光伏电站功率预测基础一、数值天气预报基本概念大气运动遵守牛顿第二定律、质量守恒定律、热力学能量守恒定律、气体实验定律和水汽守恒定律等物理定律，这些物理定律的数学表达式分别为运动方程、连续方程、热力学方程、状态方程和水汽方程等基本方程。
它们构成支配大气运动的基本方程组。
所谓数值天气预报，就是根据大气实际情况，在一定的初值和边值条件下，通过大型计算机作数值计算，求解描写天气演变过程的流体力学和热力学的方程组，预测未来一定时段的大气运动状态和天气现象的方法。
数值天气预报的全球模型，数值天气预报模型非常复杂，并且需要大量的实测数据，一般由国家气象局负责预报。
确定预测系统的初始状态需要大量的数据。
大量的气象观测站、浮标、雷达、观测船、气象卫星和飞机等负责数据的收集，世界气象组织为此制定了数据格式和测量周期的标准。
如何利用这些非常规的观测资料，把它们和常规资料配合起来，丰富初始场景的信息，是个重要的问题。
需要采用四维同化方法把不同时刻、不同地区、不同性质的气象资料不断输入计算机，通过一定的预报模式，使之在动力和热力上协调。
得到质量场和光场基本达到平衡的初始场，提供给预报模式使用。
四维同化主要由三部分组成，一是预报模式;二是客观分析;三是初始化。
模式的作用是将先前的资料外推到当前的分析时刻;分析是将模式预报的信息与当前的观测资料结合起来，内插到格点上;初始化则是将分析场中的高频重力波过滤，保证计算的稳定性。
目前世界范围内使用的数值天气预报主要有下面几种。
欧洲中尺度气象预报中心综合系统（ECMWF），美国环境预报中心综合系统（NCEP）开发的 T170L42 预报系统，英国统一模式 UM，德国气象服务机构（DWD）开发的Lokalmodell模型，中国国家气象局开发的T213L31等。
二、功率预测方法分类光伏电站功率预测方法众多，可根据预测物理量、数学模型、数据源和时间尺度等分类。
（1）根据预测的物理量分类，光伏电站功率预测可分为直接预测法和间接预测法两类。
直接预测法直接对光伏发电系统的输出功率进行预测。
间接预测法对太阳辐照量进行预测，然后根据预测的太阳辐照量估算光伏发电系统的功率输出。
（2）根据所运用的数学模型分类，可分为时间序列预测法、自回归滑动平均模型法、神经网络法和支持向量机法等。
1）时间序列预测法∶时间序列模型是最经典、最系统、最被广泛采用的一类预测法。
随机时间序列方法只需单一时间序列即可预测，实现比较简单。
2）自回归滑动平均模型法;回归预测技术是通过回归分析，寻找预测对象与影响因素之间的相关关系，建立回归模型进行预测;根据给定的预测对象和影响因素数据，研究预测对象和影响因素之间的关系，形成回归方程;根据回归方程，给定各自变量数值，即可求出因变量值即预测对象预测值。
3）人工神经网络法;人工神经网络技术可以模仿人脑的智能化处理，对大量非结构、非精确性规律具有自适应功能，具有信息记忆、自主学习、知识推理和优化计算的特点，特别是其自学习和自适应功能较好地解决了天气和温度等因素与负荷、光伏电站输出功率的对应关系。
所以，人工神经网络得到了许多中外学者的赞誉，预测是人工神经网络最具潜力的应用领域之一。
4）支持向量机法∶支持向量机（Support Vector Machines，SVM）是由贝尔实验室的万普尼克等提出的一种机器学习算法，它与传统的神经网络学习方法不同，实现了结构风险最小化原理（Structural Risk Minimization，SRM），它同时最小化经验风险与VC 维（Vapnik Chervonenkis Dimension）的界，这就取得了较小的实际风险即对未来样本有较好的泛化性能。
5）小波分析法;小波分析在时域和频域都有良好的局部化性质，能够比较容易地捕捉和分析微弱信号。
聚焦到信号的任意细节部分。
小波分析可以用于数据的分析、处理、存储和传递。
6）组合预测法∶对多种预测方法得到的预测结果，选取适当的权重进行加权平均的一种预测方法。
组合预测法与前面介绍的各种方法结合进行预测的方式不同，它是几种方法分别预测后，再对多种结果进行分析处理。
