图1 基于卫星遥感的超短期分布式光伏发电功率预测框架
Fig.1 Prediction of ultra short-term distributed PV power prediction framework based on satellite cloud image
摘要 光伏功率预测对于电网调度具有重要意义。该文针对缺少辐照度测量装置的分布式光伏电站，提出一种基于卫星遥感的超短期分布式光伏功率预测方法。首先基于Res-UNet模型对短波辐照（SWR）网格进行时空预测；然后对预测的SWR网格进行空间插值得到地面分布式站点的未来辐照度；最后构建基于编解码器的长短期记忆（LSTM）模型预测光伏出力。其中Res-UNet可以充分学习SWR网格的时空相关性，LSTM通过引入日编码和时间编码可以更好地学习辐照度的年周期性和日周期性。在真实光伏电站上的功率实验表明，与以数值天气预报辐照度为输入的光伏功率预测方法相比，以Res-UNet+插值预测的辐照度为输入的光伏功率预测方法实现了更高精度的超短期光伏功率预测。
关键词：超短期光伏功率预测 卫星遥感 Res-UNet 辐照度 时空相关性 短波辐照（SWR）
近年来，可再生能源的开发和应用受到越来越多的重视，而光伏发电是对太阳能这种可再生能源最主要的应用方式之一[1-2]。光伏电站包含集中式和分布式两类，其中分布式光伏的装机容量占比逐年上升，发展迅速[3-4]。分布式光伏往往安装在行政单位、工商业和住宅屋顶等载体之上，与集中式光伏相比，其绿色环保、成本适宜、随发随用的特点得到更好体现，在自发自用的同时，还可以做到余电并网[3,5]。但由于分布式光伏安装地点较为分散，装机容量小，缺少气象量测装置，无法获得当地的辐照度等气象数据，因此面临无气象数据的功率预测挑战。精准的超短期光伏发电功率预测对于光伏电站的优化运行、光伏电力系统的调度安排以及电网的安全稳定与经济运行发挥着重要作用[6-9]。因此针对分布式电站的超短期光伏功率预测有着十分重要的意义[10]。
随着人工智能技术的发展，许多学者采用机器学习、深度学习方法对光伏出力进行预测。影响光伏出力的主要因素是太阳辐照度[11-12]，对于集中式光伏，往往以历史光伏功率和辐照度等气象数据构建输入特征进行预测。文献[13]以欧氏距离进行相似时的选取，以历史相似时的光伏出力、太阳辐照度、相对湿度和温度，以及未来待预测时刻的太阳辐照度等数值天气预报（Numerical Weather Prediction, NWP）预测值作为最小二乘支持向量机模型（Least Square Support Vector Machine, LS-SVM）的输入，对未来以15min为步长的1h进行光伏出力的预测。文献[14]结合长短期记忆（Long Short-Term Memory, LSTM）单元与注意力（Attention）机制，预测下一个15min的光伏功率，该模型以历史时刻的光伏功率、实测辐照度和温度作为输入特征，以Attention机制对LSTM的输入特征赋予不同的权重，使得预测更加精准。
针对分布式光伏电站的功率预测方法与集中式不完全相同。由于分布式站点小而分散，往往没有气象测量装置，因此部分站点采用数值天气预报的结果，但数值天气预报每12h更新一次的辐照度预测结果，与实地量测的误差较大，无法有效支撑分布式光伏的超短期预测；还有部分分布式站点出于成本考虑没有付费购买数值天气预报数据，因此分布式光伏的历史序列往往缺失辐照度这一主要特征，造成预测精度的损失[15]。除上述方法外，文献[16]提出的超短期分布式功率预测方法考虑了站点间的空间相关性，首先采用层次聚类（Hierarchical Clustering）方法得到电站间的空间相关性，进一步获得所求电站与其相关电站间的空间映射关系，然后使用神经网络（Neural Network, NN）方法预测相关光伏电站的未来功率，最后结合相关电站的功率预测值和空间映射关系，获得所求电站的预测功率。但绝大多数分布式光伏电站周围无法找到具有气象信息的相关光伏站点，该方法适用性还存在一些问题。
