基于云邊協同的分布式光伏超短期功率預測方法

摘 要：采用現有預測方法對分布式光伏超短期功率進行預測，其預測結果與實際結果相差較大，沒有達到理想的預測精度。因此，本文引入云邊協同對分布式光伏超短期功率預測方法進行研究。構建分布式光伏輸出功率不確定性概率，利用云邊協同計算分布式光伏并網點功率預測數據。分別從2個方面進行超短期功率預測，包括單個光伏電站輸出功率超短期預測和區域分布式光伏功率超短期預測。試驗結果表明，使用本文預測方法預測精度更高，能夠為分布式光伏發電運維提供有利條件。

關鍵詞：云邊協同；光伏；功率預測；超短期；分布式

中圖分類號：TM 615 " " " 文獻標志碼：A

分布式光伏發電作為一種清潔且可再生的能源，其裝機容量與發電量正經歷快速增長，受氣候條件、地理位置、光伏組件特性和運行環境等多種因素影響，其輸出功率具有明顯不確定性和波動性，給電網調度、電力市場交易以及用戶側管理帶來了挑戰。因此，精確預測分布式光伏的超短期功率輸出，對優化資源配置、提高電網靈活性以及保證電力供需平衡具有重要意義。

自2010年以來，分布式光伏功率預測技術取得了明顯進展。王迎春等[1]提出了基于聯邦學習的光伏超短期功率預測方法，該方法不僅能夠有效利用分布式數據源，還提高了預測模型的泛化能力和準確性。但是，該方法在預測過程中未充分考慮不同地理環境和氣候條件的差異性，導致預測精度不高。鄭婉婷等[2]采用自然梯度提升方法（Natural Gradient Boosting，NGBoost）并結合改進權重優化策略，對區域分布式光伏功率的概率進行了預測。但是，該方法忽略了分布式光伏系統之間的相互作用及其與電網的交互影響，從而限制了其在復雜電網環境中的實際應用效果。針對上述問題，本文提出了一種基于云邊協同的分布式光伏超短期功率預測方法。

1 分布式光伏輸出功率不確定性概率建模

為了精準預測分布式光伏系統的超短期功率輸出并全面衡量其固有的波動性，本文構建了一個預測模型。該模型綜合考慮了影響光伏電站輸出功率的不確定性因素，尤其是輻照度強度的實時變化，原因是輻照度與光伏電站發電效能波動之間存在明顯的正相關關系[3]。將輻照度選定為核心預測因子，旨在精確捕捉并量化光伏電站輸出功率的波動，從而加快系統響應速度，并大幅提升能源管理的準確性[4]。

在這個模型框架中，筆者選用高斯分布作為近似模型的核心來表征輸出功率不確定性的概率分布特性。高斯分布具有數學方面的簡潔性，不僅便于處理，適用性高，而且能夠較好地擬合眾多自然現象的統計規律。具體來說，本文定義了高斯分布的概率密度函數（Probability Density Function，PDF）和累積分布函數（Cumulative Distribution Function，CDF），并將它們作為分析和預測光伏電站輸出功率不確定性的基礎工具，以期進一步提升能源預測與管理系統的智能化水平[5]。高斯分布的PDF和CDF計算過程如公式（1）、公式（2）所示。

（1）

（2）

式中：fnorm（x）為高斯分布的PDF；σ為高斯分布的標準差；x為隨機變量；μ為高斯分布的平均值；Fnorm（x）為高斯分布的CDF；∫x -∞fnorm（z）為（-∞，x）的fnorm（z）的積分。

通用分布具有良好的適應性與靈活性，其核心優勢是其獨特的3個形狀參數配置[6]。通用分布的CDF及其逆函數均具備閉合的解析表達式，使計算過程更直接、更高效。逆函數F-1（c）的表達式如公式（3）所示。

