基于衛(wèi)星遙感的超短期分布式光伏功率預(yù)測

劉曉艷 王 玨 姚鐵錘 張 沛 遲學(xué)斌

基于衛(wèi)星遙感的超短期分布式光伏功率預(yù)測

劉曉艷1,2王 玨1,2姚鐵錘1,2張 沛3遲學(xué)斌1,2

（1. 中國科學(xué)院計算機(jī)網(wǎng)絡(luò)信息中心 北京 100190 2. 中國科學(xué)院大學(xué) 北京 100040 3. 華東交通大學(xué) 南昌 330013）

光伏功率預(yù)測對于電網(wǎng)調(diào)度具有重要意義。該文針對缺少輻照度測量裝置的分布式光伏電站，提出一種基于衛(wèi)星遙感的超短期分布式光伏功率預(yù)測方法。首先基于Res-UNet模型對短波輻照（SWR）網(wǎng)格進(jìn)行時空預(yù)測；然后對預(yù)測的SWR網(wǎng)格進(jìn)行空間插值得到地面分布式站點(diǎn)的未來輻照度；最后構(gòu)建基于編解碼器的長短期記憶（LSTM）模型預(yù)測光伏出力。其中Res-UNet可以充分學(xué)習(xí)SWR網(wǎng)格的時空相關(guān)性，LSTM通過引入日編碼和時間編碼可以更好地學(xué)習(xí)輻照度的年周期性和日周期性。在真實光伏電站上的功率實驗表明，與以數(shù)值天氣預(yù)報輻照度為輸入的光伏功率預(yù)測方法相比，以Res-UNet+插值預(yù)測的輻照度為輸入的光伏功率預(yù)測方法實現(xiàn)了更高精度的超短期光伏功率預(yù)測。

超短期光伏功率預(yù)測 衛(wèi)星遙感 Res-UNet 輻照度 時空相關(guān)性 短波輻照（SWR）

0 引言

近年來，可再生能源的開發(fā)和應(yīng)用受到越來越多的重視，而光伏發(fā)電是對太陽能這種可再生能源最主要的應(yīng)用方式之一[1-2]。光伏電站包含集中式和分布式兩類，其中分布式光伏的裝機(jī)容量占比逐年上升，發(fā)展迅速[3-4]。分布式光伏往往安裝在行政單位、工商業(yè)和住宅屋頂?shù)容d體之上，與集中式光伏相比，其綠色環(huán)保、成本適宜、隨發(fā)隨用的特點(diǎn)得到更好體現(xiàn)，在自發(fā)自用的同時，還可以做到余電并網(wǎng)[3,5]。但由于分布式光伏安裝地點(diǎn)較為分散，裝機(jī)容量小，缺少氣象量測裝置，無法獲得當(dāng)?shù)氐妮椪斩鹊葰庀髷?shù)據(jù)，因此面臨無氣象數(shù)據(jù)的功率預(yù)測挑戰(zhàn)。精準(zhǔn)的超短期光伏發(fā)電功率預(yù)測對于光伏電站的優(yōu)化運(yùn)行、光伏電力系統(tǒng)的調(diào)度安排以及電網(wǎng)的安全穩(wěn)定與經(jīng)濟(jì)運(yùn)行發(fā)揮著重要作用[6-9]。因此針對分布式電站的超短期光伏功率預(yù)測有著十分重要的意義[10]。

隨著人工智能技術(shù)的發(fā)展，許多學(xué)者采用機(jī)器學(xué)習(xí)、深度學(xué)習(xí)方法對光伏出力進(jìn)行預(yù)測。影響光伏出力的主要因素是太陽輻照度[11-12]，對于集中式光伏，往往以歷史光伏功率和輻照度等氣象數(shù)據(jù)構(gòu)建輸入特征進(jìn)行預(yù)測。文獻(xiàn)[13]以歐氏距離進(jìn)行相似時的選取，以歷史相似時的光伏出力、太陽輻照度、相對濕度和溫度，以及未來待預(yù)測時刻的太陽輻照度等數(shù)值天氣預(yù)報（Numerical Weather Prediction, NWP）預(yù)測值作為最小二乘支持向量機(jī)模型（Least Square Support Vector Machine, LS-SVM）的輸入，對未來以15min為步長的1h進(jìn)行光伏出力的預(yù)測。文獻(xiàn)[14]結(jié)合長短期記憶（Long Short-Term Memory, LSTM）單元與注意力（Attention）機(jī)制，預(yù)測下一個15min的光伏功率，該模型以歷史時刻的光伏功率、實測輻照度和溫度作為輸入特征，以Attention機(jī)制對LSTM的輸入特征賦予不同的權(quán)重，使得預(yù)測更加精準(zhǔn)。

