結合遙感數(shù)據(jù)的光伏發(fā)電功率預測方法

劉周斌 徐崇斌 王鑫磊 陳前2, 左欣2, 吳俁 徐丹露

結合遙感數(shù)據(jù)的光伏發(fā)電功率預測方法

劉周斌1徐崇斌*2,3,4王鑫磊3陳前2,3左欣2,3吳俁5徐丹露1

（1國網浙江省電力有限公司雙創(chuàng)中心，杭州 310051）（2 北京空間機電研究所，北京 100094）（3 北京航天創(chuàng)智科技有限公司，北京 100076)（4 北京市航空智能遙感裝備工程技術研究中心，北京 100094）（5 中國科學院空天信息創(chuàng)新研究院，北京 100094）

在光伏發(fā)電功率預測中，地表太陽輻射量的準確獲取十分重要，衛(wèi)星遙感能夠定量獲得區(qū)域氣象和環(huán)境信息，為此提出結合衛(wèi)星遙感數(shù)據(jù)的光伏發(fā)電功率預測方法。文章基于高時間分辨率衛(wèi)星數(shù)據(jù)，采用深度學習方法，獲取大范圍內的地表太陽輻射數(shù)據(jù)，進而結合光伏發(fā)電功率數(shù)據(jù)和氣象數(shù)據(jù)，進行光伏發(fā)電功率預測。結果表明，采用文章提出的預測方法，光伏發(fā)電功率4h預測平均功率精度為2=0.92，均方根誤差RMSE=0.99MW，24h預測平均功率精度為2=0.78，RMSE=0.60MW。文章研究可為大范圍光伏功率預測提供參考。

太陽輻射 光伏發(fā)電功率 短期預測 深度學習 航天遙感應用

0 引言

光伏發(fā)電是我國實現(xiàn)碳達峰、碳中和目標的一個重要手段。根據(jù)國際能源署（International Energy Agency，IEA）發(fā)布的全球光伏報告[1-2]，截止2020年底，全球累計光伏裝機760.4GW，中國累計光伏裝機254.4GW，占比33.45%。2020年中國新增光伏容量48.2GW，較2019年增長60.13%，增長速度最快。

在能源結構中，光伏累計發(fā)電量占比穩(wěn)步提升，新能源綠色電能替代作用不斷增強。但是光伏發(fā)電功率受日照、地理條件、大氣環(huán)境、氣象等因素的影響，具有顯著的波動性和隨機性[3-4]。準確預測光伏發(fā)電功率對于光伏并網具有重要的意義，只有能夠準確的預測光伏發(fā)電，才能實現(xiàn)多能互補，有效的電網協(xié)調，以及穩(wěn)定和低成本的電網運營。

光伏發(fā)電功率和太陽輻照度具有極強的線性關系[5]，輻照度預測精度的準確性直接決定光伏功率預測的準確性。首先，最直接影響輻照度的是云，云的遮擋直接影響到達地面的太陽輻射量。此外，氣溶膠光學厚度和水汽含量也是影響太陽輻照度的重要因素。文獻[6]通過研究不用因子的透光率，實現(xiàn)全天空太陽輻照度計算；文獻[7]通過線性模型和神經網絡模型組合，獲得更好的預測精度，但是模型選擇和權重設置是多模型組合的難點；基于地基觀測儀器（比如全天空成像儀），文獻[8]利用前后觀測的時序數(shù)據(jù)進行云層運動分析，進而預測太陽輻射量；基于衛(wèi)星觀測，文獻[9]利用MODIS衛(wèi)星數(shù)據(jù)估算地表短波輻射。利用衛(wèi)星數(shù)據(jù)計算太陽輻射量和空間分布研究較多，但預測地表太陽輻射量相關研究較少。

