基于氣候相似性與SSA-CNN-LSTM的光伏功率組合預測

收稿日期：2022-02-14

通信作者：王曉霞（1977—），女，博士、副教授，主要從事數(shù)據(jù)挖掘、人工智能在電力系統(tǒng)中的應用方面的研究。wtwxx@163.com

DOI：10.19912/j.0254-0096.tynxb.2022-0161 文章編號：0254-0096（2023）06-0275-09

摘 要：針對高分辨率氣象數(shù)據(jù)匱乏影響光伏功率預測準確性的問題，提出一種融合氣候相似性與奇異譜分析（SSA）、卷積神經(jīng)網(wǎng)絡（CNN）和長短期記憶網(wǎng)絡（LSTM）的高分辨率光伏功率組合預測模型。運用SSA分解光伏序列為不同子序列，建立CNN-LSTM日前預測模型以捕捉光伏出力的連續(xù)性特征；利用氣候相似性通過低分辨率氣象數(shù)據(jù)選取相似日實現(xiàn)高分辨率光伏出力預測；通過灰色關聯(lián)分析動態(tài)組合權(quán)重得到最終預測結(jié)果。仿真結(jié)果表明，該組合預測模型可有效提高日前高分辨率光伏功率預測的準確性，具有較高的預測精度。

關鍵詞：光伏發(fā)電；預測；神經(jīng)網(wǎng)絡；高時間分辨率；相似性分析；奇異譜分析

中圖分類號：TM615"""""""""""""""""" """ """""""文獻標志碼：A

0 引 言

隨著光伏發(fā)電系統(tǒng)造價的不斷降低，依靠清潔能源優(yōu)勢其在世界范圍內(nèi)得到迅速發(fā)展，這雖緩解了化石能源消耗殆盡以及環(huán)境污染的危機，但其發(fā)電的隨機性和間歇性給電網(wǎng)的穩(wěn)定運行和安全調(diào)度管理帶來巨大挑戰(zhàn)。隨著光伏系統(tǒng)滲透率的不斷遞增，精確預測光伏日前輸出功率對于機組調(diào)度、輸電調(diào)配和日前市場交易均具有重要意義［1］，尤其高分辨率光伏出力的準確預測使電網(wǎng)能掌握實時功率信息，更有利于未來對高比例新能源電力系統(tǒng)的緊急調(diào)度管理。

光伏發(fā)電功率短期預測模型主要包括物理模型、統(tǒng)計模型和組合模型。物理模型直接對光伏發(fā)電系統(tǒng)建模，根據(jù)數(shù)值天氣預報（numerical weather prediction，NWP）和光伏發(fā)電組件信息預測輸出功率。統(tǒng)計模型依賴大量歷史光伏數(shù)據(jù)與NWP信息，通過建立歷史數(shù)據(jù)與輸出功率的映射關系估算光伏出力［2］。使用NWP進行光伏功率預測時，多元氣象因素直接影響預測結(jié)果，從而使光伏輸出功率具有較大的隨機性。因此，結(jié)合不同模型的優(yōu)點，發(fā)揮各自優(yōu)勢建立組合模型以提高模型預測的準確性［3］。文獻［4］利用歷史氣象數(shù)據(jù)與天文數(shù)據(jù)確定相似日，將PV物理模型引入到預測系統(tǒng)中，提出一種基于太陽時間的區(qū)域模擬集成方法預測光伏功率。文獻［5］采用BP神經(jīng)網(wǎng)絡、GM灰色算法和支持向量機分別預測，并利用人群搜索算法優(yōu)化組合權(quán)值。文獻［6-7］結(jié)合卷積神經(jīng)網(wǎng)絡（convolutional neural networks，CNN）和長短期記憶網(wǎng)絡（long short-term memory，LSTM）建立預測模型，利用LSTM提取數(shù)據(jù)的時間特征以及CNN提取數(shù)據(jù)的空間特征。文獻［8］建立FFNN、GRNN和MLR這3個神經(jīng)網(wǎng)絡及差分自回歸移動平均的組合模型，相較單神經(jīng)網(wǎng)絡模型具有更高精度。上述組合預測模型可不同程度地提升日前短期光伏功率預測精度，但輸入變量和輸出功率的時間分辨率仍是小時級，無法滿足高分辨率的光伏發(fā)電運維需求。為了提供高時間分辨率光伏發(fā)電功率預測，文獻［9］提出基于經(jīng)驗小波變換、粒子群優(yōu)化和隨機森林的變權(quán)組合預測模型，利用灰色關聯(lián)分析選取相似日，以5 min的分辨率預測第2天光伏發(fā)電功率。文獻［10］結(jié)合光伏性能模型和神經(jīng)網(wǎng)絡，對未來一天每分鐘的光伏出力進行預測。這些模型雖可實現(xiàn)高分辨率的預測，但模型要求輸入數(shù)據(jù)擁有高時間和空間分辨率，氣象數(shù)據(jù)的高時間分辨率的可用性和準確性是應用這些預測模型的主要障礙。雖然日前高分辨率氣象數(shù)據(jù)難以獲取，但考慮到光伏出力與氣象變化密切相關，因此可使用歷史相似日的高分辨率發(fā)電數(shù)據(jù)進行補充，實現(xiàn)基于低分辨率氣象數(shù)據(jù)預測高分辨率光伏發(fā)電功率。