針對分布式光伏電站的功率預(yù)測方法與集中式不完全相同。由于分布式站點(diǎn)小而分散，往往沒有氣象測量裝置，因此部分站點(diǎn)采用數(shù)值天氣預(yù)報的結(jié)果，但數(shù)值天氣預(yù)報每12h更新一次的輻照度預(yù)測結(jié)果，與實地量測的誤差較大，無法有效支撐分布式光伏的超短期預(yù)測；還有部分分布式站點(diǎn)出于成本考慮沒有付費(fèi)購買數(shù)值天氣預(yù)報數(shù)據(jù)，因此分布式光伏的歷史序列往往缺失輻照度這一主要特征，造成預(yù)測精度的損失[15]。除上述方法外，文獻(xiàn)[16]提出的超短期分布式功率預(yù)測方法考慮了站點(diǎn)間的空間相關(guān)性，首先采用層次聚類（Hierarchical Clustering）方法得到電站間的空間相關(guān)性，進(jìn)一步獲得所求電站與其相關(guān)電站間的空間映射關(guān)系，然后使用神經(jīng)網(wǎng)絡(luò)（Neural Network, NN）方法預(yù)測相關(guān)光伏電站的未來功率，最后結(jié)合相關(guān)電站的功率預(yù)測值和空間映射關(guān)系，獲得所求電站的預(yù)測功率。但絕大多數(shù)分布式光伏電站周圍無法找到具有氣象信息的相關(guān)光伏站點(diǎn)，該方法適用性還存在一些問題。

研究太陽輻照度的預(yù)測對于預(yù)測分布式光伏發(fā)電功率具有重要意義[17]。衛(wèi)星遙感數(shù)據(jù)的獲取依賴衛(wèi)星，覆蓋范圍大且有公開數(shù)據(jù)集支持，適合于無輻照度測量值的分布式光伏站點(diǎn)。文獻(xiàn)[18]結(jié)合“風(fēng)云四號”衛(wèi)星的云覆蓋率等產(chǎn)品，將光伏站點(diǎn)地面觀測氣象數(shù)據(jù)中的3h變壓、溫度、相對濕度等一起作為門循環(huán)單元（Gate Recurrent Unit, GRU）模型的輸入，進(jìn)行了時間分辨率為1h的輻照度預(yù)測，由于“風(fēng)云四號”衛(wèi)星每1h進(jìn)行一次全盤觀測，所以無法在更小的時間尺度上進(jìn)行功率的預(yù)測；文獻(xiàn)[19]通過識別兩個連續(xù)圖像中的匹配區(qū)域來確定云運(yùn)動矢量，從而實現(xiàn)逐15min的輻照度預(yù)測，然后基于統(tǒng)計分析的組合方法與NWP模型的結(jié)果進(jìn)行加權(quán)組合作為最終預(yù)測結(jié)果，實驗結(jié)果表明基于云運(yùn)動矢量的預(yù)測方法優(yōu)于NWP方法，組合預(yù)測優(yōu)于單一預(yù)測。但上述方法只考慮了時間相關(guān)性而沒有考慮空間相關(guān)性，且均需要對圖像進(jìn)行處理，增加了算法復(fù)雜度，另外也沒有考慮衛(wèi)星數(shù)據(jù)的獲取延遲。

