- 头条同时考虑统计和物理变量的光伏电站短期功率预测模型导语福州大学物理与信息工程学院微纳器件与太阳能电池研究所的研究人员彭周宁、林培杰、赖云锋、程树英、陈志聪，在2019年第10期《电气技术》杂志上撰文指出（论文标题为“基于混合灰色关联分析-广义回归神经网络的光伏电站短期功率预测”），随着大规模的光伏发电接入电网，其输出的随机性和波动性给电网调度管理带来巨大的挑战。 基于此，本文提出了一种同时考虑统计（历史光伏输出功率）和物理（历史和未来的气象信息）变量的混合灰色关联分析-广义回归神经网络预测模型。 首先，计算多元气象因子与光伏发电功率的皮尔逊相关系数，将相关系数较高的气象因子确定为建立预测模型的气象输入因子；然后，采用灰色关联分析算法计算历史日与待预测日的关联度确定最佳相似日，选取最佳相似日的光伏输出功率和气象输入因子以及待预测日的相关气象参数作为广义回归神经网络模型的输入参数，得到待预测日各个时刻输出功率的预测值；最后，利用澳大利亚DKA太阳能中心网站所提供的光伏电站历史气象数据和功率数据对所设计的模型进行训练和测试，验证模型在不同季节下的预测效果。 结果表明，与所选择的对比模型相比，本文所建模型具有较好的预测性能。
近年来，随着社会经济的快速发展，大力开发绿色新能源已经成为解决能源和环境问题的一种强有力手段。光伏发电以其清洁和永不枯竭的独特优势成为传统化石能源的最佳替代品。然而，鉴于天气条件的不稳定性，大规模光伏发电接入电网会给电网调度管理带来巨大的挑战，因此，对光伏发电功率进行提前预测，可以有效降低高渗透率光伏并网对电网造成的影响，对光伏能源的有效利用和电网安全稳定运行具有重要意义。
目前，国内外对光伏发电短期功率预测取得了一定的研究成果。根据所建立的预测模型可以分为物理建模法和统计分析法。
物理建模法是通过太阳辐射强度、气温、云量等天气因素的最优估计值，结合组件电气特性和硬件损耗建立物理模型，对光伏发电功率进行预测。然而，该方法需要获取光伏电站的功率曲线、光电转换参数等详细数据，而且建模比较复杂。统计分析法能够更好地映射光伏发电功率和历史功率之间的统计关系，得到了更广泛的应用。
- 有学者以太阳辐射强度、风速、温度、湿度和大气质量指数为输入属性，采用BP（back propagation）神经网络模型对雾霾天气下的光伏输出功率进行预测。基于BP神经网络的方法具有较好的逼近能力，但易陷入局部极小值的误区。
- 有学者提出了一种基于萤火虫算法-广义回归神经网络的变权重光伏短期组合预测模型。通过主成分分析法简化模型的输入变量维数，从相似日中提取出训练样本，通过萤火虫优化的广义回归神经网络训练两种单一模型的权重系数。
- 有学者采用相邻日历史数据结合Elman神经网络模型进行预测。这种方法在天气类型不变的情况下有较高的预测精度，但是选取的相邻日数据具有局限性，当前、后两天的天气类型发生改变时，其预测精度将会下降。
为此，本文将最佳相似日理论引入以神经网络为基础所建立的预测模型当中，提出了一种基于混合灰色关联分析-广义回归神经网络（grey relational analysis-generalized regression neural network, GRA- GRNN）模型的预测方法。
通过灰色关联分析（grey relational analysis, GRA）算法确定待预测日的最佳相似日，使之与待预测日的气象条件相吻合。将最佳相似日的光伏输出功率、气象参数以及待预测日的相关气象参数作为广义回归神经网络（generalized regression neural network, GRNN）模型的输入参数，得到各个时刻的输出功率预测值。该方法解决了天气类型改变导致预测精度下降的问题，为光伏发电预测提供了一种较为准确的预测方法。
图6 基于GRA-GRNN的光伏电站短期功率预测流程
结论
本文提出了一种基于混合灰色关联分析-广义回归神经网络（GRA-GRNN）的光伏电站短期功率的预测方法：将计算得到的皮尔逊相关系数较高的气象因子作为建立预测模型的气象输入因子，利用待预测日的气象特征参数，采用灰色关联分析（GRA）算法确定其最佳相似日；对于最佳相似日的选取，既考虑了天气参数的相似性，又尽量保证了时间的连续性；选取最佳相似日功率数据、气象参数以及待预测日相关气象参数作为测试样本的输入，结合广义回归神经网络（GRNN）模型，对待预测日各个时刻的功率进行预测。
实验结果表明，本文所提出的GRA-GRNN预测模型预测精度较高，具有较好的预测性能。