光伏功率預測方法有多種分類：1）根據(jù)流程的不同，可分為直接預測法和間接預測法。直接預測法使用歷史光伏功率數(shù)據(jù)和氣象、輻射數(shù)據(jù)來預測未來的光伏功率[11]；間接預測法是首先使用氣象數(shù)據(jù)和衛(wèi)星云圖預測太陽短波輻射，然后使用太陽輻射和相關的環(huán)境變量計算光電轉換率，最后得到預測的光伏功率[12]。2）根據(jù)預測時長的不同，可分為超短期預測、短期預測和中長期預測[10]。3）根據(jù)預測空間范圍的不同，可分為單場預測[13]和區(qū)域預測[14]。現(xiàn)有方法中，單場的直接預測法是最常用的類型，以光伏電站的歷史記錄數(shù)據(jù)作為樣本，訓練時間序列預測模型（如循環(huán)神經網絡），得到未來短期的光伏功率預測結果。但此類方法的外推能力有限，通常僅能在短期內（1～4h）有較高的精度，超過4h后精度快速衰減[15]，因此光伏功率預測的精度和有效時長都有待提高。

本文利用衛(wèi)星遙感數(shù)據(jù)，反演得到云和氣溶膠等大氣成份的理化光學參數(shù)和變化趨勢，結合地面氣象數(shù)據(jù)，預測不同時空條件地表下行短波輻射，利用深度學習方法進一步提升光伏功率預測精度。

1 研究區(qū)和數(shù)據(jù)

本文選取浙江嘉興作為研究區(qū)域，研究區(qū)地處東亞季風區(qū)，年平均日照2017.0小時。6月份前后受梅雨季節(jié)影響，陰雨天較多，日照少，該階段對光伏發(fā)電影響較大[16]。衛(wèi)星數(shù)據(jù)采用Himawari-8衛(wèi)星的短波輻射Level 2產品[17]，產品的空間分辨率為0.05°，時間分辨率為10min。DEM數(shù)據(jù)來源于SRTM（Shuttle Radar Topography Mission）產品，空間分辨率約30m。地面氣象數(shù)據(jù)來自嘉興地面氣象監(jiān)測站點，共計73個，采集要素為氣溫、降水、風速、風向、濕度、氣壓。地面光伏發(fā)電功率數(shù)據(jù)為多個站點2018年至2020年監(jiān)測數(shù)據(jù)，采集要素包括并網點有功功率、及時輻射、散射輻射、光伏年限衰減情況、光伏板功率轉換效率等數(shù)據(jù)。圖1為嘉興地區(qū)氣象站點及示范光伏電站發(fā)布。

圖1 嘉興地區(qū)氣象站點及示范光伏電站分布

2 研究方法

2.1 地表太陽輻射預測

地表太陽輻射預測常用的方法有統(tǒng)計方法、數(shù)值天氣預報、遙感模型、深度學習方法以及混合模型[18-19]。傳統(tǒng)統(tǒng)計方法操作簡單，但是不能很好地適用于本文研究區(qū)數(shù)據(jù)波動較大的情況。數(shù)值天氣預報以氣象參數(shù)為主，同時分辨率較低，無法在大范圍內快速得到較高時空分辨率的預測結果。遙感模型以監(jiān)測云層運動為主。深度學習方法通過構建輸入與輸出之間復雜的非線性關系，通過多次迭代學習，使模型能夠學習到其中復雜的變換關系，為地表太陽輻射預測提供有效的支撐。

為滿足光伏預測的實時性要求，本文以Himawari-8衛(wèi)星的短波輻射產品（歷史數(shù)據(jù)）和地面高程數(shù)據(jù)為基礎，首先根據(jù)研究區(qū)進行數(shù)據(jù)整合，將兩類數(shù)據(jù)進行組合后作為輸入，采用最大最小值歸一化方法將數(shù)據(jù)統(tǒng)一到相同范圍內，并按照數(shù)據(jù)的時間序列進行數(shù)據(jù)歸集。選取長短期記憶網絡（Long Short-Term Memory，LSTM）模型作為預測模型，數(shù)據(jù)集分為訓練集、驗證集和測試集。訓練過程中設定不同超參數(shù)和模型結構參數(shù)，多次迭代訓練，得到最優(yōu)模型，最終根據(jù)實時輸入數(shù)據(jù)生成實時參數(shù)預測結果。地表太陽輻射預測流程如圖2所示。