云層厚度及太陽高度角是影響太陽輻照度大小的主要因素，相近位置上的太陽輻照度在相近的太陽高度角和相近的云層厚度作用下，具有空間相關(guān)性。本文基于深度學(xué)習(xí)方法提取衛(wèi)星遙感數(shù)據(jù)的時空特征用于超短期分布式功率預(yù)測。該方法采用Res-UNet模型對短波輻照（Short Wave Radiation, SWR）網(wǎng)格進(jìn)行時空預(yù)測，得到分布式站點(diǎn)的未來輻照度，然后在預(yù)測的輻照度基礎(chǔ)上使用LSTM[20-21]模型進(jìn)行功率預(yù)測。SWR產(chǎn)品是在日本地球同步衛(wèi)星“葵花8”號（Himawari-8）探測的遙感數(shù)據(jù)基礎(chǔ)上計算得到的，可近實時獲取。Himawari-8每隔10min獲取一次數(shù)據(jù)，探測范圍為東經(jīng)80°～西經(jīng)160°，南緯60°～北緯60°，經(jīng)緯度步長均為0.05°，對應(yīng)到地面上約為5km，探測的數(shù)據(jù)均為2 401×2 401的矩陣，SWR網(wǎng)格同樣是2 401×2 401的矩陣，對應(yīng)每個經(jīng)緯度位置上的太陽輻照度。SWR網(wǎng)格的引入彌補(bǔ)了站點(diǎn)無氣象測量的不足。

1 基于衛(wèi)星遙感的超短期分布式光伏功率預(yù)測方法

為更準(zhǔn)確地完成對分布式光伏發(fā)電功率的預(yù)測，考慮加入站點(diǎn)未來時刻的輻照度特征。SWR網(wǎng)格由于其低延遲、覆蓋范圍大、分辨率高、公開免費(fèi)的特點(diǎn)，適合用于構(gòu)建分布式站點(diǎn)的輻照度特征?；谛l(wèi)星遙感的超短期分布式光伏發(fā)電功率預(yù)測框架如圖1所示，基于衛(wèi)星遙感的超短期分布式光伏功率預(yù)測的實現(xiàn)需要三個模塊：模塊1是基于Res-UNet的SWR網(wǎng)格預(yù)測；模塊2是基于雙線性插值（Bilinear Interpolation）[22]的分布式站點(diǎn)輻照度估算；模塊3是基于LSTM的分布式光伏功率預(yù)測。首先模塊1以歷史SWR網(wǎng)格序列作為Res-UNet模型的輸入，對未來時刻的SWR網(wǎng)格進(jìn)行預(yù)測；然后模塊2將模塊1輸出的未來時刻SWR網(wǎng)格點(diǎn)上的輻照度映射到分布式站點(diǎn)上，從而得到分布式站點(diǎn)的未來輻照度，該模塊是為了解決SWR網(wǎng)格點(diǎn)和分布式站點(diǎn)不重合的問題；最后模塊3將模塊2得到的站點(diǎn)未來輻照度作為LSTM輸入特征之一，對未來的光伏發(fā)電功率進(jìn)行預(yù)測，進(jìn)而獲得功率預(yù)測值。下面將具體闡述以上三個模塊。

圖1 基于衛(wèi)星遙感的超短期分布式光伏發(fā)電功率預(yù)測框架

1.1 基于Res-UNet的SWR網(wǎng)格預(yù)測

SWR網(wǎng)格的時空預(yù)測本質(zhì)上是一個網(wǎng)格到網(wǎng)格的生成問題，U-Net網(wǎng)絡(luò)[23]的編碼器-解碼器（Encoder-Decoder）結(jié)構(gòu)可以解決該問題。如圖1所示，Res-UNet采用了U-Net的編碼器-解碼器的結(jié)構(gòu)，網(wǎng)絡(luò)左半部分為編碼器，右半部分解碼器。由于輸入的SWR網(wǎng)格時空特征復(fù)雜且尺寸較大，實現(xiàn)逐像素點(diǎn)的輻照度預(yù)測要求網(wǎng)絡(luò)能夠擬合復(fù)雜的映射公式，而加深網(wǎng)絡(luò)層數(shù)是提升網(wǎng)絡(luò)表達(dá)能力的有效方式。Res-UNet網(wǎng)絡(luò)在UNet網(wǎng)絡(luò)基礎(chǔ)上引入殘差塊（Residual Block[24]，記為Res-block）結(jié)構(gòu)，有效地解決了網(wǎng)絡(luò)加深帶來的梯度彌散。