基于上述思想，本文提出基于奇異譜分析（singular spectrum analysis，SSA）的CNN-LSTM日前預測模型與基于氣候相似性預測模型（climate similarity model，CSM）的光伏功率組合預測模型。首先，針對光伏序列波動性較大，且相鄰日間的光伏序列存在連續(xù)性，使用SSA將前一日光伏出力分解為相對平穩(wěn)的子序列，結(jié)合CNN和LSTM模型預測第2天的光伏發(fā)電功率。其次，考慮到光伏出力與氣象變化密切相關，而與光伏出力一致的高分辨率氣象數(shù)據(jù)難以獲取，提出基于氣候相似性的光伏預測模型，利用低分辨率天氣數(shù)據(jù)，在高分辨率下預測未來一天的光伏發(fā)電功率。最后，融合兩種模型的預測結(jié)果，通過灰色關聯(lián)分析動態(tài)組合權(quán)重得到最終預測結(jié)果。

1 基于SSA的CNN-LSTM日前預測模型

日前光伏序列屬于非平穩(wěn)序列，針對其隨機性強、表現(xiàn)出復雜的日周期性等特性，利用模式分解算法將原始非平穩(wěn)序列分解成不同頻率的子序列，綜合不同子序列建模預測的結(jié)果，以提高日前光伏出力的預測精度。

1.1 奇異譜分析

奇異譜分析法適合處理含復雜周期性的非線性、非平穩(wěn)序列［11］，通過將光伏出力數(shù)據(jù)從時域轉(zhuǎn)化到頻域內(nèi)進行分解，既能較好地捕捉數(shù)據(jù)的非線性特征，又能避免變量信息重疊，分解過程具有很強的魯棒性，其步驟為：

1）嵌入。設原光伏序列[YN=（y1，y2，...，yN）]，序列長度為[N]（[Ngt;2]），將其重構(gòu)為跡矩陣[G]：

[G=g1g2…gKg2g3…gK+1????gLgL+1…gN]""" （1）

式中：[L]——嵌入維度；[K]——[G]的列數(shù)，[K=N-L+1]。

2）奇異值分解。對跡矩陣進行奇異值分解為：

[G=i=1dXi=i=1dλiUiVTi，" i=1，2，…，d]""" （2）

式中：[Xi]——初等矩陣；[λi]——[XXT]降序排列的特征值；[Ui]、[Vi]和[λi]——軌跡矩陣[G]進行奇異值分解后的第[i]個特征三元組。

3）分組。根據(jù)奇異值篩選分解后的各類型分量，將上述[i]個初等矩陣分成[p]個不相交的組[I=（I1，I2，…，Ip）]，[Xip]為組內(nèi)矩陣，則合成矩陣為：

[GI=Xi1+Xi2+…+Xip] （3）

4）重構(gòu)。通過對角平均化公式重建光伏序列[（g1，g2，…，gN）]，可表示為：

[gk=1kq=1k+1z*q，k-q+1，1≤k≤L*1L*q=1L*z*q，k-q+1，L*lt;k≤K*1N-K+1q=k-K*+1N-K*+1z*q，k-q+1，K*lt;k≤N]" （4）

