近年來，太陽能開發利用已成為全球能源轉型的重要領域，光伏發電全面進入規模化發展階段，呈現出良好的發展前景。圖1為2005～2017年我國及全球光伏裝機容量和裝機容量增速百分比。截止2017年，全球光伏發電裝機容量達到403.47GW，較2016年增長33.8%，我國光伏發電裝機容量達到137.62GW，較2016年增長76.3%。

由于光伏發電出力受氣象等因素影響較大，具有較強的間歇性和波動性，這些特性使得高比例光伏接入后給電力系統造成巨大的沖擊與挑戰。若能準確進行光伏發電出力預測，不僅可以提高光伏電站運營效率，而且可以幫助調度部門調整運行方式，確保高比例光伏接入后電力系統的安全穩定與經濟運行。

圖1 我國及全球光伏裝機容量和增速百分比

目前光伏發電出力預測理論研究尚處于廣泛研究階段，現有預測水平如下：

①對于點預測，文獻常采用平均絕對誤差百分比（Mean Absolute Percentile Error, MAPE）和方均根誤差（Root Mean Square Error, RMSE）等指標對預測結果進行評價。針對不同數據和不同模型的預測結果有所差異，統計發現：對于短期預測，誤差基本上在5%～25%，且多集中在10%～20%，晴天的預測精度較高，雨天和多云天的預測精度較低。

②對于區間預測，常采用預測區間覆蓋率（Prediction Interval Coverage Probability, PICP）、預測區間平均寬度（Prediction Interval Normalized Average, PINAW）和區間分數（Interval Score, IS）等指標對預測結果進行評價。統計發現：PICP都能滿足額定置信水平的要求，PINAW在15%～25%，IS在◆2%～◆5%。

③對于概率預測，常用秩概率評分（Ranked Probability Score, RPS）、分位數評分（Quantile Scoring, QS）和Theil系數等指標來衡量預測水平。統計發現：RPS、QS和Theil系數分別在1～5、0.01～0.05和0.1～0.6之間。

在光伏發電出力預測系統方面，目前國內外已有不少機構提供光伏發電出力預測和光資源評估服務，見表1。我國在光伏發電出力預測領域已開展了大量研究，但是在預測技術方面仍稍滯后于歐美發達國家，處于探索階段。

本文對光伏發電出力預測技術進行了全面的梳理、歸納和總結。評述了光伏發電系統的發展及預測現狀、當前的預測方法、預測效果的衡量指標、未來光伏發展及出力預測方法的研究方向，旨在為我國光伏發電出力預測技術的研究及應用提供有價值的參考。

表1 國內外光伏發電出力預測系統

1 光伏發電出力預測技術的分類

光伏發電出力預測的方法多樣，根據不同的分類標準有不同的預測方法。光伏發電預測方法分類如圖2所示，根據預測過程的不同，可分為直接預測和間接預測；按照預測空間尺度的不同，可分為單場預測和區域預測；按照預測時間尺度的不同，可分為超短期預測（0～4h）、短期預測（0～72h）以及中長期預測（1月～1年）；按照不同預測形式，光伏發電出力的預測主要分為點預測、區間預測和概率預測。

對于不同預測過程、不同時間尺度和不同空間尺度下的光伏發電出力預測，均可以從點預測、區間預測和概率預測等不同的形式進行預測研究。本文將重點從不同預測形式的角度對光伏發電出力預測技術進行全面地梳理、概括和評述。

圖2 光伏發電出力預測方法的分類

點預測屬于確定性預測，用于調度計劃的制定，區間預測和概率預測統稱為不確定性預測。其中，區間預測可以得到不同置信水平下光伏發電出力的區間上、下限，其主要用于輔助調度決策，為制定調度計劃提供準確的光伏發電出力變化范圍。概率預測利用預測時段之前的相關樣本統計信息，得到未來不同時刻光伏出力的期望值以及出力的概率分布信息，其主要用于電能分析、電網調度和風險評估，預防不確定性因素帶來的不利影響。

2 光伏發電出力的點預測

2.1 點預測的概述

點預測得到的結果是某一預測時刻的一個確定的值，目前大多數的研究集中在點預測上。點預測得到的預測結果很直觀，但由于光伏發電出力具有較強的不確定性，確定性的點預測所包含的信息有限，難以表達預測結果的概率可信度。

