光伏功率預測對于電網調度具有重要意義，中國科學院計算機網絡信息中心、中國科學院大學、華東交通大學的研究人員劉曉艷、王玨、姚鐵錘、張沛、遲學斌，在2022年第7期《電工技術學報》上撰文，針對缺少輻照度測量裝置的分布式光伏電站，提出一種基于衛星遙感的超短期分布式光伏功率預測方法。在真實光伏電站上的功率實驗表明，與以數值天氣預報輻照度為輸入的光伏功率預測方法相比，以Res-UNet+插值預測的輻照度為輸入的光伏功率預測方法實現了更高精度的超短期光伏功率預測。
他們采用Res-UNet模型對SWR網格進行時空預測，得到分布式站點的未來輻照度，然后在預測的輻照度基礎上使用LSTM模型進行功率預測。SWR產品是在日本地球同步衛星“葵花8”號（Himawari-8）探測的遙感數據基礎上計算得到的，可近實時獲取。
隨著“碳達峰”“碳中和”目標的落實，光伏的裝機容量和占比會持續上漲。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容量占比逐年上升，發展迅速。分布式光伏往往安裝在行政單位、工商業和住宅屋頂等載體之上，與集中式光伏相比，其綠色環保、成本適宜、隨發隨用的特點得到更好體現，在自發自用的同時，還可以做到余電并網。
但由于分布式光伏安裝地點較為分散，裝機容量小，缺少氣象量測裝置，無法獲得當地的輻照度等氣象數據，因此面臨無氣象數據的功率預測挑戰。精準的超短期光伏發電功率預測對于光伏電站的優化運行、光伏電力系統的調度安排以及電網的安全穩定與經濟運行發揮著重要作用。
隨著人工智能技術的發展，許多學者采用機器學習、深度學習方法對光伏出力進行預測。影響光伏出力的主要因素是太陽輻照度，對于集中式光伏，往往以歷史光伏功率和輻照度等氣象數據構建輸入特征進行預測。
但是，針對分布式光伏電站的功率預測方法與集中式不完全相同。由于分布式站點小而分散，往往沒有氣象測量裝置，因此部分站點采用數值天氣預報的結果，但數值天氣預報每12h更新一次的輻照度預測結果，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測；還有部分分布式站點出于成本考慮沒有付費購買數值天氣預報數據，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，造成預測精度的損失。
除上述方法外，有學者提出的超短期分布式功率預測方法考慮了站點間的空間相關性，但絕大多數分布式光伏電站周圍無法找到具有氣象信息的相關光伏站點，該方法適用性還存在一些問題。
研究太陽輻照度的預測對于預測分布式光伏發電功率具有重要意義。衛星遙感數據的獲取依賴衛星，覆蓋范圍大且有公開數據集支持，適合于無輻照度測量值的分布式光伏站點。有關學者對此開展了研究，但是所提方法只考慮了時間相關性而沒有考慮空間相關性，且均需要對圖像進行處理，增加了算法復雜度，另外也沒有考慮衛星數據的獲取延遲。
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，具有空間相關性。為提高無輻照度測量裝置的分布式站點的超短期功率預測準確度，中國科學院計算機網絡信息中心、中國科學院大學、華東交通大學的研究人員應用深度學習的方法，引入衛星產品短波輻照（Short Wave Radiation, SWR）網格來彌補分布式站點無實測輻照度的不足，提出了基于衛星遙感的超短期分布式光伏功率預測方法。
圖1 所提的光伏發電功率預測框架
圖2 所提的光伏功率預測流程
他們采用Res-UNet模型對SWR網格進行時空預測，得到分布式站點的未來輻照度，然后在預測的輻照度基礎上使用LSTM模型進行功率預測。SWR產品是在日本地球同步衛星“葵花8”號（Himawari-8）探測的遙感數據基礎上計算得到的，可近實時獲取。
Himawari-8每隔10min獲取一次數據，探測范圍為東經80°~西經160°，南緯60°~北緯60°，經緯度步長均為0.05°，對應到地面上約為5km，探測的數據均為2401×2401的矩陣，SWR網格同樣是2401×2401的矩陣，對應每個經緯度位置上的太陽輻照度。
研究人員指出，Res-UNet可以充分學習SWR網格的時空相關性，LSTM通過引入日編碼和時間編碼可以更好地學習輻照度的年周期性和日周期性。案例分析表明本方法相比以NWP輻照度為輸入的功率預測模型有著更高的精度。他們表示，未來將考慮結合衛星遙感數據與地面觀測數據，進一步提高輻照度預測精度，從而提升光伏功率預測精度。
本文編自2022年第7期《電工技術學報》，論文標題為“基于衛星遙感的超短期分布式光伏功率預測”。論文第一作者為劉曉艷，1996年生，碩士研究生，研究方向為人工智能、光伏發電功率預測。通訊作者為王玨，1981年生，博士，副研究員，研究方向為人工智能算法與應用軟件、高性能計算。本課題得到了中國科學院戰略性先導科技專項（A類）資助項目的支持。