式中：[L*=min{L，K};][K*=max{L，K};][zij]——[L·K]的矩陣[Z]的元素，若[Llt;K，][z*ij=zij，]否則[z*ij=zji]。

1.2 SSA-CNN-LSTM模型預測流程

針對日前高分辨率光伏功率預測問題提出一種基于奇異譜分析、卷積神經(jīng)網(wǎng)絡和長短期記憶網(wǎng)絡（SSA-CNN-LSTM）的日前光伏功率預測模型，其具體步驟為：

1）對原始光伏功率序列進行數(shù)據(jù)清洗，去除離群值和缺失值，對數(shù)據(jù)進行歸一化處理；

2）利用SSA算法將原始光伏功率序列分解為周期序列、趨勢序列和剩余序列；

3）分別對各序列建立相應的CNN-LSTM預測模型。CNN提取數(shù)據(jù)的空間特征，發(fā)掘多個特征之間的相互關聯(lián)，而LSTM挖掘數(shù)據(jù)的時序特征，學習長期依賴關系；

4）將所有序列的預測結(jié)果進行疊加，重構(gòu)得到待預測日光伏功率的預測值。

2 基于氣候相似性的預測模型

待預測日的氣象預報信息對光伏功率的準確預測至關重要。對于高分辨率（分鐘級）光伏日前功率預測，大多數(shù)預測模型需對應氣象數(shù)據(jù)具有相同的時間分辨率。實際生產(chǎn)中，如此高分辨率且高準確性的氣象特征難以獲取，為了克服這一局限，本文提出一種基于氣候相似性的光伏功率預測模型，利用低分辨率的氣象數(shù)據(jù)確定相似日，根據(jù)相似日高分辨率的光伏數(shù)據(jù)進行日前光伏發(fā)電功率預測，其具體步驟為：

1）利用近鄰傳播聚類算法將歷史氣象數(shù)據(jù)劃分為不同的氣象模式。近鄰傳播聚類（affinity propagation，AP）算法將所有日氣象樣本作為潛在的聚類中心，通過樣本間的“信息互遞”迭代競爭聚類中心［12］，以確定不同的氣象模式。現(xiàn)有歷史氣象樣本[x1，x2，…，xn]通過式（5）計算任意兩個樣本間的相似度[s]，并構(gòu)成相似度矩陣[S]。

[si，k=-xi-xk2]" （5）

樣本之間的吸引信息[r（xi，xk）]表示樣本[k]適合作為候選中心點[i]聚類中心的程度；歸屬信息[a（xi，xk）]表示樣本[i]選擇樣本[k]作為其聚類中心的合適程度。此外參考度[Z]用于決定最終聚類數(shù)量，阻尼因子[λ]用于調(diào)節(jié)模型收斂速度。

引入輪廓系數(shù)作為聚類有效性指標來評價聚類結(jié)果的質(zhì)量［13］，如式（6）所示。平均輪廓系數(shù)為所有輪廓系數(shù)求和的平均值，其值越大聚類效果越好。這樣平均輪廓系數(shù)最大的便是最佳聚類數(shù)。

[q（i）=n（i）-m（i）maxm（i），n（i）]""" （6）

式中：[m（i）]——凝聚度，是樣本[xi]與相同簇的其他樣本的平均距離；[n（i）]——分離度，是[xi]與其他簇中所有樣本的平均距離。

綜上，近鄰傳播聚類劃分氣象模式的流程如圖1所示。

2）使用不同分類模型投票確定待預測日的氣象模式，記錄識別結(jié)果。以第1）步中得到的聚類結(jié)果為標簽，以待預測日的氣象數(shù)據(jù)為特征，使用分類模型識別待預測日所屬氣象

模式。由于模型存在誤差，單一分類模型的識別精度無法保證，一個錯誤的日模式識別會降低最終模型識別的準確性。為了解決該問題，一方面可應用更高效的分類模型，另一方面可嚴格控制投票環(huán)節(jié)。本文分別采用支持向量機（SVM）［14］和K最近鄰（KNN）［15］識別待預測日氣象模式，記為SVMWpred和KNNWpred，然后投票確定最終的結(jié)果。

3）針對投票確定的氣象模式，進行灰色關聯(lián)度相似性分析，選取待預測日的相似日?；疑P聯(lián)度是灰色關聯(lián)分析法用于描述變量間的相關程度的量化指標，能反映變量之間發(fā)展態(tài)勢的相似或相異程度，其值越大代表變量之間的關聯(lián)程度越高［16］。假設待預測日氣象序列為：

