■張一平 宋紅 羅敏 于佳禾 許盛之*

(1.南開(kāi)大學(xué)光電子薄膜器件與技術(shù)研究所；2.天津市光電子薄膜器件與技術(shù)重點(diǎn)實(shí)驗(yàn)室；3.中機(jī)華信誠(chéng)電力工程有限公司； 4.南開(kāi)大學(xué)財(cái)務(wù)處)

0 引言

隨著光伏發(fā)電技術(shù)的快速發(fā)展，光伏發(fā)電在能源供給中的占比也有較大提高。光伏發(fā)電系統(tǒng)的輸出功率對(duì)外界環(huán)境的依賴(lài)性較高，接入電網(wǎng)時(shí)，會(huì)因光照、溫度等環(huán)境因素的變化而造成光伏發(fā)電系統(tǒng)輸出功率的波動(dòng)，從而對(duì)電網(wǎng)的穩(wěn)定造成一定沖擊，影響其電能質(zhì)量。光伏發(fā)電系統(tǒng)的滲透率越高，電力系統(tǒng)的復(fù)雜性與風(fēng)險(xiǎn)也就越大。因此，對(duì)光伏發(fā)電的輸出功率進(jìn)行準(zhǔn)確預(yù)測(cè)有助于調(diào)度部門(mén)提前做好調(diào)度計(jì)劃和風(fēng)險(xiǎn)規(guī)避，以提高電力系統(tǒng)的安全性及光伏發(fā)電的競(jìng)爭(zhēng)力[1]。

相對(duì)于傳統(tǒng)的預(yù)測(cè)算法，人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network，ANN)具有良好的容錯(cuò)性，泛化能力好，適于擬合復(fù)雜的非線(xiàn)性關(guān)系，應(yīng)用領(lǐng)域廣泛，是當(dāng)前許多工程領(lǐng)域的研究熱點(diǎn)。如今，ANN已成功應(yīng)用于與工業(yè)自動(dòng)化相關(guān)的諸多領(lǐng)域，如模式識(shí)別、信號(hào)處理、知識(shí)工程、專(zhuān)家系統(tǒng)、優(yōu)化組合、智能控制等[2]。在利用ANN進(jìn)行預(yù)測(cè)算法的研究中，需要通過(guò)建立組合模型、優(yōu)化輸入神經(jīng)元結(jié)構(gòu)、改進(jìn)網(wǎng)絡(luò)內(nèi)部算法等方式來(lái)解決實(shí)際的預(yù)測(cè)問(wèn)題[3]。

1 預(yù)測(cè)算法簡(jiǎn)介

光伏發(fā)電功率預(yù)測(cè)是以數(shù)值天氣預(yù)報(bào)(Numerical Weather Prediction，NWP)的數(shù)據(jù)或?qū)崪y(cè)數(shù)據(jù)為基礎(chǔ)，結(jié)合光伏電站所在地的經(jīng)緯度、海拔高度及具體的地域特點(diǎn)建立預(yù)測(cè)模型及算法，實(shí)現(xiàn)對(duì)未來(lái)一定時(shí)間段內(nèi)光伏電站輸出功率的預(yù)測(cè)。根據(jù)預(yù)測(cè)時(shí)間的長(zhǎng)短及應(yīng)用范圍的不同，光伏發(fā)電系統(tǒng)輸出功率的預(yù)測(cè)可劃分為3類(lèi)：超短期功率預(yù)測(cè)、短期功率預(yù)測(cè)及中長(zhǎng)期光伏功率預(yù)測(cè)[4]。各類(lèi)別的預(yù)測(cè)時(shí)間及主要用途如表1所示。

1.1 超短期功率預(yù)測(cè)與中長(zhǎng)期功率預(yù)測(cè)

我國(guó)電力部門(mén)對(duì)超短期功率預(yù)測(cè)的考核標(biāo)準(zhǔn)為自報(bào)時(shí)次起的第4個(gè)小時(shí)的預(yù)測(cè)結(jié)果，主要用于電力部門(mén)調(diào)度。針對(duì)超短期功率預(yù)測(cè)，目前國(guó)內(nèi)外主要采用基于數(shù)值天氣預(yù)報(bào)和中尺度衛(wèi)星觀測(cè)云圖的方法[5]、支持向量機(jī)的方法[6]、衛(wèi)星云圖與人工神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法[7]。特別是衛(wèi)星云圖與人工神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法，在對(duì)100 MW光伏電站的預(yù)測(cè)中取得了較好效果，為以后的超短期功率預(yù)測(cè)提供了較好的方法。