圖2 地表太陽輻射預測流程圖

LSTM是循環(huán)神經網絡（RNN）的一種改進版本，它解決了普通RNN中存在的梯度消失和梯度爆炸的問題，使其可以處理長時間序列的數(shù)據(jù)。如圖3所示，LSTM與RNN的單隱藏層不同，LSTM將信息存儲在RNN正常流之外的控制單元中。LSTM將RNN的隱藏單元分為兩個狀態(tài)向量：C和h。C用于保留序列特征，前一序列的記憶由“遺忘門”f控制；h用于輸出，并且“輸出門”o控制要寫入當前狀態(tài)的C。“輸入門”用于控制h–1和當前輸入x。上述三種門是動態(tài)更新的，通過sigmoid函數(shù)來實現(xiàn)。最后使用激活函數(shù)得到當前樣本的類別或回歸值。LSTM的計算過程如式（1）所示：

式中 f為“遺忘門”，ft為時間序列變量；i為“輸入門”，it為時間序列變量；o為“輸出門”，ot為時間序列變量；σ為sigmoid函數(shù)；xt為輸入數(shù)據(jù)；ht為輸出；W為權重；b為偏置；為候選向量；t為時間序列。

本文中采用的LSTM模型如圖4所示，使用LSTM Cell作為基礎網絡單元，每個LSTM Cell的輸入為上一個時刻的數(shù)據(jù)和標簽，并將其輸出傳遞到下一個時刻。本文采用的LSTM既考慮了數(shù)據(jù)的空間關系，又考慮了前后時間的依賴和變化，因此適用于地表太陽輻射的時空變化預測。

圖4 LSTM模型

2.2 光伏發(fā)電功率預測

光伏發(fā)電功率技術路線如圖5所示，輸入數(shù)據(jù)為光伏站監(jiān)測的功率數(shù)據(jù)、太陽輻射數(shù)據(jù)以及氣象數(shù)據(jù)，所有數(shù)據(jù)分為實時監(jiān)測數(shù)據(jù)和歷史數(shù)據(jù)。利用歷史數(shù)據(jù)訓練預測模型，首先進行數(shù)據(jù)采樣，功率數(shù)據(jù)每15min更新一次，太陽輻射數(shù)據(jù)每10min更新一次，氣象數(shù)據(jù)每5min更新一次，統(tǒng)一將數(shù)據(jù)時間尺度采樣到15min一次。根據(jù)不同類型數(shù)據(jù)設定閾值篩選，去除觀測異常值。采用最大最小值歸一化方法將數(shù)據(jù)統(tǒng)一到相同范圍內，并按照數(shù)據(jù)的時間序列進行數(shù)據(jù)歸集。

圖5 光伏發(fā)電功率預測流程圖

同樣選取LSTM模型作為預測模型，訓練過程中設定不同超參數(shù)和模型結構參數(shù)，多次迭代訓練，得到最優(yōu)模型。最終根據(jù)實時輸入數(shù)據(jù)生成實時發(fā)電功率預測結果。

3 結果與精度評價

本文采用深度學習方法，以光伏功率數(shù)據(jù)、太陽輻射數(shù)據(jù)和氣象數(shù)據(jù)作為訓練數(shù)據(jù)，訓練數(shù)據(jù)采用2018年至2020年底三年歷史數(shù)據(jù)，包括衛(wèi)星數(shù)據(jù)、氣象數(shù)據(jù)、光伏監(jiān)測數(shù)據(jù)。將80%數(shù)據(jù)用于模型訓練，20%數(shù)據(jù)用于測試。通過構建LSTM預測模型，實現(xiàn)光伏發(fā)電的4h超短期功率預測和次日逐小時功率預測。

