卞海红，孙健硕

(江苏省主动配电网重点建设实验室(南京工程学院)，江苏 南京 211167)

0 引言

我国光伏资源十分丰富。随着光伏产业规模的不断扩大，为了改善环境，实现可持续发展，提高光伏能源利用率，研究精确度更高的光伏发电量预测技术已成为未来趋势[1—3]。如今，基于历史运行数据和历史气象数据相结合的光伏发电量预测模型应用广泛，其中天气因素对光伏系统及光伏发电预测量影响最大，所以在进行光伏发电量预测时，构建特定地区典型气象年数据非常重要[4—7]。

文献[8]选取中国南海地区7个数据较完整的气象观测点，通过3种方法构建典型气象年数据，综合分析比较3种生成结果，发现The Festa-Ratto Method是生成中国南海地区典型气象年的适用算法。文献[9]通过构建中国不同气候区域的35个代表性城市的典型气象年数据，分析对比3种典型气象年的生成方法，提出了一种混合典型气象年构建方法，提高了在不同气候区域形成典型年数据的精确度。文献[10]通过皮尔逊相关系数和灰色关联分析选取最佳相似日，将最佳相似日中相关气象参数和光伏输出功率作为广义回归神经网络(general regression neural network，GRNN)模型的输入参数，预测出各个时刻的输出功率，解决了天气类型改变时预测精度下降的问题。

针对上述文献未考虑典型气象周数据与历史长期平均数据之间误差关系的缺点，文中利用改进的平均绝对百分比误差(mean absolute percentageerror，MAPE)方法，构建改进典型气象年方法(typical meteorological year method，TMY Method)下的典型气象年数据，使用因子分析法(factor analysis,FA)筛选气象指标进行标准化处理，结合GRNN预测模型进行日光伏发电量预测。……