基于两阶段级联模型的光伏功率群体预测方法

摘要

光伏发电系统的不确定性和波动性使得准确预测光伏发电量成为提高系统效率的关键挑战之一。相对于单站点光伏预测，光伏群体预测能够在一定程度上提高整体预测精度，从而有效服务于省级电网电力电量平衡。此外，通过多阶段级联模型的思想将群体预测模型分成2个阶段，能够加快训练的收敛速度。为此，首先根据数值天气预报(numerical weather prediction，NWP)使用混合2种神经网络的短期光伏预测模型来对每个站点进行光伏预测，并使用多通道模型输出各站独立的预测值；在上一阶段的模型训练完成后，保留第1阶段学习到的特征，再进行下一阶段的模型训练，即利用一个全连接层建立单站预测与群体预测之间的映射关系，以建立更精准的发电量预测模型。通过对比实验验证发现，所提方法的误差比单站点预测降低了近1%，且两阶段模型比单模型训练时长短，说明两阶段光伏功率群体预测方法比传统预测方法表现出了更好的性能。

谢宇辰

硕士研究生

研究方向为新能源功率预测，机器学习。

孙玉玺

硕士

孙玉玺，硕士，研究方向为光伏功率预测

耿光超

教授 | 博士生导师

耿光超，工学博士，浙江大学电气工程学院教授、博士生导师，电机工程学系副主任，电力系统自动化所副所长，电气工程学院特聘助理，IEEE高级会员。

江全元

教授 | 博士生导师

江全元，博士、浙江大学电气工程学院教授，博士生导师，浙江省重点实验室（海洋可再生能源电气装备与系统技术研究实验室）副主任，中国电工技术学会电力系统控制与保护专业委员会委员。