（3）

式中：F-1（c）為逆函數；c 為累積分布概率，即 CDF 值；γ為位置參數；α為尺度參數；β為形狀參數，其中αgt;0，βgt;0，γ為（-∞，+∞）。

調整這些參數，該分布的PDF和CDF能夠靈活地變換形狀，從而更緊密地貼合光伏電站輸出功率概率分布的復雜特性，進而提高近似模擬過程的精度。

2 基于云邊協同的分布式光伏并網點功率預測數據計算

在構建了分布式光伏輸出功率的不確定性概率模型后，本文采用云邊協同技術來精確計算分布式光伏并網點的功率預測數據[7]。每個邊緣計算智能電力終端（Edge Smart Power Terminal，ESPT）都融入光伏并網系統中，與光伏逆變器、氣象傳感器陣列、變配電區定位裝置、風機和微機測控裝置緊密連接[8]。其中，微機測控裝置進一步與電流/電壓互感器進行交互，保證數據全面、準確。基于云邊協同的分布式光伏并網點功率預測數據獲取原理如圖1所示。

ESPT采集的數據涵蓋了電流、電壓、有功功率、無功功率、逆變器等狀態參數，以及由氣象傳感器提供的本地氣象數據（例如輻照度、溫度、濕度和風速等）。將變配電區定位裝置提供的電站位置中心坐標作為輔助信息，用以分析地理位置對光伏發電效率可能產生的影響。另外，每個ESPT內部都集成了多種邊緣計算模型。其中，基于光電轉換效率和輻照度的光伏發電物理模型如公式（4）所示。

PPV=η?Et?A " " " " " " （4）

式中：PPV為光伏發電物理模型；η為光電轉換效率；Et為輻照度；A為光伏板面積。數據驅動模型可以選擇BP神經網絡模型，利用權重和偏置學習非線性關系如公式（5）所示。

y=f（W?x+b） " " " " " " （5）

式中：y為預測功率；W為權重；x為輸入特征矢量；b為偏置。

ESPT根據實時的電流、電壓和逆變器數據，計算出每個并網點的即時功率值。將這些實時數據與氣象數據輸入集成的邊緣計算模型中。模型輸出的結果，即為該分布式新能源電站從短期至超短期的功率預測值，其中h代表預測時間步長。

為了構建符合該臺區環境特征的氣象模型，筆者基于綜合氣象數據源，針對臺區的精確地理坐標，提取并整合了數值天氣預報中的核心參數。首先，筆者設定了一個9 km×9 km的廣域大氣邊界條件作為模型的初始框架。在此基礎上，利用這些精細化的大氣參數，進一步將關注點聚焦于臺區周邊3 km×3 km的局部區域，進行高精度的數值天氣預報計算與預測工作。

3 單個光伏電站輸出超短期功率預測

根據基于云邊協同技術獲取的分布式光伏并網點功率預測數據，筆者對單個光伏電站的超短期輸出功率進行了預測。考慮到實際光伏電站的輸出功率概率分布會隨輻照度的變化而呈現不同的特性，因此，在擬合過程中，通用分布會針對不同的輻照度等級呈現出各異的形狀參數配置。為了準確捕捉這種特性，筆者利用光伏電站的歷史數據庫，對每個輻照度等級下實際分布的PDF或CDF進行了精細擬合，并據此構建了全面的通用分布形狀參數集，具體見表1。

本文結合表1中的數據，對歷史數據進行了分箱擬合處理。對于任意給定的輻射照度值，筆者能夠判斷其所屬分箱，并據此找到對應的通用分布函數。在此基礎上，筆者假設隨機變量Pt服從某一累積概率分布函數Fl（p），即Pr（Pt≤P）=Fl（p）。為了生成符合該分布的隨機樣本，本文采用了逆變換抽樣方法，如公式（6）所示。

Pt=Fl-1（U），U～Unif[0，1] " " "（6）

式中：U～Unif[0，1]為在[0，1]的均勻分布；Fl-1（U）為累積概率分布Fl的逆函數。將通用分布作為CDF的建模基礎。在模擬隨機變量Pt的抽樣過程中，需要生成一系列遵循均勻分布Unif[0，1]的隨機數，這些隨機數代表隨機變量Pt在其CDF中的累積概率值。為了將這些概率值轉換為光伏電站可能的輸出功率值，筆者利用通用分布模型提供的逆CDF函數（即解析的逆函數）對這些隨機數進行逆變換，直接映射光伏電站可能的輸出功率值。