组合预测有两类方法∶一种是指将几种预测方法所得的结果进行比较，选取误差最小的模型进行预测;另外一种是将几种结果按一定的权重进行加权平均，该方法建立在最大信息利用的基础上，优化组合了多种模型所包含的信息。
其主要目的在于消除单一预测方法可能存在的较大偏差，提高预测的准确性。
（3）根据预测的时间尺度分类，光伏发电功率预测可分为超短期（日内）预测。
短期（日前）预测、中长期预测。
超短期功率预测是通过实时环境监测数据、电站逆变器运行数据、历史数据等数据源建立预测建模，进而预测未来0～4h的输出功率，采用数理统计方法、物理统计和综合方法，主要用于光伏发电功率控制、电能质量评估等。
这种分钟级的预测一般不采用数值天气预报数据。
短期（日前）预测一般预报时效为未来0～72h，以数值天气预报为主，主要用于电力系统的功率平衡和经济调度、日前计划编制、电力市场交易等。
中长期预测是事长时间尺度的预测，主要用于系统的检修安排、发电量的预测等。
目前中长期预测精度不高，对电网实际运行指导意义不大。
从建模的观点来看，不同时间尺度是有本质区别的，对于日内预测，因其变化主要由大气条件的持续性决定，可以采用数理统计方法，对光伏电站实时气象站数据进行时间序列分析，也可以采用数值天气预报方法和物理统计总和方法。
对于日前预测，则需使用数值天气预报方法才能满足预测需求，单纯依赖时间序列外推，不能保证预测精度。
空际生产中。
短期功率预测。
超短期功率预测是最常用的功率预测技术，其对电力生产运行指导意义也最大，下面结合短期、超短期功率预测，对常用预测模型及算法进行介绍。
三、短期功率预测方法（一）相似日聚类选取算法聚类就是按照一定的要求和规律对事物进行区分并归类的过程，在这一过程中把事物间的相似性作为类属划分的准则。
聚类分析就是把没有类别标记的样本集按某种准则划分成若干个子集（类），使相似的样本尽可能归为一类，而不相似的样本尽可能划分到不同的类中。
通常把研究和处理给定对象分类的数学方法称为聚类分析（Clustering Analysis）。
聚类分析的目的就是进行模式识别，把相似的对象或事物归成类。
模式识别是指对表征事物的特征向量进行处理和分析，对事物进行描述、辨认、分类的过程。
在进行分类时，首先对模式向量进行构造。
在保证正确反映样本特性的前提下提取模式向量;其次是进行模式识别，即将待识别的模式向量与描述模式的特征向量集进行匹配。
光伏电站输出功率受到多种因素的影响，且与多个因素间形成一种非线性和强耦合的关系。
由于相似日光伏发电系统的输出功率曲线具有很高的相似性，对影响光伏发电系统输出功率的气象条件进行适当选取（一般选取太阳辐照强度、辐照时间、气温等气象条件），并进行规范化处理，采用模式识别技术将相似日的气候条件作为预测样本和模型输入，选出与待预测日相似程度较高的历史上某些日子进行参考预测，达到有效提高预测精度的目的。
与现有研究方法相比较，对光伏阵列输出功率进行预测时，相似的选取方法对主要气象影响因素的处理比较精细，对实际应用有一定的参考价值。
当然由于气象数据和功率数据的有限性，光伏阵列的输出功率影响因素比较复杂，适当选取输入变量中影响因素的个数，预测精度还有提高的可能，而仿真实验也表明增大训练样本数量可以提高预测模型的准确度。
（二）基于数值天气预报技术的短期功率预测方法1.适用于光伏电站功率预测的数值天气预报云和气溶胶是影响太阳辐射强度最主要的两个因素，重点考虑微物理和辐射过程的优化，同时它们之间以及它们与湍流之间的相互作用也被详细考虑。
根据水汽（HO）、气溶胶（Aerosol）、二氧化碳（CO2）、臭氧（O、）浓度来描绘云的特征，同时利用不同的诊断方案，从而计算出太阳辐射强度。
2.基于数值天气预报的功率预测方法（1）物理方法。
根据光伏电站所处的地理位置，综合分析光伏电池板，逆变器等多种设备的特性，得到光伏电站输出功率与数值天气预报的物理关系，对光伏电站输出功率进行预测。
该方法建立了光伏电站内各种设备的物理模型，物理意义清晰，可以对每一部分进行分析。