研究太阳辐照度的预测对于预测分布式光伏发电功率具有重要意义[17]。卫星遥感数据的获取依赖卫星，覆盖范围大且有公开数据集支持，适合于无辐照度测量值的分布式光伏站点。文献[18]结合“风云四号”卫星的云覆盖率等产品，将光伏站点地面观测气象数据中的3h变压、温度、相对湿度等一起作为门循环单元（Gate Recurrent Unit, GRU）模型的输入，进行了时间分辨率为1h的辐照度预测，由于“风云四号”卫星每1h进行一次全盘观测，所以无法在更小的时间尺度上进行功率的预测；文献[19]通过识别两个连续图像中的匹配区域来确定云运动矢量，从而实现逐15min的辐照度预测，然后基于统计分析的组合方法与NWP模型的结果进行加权组合作为最终预测结果，实验结果表明基于云运动矢量的预测方法优于NWP方法，组合预测优于单一预测。但上述方法只考虑了时间相关性而没有考虑空间相关性，且均需要对图像进行处理，增加了算法复杂度，另外也没有考虑卫星数据的获取延迟。
云层厚度及太阳高度角是影响太阳辐照度大小的主要因素，相近位置上的太阳辐照度在相近的太阳高度角和相近的云层厚度作用下，具有空间相关性。本文基于深度学习方法提取卫星遥感数据的时空特征用于超短期分布式功率预测。该方法采用Res-UNet模型对短波辐照（Short Wave Radiation, SWR）网格进行时空预测，得到分布式站点的未来辐照度，然后在预测的辐照度基础上使用LSTM[20-21]模型进行功率预测。SWR产品是在日本地球同步卫星“葵花8”号（Himawari-8）探测的遥感数据基础上计算得到的，可近实时获取。Himawari-8每隔10min获取一次数据，探测范围为东经80°～西经160°，南纬60°～北纬60°，经纬度步长均为0.05°，对应到地面上约为5km，探测的数据均为2 401×2 401的矩阵，SWR网格同样是2 401×2 401的矩阵，对应每个经纬度位置上的太阳辐照度。SWR网格的引入弥补了站点无气象测量的不足。
为更准确地完成对分布式光伏发电功率的预测，考虑加入站点未来时刻的辐照度特征。SWR网格由于其低延迟、覆盖范围大、分辨率高、公开免费的特点，适合用于构建分布式站点的辐照度特征。基于卫星遥感的超短期分布式光伏发电功率预测框架如图1所示，基于卫星遥感的超短期分布式光伏功率预测的实现需要三个模块：模块1是基于Res-UNet的SWR网格预测；模块2是基于双线性插值（Bilinear Interpolation）[22]的分布式站点辐照度估算；模块3是基于LSTM的分布式光伏功率预测。首先模块1以历史SWR网格序列作为Res-UNet模型的输入，对未来时刻的SWR网格进行预测；然后模块2将模块1输出的未来时刻SWR网格点上的辐照度映射到分布式站点上，从而得到分布式站点的未来辐照度，该模块是为了解决SWR网格点和分布式站点不重合的问题；最后模块3将模块2得到的站点未来辐照度作为LSTM输入特征之一，对未来的光伏发电功率进行预测，进而获得功率预测值。下面将具体阐述以上三个模块。
图1 基于卫星遥感的超短期分布式光伏发电功率预测框架
Fig.1 Prediction of ultra short-term distributed PV power prediction framework based on satellite cloud image
假设卫星遥感得到的SWR网格是一个
行
列的网格
，那么在任一
时刻，有
。如图2所示，由于SWR网格更新到“葵花8”号数据网站（https://www.eorc.jaxa.jp/ptree/userguide.html）有
个时刻（平均在30min左右）的时间延迟，所以
时刻时只能获得
时刻之前
个时刻的SWR网格序列。为得到时刻后
个时刻的站点辐照度预测值，需要对时刻以后的
进行预测，其中
表示延迟时间段内的SWR网格序列预测值，是无效数据；
，表示时刻后的SWR网格序列的预测值。该模块以历史个时刻的SWR网格序列
为输入，实现了对未来个时刻SWR网格序列的预测，即
（1）
SWR网格的时空预测本质上是一个网格到网格的生成问题，U-Net网络[23]的编码器-解码器（Encoder-Decoder）结构可以解决该问题。如图1所示，Res-UNet采用了U-Net的编码器-解码器的结构，网络左半部分为编码器，右半部分解码器。由于输入的SWR网格时空特征复杂且尺寸较大，实现逐像素点的辐照度预测要求网络能够拟合复杂的映射公式，而加深网络层数是提升网络表达能力的有效方式。Res-UNet网络在UNet网络基础上引入残差块（Residual Block[24]，记为Res-block）结构，有效地解决了网络加深带来的梯度弥散。
