本文是一篇电气工程论文，本文围绕多时间尺度下的光伏发电功率预测展开研究，首先对光伏发电系统及其工作原理以及光伏功率输出特性进行分析。其次，针对短期和超短期光伏功率预测分别建立模型。
第一章 绪论
1.1 课题的研究背景和意义
随着经济社会的高速发展，传统的化石能源被大规模开发利用，环境污染、全球变暖以及能源安全问题逐渐成为各个国家关心的热点，着重于绿色新能源的建设已经成为全球共识[1]。在我国实现“双碳”目标的时代发展背景下，加快构建以新能源为主体的新型电力系统亟待实现。我国能源电力行业正积极探索清洁高效的可持续发展道路，太阳能作为可再生能源的一种，相较于石油、天然气等化石能源，其不受地域限制、安全环保、可持续发展等特点，逐渐成为可再生能源发展研究领域的重点之一。大力发展光伏发电成为降低碳排放，是实现“双碳”目标的重要手段。
近年来，我国光伏发电正以蓬勃态势向前发展，国家能源局发布的关于2023年的电力统计数据显示，截止到2023年12月底全国太阳能累计发电装机容量约为609.49GW，新增光伏发电装机容量达216.88GW[2]，如图1-1。我国已成为光伏发电装机容量最大的国家。
1.2 光伏发电功率预测研究现状
1.2.1 基于数据驱动的光伏功率预测方法研究现状分析
随着对数据驱动的光伏功率预测研究逐步深入，已经有大量的研究学者在该领域进行了许多的探索和研究。基于数据驱动的预测方法主要包括物理建模法、统计学习法以及组合方法[4]。其中，物理建模方法是指基于光伏发电设备以及历史功率数据和气象数据的数学关系建立预测模型；而基于数理统计的光伏功率预测则主要针对光伏出力和气象的历史数据进行分析而建立预测模型，通过研究历史数据的特征来确定预测模型的输入数据，对预测模型进行训练，得到模型输出和输入的数学映射关系，基于此建立二者的数学函数模型；对于组合方法而言，通常结合物理建模以及数理统计方法的优势来建立组合模型实现预测，该方法面向不同应用场景均能实现对光伏实际出力较好的追踪效果而受到众多学者和研究人员的关注，逐步成为主流的光伏功率预测方法。
在基于物理建模的光伏功率预测研究中，有不少研究人员对光伏出力过程中太阳能转换为电能的物理过程进行建模研究，文献[5,6]通过模拟光伏发电功率和其他物理量的关系，建立非线性方程组来模拟二者的模型关系建立预测模型来实现光伏预测。文献[7]通过构建光伏电池板的电路等效模型，研究光伏输出的规律来实现对光伏出力的追踪。其次，不同的物理设备运行环境也会对光伏出力的效率产生影响，文献[8,9]对光伏发电设备组件参数进行分析总结，对其具体的电气参数设置进行量化分析，确定其变化规律后再进行物理模型的建立，进而验证其模型参数设置的合理性对光伏出力的重要影响。文献[10,11]通过研究不同温度和辐照度对模型参数设定的影响，量化分析了不同的环境条件对光伏电池组件的相关性影响。
第二章 光伏发电特性分析以及数据预处理
2.1 光伏发电系统工作原理及输出特性分析
光伏发电系统是利用太阳能电池的光伏效应，将太阳光辐射能直接转化为电能的装置，再通过逆变器进行电流的调整和转换，最终将产生的电能供给用户或注入电网。基本的太阳能光伏发电系统的组成部分包括光伏电池、逆变器、电池储能系统、电网连接和离网系统。
光伏发电系统是基于太阳能辐射产生的能量传递，相比于传统的火力和水力发电，其可控性相对较低。光伏发电受到气象因素的影响较大，辐照度、温度、云量、湿度和风速等环境因素均会对其产生较大影响。其次，光伏发电阵列还会受制于时空条件，对于不同的地区，其光照强度不同，且在一天中不同的时间段内会有不同的输出功率。
2.2 光伏发电输出功率影响因素相关性分析
光伏功率的变化趋势与太阳辐照度的变化规律大致相同，在一般情况下，白天会呈现出先上升后下降的趋势，而到了夜间，输出功率会变成零。同时在白天亦会受到云层变化的影响，辐照度波动显著。此外，如大气温度、湿度、云量及风速等一系列环境因素均会对光伏发电的输出功率产生较大影响。