這個過程實現了從理論概率到實際物理量的轉換，提升了模擬結果的實用性和準確性。首先，本文生成大量遵循標準正態分布的隨機數作為初始樣本。其次，計算這些隨機數的標準正態分布函數值，獲得其在標準正態分布中的位置。最后，利用通用分布的逆變換特性將這些標準正態分布函數值轉換為光伏電站輸出功率的可能值，在這個過程中生成多種輸出功率的場景，每種場景都對應一個特定的輻照度條件。這種方法不僅豐富了預測結果的多樣性，還提高了對光伏電站輸出功率超短期變化的預測精度。

4 區域分布式光伏功率超短期預測

在進行區域分布式光伏功率的超短期預測過程中，必須考慮時空相關性因素，并計算等效晴空指數，具體流程如圖2所示。

等效晴空指數是一個綜合指標，它融合了地理位置、時間變化及光照條件等多重因素，其計算過程如公式（7）所示。

k=Ps/Pl "（7）

式中：k為等效晴空指數；Ps為光伏電站輸出功率實際值；Pl為光伏電站輸出功率理論值。為了更精確地預測光伏電站的輸出功率，本文基于前T個時間點收集到的云層對N個光伏電站的遮擋面積數據，分別對后M個時間點內的N個光伏電站的遮擋面積進行預測。

計算每個光伏電站在上述時間段內的云層遮擋總面積，如公式（8）所示。

S=αijSPV " " "（8）

式中：S為光伏電站云層遮擋總面積；αij為衰減系數；SPV為某個時刻對光伏電站的遮擋面積。運用已知的轉換關系，計算出后M個時間點的等效晴空指數預測值。然后將等效晴空指數與對應時間點的光伏電站輸出功率理論值相乘，得到光伏電站在后M個時間點的輸出功率預測值。最后，將這個預測流程應用于區域內除參考光伏電站以外的所有其他光伏電站，進而獲得整個區域內所有光伏電站的未來超短期的輸出功率預測值。

5 對比試驗

本文結合云邊協同，為了驗證該預測方法的應用效果，將基于聯邦學習的預測方法設置為對照A組，將基于NGBoost的預測方法設置為對照B組，將基于云邊協同的預測方法設置為試驗組。光伏電站裝機容量為9.066 MW，由2種光伏組件和16個逆變器組成。2種光伏組件基本參數見表2。

分別利用上述3種方法對分布式光伏電站的超短期功率進行預測，得到的結果如圖3所示。

由圖3中的4條曲線可知，試驗組預測結果更加接近實際情況，能夠對分布式光伏超短期功率進行準確預測。對照A組和對照B組預測結果與實際相差較大，不具備高精度預測條件。因此，試驗組預測方法的可行性和應用價值更高。

6 結語

本文提出基于云邊協同的分布式光伏超短期功率預測方法。該方法提高了預測精度，增強了預測系統的靈活性和可擴展性。未來將進一步完善云邊協同的分布式光伏功率預測方法，使其在更多的復雜場景中發揮重要作用。期望更多研究者關注這個領域，共同研究更加高效、準確的分布式光伏功率預測技術，為實現碳中和目標貢獻力量。

參考文獻

[1]王迎春，王志碩，劉洋，等.基于聯邦學習的海上分布式光伏超短期功率預測[J].控制與決策，2024（7）：1-9.

[2]鄭婉婷，肖浩，裴瑋.基于NGBoost和改進權重優化的區域分布式光伏概率功率預測[J].供用電，2024，41（7）： 19-28.

[3]王劍斌，傅金波，陳博.基于強化學習的多模型融合光伏發電功率預測方法[J].太陽能學報，2024，45（6）： 382-388.

[4]李佳怡，張生艷，賀潔.基于CNN-XGBoost模型的光伏功率預測[J].寧夏電力，2024（3）：8-13，20.

[5]王田宇，趙葵銀，曹哲，等.采用RBF神經網絡改進有限集模型預測控制算法的光伏系統MPPT研究[J].湖南工程學院學報（自然科學版），2024，34（2）：7-13.

[6]凡金星，高紀凡，李永田.基于自適應粒子群算法的超短期光伏發電功率預測[J].節能，2024，43（5）：43-46.

[7]劉媛媛，李峰.短期光伏功率模糊Elman-DIOC神經網絡預測分析[J].機械設計與制造，2024（6）：26-29.

[8]歐陽靜，秦龍，王堅鋒，等.基于PCA-ShapeDTW-QWGRU的分布式光伏集群短期功率預測[J].太陽能學報，2024， 45（5）：458-467.