图2 SWR网格获取延迟的示意图
Fig.2 Schematic of obtaining delay for SWR grid
1）残差块
图3中的残差块为模型使用的残差块，贯穿网络结构中。
图3 残差块
Fig.3 Residual block
为conv-relu堆叠层的输入，
为其要学习逼近的函数，原始输入经过一个conv-relu堆叠层，学习到
，然后与原始输入相加（Element-wise Addition) 得到要逼近的目标，即
，这种跨过堆叠层的连接方式为捷径连接（Shortcut Connection）。残差块的引入可以将原始信息流入更深的层，抑制信息的退化。反向传播过程中，捷径连接这一支路的导数是1，所以可以将深层的误差很好地保留传递给浅层，从而抑制梯度链式法则带来的梯度弥散。
2）编码器
图1中编码器由多个“卷积-下采样-残差块”结构的特征提取块堆叠而成，输入为历史个时刻的SWR网格序列
。每个特征提取块由两个
的卷积层，一个
的最大池化层，以及三个残差块组成。每经过一个卷积层，卷积核和隐层特征通道的数量会加倍；每经过一个最大池化层（Max Pooling Layer），特征矩阵的尺寸变小，尺度变大，多个池化层实现了对SWR网格的多尺度特征识别；残差块在当前尺度上进行时空特征的提取，不会改变特征矩阵的大小及特征通道数，三个残差块的运用，使得同一尺度下，特征提取更充分。编码器这样的体系结构可以有效地学习SWR网格的时空特征。
3）解码器
解码器：解码器部分包含多个特征重建块，以重建未来
个时刻的SWR网格序列。特征重建块由一个上卷积模块（的上采样层和卷积层组成），两个的卷积层，以及三个残差块组成。每经一个上卷积模块，特征矩阵尺寸加倍，特征通道数减少为输入的一半；每经两个卷积层，特征矩阵尺寸不变，特征通道数减少为一半。特征重建块的数量与特征提取块的数量相同，残差块的运用使得同一尺度下，特征提取更充分，且抑制网络加深导致的梯度弥散。每个特征重建块的输入不仅包含上一特征重建块的输出，也被特征提取块中同尺寸的特征矩阵所附加，即横跳连接（Skip Connection）。横跳连接融合特征提取部分的输出，将多尺度特征融合在一起，确保编码器编码SWR网格时学习到的特征将被用于重建网格。网络训练过程中，解码器输出的特征映射的通道数量等于，输出的一起参与损失函数计算并进行反向传播，更新网络参数。损失函数选择MSE，
表示对
时间段内的Res-UNet预测值
和真实值
进行MSE计算，即
（2）
当该模块训练达到一定的精度或者一定的迭代步数即训练完毕。测试过程仅输出
，并用于基于双线性插值的分布式站点辐照度估算模块的输入。
基于双线性插值的分布式站点辐照度估算模块以Res-UNet输出的
为输入，对
个分布式站点在未来个时刻的辐照度
进行估算，即
（3）
其中，
，
，
为站点
在为未来
时间段内的辐照度预测序列；
为第个分布式站点在未来某一时刻时的辐照度估算值。
，
分别为SWR网格对应的经度范围和纬度范围，
为中第
列SWR网格点对应的经度，
为中第
行SWR网格点对应的纬度，中
位置上网格点的辐照度为
。
，
则分别表示分布式站点的经度集合和纬度集合，
和
分别为站点的经度和纬度。
第个分布式站点在
时刻的辐照度，由中该站点周围SWR网格点上的辐照度拟合得到。SWR网格点与地面站点的空间插值示意图如图4所示，图中设经纬度
周围网格点的经纬度和辐照度分别为
,
,
和
，根据空间插值可以求得地面站点在时刻的辐照度。
图4 SWR网格点与地面站点的空间插值示意图
Fig.4 Spatial interpolation between SWR grid points and ground stations
由式（4）双线性插值法可以得到第个分布式站点在未来某一时刻的辐照度估算值。基于未来个时刻的SWR网格序列，对个分布式站点进行双线性插值，则可以得到个分布式站点未来个时刻的辐照度预测值为
基于双线性插值的分布式站点辐照度估算模块不需要训练，以为输入，直接得到站点未来辐照度。
基于LSTM的分布式光伏功率预测模块结合站点历史
个时刻的真实功率、未来个时刻的预测辐照度、日期编码和时间编码，完成了分布式站点未来个时刻功率的预测，即
（5）
式中，
为基于LSTM的分布式光伏功率预测模块拟合的函数；
为站点历史个时刻的真实功率，