圖2 SWR網(wǎng)格獲取延遲的示意圖

1）殘差塊

圖3中的殘差塊為模型使用的殘差塊，貫穿網(wǎng)絡(luò)結(jié)構(gòu)中。

圖3 殘差塊

2）編碼器

3）解碼器

1.2 基于雙線性插值的分布式站點(diǎn)輻照度估算

圖4 SWR網(wǎng)格點(diǎn)與地面站點(diǎn)的空間插值示意圖

1.3 基于LSTM的分布式光伏功率預(yù)測

在地球的公轉(zhuǎn)和自轉(zhuǎn)的作用下，光伏發(fā)電功率變化呈現(xiàn)周期性[25]，在光伏功率預(yù)測模型中加入日期編碼和時間編碼可以更好地學(xué)習(xí)光伏發(fā)電的年周期性和日周期，從而實現(xiàn)更精準(zhǔn)的預(yù)測。

一天和一年的秒數(shù)分別為

1.4 基于衛(wèi)星遙感的超短期分布式光伏功率預(yù)測流程

基于衛(wèi)星遙感的超短期分布式光伏功率預(yù)測流程如圖5所示，基于衛(wèi)星遙感的超短期分布式光伏功率預(yù)測流程主要包括四個模塊：數(shù)據(jù)預(yù)處理模塊、基于Res-UNet的SWR網(wǎng)格預(yù)測模塊、基于雙線性插值的分布式站點(diǎn)估算模塊及基于LSTM的分布式光伏功率預(yù)測模塊。數(shù)據(jù)預(yù)處理模塊包含SWR矩陣的剪裁、時序文件的生成以及對訓(xùn)練集和測試集的劃分等。數(shù)據(jù)預(yù)處理后的SWR網(wǎng)格序列會作為基于Res-UNet的SWR網(wǎng)格預(yù)測模塊的輸入。

圖5 基于衛(wèi)星遙感的超短期分布式光伏功率預(yù)測流程

基于Res-UNet的SWR網(wǎng)格預(yù)測模塊以歷史SWR網(wǎng)格序列為輸入，輸出SWR網(wǎng)格在未來多個時刻的預(yù)測值?；陔p線性插值的輻照度估算模塊則是在Res-UNet預(yù)測的SWR網(wǎng)格基礎(chǔ)上，結(jié)合地面站點(diǎn)的經(jīng)緯度信息，對分布式站點(diǎn)進(jìn)行輻照度估算。以上兩個模塊完成了對分布式站點(diǎn)未來輻照度的預(yù)測。基于LSTM的分布式光伏功率預(yù)測模塊結(jié)合分布式站點(diǎn)的發(fā)電功率、發(fā)電時間信息和基于雙線性插值的輻照度估算模塊輸出的分布式站點(diǎn)的未來輻照度，完成對分布式站點(diǎn)未來功率的預(yù)測。三個模塊均采用離線模型，保證線上推斷的時效性，并定期利用新數(shù)據(jù)進(jìn)行模型微調(diào)，提高模型的預(yù)測能力和泛化性。

2 案例分析

2.1 分布式站點(diǎn)輻照度預(yù)測結(jié)果對比分析

表1 Res-UNet的網(wǎng)絡(luò)參數(shù)設(shè)置

Tab.1 Network parameter setting of Res-UNet

光伏站點(diǎn)的輻照度預(yù)測實驗結(jié)果見圖6和表2。圖6展示了2h輻照度預(yù)測實驗的預(yù)測對比結(jié)果，短劃線為站點(diǎn)的NWP輻照度曲線，實線為Res-UNet+雙線性插值方法在該站點(diǎn)的2h輻照度預(yù)測結(jié)果，點(diǎn)線為站點(diǎn)實測輻照度曲線。顯然，相比NWP，Res-UNet+雙線性插值方法能夠更好地預(yù)測輻照度的抖動性和峰值。表2展示了該模型在五個不同電站上的2h輻照度預(yù)測結(jié)果。Res-UNet+雙線性插值方法在五個電站上的MAE為86.89，平均RMSE為122.87，相比NWP方法，分別降低了31.31%和22.18%，該實驗表明Res-UNet+雙線性插值方法優(yōu)于數(shù)值天氣預(yù)報方法。

