《CSEE Journal of Power and Energy Systems》：Short-Term Photovoltaic Output Probability Prediction Method Considering Spatio-Temporal-Condition Dependence of Prediction Error
编辑推荐：
在特定时间尺度（0–6 h）内，光伏（PV）电站的预测误差对周围电站具有时空依赖性。从电站自身的角度而言，它们存在条件-时间依赖性。因此，考虑这些特性可以有效提高PV输出的预测精度。一种基于外观相似性更新（ASU）和长短期记忆网络（LSTM）的短期PV输出概率
在特定时间尺度（0–6 h）内，光伏（PV）电站的预测误差对周围电站具有时空依赖性。从电站自身的角度而言，它们存在条件-时间依赖性。因此，考虑这些特性可以有效提高PV输出的预测精度。一种基于外观相似性更新（ASU）和长短期记忆网络（LSTM）的短期PV输出概率预测方法被研究人员开发。来自吉林和内蒙古地区的结果表明，考虑预测误差时空依赖性的预测方法精度高于仅考虑单一属性的预测方法，年均均方根误差（RMSE）可降低超过3%。此外，更新后预测误差的条件依赖性和时间相关性优于传统区间预测。
随着光伏发电装机容量的快速增长及其出力固有的波动性、间歇性和随机性，电力系统的供电可靠性及风险评估问题日益凸显。传统的点预测方法虽能提供预测值，但无法量化光伏出力的不确定性信息，导致调度计划和备用配置面临风险。概率预测能够弥补此不足，给出出力的波动范围。现有研究已认识到光伏预测误差具有时空依赖性和条件依赖性，即不同电站间预测误差的时空关联，以及误差分布受辐照度、温度等条件的影响。然而，以往方法难以有效确定电站间输出波动的超前/滞后时间，缺乏自动更新和定量评价的机制，且较少在更新预测误差后进一步开展概率预测。为解决上述问题，研究人员提出了一种考虑预测误差时空条件依赖性的短期光伏输出概率预测方法，创新点包括：引入外观相似性更新（ASU）方法定量评估小区域内光伏集群各电站预测误差之间的超前滞后关系；利用筛选出的最优相似片段对应的预测误差更新目标电站的预测结果，降低模型计算负担；基于长短期记忆网络（LSTM）和ASU构建概率预测模型，不受专家系统和地理环境影响，提供15分钟粒度的短期概率预测结果。
研究人员主要采用了以下关键技术方法：（1）外观相似性更新（ASU）方法，通过Spearman秩相关系数定量评估不同电站NWP辐照度片段的形状相似度和位移相似度，判定最优相似片段，并利用该片段对应的预测误差修正目标电站的初始预测输出；（2）长短期记忆网络（LSTM）作为初始点预测模型，以辐照度、温度、湿度为输入，通过门控单元完成光伏出力预测；（3）核密度估计（KDE）方法，用于拟合不同预测值区间对应的预测误差分布，生成概率预测区间。数据来源为吉林地区（2017年1月2日至2018年12月31日）和内蒙古地区（2020年3月1日至2020年8月31日）的光伏电站历史气象数据、数值天气预报（NWP）和历史功率数据，采样间隔为15分钟。
研究结果方面，论文通过点预测和概率预测两部分实验进行评估，主要结论如下：
**A. 点预测**：研究人员以吉林地区509号电站为预测目标，对比了持久性法、极限学习机（ELM）、随机森林（RF）、单区域NWP-LSTM（SRNWP-LSTM）、多区域NWP-LSTM（MRNWP-LSTM）、ARX、SBD-BN以及所提ASU-LSTM（包括单区域NWP和平均NWP输入）等模型的预测精度。结果表明，所提平均NWP-LSTM-ASU（ARNWP-LSTM-ASU）模型的均方根误差（RMSE）和准确率（AC）均为最优，年RMSE降低超过3%。考虑时空依赖性的模型（ARX、SBD-BN、ASU-LSTM）优于仅考虑空间依赖或仅考虑时间依赖的模型，且深度学习模型优于传统机器学习模型。进一步分析发现，训练集长度和是否引入多区域NWP对模型精度有影响，所提模型在不同训练集长度下表现稳健，而持续输入多区域数据可能因风向变化导致数据冗余和精度下降。在吉林和内蒙古的多个电站案例中，该模型均保持最高精度，且空间依赖随电站间距离增大而减弱，时间依赖受风向和风速影响显著。
**B. 概率预测**：研究人员利用KDE方法拟合更新后预测误差在不同预测值区间内的分布，并与SRNWP-LSTM-CD、ARNWP-LSTM-CD、ARNWP-LSTM-ASU、ARNWP-LSTM-ASU-QR（分位数回归）和ARNWP-LSTM-ASU-GD（高斯分布）等模型对比。结果表明，同时考虑时空依赖和条件依赖的ARNWP-LSTM-ASU-CD模型在预测区间覆盖率（PICP）、区间平均宽度（PINAW）、区间分数（IS）和累积宽度偏差（AWD）等指标上表现优异，能在较高覆盖率下保持较窄区间宽度。传统分位数回归和高斯分布方法虽精度指数较高，但区间过宽，缺乏实用价值。更新后的预测误差分布更集中，极端误差显著减少。内蒙古案例进一步验证了模型的适用性，其中367号电站因与相邻电站距离较近，空间依赖对提升精度作用明显。
在结论部分，研究人员总结指出，结合多电站预测误差的时空依赖性和误差条件依赖性，可有效提升目标电站的预测精度。依据吉林和内蒙古电站数据，不同装机容量的电站预测误差仍具有强时间依赖和弱空间依赖，但误差变化幅度不同；空间依赖随距离增加而减弱，时间依赖受风向风速影响，依赖电站会随动态片段变化。所提ASU方法能有效捕获动态片段并提取依赖电站的预测误差变化，ARNWP-LSTM-ASU模型可准确预测目标电站输出变化，结合误差条件依赖性可实现高覆盖率、低平均宽度的概率预测。该模型基于预测误差的时空条件依赖性，通过多电站数据联合分析建立时空依赖结构，获取概率预测结果。但模型存在不足：不同装机容量的两个时间依赖电站之间的误差幅度并不等于装机容量比，受太阳运动影响，后续可结合卫星云图解决这一问题。该研究成果发表在《CSEE Journal of Power and Energy Systems》。