、
、
、
分别为
时间段内的日期正弦编码、日期余弦编码、时间正弦编码和时间余弦编码；
为时刻第个分布式光伏电站功率的预测值。
在地球的公转和自转的作用下，光伏发电功率变化呈现周期性[25]，在光伏功率预测模型中加入日期编码和时间编码可以更好地学习光伏发电的年周期性和日周期，从而实现更精准的预测。
一天和一年的秒数分别为
（6）
（7）
设某一时刻对应的时间戳（距离1970/01/01 00:00的秒数）为
，通过正弦函数和余弦函数表达光伏发电的循环周期性，时刻对应的日期编码即为
，时间编码为
，计算公式为
（8）
（9）
（10）
（11）
如图1所示，基于LSTM的光伏功率预测同样采用编码器-解码器的结构，图中的FC层代表全连接层（Fully Connected Layer）。
表示时刻的输入特征，对于编码器而言，特征
包含历史某一时刻的日期正弦、余弦编码，时间正弦、余弦编码和站点的光伏发电功率；对于解码器而言，特征
包含未来某一时刻的日期正弦、余弦编码，时间正弦、余弦编码和Res-UNet预测的站点的辐照度。
是站点未来某一时刻的输出的预测功率。编码器输入站点历史个时刻的特征
，解码器输入站点未来个时刻的特征
，输出未来个时刻的预测功率
，完成了对站点未来功率的预测。
基于LSTM的分布式光伏功率预测模块单独训练，且同样以最小化MSE来优化网络参数，
表示对时间段内单个站点的LSTM预测值
和真实值
进行MSE计算，即
（12）
基于卫星遥感的超短期分布式光伏功率预测流程如图5所示，基于卫星遥感的超短期分布式光伏功率预测流程主要包括四个模块：数据预处理模块、基于Res-UNet的SWR网格预测模块、基于双线性插值的分布式站点估算模块及基于LSTM的分布式光伏功率预测模块。数据预处理模块包含SWR矩阵的剪裁、时序文件的生成以及对训练集和测试集的划分等。数据预处理后的SWR网格序列会作为基于Res-UNet的SWR网格预测模块的输入。
图5 基于卫星遥感的超短期分布式光伏功率预测流程
Fig.5 Ultra short-term distributed PV power prediction process based on satellite remote sensing
基于Res-UNet的SWR网格预测模块以历史SWR网格序列为输入，输出SWR网格在未来多个时刻的预测值。基于双线性插值的辐照度估算模块则是在Res-UNet预测的SWR网格基础上，结合地面站点的经纬度信息，对分布式站点进行辐照度估算。以上两个模块完成了对分布式站点未来辐照度的预测。基于LSTM的分布式光伏功率预测模块结合分布式站点的发电功率、发电时间信息和基于双线性插值的辐照度估算模块输出的分布式站点的未来辐照度，完成对分布式站点未来功率的预测。三个模块均采用离线模型，保证线上推断的时效性，并定期利用新数据进行模型微调，提高模型的预测能力和泛化性。
由于分布式站点无辐照度测量，为计算误差指标，在实验中，选取了某省份五个集中式电站代替分布式电站。五个电站的光伏容量分别为20MW、30MW、50MW、20MW和20MW，经纬度分别为（113.60，36.40）、（113.64，36.64）、（113.91，36.66）、（113.90，36.71）和（114.09，36.44）。输入的SWR网格为覆盖该省份的最小范围，大小为
的矩阵。实验评价指标选用平均绝对误差（Mean Absolute Error, MAE）和方均根误差（Root Mean Squared Error, RMSE）[26]，分别见式（13）和式（14）。在辐照度预测实验中有
,
，在功率预测实验中有
,
。
（13）
（14）
在基于Res-UNet的SWR网格预测实验中，训练集选取2018年7月1日至2018年8月31日每天08:00～20:00的数据，测试集选取2018年9月1日～ 2019年6月30日每天8:00～20:00的数据。本文进行了2h（
）的辐照度预测实验。实验以历史1h
个连续SWR矩阵为输入，由于SWR网格有0.5h（
）的数据延迟，则输出未来
个连续时刻的SWR矩阵。
实验中，首先将的矩阵放大为
