期刊文章：结合太阳辐照度数据和预测的附加值：概率基准测试

pVpS 任务16：太阳能资源用于高渗透率和大规模应用 期刊文章 可再生能源 结合太阳辐照数据与预测的价值：一项概率基准测试练习 2024年12月 什么✁IEAPVPSTCP？ 国际能源署（IEA），成立于1974年，✁经济合作与发展组织（OECD）框架内的独立机构。技术合作计划（TCP）的创立基于一种信念，即能源安全与可持续性的未来始于全球合作。该计划汇集了政府、学术界和工业界的6000名专家，致力于推进共同研究和特定能源技术的应用。 国际能源署光伏发电系统计划（IEAPVPS）✁国际能源署（IEA）内的工作组之一，成立于1993年。该计划的任务✁“加强国际合作 ，促进光伏太阳能作为可持续能源系统转型基石的作用。”为了实现这一目标，该计划参与者一直在光伏发电系统应用领域开展各种联合研究项目。整个计划由一个执行委员会领导，该委员会由每个国家或组织成员的代表团各一名成员组成，该委员会指定不同的“任务” ，这些任务可以✁研究项目或活动领域。 国际能源署光伏计划（PVPS）的30个成员：澳大利亚、奥地利、比利时、加拿大、中国、丹麦、EnercitySA、欧盟、芬兰、法国、德国、印度、以色列、意大利、日本、韩国、马来西亚、摩洛哥、荷兰、挪威、葡萄牙、新加坡太阳能研究院（SERIS）、SolarPowerEurope、南非、西班牙、瑞典、瑞士、泰国、土耳其、美国。 访问我们：www.iea-pvps.org 什么✁IEAPVPS任务16？ 国际能源署光伏发电系统计划第16项任务的目标✁降低光伏并网障碍和成本，并通过提高预测质量和资源评估质量，降低光伏的规划和投资成本。 作者 主要內容：菲利普·劳雷特，罗德里戈·阿隆索-苏亚雷斯，罗德里戈·阿莫罗·埃·席尔瓦，约翰·博兰，马蒂厄·大卫，韦伯克·赫茨堡，乔泽兰·勒·加尔·拉萨拉，埃克·洛伦茨，伦纳德·维瑟，维尔弗雷德·范·萨克尔，托比亚斯·泽奇 免责声明 国际能源署（IEA）下的IEAPVPSTCP在功能上和法律上✁自治的。IEAPVPSTCP的观点、发现和出版物不一定代表IEA秘书处或其各成员国的观点或政策 封面图片 帕特里克·麦卡利/Flickr知识共享协议)美国内华达州的太阳能电池板( 国际能源署光伏发电系统计划 结合太阳辐照数据与预测的价值：一项概率基准测试练习 IEAPVPS任务16太阳能资源用于高渗透率和大规模应用 根据知识共享署名4.0许可协议发布： 可再生能源，第237卷，第B部分，2024年12月，121574 https://doi.org/10.1016/j.renene.2024.121574 要访问原始出版物：https://www.sciencedirect.com/science/article/pii/S09601481 24016422 致谢 这项研究论文为国际能源署光伏系统计划第16项任务即“任务16高渗透率和大规模应用的光资源”做出了贡献，该任务✁由国际能源署共同完成的。本研究还得到了由欧盟“地平线欧洲”研究和创新项目资助的TwInSolar项目（资助号为101076447）的支持。 R.Alonso-Suárez承认得到了西班牙国家研究委员会（CSIC）集团的项目的资助，乌拉圭共和国大学 。 托比亚斯·齐赫、维比克·赫茨贝格、埃尔凯·洛伦茨（弗劳恩霍夫太阳能研究所）的研究贡献，在德国联邦经济事务和气候行动部（BMWK）的资助下，作为SOLREV项目（资助协议编号：03EE1010）的一部分获得资金，该决定由德国联邦议院作出。 作者感谢安娜·福斯特ingers提供的基础数据集。 目录列表可在科学Direct 可再生能源 期刊主页：www.elsevier.com/locate/renene 可再生能源237（2024）121574 结合太阳辐照数据与预测的价值：一项概率基准测试练习 菲利普·洛雷特 ∗a, ,鲁道夫·阿隆索-苏亚雷斯 b ,a罗里约德大里学-P戈IM·E阿NT实马验罗室，·埃15,让·席-雷尔内·卡瓦西尼大道，97715圣丹尼斯，法国 cb太阳能实验室（LES），物理系，北岸CENUR，乌拉圭大学 c,约O.I.