圖6 2h輻照度預(yù)測實驗的結(jié)果對比

表2 2h輻照度預(yù)測實驗的誤差對比

Tab.2 Error comparison of 2-hour irradiance prediction experiment

2.2 分布式光伏功率預(yù)測結(jié)果對比分析

光伏站點(diǎn)的2h功率預(yù)測實驗見圖7和表3。圖7藍(lán)色短劃線為以NWP輻照度為輸入預(yù)測的站點(diǎn)功率曲線，橙色實線為以Res-UNet+雙線性插值預(yù)測的輻照度為輸入預(yù)測的站點(diǎn)功率曲線，灰色點(diǎn)線為站點(diǎn)真實功率。顯然橙色實線能更好地貼合真值且能更好地預(yù)測功率抖動性。表3為劃分天氣類型的相對誤差（相對光伏容量）統(tǒng)計結(jié)果，分別統(tǒng)計了基于Res-UNet+雙線性插值預(yù)測的輻照度為輸入和基于NWP預(yù)測的輻照度為輸入的光伏功率預(yù)測模型在晴天、多云和雨天三種天氣類型上的預(yù)測誤差對比結(jié)果。結(jié)果顯示在以上五個站點(diǎn)構(gòu)成的測試集上，以Res-UNet+雙線性插值預(yù)測的輻照度為輸入的光伏功率預(yù)測方法具有最優(yōu)的實驗結(jié)果。相比于以NWP輻照度輸入的功率預(yù)測方法，以Res-UNet+雙線性插值預(yù)測的輻照度為輸入的光伏功率預(yù)測方法，在晴天時，MAE下降20.89%，RMSE下降22.91%；在多云時，MAE下降16.91%，RMSE下降15.01%；在雨天時，MAE下降11.29%，RMSE下降8.98%。

圖7 2h功率預(yù)測實驗的結(jié)果對比

表3 不同輻照度輸入來源的2h光伏功率預(yù)測方法在多個天氣類型下的對比結(jié)果

Tab.3 Comparison results of 2-hour photovoltaic power prediction methods with different irradiance input sources under multiple weather types

案例分析表明，基于Res-UNet+雙線性插值預(yù)測的輻照度明顯優(yōu)于NWP預(yù)測的輻照度，且以Res-UNet+雙線性插值預(yù)測的輻照度為輸入的功率預(yù)測方法取得了優(yōu)于NWP輻照度為輸入的效果。

3 結(jié)論

隨著“碳達(dá)峰”“碳中和”目標(biāo)的落實，光伏的裝機(jī)容量和占比會持續(xù)上漲，分布式光伏的快速增長給電網(wǎng)運(yùn)行和消納帶來挑戰(zhàn)。分布式光伏預(yù)測精度提升有利于電網(wǎng)調(diào)度運(yùn)行，促進(jìn)新能源消納。為提高無輻照度測量裝置的分布式站點(diǎn)的超短期功率預(yù)測準(zhǔn)確度，本文提出了基于衛(wèi)星遙感的超短期分布式光伏功率預(yù)測方法。該方法引入衛(wèi)星產(chǎn)品SWR網(wǎng)格彌補(bǔ)分布式站點(diǎn)無實測輻照度的不足?；赗es-UNet的SWR網(wǎng)格預(yù)測模塊學(xué)習(xí)SWR網(wǎng)格的時間相關(guān)性和空間相關(guān)性，完成對未來時刻SWR網(wǎng)格序列的預(yù)測，為構(gòu)建站點(diǎn)輻照度特征提供數(shù)據(jù)基礎(chǔ)。基于LSTM的分布式光伏功率預(yù)測模塊引入時間和日期的編碼，學(xué)習(xí)光伏發(fā)電的周期性。案例分析表明本文提出的方法相比以NWP輻照度為輸入的功率預(yù)測模型有著更高的精度。未來將考慮結(jié)合衛(wèi)星遙感數(shù)據(jù)與地面觀測數(shù)據(jù)，進(jìn)一步提高輻照度預(yù)測精度，從而提升光伏功率預(yù)測精度。

