随着“碳达峰”“碳中和”目标的落实，光伏的装机容量和占比会持续上涨。光伏电站包含集中式和分布式两类，其中分布式光伏的装机容量占比逐年上升，发展迅速。分布式光伏往往安装在行政单位、工商业和住宅屋顶等载体之上，与集中式光伏相比，其绿色环保、成本适宜、随发随用的特点得到更好体现，在自发自用的同时，还可以做到余电并网。
但由于分布式光伏安装地点较为分散，装机容量小，缺少气象量测装置，无法获得当地的辐照度等气象数据，因此面临无气象数据的功率预测挑战。精准的超短期光伏发电功率预测对于光伏电站的优化运行、光伏电力系统的调度安排以及电网的安全稳定与经济运行发挥着重要作用。
随着人工智能技术的发展，许多学者采用机器学习、深度学习方法对光伏出力进行预测。影响光伏出力的主要因素是太阳辐照度，对于集中式光伏，往往以历史光伏功率和辐照度等气象数据构建输入特征进行预测。
但是，针对分布式光伏电站的功率预测方法与集中式不完全相同。由于分布式站点小而分散，往往没有气象测量装置，因此部分站点采用数值天气预报的结果，但数值天气预报每12h更新一次的辐照度预测结果，与实地量测的误差较大，无法有效支撑分布式光伏的超短期预测；还有部分分布式站点出于成本考虑没有付费购买数值天气预报数据，因此分布式光伏的历史序列往往缺失辐照度这一主要特征，造成预测精度的损失。
除上述方法外，有学者提出的超短期分布式功率预测方法考虑了站点间的空间相关性，但绝大多数分布式光伏电站周围无法找到具有气象信息的相关光伏站点，该方法适用性还存在一些问题。
研究太阳辐照度的预测对于预测分布式光伏发电功率具有重要意义。卫星遥感数据的获取依赖卫星，覆盖范围大且有公开数据集支持，适合于无辐照度测量值的分布式光伏站点。有关学者对此开展了研究，但是所提方法只考虑了时间相关性而没有考虑空间相关性，且均需要对图像进行处理，增加了算法复杂度，另外也没有考虑卫星数据的获取延迟。
云层厚度及太阳高度角是影响太阳辐照度大小的主要因素，相近位置上的太阳辐照度在相近的太阳高度角和相近的云层厚度作用下，具有空间相关性。为提高无辐照度测量装置的分布式站点的超短期功率预测准确度，中国科学院计算机网络信息中心、中国科学院大学、华东交通大学的研究人员应用深度学习的方法，引入卫星产品短波辐照（Short Wave Radiation, SWR）网格来弥补分布式站点无实测辐照度的不足，提出了基于卫星遥感的超短期分布式光伏功率预测方法。
图1 所提的光伏发电功率预测框架
图2 所提的光伏功率预测流程
他们采用Res-UNet模型对SWR网格进行时空预测，得到分布式站点的未来辐照度，然后在预测的辐照度基础上使用LSTM模型进行功率预测。SWR产品是在日本地球同步卫星“葵花8”号（Himawari-8）探测的遥感数据基础上计算得到的，可近实时获取。
Himawari-8每隔10min获取一次数据，探测范围为东经80°~西经160°，南纬60°~北纬60°，经纬度步长均为0.05°，对应到地面上约为5km，探测的数据均为2401×2401的矩阵，SWR网格同样是2401×2401的矩阵，对应每个经纬度位置上的太阳辐照度。
研究人员指出，Res-UNet可以充分学习SWR网格的时空相关性，LSTM通过引入日编码和时间编码可以更好地学习辐照度的年周期性和日周期性。案例分析表明本方法相比以NWP辐照度为输入的功率预测模型有着更高的精度。他们表示，未来将考虑结合卫星遥感数据与地面观测数据，进一步提高辐照度预测精度，从而提升光伏功率预测精度。
本文编自2022年第7期《电工技术学报》，论文标题为“基于卫星遥感的超短期分布式光伏功率预测”。论文第一作者为刘晓艳，1996年生，硕士研究生，研究方向为人工智能、光伏发电功率预测。通讯作者为王珏，1981年生，博士，副研究员，研究方向为人工智能算法与应用软件、高性能计算。本课题得到了中国科学院战略性先导科技专项（A类）资助项目的支持。