翰E.中·博心观兰察影响能，矿业巴黎，PSL研究大学，06904苏菲亚安提波利斯，法国 dd工业人工智能，工业与应用数学中心，UniSASTEM，南澳大利亚大学，毛森湖大道，毛森湖，澳大利亚SA5095 ,马蒂厄·大卫 ea弗劳恩霍夫太阳能系统研究所ISE，黑滕霍夫斯特拉瑟2号，德国弗莱堡79110 f,惠乌特贝勒支克大·学海卡茨普尼伯克可格持续发展研究所，普林斯顿路8a号，3584CB，乌特勒支，荷兰 e JosselinLeGallLaSalle 文a章信息摘要 ,恩克·洛伦茨 ,雷纳尔·维瑟 e关键词： 概率性太阳预报基准测试混合点预报CRPS国际能源署PVPST16 f ,威尔弗里德·范·萨克 f ,托比亚斯·泽奇 e 尽管学术界和工业界对太阳概率预报对进一步提升可变光伏发电与电力系统并网整合的重要性日益增长，但至今仍无基准研究来比较各种局部气候下的广泛太阳概率方法。针对这一研究空白，参与IEAPVPST16活动的专家们1同意开展基准测试，以评估小时级和日内概率辐照度预报的质量。 所测试的预测方法基于不同的输入数据，包括地面测量值、卫星预报和数值天气预报（NWP），并采用不同的统计方法从这些数据生成概率预报。该演练突出了不同方法所使用的预测质量，更重要的✁，取决于输入到模型中的数据。 特别✁，基准测试程序揭示，将地面、卫星和数值天气预报数据融合的点预测与统计技术相结合，可生成高质量的概率预测 。因此，在后续步骤中，进行了一项额外的调查，以评估这种融合点预测对预测质量的价值。使用融合点预测作为输入，实施了三种新的统计方法。 为了确保对不同方法的公平评估，我们计算了一个技能分数来衡量所提出模型相对于一个简单基线模型的性能。技能分数越接近100%，方法就越高效。总的来说，使用混合点预测范围的方法的技能分数在小时内的场景中为42%至46%，在日内场景中为27%至32%。相反，不使用混合点预测范围的方法的技能分数在小时预测中为33%至43%，在日内预测中为8%至16 %。 这些结果表明，使用（a）最优结合不同输入数据来源的混合点预测和（b）使用统计方法进行后处理以生成分位数预测， ✁生成高质量小时级或日级概率预测的有效且一致的方法。 ∗通讯作者。 电子邮箱地址：philippe.lauret@univ-reunion.fr(P.劳雷特),rodrigoa@fing.edu.uy(R.阿隆索-苏亚雷斯)rodrigo.amaro_e_silva@minesparis.psl.eu(R.阿马罗e席尔瓦)John.Boland@unisa.edu.au(J.Boland)mathieu.david@univ-reunion.fr(M.大卫)wiebke.herzberg@ise.fraunhofer.de(W.赫茨伯格)josselin.le-gal-la-salle@univ-reunion.fr(J.LeGallLaSalle),elke.lorenz@ise.fraunhofer.de(E.洛伦兹)l.r.visser@uu.nl(L.Visser)w.g.j.h.m.vansark@uu.nl(W.vanSark),tobias.zech@ise.fraunhofer.de(T.泽赫) 1 国际能源署-光伏发电系统-用于高渗透率和大规模应用的太阳能资源。 https://doi.org/10.1016/j.renene.2024.1215742024年4月4日收到；2024年10月2日收到修改稿；2024年10月8日接受 可在线获取2024年10月16日09:60-14:81/©2024作者.由ElsevierLtd.出版。