2.2 點預測的分類

根據光伏發電出力預測模型的不同，點預測主要分為物理方法、統計學方法、元啟發式學習方法和組合方法等四類。圖3為點預測方法的分類，圖中列舉了每一類方法中幾種常見的預測方法。

2.2.1 物理方法

物理方法是參照光伏電池的發電原理，利用數值天氣預報（Numerical Weather Prediction, NWP）得到的太陽輻射、溫度、云量、雨量和風速等數據，并結合光伏系統安裝角度、光伏陣列轉換效率等參數，建立物理模型直接計算得到光伏發電出力。

圖3 光伏發電出力的點預測方法分類

基于物理方法的預測原理如圖4所示。文獻[17-18]通過物理方法直接構建了光伏發電近似物理模型。

圖4 基于物理方法的光伏發電出力預測原理圖

根據圖4可知，物理模型的輸入信息包括以下兩部分：①動態信息，由氣象部門提供的NWP數據和用于模型輸出統計（Model Output Statistics, MOS）來減小殘差的在線實測數據組成。②靜態信息，光伏電站的系統數據，如光伏組件安裝的地理位置、光電轉換效率等。關于物理模型，目前比較完善的有晴天ASHRAE模型、HOTTEL模型、REST模型、有云天氣Nielsen模型及云遮系數模型等。

物理方法雖然不需要詳細的歷史數據來訓練預測模型，但是依賴詳細的電站地理信息和準確的氣象數據，并且物理公式本身存在一定的誤差，模型抗干擾能力差，魯棒性不強。

2.2.2 統計學方法

基于統計學方法的光伏發電出力預測的基本原理如圖5所示。統計學方法是輸入太陽輻射、光伏發電出力等歷史數據，通過曲線擬合、參數估計等方法，建立輸入與輸出的映射模型，實現對未來光伏發電出力預測的輸出。常見的統計學方法有時間序列法、回歸分析法、灰色理論、模糊理論和時空關聯法等。

圖5 基于統計學方法的光伏發電出力預測原理圖

統計學方法在預測時不需要考慮光伏系統參數和復雜的光電轉換模型，所以相比于物理方法，其具有建模簡單等優勢。但是，統計類方法往往需要收集和處理大量的歷史數據，所以增加了數據獲取和處理的難度。

2.2.3 元啟發式學習方法

元啟發式學習方法是對生物活動進行模擬，采用某種算法對樣本數據進行訓練而得到輸入量與輸出量即預測條件與待預測量之間的關系。常見的元啟發式方法有神經網絡、支持向量機、卡爾曼濾波算法、馬爾科夫鏈、粒子群算法和遺傳算法等。

元啟發式算法屬于人工智能算法的范疇，鑒于目前沒有通用的原理圖，本節以最常見的元啟發式學習方法——徑向基函數（Radial Basis Function, RBF）神經網絡為例對其原理進行介紹。

圖6 RBF神經網絡原理圖

文獻[43]提出一種徑向基函數神經網絡，其方法簡單、學習過程收斂速度快，但是預測精度不高，不適用于所有天氣類型。此外，還有學者采用BP神經網絡、反饋型神經網絡、小波神經網絡、自組織神經網絡等對光伏發電出力進行預測。

元啟發式學習方法不需要獲得輸入與輸出之間的具體表達式，而是通過對歷史數據的訓練得到光伏發電出力的預測模型。該類方法需要大量的歷史數據，操作簡單，易于實現，但是存在過學習和易陷入局部最優解的缺陷。

2.2.4 組合方法

圖7為組合方法的基本原理圖，目前組合預測方法主要分為兩大類：第一類是采用不同預測方法分別進行預測，然后通過動態權值分配組合出預測結果；第二類是將歷史光伏數據分解成多個子序列，然后采用不同的預測方法對子序列分別進行預測，最后將子序列預測值疊加得到光伏發電出力預測值。

圖7 基于組合方法的光伏發電出力預測原理圖

其中，文獻[4]采用思維進化算法優化BP神經網絡、粒子群算法優化支持向量機和基于單隱層前饋網絡的極限學習機分別進行預測，以方差-協方差權值動態分配法來組合預測結果，該方法互補性強、預測精度較高。文獻[41]構建了一個組合預測模型，該模型以模糊算法選擇徑向基中心，用遺傳算法優化徑向基神經網絡參數，所得模型綜合應對能力強，預測優勢明顯。

