分布式光伏功率预测方法研究

RESEARCHONPOWERFORECASTINGMETHODOFDISTRIBUTEDPHOTOVOLTAIC 范思远 东北电力大学清华大学 2025年9月13日 口1研究背景 口2AI大模型功率预测方法口3多模态融合功率预测方法 研究背景 （一）分布式光伏发电呈现爆发式增长 根据国际能源署（IEA）数据显示，截止2024年底，我国光伏装机容量枫升至创纪录的357.3GW，占全球新增光伏装机容量的60%以上，累计装机容量达到1TW； 分布式光伏现已成为光伏产业增长的关键，预计与前六年相比，分布式光伏发电的产量将增长200%以上差异化场景 全球光伏统计分析[1] 研究背景 研究背景 （三）我国功率预测相关标准 平均绝对误差（E）Eu1[P=PC准确率(C）Ch=1Emx均方根误差（E） NB/T32031-2016光伏发电功率预测系统功能规范GB/T19964—2012光伏发电站接入电力系统技术规定GB/T30153一2013光伏发电站太阳能资源实时监测技术要求GB/T40604—2021新能源场站调度运行信息交换技术要求GB/T40607—2021调度侧风电或光伏功率预测系统技术要求5功率预测 5.1基本要求 装机容量10MW及以上的光伏发电站应配置光伏发电功率预测系统，系统具有01~72h短期光伏发电功率预测以及15min~4h超短期光伏发电功率预测功能， 5.2预测曲线上 5.2.1光伏预测曲线·理5.2.2光伏曲线，预测值！ 5.3预测准 光伏发电于80%超短 研究背景 （四）光伏发电功率影响因素 ■光伏发电功率主要受地理位置、安装角度、自身参数、天气等影响； ■对于光伏电站，其发电功率主要取决于气象因素，影响较大的为辐照度、温度、风速 +1月+2月-3月－4月→5月→6月+7月+8月 +9月 +10月+11月 +12月 研究背景 （五）光伏发电功率与辐照波动规律相似 晴空辐照：受太阳高度角、日照长短影响，由地理位置决定，机理明确； 云层衰减：受天气影响，如阴天/晴天、云移动轨迹， 机理复杂 光伏发电具有随机性、间歇性的特点，提高功率预测精度，有助于提高其发电的消纳水平，提高并网的可观测性和可控制性程度。 辐照度与光伏功率间存在直接关系7 研究背景 挑战1：区域内光伏电站数量多、独立建模难 ■区域内众多光伏电站在地理位置、设备参数、安装方式等方面存在差异： ■随着区域内光伏电站数量的增加，建模所需的计算资源呈指数级增长 ■在模型优化和验证过程中，需要不断调整参数并进行多次计算，进一步增加了计算资源 的消耗和时间成本 研究背景 挑战2：区域气象预报不精确且传感器部署难 替代方案 电站精准的气象环境监测数据缺失 ■每个电站安装微气象站成本高 [1] S. Peng, Y. Ding. Z. Liu, et al, 1 km monthly temperature and precipitation dataset for China from 1901 to2017, Earth System cience Data,11 (2019) 19311946. 口1研究背景 2AI大模型功率预测方法 口3多模态融合功率预测方法 AI大模型功率预测方法 建模思路 机理模型+神经网络：基于机理生成的数据，所以数据有效性强（含机理的数据） AI大模型功率预测方法 （一）实测数据 互联网收集公开数据：包括美国、澳大利亚、比利时和中国，将时间戳对齐，处理成分辨率15min，总共有1856174个时间点，1428个场站 funbepof pows(eeudingtha-FirstPoe)aerussalLcSV-fiLes:1856174 美国 hueber6f CSvfi1es:145erofroes (exttudingthe.tirstroe)across.alcsVfiles:1506419s86178 澳大科亚 Pleise.ontodirectory:Totalnun: 15734898Fotal nuTotaL nunbarof eoluens (excludinnthefirstcolun) acrossalLCsvfites: 49 比利时 ta1139x15151e5:66293 AI大模型功率预测方法 （二）合成数据原理 对应的光伏板面全球辐射值、衰减后的板面全球辐射值、光伏直流功率输出和交流功率输出曲线 AI大模型功率预测方法 （三）光伏模型链 提出了一种考虑动态损失影响到光伏物理模型链，该模型以时间和基础气象参数（全球水平辐照度GHI、环境温度和风速）作为输入变量，通过耦合光电转换物理方程与环境因素影响模型，实现了从气象条件到系统功率输出的全过程模拟 AI大模型功率预测方法 （四）气象数据 哥白尼大气监测服务（CAMS） 基于欧洲中期天气预报中心XECMWF) 假设辐射监测点存在光伏电站，通过机理模型（模型链）构建虚拟电站 AI大模型功率预测方法 AI大模型功率预测方法 训练流程 ■输入：生成数据（机理）+实际数据 ■模型： （1）架构：Transformer网络 (2）权重： 通过误差反馈进行更新； 