[wpred=[wp（1），wp（2），…，wp（n）]]" （7）

式中：[wp（k）]——[p]日的第[k]個氣象變量24小時的氣象預報。

若步驟2）中SVM與KNN識別的氣象模式一致，即SVMWpred=KNNWpred=N，對第N類氣象模式進行相似性分析選取相似日：

[δi（k）=minlminkΔl（k）+ρmaxlmaxkΔl（k）Δl（k）+ρmaxlmaxkΔl（k）l∈{x：class（Wx）=class（Wpred）=class"N;1≤x≤D}wl=[wl（1），wl（2），…，wl（n）]]"" （8）

式中：[δi（k）]——[p]日與[l]日第[k]個氣象變量的關聯(lián)因素；[ρ]——分辨系數(shù)，[ρ∈（0，1）]，其值越小分辨力越強，本文取值0.5；[Δl（k）=wp（k）-wl（k）]，其中[wl（k）]、[wp（k）]分別為[l]日、待預測日[p]的第[k]個氣象變量24小時的歷史氣象數(shù)據(jù)；[Wx]——[x]日的氣象模式；[wl]——屬于氣象模式[N]的l日樣本氣象序列。

若步驟2）中SVM與KNN識別的氣象模式不一致，即[SVMWpred≠KNNWpred]，則放棄氣象模式識別，在全部歷史數(shù)據(jù)集下進行相似性分析選取相似日：

[δi（k）=minlminkΔl（k）+ρmaxlmaxkΔl（k）Δl（k）+ρmaxlmaxkΔl（k）l∈{x：1≤x≤D}wl=[wl（1），wl（2），…，wl（n）]]""" （9）

綜合各氣象變量的相關系數(shù)，相似度[F]定義為：

[F=1ni=1nδi（k）]""" （10）

按照相似度大小將[F]按降序排列，選取相似度最大的前[m]天作為待預測日的相似日，相似日的索引記錄為[H1，H2，…，Hm]。

4）基于相似日預測未來一天光伏發(fā)電功率。將每個相似日的歷史功率[PHi]進行加權(quán)求和，權(quán)重[OHi]根據(jù)相似日與待預測日的相似度確定，預測未來一天的光伏輸出功率[Ppred]為：

[OHi=FHii=1mFHi]""" （11）

[Ppred=i=1mPHi×OHi]""" （12）

多個特性不同的相似日光伏出力加權(quán)求和實際上起到波動性平滑的作用，能提高模型整體的預測準確性。

3 基于灰色關聯(lián)分析的動態(tài)權(quán)重組合預測模型

SSA-CNN-LSTM模型的準確性取決于相鄰日的光伏出力相似性，若相鄰日氣候變化較大，預測精度將大幅降低；而CSM模型根據(jù)氣象特征獲取相似日，雖無法捕獲光伏序列的連續(xù)性特征，但彌補了該模型無法應對氣候突變情況下進行精確預測的不足。為充分融合兩種模型的優(yōu)點，本文利用灰色關聯(lián)分析法將兩種預測模型進行動態(tài)結(jié)合，提高模型的預測精度。組合模型的預測流程如圖2所示。

假設兩種模型預測的光伏出力序列為：[Y1=y11，y12，…，y1n]和[Y2=y21，y22，…，y2n]，待預測日的真實光伏出力為[T=T1，T2，…，Tn]，計算兩種模型的預測結(jié)果和真實值的差值[Abs]：

[Abs（i，" j）=yij-Tj，""" i=1，2，" j=1，2，…，n]"" （13）

各模型間關聯(lián)系數(shù)矩陣[ω]為：

[ω=min（Abs）+ρ*max（Abs）Abs+ρ*max（Abs）]""" （14）

式中：[ρ]——分辨系數(shù)，本文取值0.5。

將得到的關聯(lián)系數(shù)矩陣歸一化到［0，1］之間，然后將每組預測模型的預測值和對應的關聯(lián)系數(shù)相乘重構(gòu)輸出，可得組合模型光伏功率預測值。