致謝：本文中實驗數(shù)據(jù)的測量記錄工作是在國家電網(wǎng)公司的大力支持下完成的，在此表示衷心的感謝。

[1] 徐正陽, 路志英, 劉洪. 基于泄漏積分型回聲狀態(tài)網(wǎng)絡(luò)的在線學(xué)習(xí)光伏功率預(yù)測[J]. 電力系統(tǒng)及其自動化學(xué)報, 2018, 30(2): 1-7.

Xu Zhengyang, Lu Zhiying, Liu Hong. Online-learning PV power forecasting based on leaky-integrator echo state network[J]. Proceedings of the CSU-EPSA, 2018, 30(2): 1-7.

[2] 朱玥, 顧潔, 孟璐. 基于EMD-LSTM的光伏發(fā)電預(yù)測模型[J]. 電力工程技術(shù), 2020, 39(2): 51-58.

Zhu Yue, Gu Jie, Meng Lu. Photovoltaic power generation prediction model based on EMD-LSTM[J]. Electric Power Engineering Technology, 2020, 39(2): 51-58.

[3] 許建峰, 曹慶仁. 中國分布式光伏并網(wǎng)發(fā)電現(xiàn)狀及應(yīng)用研究[J]. 能源與節(jié)能, 2020, 177(6): 51-54.

Xu Jianfeng, Cao Qingren. Research on the status and application of distributed photovoltaic grid-connected powergeneration in China[J]. Energy and Energy Conservation, 2020, 177(6): 51-54.

[4] 李文甲. 光伏—光熱—熱化學(xué)互補(bǔ)的太陽能利用理論、方法與系統(tǒng) [D]. 北京: 中國科學(xué)院大學(xué)(中國科學(xué)院工程熱物理研究所), 2018.

[5] 馬群. 含分布式光伏的配電網(wǎng)無功優(yōu)化研究[J]. 信息技術(shù), 2020, 44(3): 85-89.

Ma Qun. Reactive power optimization of distribution network with access of distributed photovoltaic[J]. Information Technology, 2020, 44(3): 85-89.

[6] 賴昌偉, 黎靜華, 陳博, 等. 光伏發(fā)電出力預(yù)測技術(shù)研究綜述[J]. 電工技術(shù)學(xué)報, 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.

[7] 時珉, 許可, 王玨, 等. 基于灰色關(guān)聯(lián)分析和GeoMAN模型的光伏發(fā)電功率短期預(yù)測[J]. 電工技術(shù)學(xué)報, 2021, 36(11): 2298-2305.

Shi Min, Xu Ke, Wang Jue, et al. Short-term photovoltaic power forecast based on grey relational analysis GeoMAN model[J]. Transactions of China Electrotechnical Society, 2021, 36(11): 2298-2305.

[8] 周楠, 徐瀟源, 嚴(yán)正, 等. 基于寬度學(xué)習(xí)系統(tǒng)的光伏發(fā)電功率超短期預(yù)測[J]. 電力系統(tǒng)自動化, 2021, 45(1): 55-64.

Zhou Nan, Xu Xiaoxiao, Yan Zheng, et al. Ultra-short-term forecasting of photovoltaic power generation based on broad learning system[J]. Automation of Electric Power Systems, 2021, 45(1): 55-64.

[9] Giacomuzzi S, Langwasser M, Carne G D, et al. Smart transformer-based medium voltage grid support by means of active power control[J]. CES Transactions on Electrical Machines and Systems, 2020, 4(4): 285-294.

[10] 田劍剛, 張沛, 彭春華, 等. 基于分時長短期記憶神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電超短期功率預(yù)測[J]. 現(xiàn)代電力, 2020, 37(6): 629-638.

Tian Jiangang, Zhang Pei, Peng Chunhua, et al. Ultra short-term forecast of photovoltaic generation based on time-division long short-term memory neural networks[J]. Modern Electric Power, 2020, 37(6): 629-638.