的矩阵，然后每次将batch_size=8的批数据通过1个8层的Res-UNet，优化算法选用Adam算法以1×10-5的学习率进行学习优化，模型在epoch=242时达到最优效果。Res-UNet每层的参数设置见表1，卷积核的各个维度为[输入特征通道数，卷积核宽，卷积核高，输出特征通道数]，输出层的特征各个维度为[batch_size，宽，高，特征通道数]。
表1 Res-UNet的网络参数设置
Tab.1 Network parameter setting of Res-UNet
层数类型编码器层解码器层 第一层卷积核/上采样卷积核[1,4,4,36][72,4,4,1] 残差卷积核[36,3,3,36][13,3,1] 输出层特征[batch_size,128,128,36][batch_size,256,256,1] 第二层卷积核/上采样卷积核[36,4,4,72][144,4,4,36] 残差卷积核[72,3,3,72][36,3,3,36] 输出层特征[batch_size,64,64,72][batch_size,128,128,36] 第三层卷积核/上采样卷积核[72,4,4,144][288,4,4,72] 残差卷积核[144,3,3,144][72,3,3,72] 输出层特征[batch_size,32,32,144][batch_size,64,64,72] 第四层卷积核/上采样卷积核[144,4,4,288][576,4,4,144] 残卷积核[288,3,3,288][144,3,3,144] 输出层特征[batch_size,16,16,288][batch_size,32,32,144] 第五层卷积核/上采样卷积核[288,4,4,288][576,4,4,288] 残差卷积核[288,3,3,288][288,3,3,288] 输出层特征[batch_size,8,8,288][batch_size,16,16,288] 第六层卷积核/上采样卷积核[288,4,4,288][576,4,4,288] 残差卷积核[288,3,3,288][288,3,3,288] 输出层特征[batch_size,4,4,288][batch_size,8,8,288] 第七层卷积核/上采样卷积核[288,4,4,288][576,4,4,288] 残差卷积核[288,3,3,288][288,3,3,288] 输出层特征[batch_size,2,2,288][batch_size,4,4,288] 第八层卷积核/上采样卷积核[288,4,4,288][576,4,4,288] 残差卷积核[288,3,3,288][288,3,3,288] 输出层特征[batch_size,1,1,288][batch_size,2,2,288]
光伏站点的辐照度预测实验结果见图6和表2。图6展示了2h辐照度预测实验的预测对比结果，短划线为站点的NWP辐照度曲线，实线为Res-UNet+双线性插值方法在该站点的2h辐照度预测结果，点线为站点实测辐照度曲线。显然，相比NWP，Res-UNet+双线性插值方法能够更好地预测辐照度的抖动性和峰值。表2展示了该模型在五个不同电站上的2h辐照度预测结果。Res-UNet+双线性插值方法在五个电站上的MAE为86.89，平均RMSE为122.87，相比NWP方法，分别降低了31.31%和22.18%，该实验表明Res-UNet+双线性插值方法优于数值天气预报方法。
图6 2h辐照度预测实验的结果对比
Fig.6 Comparison of the results of the 2-hour irradiance prediction experiment
表2 2h辐照度预测实验的误差对比
Tab.2 Error comparison of 2-hour irradiance prediction experiment
光伏电站模型/（W/m2）/（W/m2） 电站1NWP92.41125.08 Res-UNet+插值63.70101.64 电站2NWP167.41204.88 Res-UNet+插值101.87138.80 电站3NWP137.52166.02 Res-UNet+插值96.00135.22 电站4NWP127.89153.78 Res-UNet+插值83.32115.70 电站5NWP107.22139.68 Res-UNet+插值89.53123.01 平均误差NWP126.49157.89 Res-UNet+插值86.89122.87
