本文是一篇工程硕士论文，本文的主要研究内容和结论如下：（1）通过研究分析传统以天气类型判别非平稳出力时段的方法、前人的光伏功率预测研究和光伏电站历史数据的特性，提出了辐功比差判别法，用于判别光伏功率非平稳出力时段，经实验验证，该方法的判别更加准确高效。同时为了防止在计算过程中，历史数据序列中不同的特征因素因量纲的不同而导致的问题，将历史数据序列进行了归一化处理，减少了预测模型的训练误差。
1 绪论
1.1 课题研究背景和意义
1.1.1 课题的研究背景
进入 21 世纪以来，以发展中国家为第一梯队的各个国家在全球局势相对和平的情况下，经济和科技有了充分发展的空间[1]，发展速度令人惊叹，发展现状令人称奇。但与快速发展伴随而来的一系列问题也开始显现出来[2]，对于能源的需求也增长的很快，传统的化石能源如石油、煤、天然气等，作为全球范围内，人类社会主要消耗的一次能源[3][4]，随着近些年工业化的进程加快，导致近年来全球范围内的化石能源存储量也急剧下跌，由此引发的全球性能源危机让世界各国开始重视，寻求一种新的解决办法[5]；另一个角度来看，全球气温升高的罪魁祸首是二氧化碳的排放，究其根源是人类大规模、无节制的使用化石能源[6]，进而影响生态平衡，同时二氧化硫等危害身体健康、造成空气污染的气体也会在燃烧能源过程中挥发，这些气体的大量排放是引发环境污染与变化的关键性因素，使得全球的生态受到了极大的威胁[7]。
为了应对能源匮乏的问题，清洁的新能源形式成为解决这个问题的关键，现阶段的清洁能源形式主要包含生物质能、风能、潮汐能、太阳能等多种能源形式[8]，而其中太阳能是目前为止各方面最为理想的可再生能源。1839 年，液体的光生伏特效应被发现，人类窥得了太阳能量的冰山一角[9]。随后的半个多世纪里，光伏一直在持续不断发展。1973 年，全球性石油危机爆发，清洁的可再生能源形式如太阳能光伏发电，风能发电等，在这种能源短缺的时代背景下得到了长足发展[10]。进入 21 世纪以后，作为可再生能源中开发利用较多，并且拥有较为成熟技术的光伏发电的发展更为讯速，截止到 2006 年，光伏电站的装机容量达到了惊人的兆瓦级，数量更是多达十几座[11]；而到 2018 年，二十余载的积累达到了一个惊人的数字，全球范围内的光伏发电已经远超过 300GW，装机容量大大提升[12]。IRENA（国际可再生能源机构）的官方网站数据显示，2011-2019 年全球范围性的装机容量依然保持着一个比较平稳的速度上升。而截止到 2019 年末，全球累计装机容量已经超过了 580GW，同比较之前的涨幅高达 20.1%。图 1-1 为 2019 年排名前 5 的国家光伏发电装机容量占比[13]。
1.2 光伏发电功率预测国内外研究现状
光伏功率预测就是利用某一种或者几种混合计算模型对光伏电站的运行功率数据、数值天气预报信息、气象信息等数据，并且对其进行加工和处理，然后得到光伏功率的预测结果[17]。近些年来，有关光伏功率预测的研究一直没有停止，大量的研究人员为该领域做出了不可磨灭的贡献[18]。截止到现在关于光伏功率预测的研究方法有很多，根据预测结果的时长可分为中长期、短期、超短期；根据计算模型可分为物理法和数学统计法；根据预测结果的类型可分为确定性点预测和不确定性区间预测等[19]。
在光伏功率预测领域，西方发达国家的研究人员上世纪便开始了相关研究，现阶段已经积累了大量的技术成果、经验以及相关运行数据[20]。自上世纪八十年代开始，国外便已经开始进行有关光伏发电的研究，为后续的功率预测发展奠定了良好的基础[21]。加纳德某光伏实验室通过对光伏发电的研究，发现了重要的现象：分布式光伏系统的并入，会对电网的配电系统产生一系列的负面影响[22]。二十世纪九十年代，日本学者最先利用一系列的气象因素通过神经网络算法进行了光伏功率预测，其主要是对光伏阵列的发电量进行预测[23]；二十一世纪以后，互联网技术的兴起，机器学习的应用给光伏功率预测领域带来了新的研究方向，此后大量的学者基于人工神经网络等智能算法进行光伏功率预测。