[Y=i=1nω1iy1i+ω2iy2i] （15）

4 算例分析

選用美國國家能源部可再生能源實驗室（NREL）亞利桑那州地區(qū)2006年1—12月的實測高分辨率光伏功率數(shù)據(jù)與低分辨率氣象數(shù)據(jù)，光伏數(shù)據(jù)和氣象數(shù)據(jù)的采樣周期分別為5 min和1 h。訓練集、驗證集、測試集按照70%、10%、20%的比例進行劃分。使用平均絕對誤差（MAE）和均方根誤差（RMSE）作為模型的評價指標，其表達式為：

[MAE=1Nt=1Nyt-yt′] （16）

[RMSE=1Nt=1Nyt-yt′2]"" （17）

式中：[yt]——實際值；[yt′]——預測值；[N]——樣本數(shù)量。

4.1 基于SSA-CNN-LSTM的預測模型仿真

為驗證SSA分析的有效性，在不改變預測模型的前提下，對原始序列采用：1）不分解；2）變分模態(tài)分解（VMD）；3）SSA分解3種不同的預處理方法得到相應子序列。對每組子序列建立CNN-LSTM預測模型，再將預測結(jié)果進行疊加得到最終的光伏發(fā)電功率。經(jīng)過多次實驗得到SSA、VMD的最優(yōu)分解序列數(shù)均為3，不同模式分解的光伏功率預測曲線如圖3所示，預測誤差對比如表1所示。

從圖3和表1可看出，SSA-CNN-LSTM和VMD-CNN-LSTM模型相較直接使用原始數(shù)據(jù)進行預測的CNN-LSTM模型，MAE分別降低20.6%、7.7%，RMSE分別降低18.7%、14.4%。這說明通過將原始光伏序列進行分解可有效降低數(shù)

據(jù)的波動性、提高預測精度，且SSA分解比VMD分解的效果更好，擬合曲線與真實曲線更加貼近，證明了SSA分解的有效性。

4.2 基于CSM的預測模型仿真

4.2.1 AP聚類劃分氣象模式

首先采用Pearson相關系數(shù)法［17］選取相關性強的天氣變量，包括全局水平紫外線輻照度、全球水平輻照度、相對濕度、溫度和直接法向輻照度。利用AP聚類得到6種不同的氣象模式如圖4所示，圖4a～圖4f分別展示了屬于該氣象模式的不同日5 min分辨率的光伏出力。由圖4可知，相同氣象模式下的光伏發(fā)電功率曲線具有相似性，如氣象模式1的光伏出力曲線均較為光滑，可大致推斷為晴朗天氣；氣象模式4的光伏出力曲線由相對平滑轉(zhuǎn)向波動，可推斷為晴轉(zhuǎn)多云；氣象模式2、5的光伏出力曲線波動較大，推斷天氣狀況為多云或陰天；氣象模式3、6的光伏出力曲線波動劇烈，無明顯規(guī)律，可歸類為雷雨等極端天氣。因此，事先對氣象模式進行劃分，從同類氣象模式中尋找相似日是可行的。

meteorological modes

4.2.2 相似日的最優(yōu)參數(shù)

由前文可知，待預測日的相似日天數(shù)m是CSM模型的唯一可變參數(shù)。為獲取最優(yōu)參數(shù)，分別計算不同相似日參數(shù)[m]時光伏歷史輸出功率預測誤差的評價指標，結(jié)果如圖5所示。由圖5可知，隨著相似日參數(shù)[m]的增大，預測誤差先減小后增大，說明相似日的天數(shù)并非越多越好，只有相似度高的相似日能有效提高預測精度，若相似日天數(shù)過多，可能會引入相似度較低的相似日造成更大誤差。因此，選取相似日參數(shù)[m=4]時，MAE和RMSE誤差都是最小值，說明此時相似日的電站歷史出力與待預測日的光伏出力最接近。