3.1 精度評價指標

本文模型為回歸預測問題，選擇決定系數(shù)2、平均絕對百分比誤差MAPE和均方根誤差RMSE作為精度評價指標，來為訓練過程中的參數(shù)選擇和最終的精度評價提供依據(jù)。三個指標計算方法如下：

3.2 地表太陽輻射預測

采用本文提出的地表太陽輻射預測模型，4h內10min一次，24h內每小時預測一次。4h和24h預測結果如圖6、圖7所示，圖中橫軸是真實輻射量，縱軸是預測輻射量，紅線是1:1線，斜率為1，綠線是散點圖擬合出來的斜率，綠線斜率越接近紅線，擬合效果越好。結果表明預測結果在4h內一致性較高，24h預測結果一致性降低。預測結果的數(shù)值分布與真實值分布較為吻合，高值區(qū)域和低值區(qū)域分布情況一致，預測結果的空間細節(jié)較為平滑，原因是模型運算過程中降采樣造成空間細節(jié)模糊。4h預測2達到0.92，MAPE為5.09%，24h預測結果2精度降低至0.82，說明隨著預測時間的推移，總體精度降低，誤差升高，誤差大的樣本數(shù)量逐漸增加。相較于依賴地面觀測設備進行單點位預測[20]，本文基于衛(wèi)星遙感數(shù)據(jù)實現(xiàn)了高時間分辨的大區(qū)域預測，可以用于大范圍動態(tài)預測。

圖6 4小時預測結果

圖7 24小時預測結果

采用2和MAPE進行地表太陽輻射精度評價，表1所示為逐小時預測結果精度評價。可以看出，短時內精度較高，T+1h時2為0.92，隨著時間推移，T+24h時降低到0.71。MAPE由T+1h時的9.84%，逐步升高到14.74%。

表1 地表太陽輻射預測誤差結果

Tab.1 Prediction error results of surface solar radiation

3.3 光伏發(fā)電功率預測

本文采用機器學習常用方法SVM[21]與本文方法比分析，同時對LSTM模型是否采用地表太陽輻射預測數(shù)據(jù)進行對比分析，同時。晴空條件下預測結果如圖8所示，結果表明，在晴空天氣下三種方法預測結果與實際發(fā)電功率一致性較高，預測曲線與實際發(fā)電功率曲線基本吻合。多云條件下預測結果如 圖9所示，其中未采用輻射預測數(shù)據(jù)的光伏功率預測曲線與實際發(fā)電功率曲線相差較大，預測結果高于實際功率，如圖9（a）所示。采用地表太陽輻射預測數(shù)據(jù)+SVM方法預測的光伏功率曲線與實際發(fā)電功率曲線較為仍有差距，如圖9（b）所示。采用地表太陽輻射預測數(shù)據(jù)+LSTM方法預測的光伏功率曲線與實際發(fā)電功率曲線較為吻合，相較于其他兩種方法預測效果提升明顯，如圖9（c）所示。相較于晴空條件下，多云天氣下的結果一致性降低，實際發(fā)電功率曲線受天氣影響變化顯著，有明顯的突變性和隨機性，預測曲線較為平滑，本文采用的方法總體趨勢保持一致，具有較好的適用性。

圖8 不同方法天氣預測結果（晴空）

圖9 不同方法預測結果（多云）

采用2和RMSE進行光伏發(fā)電功率預測精度評價，并統(tǒng)計誤差分布。采用地表太陽輻射預測數(shù)據(jù)+LSTM方法得到圖10和圖11所示的精度評價圖和誤差分布圖，圖中橫軸是真實功率，縱軸是預測功率。4h預測平均功率的2為0.92，RMSE為0.99MW，且多數(shù)誤差分布在0MW附近，少數(shù)樣本的誤差絕對值大于2MW，如圖9所示。24h預測平均功率的2為0.78，RMSE為0.60MW，多數(shù)誤差分布在–1～1MW之間，如圖10所示。