中長(zhǎng)期功率預(yù)測(cè)主要是可為光伏發(fā)電系統(tǒng)與輸出線(xiàn)路的檢修及電站的建設(shè)提供參考，并可根據(jù)數(shù)值天氣預(yù)報(bào)的數(shù)據(jù)或當(dāng)?shù)氐臍v史光照資源數(shù)據(jù)等信息，估算未來(lái)較長(zhǎng)時(shí)間段內(nèi)的光伏發(fā)電功率情況。

表1 光伏發(fā)電功率預(yù)測(cè)分類(lèi)

1.2 短期功率預(yù)測(cè)

光伏電站的短期功率預(yù)測(cè)對(duì)于電力管理部門(mén)的發(fā)電計(jì)劃安排具有重要意義。短期功率預(yù)測(cè)包括間接預(yù)測(cè)法和直接預(yù)測(cè)法兩種預(yù)測(cè)方法[8]。

間接預(yù)測(cè)法需要建立兩個(gè)預(yù)測(cè)模型，即當(dāng)?shù)氐妮椛漕A(yù)測(cè)模型與電站發(fā)電功率模型。首先建立輻射預(yù)測(cè)模型，并將該模型的計(jì)算結(jié)果作為輸入條件供光伏電站發(fā)電功率模型使用，以計(jì)算未來(lái)時(shí)間段內(nèi)的輸出功率。

直接預(yù)測(cè)法主要是建立一個(gè)復(fù)雜的光伏發(fā)電系統(tǒng)的模型進(jìn)行預(yù)測(cè)。該模型是以歷史氣象數(shù)據(jù)和發(fā)電功率數(shù)據(jù)等作為模型的輸入信息，直接給出光伏發(fā)電系統(tǒng)的輸出功率。

間接預(yù)測(cè)法與直接預(yù)測(cè)法的流程如圖1所示。

1.3 預(yù)測(cè)精度評(píng)價(jià)指標(biāo)

統(tǒng)一有效的預(yù)測(cè)精度評(píng)價(jià)指標(biāo)有利于比較不同預(yù)測(cè)方法的效能。預(yù)測(cè)方法的評(píng)價(jià)指標(biāo)一般有5個(gè)，具體如表2所示，其中，假設(shè)X為實(shí)測(cè)值、X為預(yù)測(cè)值、N為樣本數(shù)量[9]。

圖1 間接預(yù)測(cè)法與直接預(yù)測(cè)法流程圖

2 人工神經(jīng)網(wǎng)絡(luò)在短期功率預(yù)測(cè)中的應(yīng)用

2.1 人工神經(jīng)網(wǎng)絡(luò)(ANN)

ANN是一種運(yùn)用類(lèi)似于大腦神經(jīng)突觸聯(lián)接的結(jié)構(gòu)進(jìn)行信息處理的數(shù)學(xué)模型，由大量的神經(jīng)元節(jié)點(diǎn)和節(jié)點(diǎn)之間相互聯(lián)接構(gòu)成，一般由一個(gè)輸入層、若干個(gè)隱藏層和一個(gè)輸出層組成，每一層由若干個(gè)神經(jīng)元構(gòu)成[10-11]。圖2以人工神經(jīng)元與反向傳播(BP)神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)圖為例，其中BP神經(jīng)網(wǎng)絡(luò)的輸入層包括5個(gè)神經(jīng)元，2個(gè)隱藏層分別包含3個(gè)和4個(gè)神經(jīng)元。人工神經(jīng)元節(jié)點(diǎn)代表一種特定的輸出函數(shù)，稱(chēng)為激勵(lì)函數(shù)；每2個(gè)節(jié)點(diǎn)間的連接都代表1個(gè)對(duì)于通過(guò)該連接信號(hào)的加權(quán)值，稱(chēng)之為權(quán)重。ANN的使用需要進(jìn)行結(jié)構(gòu)設(shè)計(jì)、訓(xùn)練和計(jì)算3個(gè)步驟。結(jié)構(gòu)設(shè)計(jì)完成之后，該神經(jīng)網(wǎng)絡(luò)的層次結(jié)構(gòu)和神經(jīng)元的激勵(lì)函數(shù)不能再改變，使用大量樣本數(shù)據(jù)進(jìn)行訓(xùn)練后，網(wǎng)絡(luò)中各神經(jīng)元節(jié)點(diǎn)的權(quán)重逐漸優(yōu)化，當(dāng)網(wǎng)絡(luò)能夠輸出一定準(zhǔn)確率的結(jié)果時(shí)，就認(rèn)為訓(xùn)練成功；此時(shí)，可以利用網(wǎng)絡(luò)進(jìn)行推理計(jì)算。