[11] 許寅, 李佳旭, 王穎, 等. 考慮光伏出力不確定性的園區(qū)配電網(wǎng)日前運(yùn)行計劃[J]. 電力自動化設(shè)備, 2020, 40(5): 85-94, 106.

Xu Yin, Li Jiaxu, Wang Ying, et al. Day-ahead operation plan for campus distribution network considering uncertainty of photovoltaic output[J]. Electric Power Automation Equipment, 2020, 40(5): 85-94, 106.

[12] 路志英, 周慶霞, 李鑫, 等. 基于地基云圖圖像特征的光伏功率預(yù)測[J]. 電力系統(tǒng)及其自動化學(xué)報, 2020, 32(8): 70-76.

Lu Zhiying, Zhou Qingxia, Li Xin, et al. Photovoltaic power prediction based on image features of ground cloud image[J]. Proceedings of the CSU-EPSA, 2020, 32(8): 70-76.

[13] 張華彬, 楊明玉. 基于最小二乘支持向量機(jī)的光伏出力超短期預(yù)測[J]. 現(xiàn)代電力, 2015, 32(1): 70-75.

Zhang Huabin, Yang Mingyu. Ultra-short-term forecasting for photovoltaic power output based on least square support vector machine[J]. Modern Electric Power, 2015, 32(1): 70-75.

[14] 馬磊, 黃偉, 李克成, 等. 基于Attention-LSTM的光伏超短期功率預(yù)測模型[J]. 電測與儀表, 2021, 58(2): 146-152.

Ma Lei, Huang Wei, Li Kecheng, et al. Photovoltaic ultra-short-term power prediction model based on Attention-LSTM[J]. Electrical Measurement & Instrumentation, 2021, 58(2): 146-152.

[15] 張小萌, 白愷, 柳玉, 等. 大規(guī)模分布式光伏短期集群功率預(yù)測綜述[J]. 華北電力技術(shù), 2017 (6): 1-7.

Zhang Xiaomeng, Bai Kai, Liu Yu, et al. Overview for large-scale distributed photovoltaic power prediction with clustered method[J]. 華北電力技術(shù), 2017(6): 1-7.

[16] 張柏林, 拜潤卿, 智勇, 等. 基于空間相關(guān)性的分布式光伏超短期預(yù)測技術(shù)研究[J]. 陜西電力, 2017, 45(5): 22-26.

Zhang Bolin, Bai Runqing, Zhi Yong, et al. Distributed PV ultra-short term power forecast technology based on spatial correlation[J]. Shanxi Electric Power, 2017, 45(5): 22-26.

[17] 艾逸陽. 基于地基云圖的超短期光伏電站輻照度預(yù)測研究[D]. 杭州：浙江大學(xué), 2018.

[18] 楊春熙, 韓威, 高志球. 基于GRU神經(jīng)網(wǎng)絡(luò)的太陽輻照度短期預(yù)測[J]. 中國科技論文, 2020, 15(1): 8-14.

Yang Chunxi, Han Wei, Gao Zhiqiu. Short-term forecasting for solar irradiance using GRU neural network[J]. China Sciencepaper, 2020, 15(1): 8-14.

[19] Lorenz E, Kühnert J, Heinemann D. Short term forecasting of solar irradiance by combining satellite data and numerical weather predictions[C]// Proceedings of the 27th European PV Solar Energy Conference (EUPVSEC), Frankfurt, Germany, 2012: 4401-4405.

[20] 李冬輝, 尹海燕, 鄭博文, 等. 改進(jìn)的LSTM方法在冷水機(jī)組傳感器故障檢測中的應(yīng)用[J]. 電工技術(shù)學(xué)報, 2019, 34(11): 2324-2332.

Li Donghui, Yin Haiyan, Zheng Bowen, et al. Application of improved LSTM method in sensor fault detection of the chiller[J]. Transactions of China Electrotechnical Society, 2019, 34(11): 2324-2332.