常见的机器学习算法主要包含 BP 神经网络[24]、支持向量机[25]、回归树算法[26]等。文献[27]将天气状况分为理想天气和非理想天气类型，针对理想天气，采用长短期记忆神经网络(LSTM)预测方法；针对非理想天气，在 LSTM 中考虑时间序列相关性和非理想天气类型特征，进而生成最终的点预测值。文献[28]针对光伏历史出力数据和气象数据的局限性和不完整性，提出了一种基于此的类似云空间融合的日前预测方法，完成了光伏功率的点预测。
2 光伏电站的功率特性及相关数据处理
2.1 光伏发电的原理概述
2.1.1 光伏电池的发电原理
光伏发电是现阶段太阳能的利用方式中，最成熟并且最高效的。其最简单的原理可以表述为光伏电池板受到太阳光的直接或间接照射，将光能转化为太阳能的一个过程[48]。而光伏电池则是光伏发电的核心部件。现阶段按照材料的不同，可以将光伏电池分为三类：多元化合物形式电池技术、薄膜形式电池技术和晶硅形式的电池技术[49]。而在这三种电池技术当中，晶硅形式的电池技术因为其稳定的化学性质和良好的经济效益，得到了工业界中的广泛应用[50]。其原理可以表述为当光伏电池的表面接收到太阳光的能量时，光能被光伏电池所吸收，由此电池内部系统中的半导体材料产生“光伏效应”，进而产生电流[51]。其原理图如 2-1 所示。
2.2 光伏并网系统发电功率影响因素分析
光伏发电的特点很明显，具有非常强的间歇性和随机性，其发电功率受诸多复杂因素影响[60]，综合分析，这些因素产生的原因可以从两方面来说，一种是光伏电站的内部因素，譬如组件老化、安装角度偏差、内部损耗、参数设置等；另一种则是由光伏电站外部的气象因素导致，譬如天气状况、光照强度、季节等[61]。从光伏电站实际运行中考虑，第一种情况在光伏电站建设时，经过专业的技术安装可以避免，故将其作为可控的常量对待。而第二种情况才是影响发电功率的主要原因。本文根据广东省某大型工业园区的自建光伏电站 2017 年度所采集到的历史数据（采集频率为 15min），结合中国气象网的辅助，对影响光伏发电功率的几种主要环境因素进行深入分析，为后期预测奠定基础[62]。
2.2.1 辐照度的影响
太阳辐照度定义为太阳的辐射经过地球大气层的反射、吸收、散射等光学作用后，最终到达地球表面上单位面积时间内的太阳辐射能量[63]。太阳光照度则是指太阳光照射到地球表面时的单位时间内的总量。这两个物理量在分析光伏电站影响因素的时候，可以近似的认为一致，下文不在赘述[64]。图 2-3 示出了电站的发电功率和该地同一时间辐照度的曲线图。可以看到辐照度和发电功率基本上成正比关系，辐照度越小，发电功率也越小；反之亦然。早上由于空气湿度较大、光照强度不够的影响，辐照度较小，发电功率也较小。到了中午光照充足、空气湿度很小，辐照度也达到了最大值，发电功率达到高峰，下午的情况同早上没有太大区别。曲线图进一步体现出了辐照度对于光伏发电功率的影响最大，影响程度最深。
3 光伏功率预测的相关理论 ................................. 17
3.1 基于辐功比差判别理论（DM）的非平稳时期光伏出力提取 ............................... 17
3.2 基于 MIC 理论的特征选择 .................................................. 18
3.3 基于 LSTM 神经网络的光伏功率预测 ................................................... 20
4 基于多目标优化的非平稳时期光伏功率预测 ............................ 29