表2 預(yù)測(cè)算法的評(píng)價(jià)指標(biāo)

圖2 人工神經(jīng)元與BP神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)

2.2 人工神經(jīng)網(wǎng)絡(luò)在間接預(yù)測(cè)法中的應(yīng)用

在間接預(yù)測(cè)法中，第一階段的重點(diǎn)為建立輻射預(yù)測(cè)模型。人工神經(jīng)網(wǎng)絡(luò)算法很早就被用于建立輻射預(yù)測(cè)模型，并對(duì)此進(jìn)行了大量的研究，有多種模型被用于太陽(yáng)輻射的預(yù)測(cè)。表3是采用不同結(jié)構(gòu)模型的人工神經(jīng)網(wǎng)絡(luò)或相同結(jié)構(gòu)下輸入不同參數(shù)時(shí)的預(yù)測(cè)效果對(duì)比。Mubiru等[12]較早采用的BP神經(jīng)網(wǎng)絡(luò)模型中，輻射強(qiáng)度、經(jīng)緯度、海拔、日照時(shí)間、相對(duì)濕度和最高溫度等因素均被考慮在內(nèi)，預(yù)測(cè)結(jié)果中相關(guān)系數(shù)達(dá)到0.997，這說(shuō)明其對(duì)于晴朗天氣條件下的輻射強(qiáng)度預(yù)測(cè)取得了很好的效果。由于陰天比晴天的氣象復(fù)雜，Mellit等[13]將陰天與晴天分開(kāi)進(jìn)行了預(yù)測(cè)，采用隱藏層的MLP對(duì)意大利某處電站實(shí)現(xiàn)了陰天時(shí)較好的預(yù)測(cè)。

但是模型過(guò)于復(fù)雜時(shí)，例如輸入維度過(guò)大、噪音過(guò)多時(shí)，將出現(xiàn)“過(guò)度擬合”問(wèn)題，使得模型在訓(xùn)練集上表現(xiàn)出較好的預(yù)測(cè)結(jié)果，然而在進(jìn)行實(shí)際預(yù)測(cè)時(shí)，預(yù)測(cè)結(jié)果卻很差[19]。因此，通過(guò)交叉驗(yàn)證和采用BNN有助于解決過(guò)度擬合。例如，王哲等[14]采用交叉驗(yàn)證的方法，建立了數(shù)個(gè)基于BP神經(jīng)網(wǎng)絡(luò)和時(shí)間序列的短期太陽(yáng)輻射預(yù)測(cè)模型，通過(guò)比較不同的網(wǎng)絡(luò)結(jié)構(gòu)并進(jìn)行交叉驗(yàn)證，獲得了最適合的神經(jīng)網(wǎng)絡(luò)，從而避免了過(guò)度擬合。

同樣，Yacef等[15]采用BNN 解決了過(guò)度擬合問(wèn)題。BNN對(duì)神經(jīng)網(wǎng)絡(luò)的權(quán)值向量賦一個(gè)先驗(yàn)分布，這樣可以有效避免網(wǎng)絡(luò)在初期樣本較少時(shí)出現(xiàn)過(guò)度擬合的問(wèn)題。后期訓(xùn)練中，隨著樣本的逐步增加，BNN的正則化系數(shù)會(huì)隨著訓(xùn)練進(jìn)行調(diào)整，并能自動(dòng)調(diào)整重要的輸入變量權(quán)值的后驗(yàn)分布，使概率達(dá)到最大化，從而提高預(yù)測(cè)精度，網(wǎng)絡(luò)泛化能力也隨之得到提升。與經(jīng)典的神經(jīng)網(wǎng)絡(luò)和經(jīng)驗(yàn)?zāi)Ｐ拖啾?，BNN在利用長(zhǎng)期氣溫、相對(duì)濕度、日照時(shí)間和太陽(yáng)輻射的輸入?yún)?shù)來(lái)預(yù)測(cè)每天的全球太陽(yáng)輻射時(shí)，能達(dá)到相關(guān)系數(shù)0.97的良好精度。

