一种基于多层天气分类的光伏输出功率预测回归模型

《Journal of Cyber Security and Mobility》：A Novel Multi-Layer Weather Classification-Based Regression Model for PV Output Power Forecasting

　　

光伏（PV）功率的间歇性特征对电网运行构成了显著挑战。然而，由于PV功率依赖于可在数分钟内发生波动的天气条件，精确预测十分困难。为解决这一问题，研究人员开发了一种新型多层天气分类回归模型（MWCR），用于在不同数据集上以1 h和5 min为时间步长预测未来24 h的PV输出功率。其核心思想是在每一个时间步长对天气状况进行分类，以捕捉PV功率的快速波动。针对辐照度传感器缺失的问题，采用长短期记忆网络（LSTM）模型得到的预测功率与晴空条件下最大功率之比来表征天空状态。分类依据包括功率比、局部辐照度、温度、风速和湿度。随后，针对每一类天气分别构建具有相同输入的回归模型。为进一步提高模型精度，将一个预测功率的LSTM模型作为附加输入并集成到回归模型中。三个数据集在1 h和5 min时间步长下的预测结果表明，与单独使用LSTM模型相比，这两种模型在全部测试数据集上均表现出更优的预测精度，尤其是在PV功率波动较大的日期。

该文发表于《Journal of Cyber Security and Mobility》，围绕光伏（PV，photovoltaic）输出功率在复杂天气条件下的短期预测问题，提出了一种多层天气分类回归模型（MWCR，multilayer weather classification-based regression）及其增强版本E-MWCR。研究背景在于，随着绿色能源渗透率持续提升，PV发电已成为全球范围内应用最广泛的可再生能源形式之一，但其输出功率高度依赖太阳辐射、温度、湿度、风速及云层遮挡等气象因素，且这些因素可在分钟尺度内剧烈变化，从而造成PV功率的显著波动。这种间歇性和不确定性会给电网调度、备用配置和运行稳定性带来压力，因此高精度PV功率预测具有重要工程价值。现有方法主要包括物理模型与数据驱动模型两类。物理方法往往要求已知组件参数和现场辐照度等输入，实际应用中这些信息常常不完整；而仅基于历史功率序列的时序模型虽可学习日内规律，却难以准确反映天气快速变化对功率的即时影响。已有回归模型虽然引入了气象因子，但在晴天条件下效果较好，在天气频繁变化日的性能仍较弱。基于此，开展一种能够在细粒度时间尺度上动态识别天气状态并实施分类回归的研究具有明显必要性。

研究人员提出的MWCR模型由四层构成，目标是实现未来24 h PV输出功率预测，并适用于1 h与5 min两种时间分辨率。其基本思想是在每个时间步对天气进行分类，而非按整日或大时间窗口划分天气类型，以更好地描述功率快速起伏。研究还针对实际光伏场站普遍缺乏辐照度传感器的问题，提出以LSTM预测功率与晴空最大功率之比作为功率比，用于间接反映天空状态。进一步地，研究人员在MWCR基础上引入增强模型E-MWCR，将LSTM输出功率额外作为回归输入，从而缓解部分多云和大部多云条件下由分类误差及天气预测误差带来的性能下降。总体结论表明，MWCR与E-MWCR在不同测试场景下均优于单一回归、卷积神经网络（CNN，convolutional neural network）、门控循环单元（GRU，gated recurrent unit）和单独LSTM模型，尤其在天气变化剧烈、PV功率波动显著的日期表现更佳。该研究的重要意义在于为缺乏现场辐照度测量条件的光伏电站提供了一种可实施、可扩展且对快速天气变化更敏感的预测框架。

研究人员采用的关键技术方法主要包括以下几类。首先，基于晴空条件下局部最大辐照度的物理模型计算最大PV功率。其次，利用LSTM进行仅依赖历史PV功率的序列到序列预测，以获得未来24 h功率估计并构造功率比。再次，采用k近邻（KNN，k-nearest neighbor）对每个时间步的天气状态进行四分类，包括晴空、部分多云、大部多云和阴天。最后，针对每类天气分别构建广义回归神经网络（GRNN，general regression neural network）回归器，并在增强模型中将LSTM预测功率作为附加输入。样本来源为美国Rochester Institute of Technology一座2 MW光伏电站2018年6月13日至2021年12月31日的3.5年PV功率数据与NOAA气象数据。

以下为论文主体结果的分项解读。

SECTION 1 Introduction
引言部分指出，PV发电虽然具备零排放优势，但其输出受天气条件剧烈波动影响，分钟级变化会导致快速功率起伏，因此电网需要高精度预测以提前准备调度策略。研究人员系统梳理了现有PV功率预测方法的局限：物理方法依赖设备和环境参数，数据驱动方法中纯功率到功率预测难以捕捉天气扰动，而传统回归方法又难以在变天气下保持稳定精度。因此，文章提出以“逐时间步天气分类+分类回归”为核心的新框架，并将其作为解决快速波动问题的关键思路。

SECTION 2 Literature Review
文献综述部分从回归预测、功率时序预测、天气分类和分类回归模型四方面展开。研究人员指出，温度、辐照度、湿度、风速、阴影、积雪和灰尘等均会影响PV输出，其中辐照度和温度最关键。已有研究显示，机器学习回归模型普遍优于经典线性模型，而LSTM等深度学习模型在纯时序预测方面具有优势。然而，天气高变条件下，仅依赖历史功率的模型精度受限。已有天气分类回归模型大多以整天或较长时间窗口进行分类，难以表征分钟尺度变化。基于此，本文方法的创新点在于将天气分类粒度细化到每个时间步。

