàn)對(duì)象，并搜集該電站2021年1月1日—2021年12月31日的歷史發(fā)電功率數(shù)據(jù)以及相應(yīng)的氣象數(shù)據(jù)，采用本文方法隨機(jī)對(duì)未來(lái)日子進(jìn)行發(fā)電功率預(yù)測(cè)，分析本文方法的預(yù)測(cè)效果，并探析該新能源光伏電站的發(fā)電功率變化規(guī)律。

2.1 預(yù)測(cè)效果驗(yàn)證

為全面分析本文方法的預(yù)測(cè)效果，首先驗(yàn)證預(yù)測(cè)精度。以希爾不等系數(shù)TIC為指標(biāo)，衡量光伏電站發(fā)電功率最終預(yù)測(cè)效果。TIC的計(jì)算過(guò)程如下：

(1)

式中：n為樣本數(shù)量，n=1,2,3,…,i,…；x為發(fā)電功率預(yù)測(cè)值；x0為發(fā)電功率實(shí)際值。TIC的取值范圍為0～1，數(shù)值越小代表預(yù)測(cè)精度越高。在3種天氣類型下各選取14個(gè)預(yù)測(cè)日，依據(jù)本文方法的預(yù)測(cè)結(jié)果與這14天的實(shí)際發(fā)電功率，計(jì)算本文方法的TIC值。預(yù)測(cè)結(jié)果與TIC值計(jì)算結(jié)果見(jiàn)表1。

表1 預(yù)測(cè)結(jié)果與TIC值計(jì)算結(jié)果

通過(guò)分析表1可知，各類型天氣下的TIC最大值不超過(guò)0.085，說(shuō)明本文方法預(yù)測(cè)光伏電站發(fā)電功率具有較好的實(shí)際應(yīng)用效果，即使在陰天、雨天等發(fā)電功率波動(dòng)幅度較大的情況下依然能夠較為精準(zhǔn)地預(yù)測(cè)當(dāng)日發(fā)電功率。

由于實(shí)驗(yàn)地區(qū)的經(jīng)濟(jì)發(fā)展較為落后且人口數(shù)量不多，據(jù)官方數(shù)據(jù)統(tǒng)計(jì)，該市2021年5月份每日用電負(fù)荷需求波動(dòng)幅度不大，因此采用本文方法對(duì)該電站一個(gè)月內(nèi)的發(fā)電功率進(jìn)行預(yù)測(cè)，并采取相應(yīng)的電力調(diào)度措施，電力調(diào)度詳情如圖3所示。

分析圖3可知，在獲取光伏電站發(fā)電功率預(yù)測(cè)曲線后，相關(guān)部門討論并做出相應(yīng)的電力調(diào)度決策，剛好能夠滿足該市每日用電負(fù)荷需求，且光伏電站發(fā)電功率實(shí)際值與預(yù)測(cè)功率相差不大，未發(fā)生電力資源過(guò)度浪費(fèi)或缺口情況，證明本文方法可精準(zhǔn)預(yù)測(cè)光伏電站發(fā)電功率，從而助力電力調(diào)度平穩(wěn)運(yùn)行。

圖3 電力調(diào)度詳情

2.2 發(fā)電功率變化規(guī)律分析

在上述性能驗(yàn)證的基礎(chǔ)上，采用本文方法對(duì)該新能源光伏電站3月15日到20日連續(xù)6天的發(fā)電功率進(jìn)行預(yù)測(cè)。其中，15日及19日為晴天，16日及18日為雨天，17日及20日為陰天。利用本文方法得到的新能源光伏電站發(fā)電功率預(yù)測(cè)結(jié)果見(jiàn)表2。

表2 光伏電站發(fā)電功率預(yù)測(cè)結(jié)果

通過(guò)分析表2實(shí)驗(yàn)結(jié)果可以看出，晴天的光伏電站發(fā)電功率比陰天及雨天的發(fā)電功率高2～3倍，相對(duì)而言，雨天的發(fā)電功率略高于陰天。這是因?yàn)檫@兩日雨天多數(shù)為陣雨且雨量中等偏小，而陰天的17日與20日云層較厚且多數(shù)時(shí)間未見(jiàn)太陽(yáng)。

為保證研究結(jié)果的普遍性和公平性，擴(kuò)大分析范圍，從搜集的歷史發(fā)電功率數(shù)據(jù)及氣象數(shù)據(jù)中隨機(jī)選取晴天、陰天、雨天3種天氣類型的歷史日，且每種天氣類型下各選取10天的歷史發(fā)電功率數(shù)據(jù)，計(jì)算同類型天氣情況下各個(gè)時(shí)刻的發(fā)電功率平均值，用于描繪各類型天氣發(fā)電功率變化規(guī)律曲線，鑒于一天當(dāng)中8：00—17：00發(fā)電功率具有較高參考價(jià)值，故橫坐標(biāo)時(shí)間選取在此期間內(nèi)的整點(diǎn)時(shí)刻。各類型天氣下光伏電站發(fā)電功率曲線如圖4所示。

圖4 各類型天氣光伏電站發(fā)電功率曲線

分析圖4可知，晴天條件下歷史日的發(fā)電功率隨太陽(yáng)輻射強(qiáng)度的變化而同步變化，在10：00—15：00其發(fā)電功率較高且相對(duì)平穩(wěn)，即正午時(shí)間段發(fā)電功率達(dá)到一天之最，雨天的發(fā)電功率則受降雨量、降雨時(shí)間段等因素影響產(chǎn)生較大程度波動(dòng)，而陰天發(fā)電功率受到云量及環(huán)境溫度等影響，整體呈現(xiàn)小幅度波動(dòng)狀態(tài)，受天氣類型影響，每日發(fā)電功率具有相應(yīng)的變化規(guī)律。

3 結(jié)束語(yǔ)

本文提出基于卷積神經(jīng)網(wǎng)絡(luò)的新能源光伏電站發(fā)電功率預(yù)測(cè)方法，綜合分析輻照度變化規(guī)律并選取預(yù)測(cè)因子，通過(guò)歷史發(fā)電功率數(shù)據(jù)及天氣預(yù)報(bào)資料選取與預(yù)測(cè)日最為貼近的相似日，搭建卷積神經(jīng)網(wǎng)絡(luò)模型后將該相似日的預(yù)測(cè)因子作為輸入向量，進(jìn)行發(fā)電功率預(yù)測(cè)。實(shí)驗(yàn)結(jié)果表明，晴天發(fā)電功率為陰天及雨天的2～3倍，該方法具有較好的實(shí)際應(yīng)用效果，可精準(zhǔn)預(yù)測(cè)光伏電站的發(fā)電功率，助力電力調(diào)度平穩(wěn)運(yùn)行，日后可從其他方向繼續(xù)探索新能源光伏電站發(fā)電功率預(yù)測(cè)方法，促使方法更加完善。