激活函數(shù)的選擇也是影響預(yù)測(cè)精度的關(guān)鍵因素。BP神經(jīng)網(wǎng)絡(luò)中一般使用sigmoid函數(shù)作為激活函數(shù)，其作用就是引入非線(xiàn)性，但存在飽和時(shí)梯度太小的缺點(diǎn)。RBFNN采用徑向基函數(shù)作為激活函數(shù)，結(jié)構(gòu)簡(jiǎn)單，并且非隨機(jī)進(jìn)行參數(shù)初始化，使其收斂速度快且在理論上具有任意函數(shù)逼近能力[20]，有利于提高預(yù)測(cè)精度。例如，Benghanem等[16]利用RBFNN預(yù)測(cè)每天的全球太陽(yáng)輻射，輸入?yún)?shù)包括空氣溫度、日照時(shí)間和相對(duì)濕度等氣象數(shù)據(jù)。該文獻(xiàn)介紹了其所開(kāi)發(fā)的徑向基函數(shù)(RBF)、MLP和傳統(tǒng)回歸模型之間的比較研究，結(jié)果顯示，在負(fù)荷損失率為1%時(shí)開(kāi)發(fā)的RBF模型有效。

表3 不同結(jié)構(gòu)模型或相同模型下不同參數(shù)時(shí)的人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)輻射效果對(duì)比

不僅是采用改進(jìn)型的模型可以顯著提高輻射的預(yù)測(cè)精度，若對(duì)樣本數(shù)據(jù)進(jìn)行預(yù)處理，同樣可以達(dá)到較好的效果。Cao等[17]提出了一種基于小波分析的小波分析方法，將太陽(yáng)輻射的樣本數(shù)據(jù)序列分解為各種時(shí)間頻率域的幾個(gè)分量，然后利用重復(fù)的BP神經(jīng)網(wǎng)絡(luò)對(duì)基于這些分量的所有域進(jìn)行預(yù)測(cè)，最后給出它們的代數(shù)和。在BP神經(jīng)網(wǎng)絡(luò)相同的情況下，小波分析預(yù)測(cè)的平均絕對(duì)誤差為0.7193，是無(wú)小波分析時(shí)2.8168的近1/4。

在上述工作中，無(wú)論采用何種人工神經(jīng)網(wǎng)絡(luò)模型，都是經(jīng)過(guò)長(zhǎng)時(shí)間的試錯(cuò)過(guò)程得到隱層單元數(shù)。更重要的是，對(duì)于隱層單元較多的神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)不能保證有效且充分地學(xué)習(xí)所需的映射。為了減少神經(jīng)網(wǎng)絡(luò)的訓(xùn)練時(shí)間，找到一個(gè)有能力和緊湊的神經(jīng)網(wǎng)絡(luò)，Ma 等[18]提出了一種基于CoNN 的新的太陽(yáng)輻射預(yù)測(cè)方法。在模型訓(xùn)練過(guò)程中，從單個(gè)隱層單元開(kāi)始，然后在需要增強(qiáng)網(wǎng)絡(luò)映射能力時(shí)每次添加一個(gè)隱層單元，最終獲得一個(gè)有效的最小神經(jīng)網(wǎng)絡(luò)(NN)。以這種方式獲得的神經(jīng)網(wǎng)絡(luò)基本上可實(shí)現(xiàn)級(jí)聯(lián)相關(guān)性，被稱(chēng)為CoNN。從預(yù)測(cè)結(jié)果來(lái)看，均方根誤差為0.0791，雖然有待進(jìn)一步改進(jìn)，但為今后的相關(guān)研究開(kāi)辟了新的思路。