4.3 光伏功率組合預測模型仿真

選取10月21日（晴天）、10月27日（陰天）、12月8日（雨天）、11月7日（多云）作為預測日。首先建立SSA-CNN-LSTM模型，使用前一日光伏出力數(shù)據(jù)（共288個樣本點）對該日進行預測，再建立CSM模型，選取4個相似日預測該日的發(fā)電功率，最后基于灰色關聯(lián)分析對兩種模型的預測結(jié)果進行動態(tài)組合，得到最終預測結(jié)果。為驗證組合預測模型的有效性，分別建立日前模型SSA-LSTM、SSA-CNN、SSA-CNN-LSTM、氣候相似性模型CSM和組合模型，預測結(jié)果如圖6所示，預測誤差見表2，表中每種氣象類型下的最佳預測結(jié)果以加粗表示。從表2和圖6可知：日前預測模型中，SSA-CNN-LSTM相比SSA-CNN和SSA-LSTM更能挖掘光伏序列的時序特征，預測誤差更低，表明了SSA-CNN-LSTM的有效性。另外，不同的天氣類型對各種模型的影響不同。

晴天時，日前預測模型SSA-LSTM、SSA-CNN和SSA-CNN-LSTM的預測效果均較優(yōu)，CSM模型效果相對日前模型較差，但組合模型的預測效果優(yōu)于其他模型，MAE相比日前模型中效果最優(yōu)的SSA-CNN-LSTM降低4.9%，比CSM降低37.5%。這是因為晴天天氣波動較小，相鄰日的光伏曲線較為接近，日前模型相比相似日模型更能表征第2日的光伏出力情況。

在多云和陰天時，日前模型的預測精度明顯低于晴天，此時CSM預測誤差顯著低于日前模型，組合模型效果略優(yōu)于CSM。這主要是由于多云和陰天時天氣變化頻繁導致光伏系統(tǒng)輸出功率隨機性變化，相鄰日的曲線存在較大差異，僅依靠日前光伏出力情況無法準確預測第2日光伏發(fā)電功率，而通過氣候相似性模型找到相似日的光伏出力進行加權(quán)預測能有效提高準確性與適用性。組合預測模型融合了兩類預測模型的優(yōu)點，增強了模型對非平穩(wěn)數(shù)據(jù)的泛化能力。

雨天天氣變化頻繁，光伏出力曲線也易發(fā)生突變，5種模型的預測精度均降低。日前模型難以捕獲光伏出力的波動特性，CSM相較日前模型仍具有更低的MAE、RMSE，組合模型較CSM的MAE又降低12.6%，具有較高的預測精度。

綜上所述，日前模型更適用于晴天等波動較小及相鄰日氣象相近的情況，相比CSM模型可更有效提取光伏出力的連續(xù)性特征，預測精度更高；CSM模型更適用于陰雨天、多云等天氣情況波動較大的情況，通過學習歷史相似日的光伏出力情況，使模型在不同天氣類型下更具魯棒性，彌補了日前模型無法應對因相鄰日氣象差異較大導致的光伏曲線劇烈波動問題。組合模型結(jié)合了日前模型與CSM模型的優(yōu)點，使模型在平穩(wěn)與非平穩(wěn)天氣均具有更小的誤差。

為進一步驗證組合預測模型的優(yōu)越性，選取澳大利亞Alice Springs的光伏電站2013年12月—2014年11月的數(shù)據(jù)進行仿真分析。該光伏電站裝機容量為6 kW，光伏數(shù)據(jù)的采樣周期為5 min，氣象數(shù)據(jù)的采樣周期為1 h。引入注意力機制的深度神經(jīng)網(wǎng)絡常用于光伏功率預測，因此將本文的組合預測模型與日前模型Attention-LSTM和Attention-GRU以及基模型SSA-CNN-LSTM和CSM進行對比以進一步驗證其預測性能。圖7為5種預測模型春、夏、秋、冬4個季節(jié)的MAE和RMSE。圖8為春季（11月26日）、夏季（2月26日）、秋季（5月26日）、冬季（8月26日）的光伏功率預測曲線對比。可以看出，所有模型冬季的預測誤差較低，春、夏季的預測誤差較高。這主要是因為當?shù)囟窘邓俣嗲缣欤夥€波動相對較??；春、夏為雨季，天氣類型變化較豐富。組合模型不僅能挖掘相鄰日曲線特征，而且可從歷史日中捕獲相同天氣類型下的曲線特征，有效提高模型的泛化能力。相較于各對比模型，組合模型均有更低的預測誤差，與真實曲線的擬合效果也最優(yōu)，說明組合模型對不同季節(jié)均具有較強的魯棒性。

5 結(jié) 論

本文結(jié)合日前預測模型SSA-CNN-LSTM與氣候相似性模型CSM實現(xiàn)高分辨率光伏功率組合預測，并采用美國亞利桑那州與澳大利亞Alice Springs地區(qū)光伏電站的數(shù)據(jù)進行仿真實驗，得到如下主要結(jié)論：