SECTION 3 Methodology
方法学部分给出了MWCR和E-MWCR的结构设计。
第一层为物理模型层。研究人员根据太阳常数I₀、太阳赤纬角δ、时角ω、纬度L等参数计算晴空条件下的局部最大辐照度I_max，并进一步结合标准测试条件功率P_STC、温度系数k和工作点温度T_C，得到晴空最大PV功率P_PV,max。该层并不直接生成实际功率，而是用于构建晴空参考上限。
第二层为LSTM功率预测层。该层利用历史PV功率序列对未来24 h进行序列预测，得到P_PV,LSTM。随后以P_r=P_PV,LSTM/P_PV,max构造功率比，作为反映天空状态的替代特征。
第三层为KNN分类层。研究人员以功率比、温度、风速、湿度为输入，将天气分为晴空、部分多云、大部多云和阴天四类。
第四层为GRNN回归层。对于每一类天气，分别以局部辐照度、温度、湿度、风速和功率比为输入建立独立回归模型，输出PV预测功率。
增强模型E-MWCR则在回归层额外加入LSTM预测功率输入，以提高在部分多云与大部多云条件下的预测稳定性。模型性能以相关系数r、均方根误差（RMSE，root mean squared error）、平均绝对误差（MAE，mean absolute error）和平均绝对百分比误差（MAPE，mean absolute percent error）评价。数据集来自RIT 2 MW光伏电站及NOAA气象记录，并设计了1 h实际/历史预测天气、5 min实际天气、5 min加噪天气三类测试场景。

SECTION 4 Results
结果部分首先对各层独立性能和整体验证结果进行了汇报。
4.1 Mathematical Model Layer and Lstm Results
在物理层与LSTM层测试中，研究人员利用Rochester地区参数计算I_max与P_PV,max，并发现物理模型在冬季与实际功率差异较大，这是因为该模型基于晴空辐照度。实际功率与晴空最大功率之比在夏季更接近1，说明该比值能够较好表征天空晴朗程度。
4.2 Classification Results
分类层采用KNN，输入为温度、湿度、风速及LSTM功率与最大功率之比。基于26,006个已标注时间槽进行训练和测试后，晴空和阴天类别取得最高分类准确率，而误分类主要发生在相邻天气类别之间，说明该分类策略能够较好捕捉天气状态连续变化的特征。
4.3 Regression Results
回归层中，研究人员对四类天气分别建立GRNN模型。结果显示，晴空类别回归性能最佳，相关系数r达99.8%，阴天次之；部分多云和大部多云类别精度相对较低，表明天气不确定性越强，局部辐照度与实际受照之间偏差越大，回归难度越高。
4.4 The MWCR Model Test: Effect of Each Layer
层级消融实验表明，去除第一层和第二层，即不使用功率比时，测试集相关系数r仅为46.29%，说明功率比作为辐照度替代量对模型至关重要。去除第三层分类，仅保留单一GRNN回归时，r提升至79.4%，但仍低于完整MWCR，证明逐时间步天气分类能够显著提高预测准确度。完整MWCR在所有层均保留时获得最佳性能。
4.5 Testing MWCR and E-MWCR Accuracy
在1 h测试场景下，E-MWCR整体性能优于单一回归、CNN、GRU、LSTM和MWCR，且在晴天、雨天及季节交替日均表现稳定。尤其在5月1日和10月1日等天气波动较大的日期，E-MWCR较MWCR和LSTM有更明显提升，说明引入LSTM预测功率作为附加输入有助于削弱天气预测误差和分类误差影响。
在5 min实际天气数据测试中，所有模型误差均较1 h场景增大，反映分钟级快速波动显著提高了预测难度。但MWCR仍明显优于LSTM，而E-MWCR进一步优于MWCR。在冬季和季节转换日期，增强模型对瞬时尖峰和急剧跌落的拟合效果更好。
在5 min加噪天气数据测试中，研究人员通过参考2024年6月15 min实际与预测天气差异，为2021年6月的5 min天气数据构造与真实预报误差相匹配的噪声。结果显示，尽管输入天气存在误差，E-MWCR仍保持最佳性能，其相关系数较LSTM提高约6%，较MWCR提高约4%。在晴天条件下，噪声影响较小；在雨天和变天气条件下，噪声导致性能下降更明显，尤其是天气变化剧烈日期。

讨论部分表明，该研究提出的核心机制在于通过功率比弥补辐照度传感器缺失，通过逐时间步天气分类提升对快速天气变化的响应能力，并通过E-MWCR中的LSTM附加输入降低部分多云和大部多云条件下的不确定性影响。实验结果一致支持：与单纯时序模型相比，结合气象分类与分类回归的多层框架更适合处理高波动PV场景；而在此基础上融合LSTM输出，则可进一步提升复杂天气下的稳健性。研究同时指出，天气预报误差仍会在高变天气下影响最终功率预测性能。

研究结论部分可译为：由于天气条件具有间歇性，PV输出功率预测具有挑战性，而现有模型在季节变化期间难以提供准确预测。为此，研究人员开发了一种多层分类回归模型（MWCR），针对每一类天气分别建立更精确的回归模型。该模型包括四个层次：物理层、基于LSTM的功率到功率预测层、KNN天气分类层以及GRNN回归层。为进一步提高异常天气条件下的预测精度，研究人员通过向回归模型中加入LSTM预测功率构建了增强模型（E-MWCR）。基于Rochester Institute of Technology-New York 3.5年的实际PV功率数据，对单一回归、LSTM、MWCR和E-MWCR进行了比较，并在1 h和5 min时间步长的三类数据集上进行了测试。结果表明，E-MWCR在全部测试日期上均表现最佳，尤其是在天气条件快速波动的日期。未来工作将聚焦于利用E-MWCR预测得到的PV功率开展电网优化运行，以降低运行成本和温室气体排放。