钟振兴，马晓波，安 巍

(同济大学机械与能源工程学院，上海 201804)

太阳能光伏发电具有功率波动大，稳定性差的缺点，生产、消耗量的不匹配会导致严重的弃光问题，造成能源浪费.为了提高太阳能利用效率，实现太阳能光伏、光热产品产能的预测，辐照度的准确预测是其中重要的前提条件.近年来，许多学者针对这一问题展开了深入的研究.Heinle[1]采用K最近邻域(K-Nearest Neighbors，KNN)分类法对晴空、积云、卷云、层云、积雨云等7种天空类型进行判断，并各自训练子模型作辐照度预测，其天空分类识别准确率可达74.58%.Zhang[2]等利用光伏发电系统附近的天空云图，分别采用多层感知器、卷积神经网络、长短时记忆模块构造模型，实现了1 min～10 min内的光伏系统性能预测，其卷积神经网络模型预测均方根误差比持续模型降低了12.1%.蒋俊霞[3]等采用粒子图像测速法计算云的速度矢量，利用地基云图建立云识别和云量反演方法，预报未来时刻云的位置和云量，进而实现辐照度的超短期预测，其预测结果的均方根误差为144.89 W/m2.周海[4]等以非线性方法集成了自回归、神经网络、支持向量机模型，从而克服了单一模型的局限性，以光伏电站周围气象数据及当前辐照度作输入，预测未来4小时内辐照度，对比持续模型表现，其均方根误差降低了约60%.马燕峰[5]等对9项气象参数共511种组合进行了分析，确定了最优输入值，构建了非线性自回归网络模型，其在晴、低云量、高云量、阴雨等四种典型气象条件测试中，标准……