2.2.1 辐照度对光伏发电功率的影响
太阳辐照度是指太阳辐射经过大气层的吸收、散射、反射等作用后到达地球表面单位面积单位时间内的辐射能量。作为影响光伏发电功率最直接的因素，辐照度的变化势必会对光伏发电功率产生巨大的影响。为了更全面的量化分析辐照度与光伏发电功率的相关性，引入全辐射辐照度以及直射辐照度两种辐照度来进行对比，全辐射辐照度是指太阳辐射通过大气层到达地表的总辐射量，而直射辐照度是指太阳辐射直接垂直照射到地表的辐射量。辐照度与光伏发电功率的曲线图分别如图2-3和图2-4所示。
第三章 基于CEEMD-HPO-LSTM的短期光伏功率预测方法 ..................... 18
3.1 长短期记忆网络原理 .......................... 18
3.2 互补集合经验模态分解算法原理 ................................ 20
第四章 基于卫星云图的超短期光伏功率预测方法 ................. 34
4.1 卫星云图数据来源 .............................. 34
4.2 卫星云图数据处理 ............................. 35
结论与展望 .............................. 52
第四章 基于卫星云图的超短期光伏功率预测方法
4.1 卫星云图数据来源
本文采用的卫星云图数据是来自于日本Himawari-8号卫星观测的可见光云图数据。数据为开源数据，通过建立站点即可下载卫星云图数据。该卫星云图的时间分辨率为10分钟，即每10分钟更新一张云图数据，时间分辨率满足对于超短期光伏预测的时间尺度要求。Himawari-8号卫星可对16种不同的波段进行监测，其具体信息如表4-1所示。Himawari-8号卫星观测的空间范围为五个区域，其中，全圆盘区域（Full Disk）观测的空间范围覆盖了我国行政区域，空间范围为纬度60o N-60o S，经度80o E-160o W，空间分辨率为5km，其原始图像像素为2401*2401。如图4-1是Himawari-8号卫星观测到的FLDK区域某时刻的云图数据。
结论与展望
大力发展光伏发电这一重要的清洁能源己成为世界各国的共识。然而光伏出力自身具有较强的波动性以及间歇性特征。大规模光伏接入电力系统不仅会引入新的不确定性，同时还会加剧光伏消纳与电网经济稳定运行间的矛盾。因此精准的光伏功率预测是大规模光伏并网下电力系统安全稳定运行和提升新能源消纳能力的关键保障。本文围绕多时间尺度下的光伏发电功率预测展开研究，首先对光伏发电系统及其工作原理以及光伏功率输出特性进行分析。其次，针对短期和超短期光伏功率预测分别建立模型。对于短期光伏发电预测，建立了CEEMD-HPO-LSTM模型实现预测，并进行实际算例的对比分析；对于超短期光伏功率预测，通过加入卫星云图图像数据，并结合气象数据因子以及卷积神经网络在处理图像数据中的优势建立基于卫星云图的超短期光伏功率预测模型，并与其他预测模型在不同的天气条件下进行实例验证。文章的主要结论如下：
（1）对光伏发电功率的输出特性以及影响光伏发电的气象因素进行量化分析。通过Pearson相关系数法筛选出影响光伏出力的关键因素，避免了冗余数据和无关因素对模型预测效果的影响，最终确定辐照度、温度、湿度和云量作为影响光伏发电功率的关键因素。
（2）利用互补集合经验模态分解算法对光伏功率序列进行分解，在最大程度上保留了原始功率序列的特征，有效解决了模态混淆的问题，并降低了原始功率序列波动变化对光伏功率预测带来的影响。其次，基于猎人猎物算法对LSTM模型的超参数进行优化来建立预测模型，可有效提升模型预测精度。通过仿真实验与LSTM、CEEMD-LSTM等模型进行对比，验证了本文提出的基于CEEMD-HPO-LSTM模型的短期光伏功率预测方法的优越性。
参考文献（略）