在基于LSTM的功率预测实验中，在2018年9月1日至2019年6月30日每天8:00～20:00的数据中随机抽取1/4的完整天数据作为验证集，剩余3/4作为训练集。实验以历史
个时刻（90min）的日期编码、时间编码、功率与未来（）个时刻的日期编码、时间编码和Res-UNet预测的辐照度，预测未来个时刻的功率。
光伏站点的2h功率预测实验见图7和表3。图7蓝色短划线为以NWP辐照度为输入预测的站点功率曲线，橙色实线为以Res-UNet+双线性插值预测的辐照度为输入预测的站点功率曲线，灰色点线为站点真实功率。显然橙色实线能更好地贴合真值且能更好地预测功率抖动性。表3为划分天气类型的相对误差（相对光伏容量）统计结果，分别统计了基于Res-UNet+双线性插值预测的辐照度为输入和基于NWP预测的辐照度为输入的光伏功率预测模型在晴天、多云和雨天三种天气类型上的预测误差对比结果。结果显示在以上五个站点构成的测试集上，以Res-UNet+双线性插值预测的辐照度为输入的光伏功率预测方法具有最优的实验结果。相比于以NWP辐照度输入的功率预测方法，以Res-UNet+双线性插值预测的辐照度为输入的光伏功率预测方法，在晴天时，MAE下降20.89%，RMSE下降22.91%；在多云时，MAE下降16.91%，RMSE下降15.01%；在雨天时，MAE下降11.29%，RMSE下降8.98%。
图7 2h功率预测实验的结果对比
Fig.7 Comparison of the 2-hour power prediction experiment
表3 不同辐照度输入来源的2h光伏功率预测方法在多个天气类型下的对比结果
Tab.3 Comparison results of 2-hour photovoltaic power prediction methods with different irradiance input sources under multiple weather types
天气类型辐照度数据来源（%）（%） 晴天NWP3.165.02 Res-UNet+插值2.503.87 多云NWP4.737.13 Res-UNet+插值3.936.06 雨天NWP7.0010.80 Res-UNet+插值6.219.83
案例分析表明，基于Res-UNet+双线性插值预测的辐照度明显优于NWP预测的辐照度，且以Res-UNet+双线性插值预测的辐照度为输入的功率预测方法取得了优于NWP辐照度为输入的效果。
随着“碳达峰”“碳中和”目标的落实，光伏的装机容量和占比会持续上涨，分布式光伏的快速增长给电网运行和消纳带来挑战。分布式光伏预测精度提升有利于电网调度运行，促进新能源消纳。为提高无辐照度测量装置的分布式站点的超短期功率预测准确度，本文提出了基于卫星遥感的超短期分布式光伏功率预测方法。该方法引入卫星产品SWR网格弥补分布式站点无实测辐照度的不足。基于Res-UNet的SWR网格预测模块学习SWR网格的时间相关性和空间相关性，完成对未来时刻SWR网格序列的预测，为构建站点辐照度特征提供数据基础。基于LSTM的分布式光伏功率预测模块引入时间和日期的编码，学习光伏发电的周期性。案例分析表明本文提出的方法相比以NWP辐照度为输入的功率预测模型有着更高的精度。未来将考虑结合卫星遥感数据与地面观测数据，进一步提高辐照度预测精度，从而提升光伏功率预测精度。
致谢：本文中实验数据的测量记录工作是在国家电网公司的大力支持下完成的，在此表示衷心的感谢。
参考文献
[1] 徐正阳, 路志英, 刘洪. 基于泄漏积分型回声状态网络的在线学习光伏功率预测[J]. 电力系统及其自动化学报, 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, 顾洁, 孟璐. 基于EMD-LSTM的光伏发电预测模型[J]. 电力工程技术, 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] 许建峰, 曹庆仁. 中国分布式光伏并网发电现状及应用研究[J]. 能源与节能, 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—光热—热化学互补的太阳能利用理论、方法与系统 [D]. 北京: 中国科学院大学(中国科学院工程热物理研究所), 2018.