1）針對傳統(tǒng)神經(jīng)網(wǎng)絡對復雜非線性建模泛化能力不足的缺陷，采用SSA對光伏功率時間序列進行分解，得到不同頻率的子序列，降低了不同光伏子序列間的相互影響。之后對分解得到的子序列分別使用CNN-LSTM模型捕捉相鄰日的光伏出力特征關聯(lián)，有效提高了日前模型的預測精度。

2）針對氣象因子與光伏序列分辨率不一致的問題，對氣象模式進行標識，建立基于氣候相似性的預測模型，實現(xiàn)通過低分辨率氣象數(shù)據(jù)獲取相似日從而對高分辨率光伏出力進行預測，且多個特性不同的相似日光伏出力加權(quán)求和實際上起到波動性平滑的作用，提高了整體預測的準確性。

3）通過灰色關聯(lián)度變權(quán)組合兩種模型的預測結(jié)果，使模型不僅能捕獲光伏出力的連續(xù)性特征，還能應對氣象波動劇烈的天氣狀況，結(jié)合日前模型與相似性模型的優(yōu)點，組合模型的預測精度獲得提高，驗證了本文所提模型的有效性。

［參考文獻］

［1］" LIU X H， GENG C， XIE S H， et al. Day ahead thermal-photovoltaic economic dispatch considering uncertainty of photovoltaic"" power"" generation［J］."" Journal"" of""" system simulation， 2022， 34（8）： 1874-1884.

［2］" 王飛， 米增強， 楊奇遜， 等. 基于神經(jīng)網(wǎng)絡與關聯(lián)數(shù)據(jù)的光伏電站發(fā)電功率預測方法［J］. 太陽能學報， 2012， 33（7）： 1172-1177.

WANG F， MI Z Q， YANG Q X， et al. Power forecasting approach of PV plant based on ANN and relevant data［J］. Acta energiae solaris sinica， 2012， 33（7）： 1172-1177.

［3］" 李芬， 李春陽， 糜強， 等. 基于GRA-BPNN時變權(quán)重的光伏短期出力組合預測［J］. 可再生能源， 2018， 36（11）： 1605-1611.

LI" F，" LI" C" Y，" MI" Q，" et" al." The" time-varying" weight ensemble" forecasting" of" short-term" photovoltaic" power based on GRA-BPNN［J］. Renewable energy resources， 2018， 36（11）： 1605-1611.

［4］" ZHANG X M， LI Y， LU S Y， et al. A solar time based analog ensemble method for regional solar power forecasting［J］. IEEE transactions on sustainable energy， 2019， 10（1）： 268-279.

［5］" 張娜， 葛磊蛟. 基于SOA優(yōu)化的光伏短期出力區(qū)間組合預測［J］. 太陽能學報， 2021， 42（5）： 252-259.

ZHANG N， GE L J. Photovoltaic system short-term power interval hybrid forecasting method based on seeker optimization algorithm［J］. Acta energiae solaris sinica， 2021， 42（5）： 252-259.

［6］" WANG K J， QI X X， LIU H D. A comparison of day-ahead photovoltaic power forecasting models based on deep learning neural network［J］. Applied energy， 2019， 251：113315.

［7］" WANG K J， QI X X， LIU H D. Photovoltaic power forecasting based LSTM-convolutional network［J］. Energy， 2019， 189： 116225.

［8］" RAMSAMI P， OREE V. A hybrid method for forecasting the" energy" output" of" photovoltaic" systems［J］." Energy conversion and management， 2015， 95： 406-413.

［9］" 陳濤， 王艷， 紀志成. 基于經(jīng)驗小波變換的光伏功率組合預測模型［J］. 系統(tǒng)仿真學報， 2021， 33（11）： 2627-2635.

CHEN T， WANG Y， JI Z C. Combination forecasting model of photovoltaic power based on empirical wavelet transform［J］." Journal" of" system" simulation，" 2021，" 33（11）： 2627-2635.

［10］" MANJILI Y S， VEGA R， JAMSHIDI M M. Data-Analytic-Based" adaptive" solar" energy" forecasting" framework［J］. IEEE systems journal， 2018，12（1）： 285-296.