文獻[57]將天氣類型分為突變天氣（如晴轉雨）和非突變天氣，首先采用集合經驗模態分解和支持向量機的EEMD-SVM組合預測方法，該方法對突變天氣和非突變天氣均具有較好的預測能力。

組合預測方法可以挖掘各種預測方法的有用信息，比較并綜合各種預測方法的優勢，避免單一預測方法的缺陷，能夠在一定程度上提高預測精度，因此具有較強的研究及應用價值。

2.2.5 點預測中不同方法的比較

表2為點預測中不同方法優缺點及數據需求的比較。其中，物理方法需要詳細的地理信息和氣象信息，對需求的數據要求較高，主要用于已運營較長時間的光伏電站；而統計學方法、元啟發式學習方法和組合方法不需要考慮電站的系統參數，適用于已運營較長時間或新建的光伏電站，是目前在光伏預測領域采用較多的幾種方法。隨著大數據和人工智能技術的發展，元啟發式學習方法將會得到廣泛的青睞，組合方法因其在預測精度方面的優勢也具有重要的研究價值。

表2 點預測中不同方法的比較

3 光伏發電出力的區間預測

3.1 區間預測的概述

所謂區間預測，是研究滿足給定置信度水平下光伏發電出力的上、下界。準確預測光伏發電出力所在的區間，可以向決策者提供更多的信息，對于提高電力系統應對因光伏發電出力變化所帶來的不利影響具有重要意義。

圖8為光伏發電出力區間預測示意圖，圖中三條曲線分別表示光伏發電出力實際值、預測上界值和下界值。上、下界曲線所圍成的區域即為光伏發電出力可能發生的區間。區間預測即是預測圖中各個時刻光伏發電出力可能出現的上、下界。

3.2 區間預測的分類

目前國內外針對光伏發電出力區間預測的研究尚處于起步階段，表3為區間預測的主要方法，主要分為兩類：第一類是采用神經網絡、極限學習機等方法訓練歷史數據，建立光伏發電出力的雙輸出模型，從而預測光伏發電出力可能發生的上界和下界；第二類是事先假設或估計光伏發電出力的概率分布函數，通過對概率分布函數進行逆運算，從而得到給定置信度水平下的光伏發電出力區間。

圖8 光伏發電出力區間預測示意圖

表3 區間預測的主要方法

其中，文獻[61]基于分位數構造包含區間上、下界的線性規劃模型，利用極限學習機求解線性規劃模型從而以較快的速度獲得光伏發電出力預測區間的上、下界。文獻[65]通過非參數核密度估計獲得光伏發電出力的概率分布，并利用Copula函數對光伏發電出力與點預測誤差之間的相關性進行分析，從而獲得預測分位點下精度較高的光伏發電出力區間。

區間預測能夠給光伏發電出力提供對應某一期望值的區間預測結果，給出較確定性預測更為豐富的信息。尤其是在評估光伏不確定性和風險因素方面，電網工作人員可根據預測概率區間結果做出更為科學的決策。

4 光伏發電出力的概率預測

4.1 概率預測的概述

概率預測是不確定性預測的一種，相較于傳統的點預測，概率預測不僅可以預測未來時刻的期望值，還可以得到其概率分布信息，即預測物理量的不確定信息，從而可以為電力系統的調度、運行提供更為全面的參考。基于概率預測的思路如圖9所示。

圖9 基于概率預測的光伏發電出力預測思路圖

根據圖9可知，概率預測首先分別采用不同的方法對光伏電站歷史的實際出力值和預測出力值進行統計，得到歷史預測誤差統計的二維概率分布；在驗證該概率分布對未來光伏發電出力的有效性后，對常規預測方法得到的確定性出力預測值進行分析；根據總結得出的預測誤差概率分布，就可以得到概率性出力預測，并給出不同置信度下的出力預測的帶狀分布。

4.2 概率預測的分類

表4為常用的概率預測方法，目前國內外對光伏發電出力的概率預測的研究還處于起步階段，研究主要致力于將不同的概率預測算法應用于光伏預測問題上，以及將多種方法結合而產生的組合方法。