[5] 马群. 含分布式光伏的配电网无功优化研究[J]. 信息技术, 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] 赖昌伟, 黎静华, 陈博, 等. 光伏发电出力预测技术研究综述[J]. 电工技术学报, 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] 时珉, 许可, 王珏, 等. 基于灰色关联分析和GeoMAN模型的光伏发电功率短期预测[J]. 电工技术学报, 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, 徐潇源, 严正, 等. 基于宽度学习系统的光伏发电功率超短期预测[J]. 电力系统自动化, 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] 田剑刚, 张沛, 彭春华, 等. 基于分时长短期记忆神经网络的光伏发电超短期功率预测[J]. 现代电力, 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] 许寅, 李佳旭, 王颖, 等. 考虑光伏出力不确定性的园区配电网日前运行计划[J]. 电力自动化设备, 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, 周庆霞, 李鑫, 等. 基于地基云图图像特征的光伏功率预测[J]. 电力系统及其自动化学报, 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] 张华彬, 杨明玉. 基于最小二乘支持向量机的光伏出力超短期预测[J]. 现代电力, 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] 马磊, 黄伟, 李克成, 等. 基于Attention-LSTM的光伏超短期功率预测模型[J]. 电测与仪表, 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] 张小萌, 白恺, 柳玉, 等. 大规模分布式光伏短期集群功率预测综述[J]. 华北电力技术, 2017 (6): 1-7.
Zhang Xiaomeng, Bai Kai, Liu Yu, et al. Overview for large-scale distributed photovoltaic power prediction with clustered method[J]. 华北电力技术, 2017(6): 1-7.
[16] 张柏林, 拜润卿, 智勇, 等. 基于空间相关性的分布式光伏超短期预测技术研究[J]. 陕西电力, 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] 艾逸阳. 基于地基云图的超短期光伏电站辐照度预测研究[D]. 杭州：浙江大学, 2018.
[18] 杨春熙, 韩威, 高志球. 基于GRU神经网络的太阳辐照度短期预测[J]. 中国科技论文, 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] 李冬辉, 尹海燕, 郑博文, 等. 改进的LSTM方法在冷水机组传感器故障检测中的应用[J]. 电工技术学报, 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] 孙丙香, 任鹏博, 陈育哲, 等. 锂离子电池在不同区间下的衰退影响因素分析及任意区间的老化趋势预测[J]. 电工技术学报, 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] 马原, 张雪敏, 甄钊, 等. 基于修正晴空模型的超短期光伏功率预测方法[J]. 电力系统自动化, 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, 寇鹏. 基于卷积神经网络和简单循环单元集成模型的风电场内多风机风速预测[J]. 电工技术学报, 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
Abstract 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.
keywords：Ultra short-term photovoltaic power prediction, satellite remote sensing, Res-UNet, irradiance, spatio temporal correlation, short wave radiation(SWR)
DOI:10.19595/j.cnki.1000-6753.tces.210311
中图分类号：TM615
刘晓艳 女，1996年生，硕士研究生，研究方向为人工智能、光伏发电功率预测。E-mail：liuxiaoyan@cnic.cn
王 珏 男，1981年生，博士，副研究员，研究方向为人工智能算法与应用软件、高性能计算。E-mail：wangjue@sccas.cn（通信作者）
中国科学院战略性先导科技专项（A类）资助项目（XDA27000000）。
收稿日期 2021-03-11
改稿日期 2021-07-10
（编辑 赫蕾）