[21] 孫丙香, 任鵬博, 陳育哲, 等. 鋰離子電池在不同區(qū)間下的衰退影響因素分析及任意區(qū)間的老化趨勢預(yù)測[J]. 電工技術(shù)學(xué)報, 2021, 36(3): 666-674.

Sun Bingxiang, Ren Pengbo, Chen Yuzhe, et al. Analysis of influencing factors of degradation under different interval stress and prediction of aging trend in any interval for lithium-ion battery[J]. Transactions of China Electrotechnical Society, 2021, 36(3): 666-674.

[22] Kirkland E J. Advanced computing in electron microscopy[M]. Boston: Springer, 2010.

[23] Ronneberger O, Fischer P, Brox T. U-net: convolutional networks for biomedical image segmentation[C]//International Conference on Medical Image Computing and Computer-Assisted Intervention, Springer, Cham, 2015: 234-241.

[24] He Kaiming, Zhang Xiangyu, Ren Shaoqing, et al. Deep residual learning for image recognition[C]// Proceedings of the IEEE conference on computer vision and pattern recognition, Las Vegas, NV, USA, 2016: 770-778.

[25] 馬原, 張雪敏, 甄釗, 等. 基于修正晴空模型的超短期光伏功率預(yù)測方法[J]. 電力系統(tǒng)自動化, 2021, 45(11): 44-51.

Ma Yuan, Zhang Xuemin, Zhen Zhao, et al. Ultra-short-term photovoltaic power prediction method based on modified clear-sky model[J]. Automation of Electric Power Systems, 2021, 45(11): 44-51.

[26] 王晨, 寇鵬. 基于卷積神經(jīng)網(wǎng)絡(luò)和簡單循環(huán)單元集成模型的風(fēng)電場內(nèi)多風(fēng)機(jī)風(fēng)速預(yù)測[J]. 電工技術(shù)學(xué)報, 2020, 35(13): 2723-2735.

Wang Chen, Dou Peng. Wind speed forecasts of multiple wind turbines in a wind farm based on integration model built by convolutional neural network and simple recurrent unit[J]. Transactions of China Electrotechnical Society, 2020, 35(13): 2723-2735.

Ultra Short-Term Distributed Photovoltaic Power Prediction Based on Satellite Remote Sensing

Liu Xiaoyan1,2Wang Jue1,2Yao Tiechui1,2Zhang Pei3Chi Xuebin1,2

（1. Computer Network Information Center Beijing 100190 China 2. University of Chinese Academy of Sciences Beijing 100040 China 3. East China Jiaotong University Nanchang 330013 China）

Photovoltaic (PV) output prediction is of great significance for power grid dispatching. In this paper, an ultra short-term distributed PV power prediction method based on satellite remote sensing is proposed for the distributed PV power station without irradiance measurement device. Firstly, the SWR grid is spatio-temporal predicted based on Res-UNet model, and then the predicted SWR grid is spatially interpolated to obtain the future irradiance of the ground distributed stations. Finally, the LSTM model with codec is constructed to predict the PV output. Res-UNet can fully learn the spatio-temporal correlation of the SWR grid, and LSTM can better learn the annual and daily periodicity of irradiance by introducing daily coding and time coding. The power experiments on real PV power stations show that, compared with the PV power prediction method that takes the irradiance of numerical weather forecast as the input, the PV power prediction method that takes the irradiance predicted by the Res-UNet+ interpolation as the input realizes ultra short term power prediction with higher accuracy.

Ultra short-term photovoltaic power prediction, satellite remote sensing, Res-UNet, irradiance, spatio temporal correlation, short wave radiation(SWR)

10.19595/j.cnki.1000-6753.tces.210311

TM615

劉曉艷 女，1996年生，碩士研究生，研究方向為人工智能、光伏發(fā)電功率預(yù)測。E-mail：liuxiaoyan@cnic.cn

王 玨 男，1981年生，博士，副研究員，研究方向為人工智能算法與應(yīng)用軟件、高性能計算。E-mail：wangjue@sccas.cn（通信作者）

中國科學(xué)院戰(zhàn)略性先導(dǎo)科技專項（A類）資助項目（XDA27000000）。

2021-03-11

2021-07-10

（編輯 赫蕾）