準(zhǔn)確地預(yù)測(cè)太陽(yáng)輻射是間接預(yù)測(cè)的第一步，還需建立發(fā)電功率預(yù)測(cè)模型，以實(shí)現(xiàn)對(duì)光伏電站發(fā)電功率的預(yù)測(cè)。結(jié)合氣象數(shù)據(jù)、電站自身參數(shù)和歷史發(fā)電功率，通過(guò)經(jīng)驗(yàn)公式和統(tǒng)計(jì)學(xué)公式的計(jì)算，最終得到電站發(fā)電功率預(yù)測(cè)值，如圖3所示。

圖3 發(fā)電功率預(yù)測(cè)模型原理圖

發(fā)電功率預(yù)測(cè)模型也存在著以下問(wèn)題：1)電站的實(shí)際情況相對(duì)復(fù)雜，公式不能覆蓋所有影響因素。2)太陽(yáng)輻射模型與發(fā)電功率模型均會(huì)產(chǎn)生預(yù)測(cè)誤差，二者誤差相互影響必然導(dǎo)致最終結(jié)果出現(xiàn)較大偏差。3)電站設(shè)備存在隨時(shí)間的推移而老化的現(xiàn)象，電站自身參數(shù)的變化會(huì)引起預(yù)測(cè)精度下降。這些問(wèn)題有待進(jìn)一步地研究解決。

2.2 人工神經(jīng)網(wǎng)絡(luò)在直接預(yù)測(cè)法中的應(yīng)用

不同于間接預(yù)測(cè)法，直接預(yù)測(cè)法采用較為簡(jiǎn)單的建模方式，只建立一個(gè)模型進(jìn)行預(yù)測(cè)，并且將電站內(nèi)部的諸多因素考慮在內(nèi)。將人工神經(jīng)網(wǎng)絡(luò)運(yùn)用于直接預(yù)測(cè)法比運(yùn)用于間接預(yù)測(cè)法晚[21]。僅依靠改變神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)率選取的方法顯然不足以應(yīng)對(duì)影響因素復(fù)雜的直接預(yù)測(cè)法。表4為不同模型的人工神經(jīng)網(wǎng)絡(luò)在直接預(yù)測(cè)法中的預(yù)測(cè)效果對(duì)比。

表4 不同模型的人工神經(jīng)網(wǎng)絡(luò)或在直接預(yù)測(cè)法中的預(yù)測(cè)效果對(duì)比

在直接預(yù)測(cè)法中，氣象條件多成為影響預(yù)測(cè)精度的關(guān)鍵因素，若將所有氣象因素都作為預(yù)測(cè)模型的輸入變量，勢(shì)必導(dǎo)致模型復(fù)雜度增加、收斂速度變慢；若將諸多的氣象條件采用一種數(shù)據(jù)進(jìn)行表達(dá)，則會(huì)提高預(yù)測(cè)精度。Liu等[22]采用了氣溶膠指標(biāo)作為預(yù)測(cè)未來(lái)24 h光伏電源輸出的附加輸入?yún)?shù)，而未將輻射強(qiáng)度等作為輸入?yún)?shù)。實(shí)驗(yàn)結(jié)果表明，這種基于BP神經(jīng)網(wǎng)絡(luò)的新型光伏電力預(yù)測(cè)模型比傳統(tǒng)的考慮溫度、濕度和風(fēng)速的方法更好。

但是采用單一光伏發(fā)電預(yù)測(cè)模型也存在弊端，當(dāng)天氣類(lèi)型發(fā)生轉(zhuǎn)變時(shí)，神經(jīng)網(wǎng)絡(luò)穩(wěn)健性的優(yōu)勢(shì)可能會(huì)對(duì)性能產(chǎn)生反作用，因?yàn)樗锌赡軙?huì)將天氣突變視為異常值，并會(huì)逐漸減小對(duì)輸出平滑性的影響[27]。

針對(duì)不同氣象條件下電力輸出的預(yù)測(cè)有較大區(qū)別這一特點(diǎn)，針對(duì)每一種天氣進(jìn)行建模是提高預(yù)測(cè)準(zhǔn)確度的有效方法。例如，Mellit等[23]建立了3種不同的人工神經(jīng)網(wǎng)絡(luò)，以適應(yīng)3種典型的天氣狀況(陽(yáng)光、部分多云、陰天)，用于短期預(yù)測(cè)一個(gè)位于意大利南部的大型光伏電站所產(chǎn)生的電力。這種方法極大地提高了預(yù)測(cè)精度，尤其是晴天預(yù)測(cè)值的平均絕對(duì)誤差在4%以下。

