倪安安，王育飞，薛花

（上海电力大学电气工程学院，上海市杨浦区 200090）

0 引言

近年来，光伏发电在能源供应体系中的作用愈加凸显[1]。然而，由于光伏发电输出功率影响因素多、耦合复杂、随机性强且变化频率快，导致光伏发电输出功率预测难度大，准确率难以满足电网实际需求，部分地区弃光现象严重，给电力系统的调峰调频和并网消纳带来一定挑战。利用储能系统对光伏发电输出功率波动进行实时平抑，可增加光伏发电的利用率，保证电网安全稳定运行；提高光伏发电输出功率预测准确度能有效帮助储能系统制定平滑控制策略[2]。

目前，针对光伏发电输出功率预测的研究方法总体可分为物理法、统计法和元启发式学习法[3]。其中物理法基于气象因素和光伏组件参数间光电能量转换的物理联系进行预测，建模过程复杂且要求气象数据质量较高[4]；统计法基于光伏电站历史数据的统计学规律，应用概率统计、聚类和谱分析等方法展开预测，建模过程简单，所需信息易于获取，在实际工程中应用前景广阔[5-7]；元启发式学习方法通过挖掘光伏发电输出功率、气象等历史数据的变化规律，基于人工智能算法寻找历史数据与未来光伏发电输出功率之间的映射关系[8]。目前利用数学方法模拟神经元活动的误差反向传输(back propagation, BP)和长短期记忆(long short-term memory, LSTM)神 经 网 络 方 法，以及利用核函数进行回归预测的支持向量机(support vector machine, SVM)、最小二乘支持向量机(least squares support vector machine, LSSVM)方 法，已在光伏预测领域得到广泛应用[9-11]。……