杨德州， 李锦键， 吕金历， 杨维满， 王兴贵

（1.国网甘肃省电力公司经济技术研究院， 甘肃 兰州 730000； 2.兰州理工大学 电气工程与信息工程学院，甘肃 兰州 730050）

0 引言

太阳能作为新能源发电的主要能源。 合理地使用太阳能， 可以基本满足人类生产和生活的需要[1]，[2]。 由于太阳能是一种具有不确定性的能源，因此， 太阳能发电系统产生的电能在并网时会给电力系统带来较大的冲击。 聚光太阳能发电（Concentrating Solar Power，CSP）也被称为光热发电， 是一种利用太阳辐射中直接法向辐射（Direct Normal Irradiance，DNI）的能量使液态水转化为蒸汽， 并用蒸汽的压力推动汽轮发电机组工作的发电方式。 由于光热发电系统配有能量缓冲作用的储热系统， 可以减轻光热发电系统产生的电能在并网时对电力系统的冲击，因此，光热发电具有广阔的应用前景。 为了使CSP 电站产生的电能在并网时可以充分发挥其优势，且易受电力系统调度，本文须要准确预测决定CSP 电站出力的主要因素—直接法向辐射DNI。

目前， 预测DNI 的手段主要有随机学习法、数值天气预报法、 全天空成像外推法和卫星成像外推法等。 数值天气预报法为通过拟合历史天气预报数据与DNI 之间的关系，并利用人工神经网络等统计方法预测两者之间关系的方法[3]，[4]。作为人工神经网络中的典型模型，BP 神经网络和小波神经网络已应用到DNI 的预测中[5]，[6]。 但在学习时， 传统人工神经网络无法获取数据深层次的特征，因此，会降低预测的准确性[7]。 由Hinton 提出的深度学习模型凭借着强大的特征提取能力，被应用到DNI 预测、风电功率预测和齿轮箱状态监测等研究中[8]～[11]。……