圖10 4小時平均功率預測精度

圖11 24小時平均預測功率精度

4 結束語

本文利用衛(wèi)星遙感數(shù)據(jù)、氣象數(shù)據(jù)和光伏發(fā)電功率數(shù)據(jù)，采用深度學習方法，實現(xiàn)了區(qū)域性地表太陽輻射量預測和光伏發(fā)電功率預測。結果表明，基于衛(wèi)星遙感數(shù)據(jù)可以準確預測大范圍的太陽輻射量，利用高時間分辨率衛(wèi)星數(shù)據(jù)，可以為光伏發(fā)電預測提供準確的數(shù)據(jù)支撐。在太陽輻射數(shù)據(jù)準確預測的基礎上，結合光伏電站功率數(shù)據(jù)和氣象監(jiān)測數(shù)據(jù)，可以實現(xiàn)準確的光伏發(fā)電功率預測。

[1] International Energy Agency. Snapshot of Global PV Markets 2020[EB/OL]. [2021-08-16]. https://iea-pvps.org/ wp-content/uploads/2020/04/IEA_PVPS_Snapshot_2020.pdf.

[2] International Energy Agency. Snapshot of Global PV Market[EBOL]. [2021-08-16]. https://www.researchgate.net/ publication/332606669_2019_-_Snapshot_of_Global_Photovoltaic_Markets.

[3] 賴昌偉, 黎靜華, 陳博, 等. 光伏發(fā)電出力預測技術研究綜述[J]. 電工技術學報, 2019, 34(6): 1201-1217.

LAI Changwei, LI Jinghua, CHEN Bo, et al. Review of Photovoltaic Power Output Prediction Technology[J]. Transactions of China Electrotechnical Society, 2019, 34(6): 1201-1217. (in Chinese)

[4] ROSATO A, PANELLA M, ARANEO R, et al. A Distributed Algorithm for the Cooperative Prediction of Power Production in PV Plants[J]. IEEE Transactions on Energy Conversion, 2018, 34(1): 497-508.

[5] 田壁源, 李永新, 文玉玲, 等. 光伏功率預測技術與方法[J]. 電工技術, 2019(15): 25-27.

TIAN Biyuan, LI Yongxin, WEN Yuling, et al. Technology and Method of PV Power Prediction[J]. Electric Engineering, 2019(15): 25-27. (in Chinese)

[6] BIRD R E, HULSTROM R L. Simplified Clear Sky Model for Direct and Diffuse Insolation on Horizontal Surfaces[EB/OL]. [2021-08-16]. https://www.osti.gov/servlets/purl/6510849/.

[7] MONJOLY S, ANDRé M, CALIF R, et al. Hourly Forecasting of Global Solar Radiation Based on Multiscale Decomposition Methods: A Hybrid Approach[J]. Energy, 2017(15): 288-298.

[8] CHOW C W, BELONGIE S, KLEISSL J. Cloud Motion and Stability Estimation for Intra-hour Solar Forecasting[J]. Solar Energy, 2015, 115: 645-655.

[9] TANG B, LI Z L, ZHANG R. A Direct Method for Estimating Net Surface Shortwave Radiation from MODIS Data[J]. Remote sensing of Environment, 2006, 103(1): 115-126.

[10] 龔鶯飛, 魯宗相, 喬穎, 等. 光伏功率預測技術[J]. 電力系統(tǒng)自動化, 2016(4): 140-151.

GONG Yingfei, LU Zongxiang, QIAO Ying, et al. An Overview of Photovoltaic Energy System Output Forecasting Technology[J]. Automation of Electric Power Systems, 2016(4): 140-151. (in Chinese)

[11] INEICHEN P. Comparison of Eight Clear Sky Broadband Models Against 16 Independent Data Banks[J]. Solar Energy, 2006, 80(4): 468-478.

[12] 朱想, 居蓉蓉, 程序, 等. 組合數(shù)值天氣預報與地基云圖的光伏超短期功率預測模型[J]. 電力系統(tǒng)自動化, 2015, 39(6): 4-10, 74.