该方法的预测效果较统计方法略差，但不需要历中数据的支持，适用于新建的光伏电站。
（2）统计方法。
根据光伏电站所处的地理位置，分析影响光伏电站输出功率的各种气象因素，利用历史数值天气预报和历史光伏电站输出功率建立神经网络模型，实现对未来光伏电站输出功率的预测。
该方法采用了人工智能的方法，模糊了光伏电站内部元件的各类特性，避免了元件参数不精确造成的误差，预测效果较好。
但该方法需要大量历史的光伏电站输出功率数据作为建模基础，适用于投运时间超过一年的光伏电站，而不适用于新建的光伏电站。
（3）混合方法。
首先根据物理方法建立预测模型，然后再根据光伏电站的历中测量数据，采用统计方法对物理模型进行校正。
该方法结合广统计方法和物理方法的优教，饰测香度较好， 同时不需要历史功率数据的支持，特别适用于有辐照强度和温度测量数据的新建光伏电站。
四、超短期功率预测方法超短期预测模型的建立通常基于光伏发电站的历史数据。
目前超短期功率预测应用比较广泛的几种方法来建立预测模型，具体包括自回归滑动平均（ARMA）模型、人工神经网络（ANN）模型和支持向量机（SVM）。
ARMA模型属于统计方法，人工神经网络模型和支持向量机属干学习方法，它们都是模型输入输出数据关系的建立方法。
（一）基于时间序列常用预测方法1.确定性时间序列预测方法对于平稳变化特征的时间序列来说，假设未来行为与现在的行为有关，利用现在的属性值预测将来的值是可行的。
对于有明显的季节变动的时间序列来说，需要先将最近的观察值去掉季节性因素的影响产生变化趋热，然后结合季节性因素进行预测。
这些预测方法适用于在预测时间范围内，无突然变动目随机变动的方差较小∶并且有理由认为过去和现在的历史演变趋势将继续发展到未来的情况。
更为科学的评价时间序列变动的方法是将变化在多维上加以综合考虑，把数据的变动看成是长期趋势、季节变动和随机模型共同作用的结果对于上面的情况，时间序列分析就是设法消除随机型波动。
分解季节性变化。
拟合确定型趋势，因而形成对发展水平分析、趋势变动分析、周期波动分析和长期趋热加周期波动分析等一系列确定性时间序列预测方法。
虽然这种确定型时间序列预测技术可以控制时间序列的基本样式，但是它对随机变动因素的分析缺少可靠的评估方法，实际应用中还需要进行预测方法的研究和试验。
2.随机时间序列预测方法时间序列挖掘一般通过曲线拟合、参数估计或非参数拟合来建立数学模型。
通过建立随机时间序列模型，对随机序列进行分析，就可以预测未来的数据值。
常用的线性时间序列模型有自回归（AR）模型，移动平均（MA）模型或自回归移动平均（ARMA）模型。
3.其他方法可用于时间序列的方法很多，其中比较成功的是神经网络。
由干大量的时间序列是非平稳的，因此特征参数和数据分布随着时间的推移而变化。
假如通过对某段历史数据的训练，通过数学统计模型估计神经网络的各层权重参数初值，就可能建立神经网络预测模型，用于时间序列预测。
此外，还有基于傅里叶变换的时间序列分析等方法。
（二）基于晴空模型的超短期功率预测方法大气层外切平面的瞬时太阳辐射强度只与大气上界的太阳辐射强度和太阳辐射方向有关、这些都可以通过天文学有关公式精确计算得到。
假设在晴天、无云层遮挡的情况下，计算并建立近地面瞬时太阳辐射强度与大气层外切平面的瞬时太阳辐射强度之间的关系式模型，根据此模型就可以实时推算出具体时刻近地面理论最大瞬时太阳辐射，该模型即为晴空模型。
常规的光伏电站超短期功率预测是利用光伏电站的历史有功功率、太阳辐照度等数据源建立预测模型，进而预测未来0～4h 的输出功率，此类方法在一定程度上可以实现光伏电站的超短期功率预测，但是没有考虑光伏电站在具体时刻的理论最大输出功率，结合太阳辐照度的睛空模型与光伏电站输出功率特性获得的光伏电站晴空模型可以计算光伏电站在具体时刻的理论最大输出功率，在理论最大输出功率的基础上，采用归一化数据并结合自回归时间序列建立的超短期功率预测模型可以有效提高预测准确性。
五、功率预测误差评价（一）功率预测误差评价意义1.预测误差