4.1 预测模型的构建 ............................................... 29
4.2 数据准备与处理 ........................................... 31
4.3 影响因素特征选择 ..................................... 32
5 结论和展望 ................................... 47
5.1 结论 ......................................................... 47
5.2 展望 .......................................... 48
4 基于多目标优化的非平稳时期光伏功率预测
4.1 预测模型的构建
如上文所述，目前主流的光伏功率预测可以分为两个大的方面，第一种是将整个的历史数据序列作为预测模型的输入，直接使用预测模型进行预测，得到完整的预测结果，这种方法不考虑数据序列中隐含的时间信息[92]，仅仅通过改进和提升预测模型的数学性能来提高光伏功率预测的预测精度；第二种大多是将历史数据序列依据季节或者天气类型等判据划分为春、夏、秋、冬或晴天、多云、阴天、雨天等若干个子序列，然后利用相关数学模型分析和寻找出每个子序列中存在的数据序列特性。这样每一个子序列就可以认为是一个完整的数据序列，符合预测模型的输入特征，根据每个子序列的数据特性，选择不同的预测模型，通过训练和测试以后，得到单独的子序列预测结果，最后将每个子序列的结果进行综合整合，形成最终的完整数据序列预测结果。这样依据固定判据的分类相较于第一种方法来说，能够挖掘出历史数据序列中一部分的时间信息，并且获得较为不错的预测精度。但在第二种方法当中，将子序列的预测结果进行整合时，大多数学者采用的方法是简单的相加，并没有考虑到在不同子序列进行整合过程中，衔接的时间信息和衔接点的功率波动；并且在分别进行子序列的预测过程中，没有很好的依据子序列的功率特性选择合适的预测模型，使得整体的预测结果精度没有达到最优。
5 结论和展望
5.1 结论
太阳能光伏发电近些年在全球能源危机的背景下得到了快速发展。大量的光伏电站并入电力系统大电网，给电网带来了严峻的挑战，其中以波动剧烈的非平稳出力时段的冲击最为严重，因此光伏功率预测技术成为保证电力系统安全稳定运行的关键。本文在总结借鉴前人对于光伏功率预测研究的基础上，针对非平稳时期光伏功率预测的精度问题，展开了相关研究。并提出了非平稳时段的判别法、改进的 Stack-LSTM 预测模型、基于多目标优化的混合预测模型等，通过进行理论研究和实验验证，结果表明非平稳时期光伏功率预测的精度得到了大幅度的提升，本文的主要研究内容和结论如下：
（1）通过研究分析传统以天气类型判别非平稳出力时段的方法、前人的光伏功率预测研究和光伏电站历史数据的特性，提出了辐功比差判别法，用于判别光伏功率非平稳出力时段，经实验验证，该方法的判别更加准确高效。同时为了防止在计算过程中，历史数据序列中不同的特征因素因量纲的不同而导致的问题，将历史数据序列进行了归一化处理，减少了预测模型的训练误差。
（2）根据光伏电站的历史出力数据，定性分析了影响光伏发电功率的主要特征因素（太阳光照、温度、湿度、压强、风速、辐照度等），并且通过 MIC 理论计算了相关影响因素同光伏实际功率的相关性，依据相关性的强弱程度，选择了相关性较强的几个特征因素为预测模型的输入，为后续进行的完整光伏功率预测奠定了良好的数据基础。
（3）为了解决标准的 LSTM 预测模型在处理光伏功率非平稳出力时段的预测精度不高的问题，本文通过引入 Stacking 集成学习思想，构建了 Stack-LSTM 预测模型，通过使用不同来源的数据进行模型验证，预测结果表明了该模型能够很好的解决上述问题，整体的预测精度提升明显。
参考文献（略）