ZHU Xiang, JU Rongrong, CHENG Xu, et al. A Very Short-term Prediction Model for Photovoltaic Power Based on Numerical Weather Prediction and Ground-based Cloud Images[J]. Automation of Electric Power Systems, 2015, 39(6): 4-10, 74. (in Chinese)

[13] 胡兵, 詹仲強, 陳潔, 等. 基于PCA-GA-Elman的短期光伏出力預測研究[J]. 太陽能學報, 2020, 41(6): 256-263.

HU Bing, ZHAN Zhongqiang, CHEN Jie, et al. Prediction Research on Short-term Photovoltaic Output Based on Pca-ga-elman[J]. Acta Energiae Solaris Sinica, 2020, 41(6): 256-263. (in Chinese)

[14] 姚仲敏, 潘飛, 沈玉會, 等. 基于GA-BP 和POS-BP神經網絡的光伏電站出力短期預測[J]. 電力系統(tǒng)保護與控制, 2015, 43(20): 83-89.

YAO Zhongmin, PAN Fei, SHEN Yuhui, et al. Short-term Prediction of Photovoltaic Power Generation Output Based on GA-BP and POS-BP Neural Network[J]. Power System Protection and Control, 2015, 43(20): 83-89. (in Chinese)

[15] GE L, XIAN Y, YAN J, et al. A Hybrid Model for Short-term PV Output Forecasting Based on PCA-GWO-GRNN[J]. Journal of Modern Power Systems and Clean Energy, 2020, 8(6): 1268-1275.

[16] 黃艷, 蔡敏, 嚴紅梅. 浙江省太陽能資源分布特征及其初步區(qū)劃研究[J]. 科技通報, 2014, 30(5): 78-85.

HUANG Yan, CAI Min, YAN Hongmei. The Distributive Character and Compartment Analysis of Solar Energy Resources in Zhejiang Province[J]. Bulletin of Science and Technology, 2014, 30(5): 78-85. (in Chinese)

[17] Earth Observation Research Center(JAEA). JAXA Himawari Monitor[EB/OL]. [2021-08-16]. https://www.eorc.jaxa.jp/ ptree/userguide.html.

[18] BLAGA R, SABADUS A, STEFU N, et al. A Current Perspective on the Accuracy of Incoming Solar Energy Forecasting[J]. Progress in Energy and Combustion Science, 2019, 70: 119-144.

[19] 李冰, 張妍, 劉石. 基于LSTM 的短期風速預測研究[J]. 計算機仿真, 2018, 35(11): 468-473.

LI Bing, ZHANG Yan, LIU Shi. Wind Speed Short Term Prediction Study Based on LSTM[J]. Computer Simulation, 2018, 35(11): 468-473. (in Chinese)

[20] 楊茂, 朱亮. 基于FA-PCA-LSTM的光伏發(fā)電短期功率預測[J]. 昆明理工大學學報(自然科學版), 2019, 44(1): 61-68.

YANG Mao, ZHU Liang. Short-term Power Prediction of Photovoltaic Power Generation Based on FA-PCA-LSTM[J]. Journal of Kunming University of Science and Technology (Natural Science Edition), 2019, 44(1): 61-68. (in Chinese)

[21] 張雨金, 楊凌帆, 葛雙冶, 等. 基于Kmeans-SVM的短期光伏發(fā)電功率預測[J]. 電力系統(tǒng)保護與控制, 2018, 46(21): 118-124.

ZHANG Yujin, YANG Lingfan, GE Shuangye, et al. Short-term Photovoltaic Power Forecasting Based on Kmeans Algorithm and Support Vector Machine[J]. Power System Protection and Control, 2018, 46(21): 118-124. (in Chinese)

[22] 于峰, 王兵, 趙振明. 太陽輻射參數(shù)對透射系統(tǒng)熱設計的影響及仿真對策[J]. 航天返回與遙感, 2013, 34(2): 36-41.