［11］" 黃雨薇， 彭道剛， 姚峻， 等. 基于SSA和K均值的TD-BP神經(jīng)網(wǎng)絡超短期光伏功率預測［J］. 太陽能學報， 2021， 42（4）： 229-238.

HUANG Y W， PENG D G， YAO J， et al. Ultra-short-team photovoltaic power forecast of TD-BP neural network based" on" SSA" and K-means［J］." Acta" energiae" solaris sinica， 2021，" 42（4）： 229-238.

［12］" 冷亞軍， 吳宗育， 趙文會， 等. 基于近鄰傳播聚類權(quán)重的黑啟動方案評估方法［J］. 電力系統(tǒng)自動化， 2020， 44（13）： 73-80.

LENG Y J， WU Z Y， ZHAO W H， et al. Assessment method of black-start scheme based on affinity propagation clustering""" weight［J］."" Automation"" of"" electric""" power systems， 2020， 44（13）： 73-80.

［13］" 朱連江， 馬炳先， 趙學泉. 基于輪廓系數(shù)的聚類有效性分析［J］. 計算機應用， 2010（增刊2）： 139-141， 198.

ZHU L J， MA B X， ZHAO X Q. Clustering validity analysis" based"" on"" silhouette" coefficient［J］." Journal" of computer applications， 2010（S2）： 139-141， 198.

［14］" 王小楊， 羅多， 孫韻琳， 等. 基于ABC-SVM和PSO-RF的光伏微電網(wǎng)發(fā)電功率組合預測方法研究［J］. 太陽能學報， 2020， 41（3）： 177-183.

WANG X Y， LUO D， SUN Y L， et al. Combined forecasting method of daily photovoltaic power generation in microgrid based on ABC-SVM and PSO-RF models［J］. Acta energiae solaris sinica， 2020， 41（3）： 177-183.

［15］" 朱念芳， 林善明. 基于鄰域KNN算法的風電功率短期預測模型［J］. 電測與儀表， 2017， 54（16）： 20-24.

ZHU N F， LIN S M. Short-term wind power prediction model based on KNN algorithm considering neighbors density［J］." Electrical" measurement" amp;" instrumentation， 2017， 54（16）： 20-24.

［16］" 陳中， 宗鵬鵬. 基于樣本擴張灰色關聯(lián)分析的光伏出力預測［J］. 太陽能學報， 2017， 38（11）： 2909-2915.

CHEN Z， ZONG P P. Photovoltaic output prediction based on gray relational analysis of sample expansion［J］. Acta energiae solaris sinica， 2017， 38（11）： 2909-2915.

［17］" 許可， 王玨， 姚鐵錘， 等. 基于分時LSTM的光伏發(fā)電功率預測［J］. 數(shù)據(jù)與計算發(fā)展前沿， 2021， 3（5）： 109-117.

XU K， WANG J， YAO T C， et al. Photovoltaic power forecast based on time-division LSTM［J］. Frontiers of data amp; computing， 2021， 3（5）： 109-117.

PHOTOVOLTAIC POWER COMBINATION FORECASTING BASED ON CLIMATE SIMILARITY AND SSA-CNN-LSTM

Wang Xiaoxia1，Yu Min1，Ji Ming2，Geng Quanfeng2

（1. Department of Computer Science， North China Electric Power University， Baoding 071003， China；

Abstract：Aiming at the problem that the forecasting accuracy of photovoltaic power may be affected by the lack of high-resolution meteorological data， a high-resolution photovoltaic power combination forecasting model is proposed， which combines climate similarity with singular spectrum analysis （SSA）， convolutional neural networks（CNN） and long short-term memory（LSTM）. SSA is employed to decompose the photovoltaic sequence into different subsequences， and CNN-LSTM based on day ahead prediction model is established to capture the continuous characteristics of photovoltaic output. Moreover， the climate similarity is used to select similar days from low-resolution meteorological data to achieve high-resolution photovoltaic output prediction. Finally， the grey correlation analysis is utilized to obtain the combination weights to get the final prediction results. The simulation results show that the combined prediction model can effectively improve the prediction results of high-resolution photovoltaic power， and obtain high prediction accuracy.

Keywords：photovoltaic power； forecasting； neural network； high time resolution； similarity analysis； singular spectrum analysis