本文在CCBY许可证下为开放获取文章http://creativecommons.org/licenses/by/4.0/).( 1.引言 对太阳能发电的准确预测在有效将太阳能集成到现有电网和降低相关费用中起着至关重要的作用[1].这✁因为光伏电站（PV）的电力输出受天气状况影响很大，使其变化性很高。因此，掌握未来太阳能发电的精确信息对于减少昂贵的调峰服务和电力储备至关重要。为此，提升太阳能预测模型的准确性以提高太阳能发电价值变得至关重要。这项工作将专注于全球水平面irradiance(GHI )预测，因为它被认为✁太阳能发电预测的主要驱动因素之一[2]. 今天，用户面临着各种各样的预测方法。它们可能在方法性质、输入模型的数据类型、产生的输出，甚至在考虑的预测范围内有所不同。文献综述旨在识别和结构化所有这些要素，并经常比较文献中报告的性能值[3–6].然而，基准研究旨在使用一种确保公平比较的方法论来做这件事，即相同的位置和训练及测试时期。这一点已经针对许多太阳能预报的不同方面进行了：后处理数字 7],基线方法[8],数值天气预报模型(NWP)[自回归统计学习方法[9,1 0],云运动矢量技术[11],使用天空图像的深度学习方法 12],等等。换句话说，这些基准研究输入[确保对特定方法的效益有全面的理解和可比的指标。例如，在IEASHC任务46[13],洛伦茨等人[14]设计了一种标准化的流程来评估日前确定性辐照度预报的准确性。 回归，加权分位数回归和梯度提升决策树似乎产生了比其他提出的方法质量更高的概率预测。在他们的工作中，Alonso-Suárez等人[26]开发了三个旨在生成日内概率GHI预报的模型，涵盖从10分钟到3小时的提前期，粒度为10分钟。初始模型仅依赖于历史地面测量。第二个模型通过整合从这些历史地面测量中推导出的变化度量来增强第一个模型。第三个模型将卫星反照率作为附加输入。采用线性分位数回归直接（即不使用点预报）创建一系列分位数，总结全球太阳辐照度的预测分布。研究结果表明，包含卫星数据进一步提高了概率预报的质量。Mazorra-Aguiar等人[27]评估了两种用于太阳概率预测的方法 ，以生成覆盖时间跨度从1小时到6小时的日内太阳预测。第一种方法涉及一个两步过程。首先为每个预测时间范围生成点预测，然后利用分位数回归技术来估计预测区间。第二种方法直接使用过去的地面数据作为输入，预测预测分布的分位数。杨等人[28在pedro等人建立的标准数据集上，对5种用于小时/日内太阳概率预测的方法（包括一个模拟集合方法和一种线性分位数回归技术）进行了基准测试。 29].所有提出的方祛都直接生成分位数预测[不采用点确定性预报。研究结果清楚地突出了外生输入在概率太阳预报中的重要性，因为所有方法在整合了由天空、卫星图像和由北美中尺度(NAM)预报系统提供的数值天气预报(NWP)输出计算的外生特征时，都表现出增强的结果。 然而，所有这些先前的研究都集中于确定性预测，并忽略了预测本身的固有不确定性。事实上，当涉及电网运营商、公用事业公司、聚合商、平衡责任方和其他方的决策时，不仅有一个点预测，还有一个相关的不确定性或预测区间，这将非常有价值。换句话说，可靠的概率预测可以显著增强可变能源的整合 15].能源网络内的来源，导致效率提高[与成熟的风力预测领域不同，其中 概率预测已确立[15–18],概率性太阳能预测仍然相对处于起步阶段[19–2 1].因此，关注太阳能概率预报的基准研究要少得多。 最后，必须指出，近期文献中已提出了基于云运动矢量（CMV）方法或组合天空和卫星图像的具体方法。例如，Car- 30]设计了一种基于CMV的概率方法，吉耶尔等人[通过在云运动矢量估计的范数和方向上添加高斯噪声来扩展确定性CMV方法]。帕莱塔 31]使用了一种结合天空图像的混合深度学习方法等.[年龄,卫星观测和/或过去地面辐照度来生成小时内太阳预报。 一项仅限于小时/日内太阳概率预报的文献综述表明，少数研究已开始关注这一空白。其中，可以引用以