学习结束后，历史数据蕴含的机理信息将存储在训练好的权重中 迁移，用于新场景 光伏发电功率 AI大模型功率预测方法 模型结构 组成：输入、嵌入层、编码器、解码器、投影层、输出 AI大模型功率预测方法 预训练与微调 预训练无监督学习（通过序列掩码学习光伏发电的规律）微调 有监督学习（面向具体任务：预测、故障诊断等） BERT网络结构 AI大模型功率预测方法 数据集 ②生成的欧洲、非洲分布式光伏电站NWP来源：CAMSandERA5 生成的中国山西省分布式光伏电站NWP来源：Himawari-8andERA5 其中，红色代表行政中心，蓝色代表光伏电站共100个电站 其中，蓝色代表光伏电站，共146个电站 [1] H. Zhang, J. Yang, S. Fan, et al. An ultra-short-term distributed photovoltaic power forecasting methodbased on GPT(J). IEEE Transactions on Sustainable Energy, 2025, 16(4): 2746-2754. AI大模型功率预测方法 超参数优化 结果表明，随着预训练数据的增加，特别是在时间尺度上，预测误差呈减小趋势；受预训练数据的限制，我们将参数数调整为12.63M;当预训练数据量达到110个站时，训练损失基本稳定在0.06，测试误差是实验中最低的 输入长度 AI大模型功率预测方法 结果展示 口1研究背景 口2AI大模型功率预测方法 3多模态融合功率预测方法 多模态融合功率预测方法 视觉信息-物理特征”多模态融合功率预测模型 针对大规模分布式节点监测成本制约导致关键参数缺失的问题，提出了融合视觉信息与物理特征的多模态光伏功率预测方法，利用安防设备获取时序图像，实现光伏功率预测准确率的提升 多模态融合功率预测方法 数据来源 使用了2018年中国吉林省西部某分布式光伏电站的数据。数据包括：风速、温度、风向辐照度、板面温度（POT）和光伏输出功率，采样频率为每1分钟一次；光伏板可见光图像每隔5分钟采集一次 由于光伏电站在夜间的运行限制，无法获得图像，也不发电，影响了数据收集计划。因此数据采集仅限于白天的上午9：05至下午4:30。对数据和图像进行了处理，使其时间分辨率标准化到5分钟的间隔，图像尺寸为352×288像素 多模态融合功率预测方法 光伏板接收阳光辐照过程 光伏系统发电功率计算【1] 考虑遮挡影响光伏系统发电功率计算： [1] A. P: Dobos, PVWatts version 5 manual. Technical report NREL/TP-6A2062641, Golden; CO (United States):National Renewable Energy Lab. (NREL), 2014. 多模态融合功率预测方法 图像分析 (2μu,+c,)(20g+c,)图像质量评估一结构相似性：SSIM(x.)(+u+c)(o+o,+c2 多模态融合功率预测方法 数据重构 提出了一种三阶段混合数据重构方法，以解决光伏系统中数据缺失、高噪声和时间截不同步的问题 多模态融合功率预测方法 图像嵌入层 图像嵌入层由五个部分组成1]： （1）主千层（Stemlayer）：(2）阶段层（Stagelayer）：（3）上下文加权训练层（CWTlayer）：（4）过渡层（Transitionlayer）（5）卷积块注意模块层（CBAMlayer）。 输入图像等效复用方法： T1] X. Ding, X. Zhang, J, Han, et al, Scaling up your kernels to 31x31: Revisiting large kernel design in cnnsProceedingsof theIEEE/CVFconferenceoncomputer visionand pattern recognition, (2022)11963-11975. 多模态融合功率预测方法 可学习权重交叉注意力特征融合层（LWCAF) 注意力计算方法： 从attn2到attn1跨模态注意力 从attn1到attn2跨模态注意力： 可学习权重特征融合计算方法： 多模态融合功率预测方法 单步预测性能 提出模型的误差分布更紧凑，相对误差范围明显小于其他模型，平均值更接近0。这表明提出模型在各个时间点上的预测值与真实值之间的偏差更小，预测的准确性更高 多模态融合功率预测方法 多步预测性能 不同模型在第12步测试样本的结果对比 该模型的误差带更接近于零线，特别是对于较长的步长，即第10步之后，其误差波动比其他模型更小：能够准确捕捉和处理时间序列数据中的长期依赖关系 多模态融合功率预测方法 消融实验与敏感性分析 所提出的方法（CAF+Huber）表现最佳，表明其具有更高的预测准确性和稳定性：模型在输入步长为1时的MAE和MSE相对较高：而当步长增至6时，这些指标均有所改善，表明提出模型对数据的捕获能力随着输入信息的增加而增强，也反映出了提出模型在处理更长时间序列时的可靠性 谢谢！感请批评指正！