YU Feng, WANG Bing, ZHAO Zhenming. Influence of Solar Radiation Parameters on Optical Lens Thermal Design and Its Simulation Countermeasure[J]. Spacecraft Recovery & Remote Sensing, 2013, 34(2): 36-41. (in Chinese)

[23] GE Leijiao, XIAN Yiming, YAN Jun, et al. A Hybrid Model for Short-term PV Output Forecasting Based on PCA-GWO-GRNN[J]. Journal of Modern Power Systems and Clean Energy, 2020, 8(6): 1268-1275.

[24] 金國藩. 前沿光學技術的新發(fā)展[J]. 航天返回與遙感, 2019, 40(3): 1-4.

JIN Guofan. New Development of Cutting-edge Optical Technology[J]. Spacecraft Recovery & Remote Sensing, 2019, 40(3):1-4. (in Chinese)

[25] XU Zhenlei, CHEN Zhicong, ZHOU Haifang, et al. A Short-term Photovoltaic Power Forecasting Model Based on a Radial Basis Function Neural Network and Similar Days[EB/OL]. [2021-08-16]. https://www.researchgate.net/publication/ 331472424_A_short-term_photovoltaic_power_forecasting_model_based_on_a_radial_basis_function_neural_network_and_ similar_days.

A Photovoltaic Power Prediction Method Based on Remote Sensing Data

LIU Zhoubin1XU Chongbin*2,3,4WANG Xinlei3CHEN Qian2,3ZUO Xin2,3WU Yu5XU Danlu1

（1 Center of Mass Entrepreneurship and Innovation State Grid Zhejiang Electric Power Co., Ltd., Hangzhou 310051, China）（2 Beijing Institute of Space Mechanics & Electricity, Beijing 100094, China）（3 Beijing Aerospace Innovative Intelligence Science and Technology Co., Ltd., Beijing 100076, China）（4 Beijing Engineering Technology Research Center of Aerial Intelligence Remote Sensing Equipments, Beijing 100094, China）（5 Institute of Aerospace Information Innovation, Chinese Academy of Sciences, Beijing 100094, China）

In the photovoltaic power prediction, it is very important to accurately acquire surface solar radiation data. Satellite remote sensing can quantitatively obtain regional meteorological and environmental information. Therefore, a photovoltaic power prediction method combined with satellite remote sensing data is proposed. Based on the satellite data with high temporal resolution, a wide range of surface solar radiation data is obtained by the in-depth learning method, and then combined with the photovoltaic power data and meteorological data to predict the photovoltaic power. The results show that the average power accuracies of the prediction method proposed in this paper are2=0.92,RMSE=0.99MW, and2=0.78,RMSE=0.60mw for 4-hour and 24-hour prediction of photovoltaic power respectively. This study can provide a reference for large-scale photovoltaic power prediction.

solar radiation; photovoltaic power generation; short-term prediction; deep learning; space remote sensing application

TP75

A

1009-8518(2021)05-0085-11

10.3969/j.issn.1009-8518.2021.05.010

劉周斌，男，1972年生，2016年獲西安交通大學碩士學位，高級工程師。研究方向為軟件工程。E-mail：jxliuzb@qq.com。

徐崇斌，男，1984年生，在北京師范大學獲得理學博士學位，高級工程師。研究方向為遙感信息處理與應用。E-mail：xuchongbin@space3i.com。

2021-09-08

國家電網有限公司總部管理雙創(chuàng)孵化培育基金項目（SGZJSC00XMJS2000027）

劉周斌, 徐崇斌, 王鑫磊, 等. 結合遙感數(shù)據(jù)的光伏發(fā)電功率預測方法[J]. 航天返回與遙感, 2021, 42(5): 85-95.

LIU Zhoubin, XU Chongbin, WANG Xinlei, et al. A Photovoltaic Power Prediction Method Based on Remote Sensing Data[J]. Spacecraft Recovery & Remote Sensing, 2021, 42(5): 85-95. (in Chinese)

（編輯：毛建杰）