张 玉, 王瑜琳

(1.桂林理工大学机械与控制工程学院， 桂林 541004； 2.广西建筑新能源与节能重点实验室， 桂林 541004)

目前光伏产业发展速度较快，新增装机容量不断增加，其在能源策略中的重要地位在国际上已得到普遍认可。由于光伏发电受外界环境影响较大，其输出功率具有较强的随机性以及波动性，并网时容易影响电力系统的安全稳定运行，降低电能质量，且不利于电力系统的调度以及规划，因此对光伏电站发电量进行预测极有必要。太阳辐照度是影响光伏输出功率最显著的因素，对其进行精确预测有助于提高光伏输出功率的预测精度，具有非常重要的意义。

目前太阳辐照度预测主要基于太阳辐射传递物理模型、卫星图像技术以及大数据驱动技术等，其中太阳辐射传递物理模型可以直接对太阳辐照度进行预测，不依赖任何历史数据，主要预测模型有美国采暖、制冷与空调工程师协会(American society of heating refrigerating and air-conditioning engineers，ASHRAE)推荐的ASHRAE模型、太阳辐射(hotel solar radiation，Hottel)模型、神经网络估算太阳辐射(artificial neural network estimating solar radiation，ESRA)模型等[1-4]，其建模过程较为复杂，且难以模拟极端异常天气情况。卫星图像技术则需要通过昂贵的专业设备收集数据，且受测量设备的精度以及测量方法的影响较大，其预测精度一般不高。大数据驱动技术主要依赖历史数据，从大量数据中挖掘其内在规律，建立历史辐照度与未来辐照度之间的映射关系，该模型结构简单、计算效率较高，是目前太阳辐照度预测的主要方法。然而，大数据驱动技术仅仅通过历史辐照度数据建模，难以反映气象因素与辐照度之间的非线性关系，其预测精度有限。……