表4 概率預測的主要方法

文獻[39,61,70-77]開展了相關研究，其中文獻[61,70,72-73]采用了分位數回歸的方法進行建模。在模型中通過求解回歸系數向量能夠測算出不同分位點處待求變量所受到的相關因素的影響，當分位數在(0,1)上連續取值時即可得到待求變量的條件概率分布。文獻[71]采用動態貝葉斯網絡理論進行了建模預測。文獻[39,76-77]采用馬爾可夫鏈進行建模，通過歷史數據計算當前時刻的發電出力的概率分布，然后利用轉移概率矩陣計算下一時刻的出力概率分布，從而實現概率預測。

概率預測方法能夠給出下一時刻所有可能的光伏發電出力的數值及其出現的概率，覆蓋了較為全面的預測信息，在預測精度上具有顯著的優勢，為含有光伏電站電力系統的運行風險評估和風險決策提供重要參考。

5 衡量預測精度指標的分析（略）

對光伏發電出力的預測誤差進行科學的評價，有利于分析各種預測技術的特點，挖掘其內在原因和規律，從而采取補充措施，進一步提高光伏發電出力的預測精度。下面分別對光伏發電出力點預測、區間預測和概率預測的評價指標進行歸納和梳理，并采用實際出力數據進行驗證性分析。

6 未來研究的方向預測

6.1 未來光伏發展方向研究

在政策扶持下，我國光伏產業近年來發展持續向好，未來我國光伏市場將穩步增長，發展空間巨大，其中分布式光伏將迎來爆發式增長。未來以下方面將成為熱點問題：

①分布式光伏發電和光伏+特色產業。因為分展性是光伏最大的特征，所以未來光伏產業的發展將呈現分散式、互聯式、智能交互式和分享式的體系。因此，分布式光伏具有較好的研究前景，其中光伏+特色產業將迎來前所未有的發展機遇。

②提高光伏電站出力消納水平。集中式光伏棄光高是一大難題，因此加速源-網-荷技術驅動、完善光伏市場的政策機制和打破省間壁壘、放開省間電量約束措施，提升光伏消納水平也是重要的研究方向。

6.2 未來光伏發電出力預測方面研究

對于光伏發電出力預測，提高其預測水平是目前研究的熱點。建議未來從以下幾方面進行研究：

①加強數據預處理環節，剔除壞數據、還原殘缺數據，確保輸入數據的有效性和可信度。②深入挖掘光伏發電出力的潛在特性，對數據進行深入的聚類分析，提取精細化的模態，進行分類預測。③量化分析每種主要因素對出力預測結果的影響，對預測結果進行有針對性的修正。④針對不確定性預測，準確預測光伏發電出力的概率分布和提高算法的適用度，是提高出力預測精度的關鍵。⑤挖掘新的出力預測評價指標，采用相應的修正措施提高預測效果。⑥采用組合預測法，綜合不同預測方法的優勢進行預測。⑦研究更精細化、有針對化的軟件，針對不同天氣研究不同的光伏發電出力預測軟件。

結論

本文簡要介紹了目前我國光伏發電系統的發展現狀、光伏發電出力的預測水平及國內外預測系統，從點預測、區間預測和概率預測對光伏發電出力預測技術文獻資料進行了較為全面的梳理、歸納和評述，并對未來光伏發展及出力預測等方面進行展望，得出以下幾點結論：

1）隨著大數據和人工智能技術的發展，點預測中元啟發式學習方法和組合方法將會受到更多學者的關注。

2）當前的研究主要集中在點預測，區間預測和概率預測將是未來光伏發電出力預測的重要研究方向之一。區間預測的關鍵是盡可能縮小光伏發電出力落入區間的范圍，概率預測的關鍵是準確預測光伏發電出力的概率分布和提高算法的適用度。

3）對于預測精度評價方面，采用多種指標進行全面的評價是較為科學的。MAE、MAPE、RMS和RMSE是點預測常用的指標，PICP、PINAW和IS是區間預測常用的指標，RSS、Theil系數、RPS、QS和CPI是概率預測常用的指標。

4）光伏固有的間歇性和波動性等特征是提高預測水平的難點之一，深度挖掘光伏發電出力的特性和研究精細化、有針對性的預測軟件是未來研究的重要內容。