杨 茂，王凯旋

（现代电力系统仿真控制与绿色电能新技术教育部重点实验室 东北电力大学，吉林 吉林 132012）

0 引言

近年来，传统能源急剧消耗，由此带来的环境问题越来越凸显。同时，人们对电力的需求也日益增长。在此背景下，光伏发电逐渐向结构化、规模化发展。然而，大面积光伏场站的接入将影响电力系统的安全稳定运行，因此，准确预测光伏出力变得尤为重要[1]，[2]。环境的局地效应和表层大气运动的随机性给光伏出力的预测带来了不可忽视的干扰，同时，光伏出力的周期性和自相关性为光伏出力的预测带来了得天独厚的优势，即相似日/相似片段的选取（光伏出力匹配研究）[3]。

光伏出力的预测方法包括以BP神经网络、支持向量机、相关向量机为代表的静态机器学习算法和以生成式对抗网络、长短期记忆网络（Long Short-term Memory，LSTM）为代表的动态机器学习算法等[4]～[8]。光伏出力匹配研究是提高预测精度的有效手段。目前，光伏出力匹配常用的方法包括K均值聚类、K近邻算法、集对分析以及光伏出力特性建模等[9]～[12]。文献[13]对光伏出力进行不同时间尺度的聚类建模，提取了光伏出力小时级和分钟级波动特征，明确建立了不同天气类型的聚类中心，并通过短期光伏出力预测验证了建模的有效性。文献[14]筛选出与对光伏出力相关性较高的气象因素，然后，通过K临近算法对相似样本进行选取，最后，通过神经网络实现了对光伏出力的概率预测。光伏出力匹配工作主要是从历史实测数据和数值天气预报（Numerical Weather Prediction，NWP）信息中筛选出与光伏出力相关性较强的变量，并通过匹配算法进行匹配。……