然而利用人工方法對(duì)不同的氣象條件進(jìn)行區(qū)分不僅成本高，而且效率低。針對(duì)這類(lèi)問(wèn)題，葉林等[24]提出了利用K均值聚類(lèi)的機(jī)器學(xué)習(xí)算法對(duì)氣象條件進(jìn)行聚類(lèi)，并且建立了GA-模糊RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型進(jìn)行功率預(yù)測(cè)。功率預(yù)測(cè)結(jié)果的平均絕對(duì)誤差為16.3%，精度相對(duì)于未經(jīng)過(guò)聚類(lèi)的模型較好，但是仍有較大的改進(jìn)空間。代倩[25]提出了利用SOM神經(jīng)網(wǎng)絡(luò)對(duì)不同季節(jié)的氣象數(shù)據(jù)進(jìn)行聚類(lèi)分析，利用分析結(jié)果對(duì)相應(yīng)的BP網(wǎng)絡(luò)進(jìn)行功率預(yù)測(cè)。結(jié)果顯示，通過(guò)SOM神經(jīng)網(wǎng)絡(luò)進(jìn)行分析后，預(yù)測(cè)精度有了明顯的提升，誤差相較于GA-模糊RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型也較小。

不僅是氣象條件聚類(lèi)，改進(jìn)神經(jīng)網(wǎng)絡(luò)算法同樣可以提高精度。遺傳算法是一類(lèi)借鑒生物界的進(jìn)化規(guī)律(適者生存，優(yōu)勝劣汰遺傳機(jī)制)演化而來(lái)的隨機(jī)化搜索方法。Tao等[26]利用基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)，研究了分布式光伏發(fā)電功率預(yù)測(cè)。利用遺傳算法方法對(duì)BP神經(jīng)網(wǎng)絡(luò)的權(quán)重和閾值進(jìn)行了優(yōu)化，提高了BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的預(yù)測(cè)精度?；趯?shí)驗(yàn)數(shù)據(jù)的仿真，驗(yàn)證了該方法的有效性，預(yù)測(cè)值的平均絕對(duì)誤差降至10%以下。

3 結(jié)論

人工智能越來(lái)越成為工程領(lǐng)域的研究重點(diǎn)，作為人工智能領(lǐng)域的重要分支，人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用也越來(lái)越廣泛。本文簡(jiǎn)要概述了人工神經(jīng)網(wǎng)絡(luò)技術(shù)在光伏發(fā)電短期功率預(yù)測(cè)方面的應(yīng)用，對(duì)比了直接預(yù)測(cè)法和間接預(yù)測(cè)法中的幾種模型的預(yù)測(cè)誤差，并介紹了MLP、BNN、RBFNN、BP神經(jīng)網(wǎng)絡(luò)、遺傳算法等技術(shù)在光伏發(fā)電短期功率預(yù)測(cè)中起到的作用，為今后相關(guān)領(lǐng)域的研究提供了參考。

1)間接預(yù)測(cè)法中，太陽(yáng)輻射的預(yù)測(cè)精度是該方法的決定性因素。對(duì)于人工神經(jīng)網(wǎng)絡(luò)模型而言，預(yù)防過(guò)度擬合，采用新型激活函數(shù)和預(yù)處理樣本數(shù)據(jù)均能有效地提高預(yù)測(cè)精度。

2)直接預(yù)測(cè)法中，氣象條件是該方法的核心影響因素。對(duì)氣象條件進(jìn)行綜合或分類(lèi)都能有效提高預(yù)測(cè)精度。遺傳算法的神經(jīng)網(wǎng)絡(luò)在復(fù)雜氣象條件下有著較好的表現(xiàn)。

3)多云及雨雪天氣較為復(fù)雜，環(huán)境變化速度快，預(yù)測(cè)精度明顯不如晴天。另外，由于早晨與傍晚時(shí)段的光照強(qiáng)度較弱，在一定程度上也影響了預(yù)測(cè)精度。這些問(wèn)題有待于通過(guò)新模型進(jìn)一步地研究解決。

致謝：

此研究得到了中國(guó)三峽新能源有限公司的支持。