基于两阶段级联模型的光伏功率群体预测方法

光伏发电的不确定性与波动性使得准确预测成为提升系统效率的关键挑战。相较于单站点预测，群体预测可提升整体精度，有助于省级电网的电力电量平衡。本文提出一种两阶段级联模型：第一阶段结合数值天气预报，采用混合神经网络对各站点独立进行短期光伏功率预测；第二阶段利用全连接层建立单站与群体预测间的映射关系，在保留第一阶段特征的基础上优化整体预测性能。实验结果表明，该方法较单站点预测误差降低近1%，且训练时间短于单一模型，验证了其优越的预测性能。

光伏发电系统的不确定性和波动性使得准确预测光伏发电量成为提高系统效率的关键挑战之一.相比于单站点光伏预测,光伏群体预测能够在一定程度上提高整体预测精度,从而有效服务于省级电网电力电量平衡.此外,通过多阶段级联模型的思想将群体预测模型分成2个阶段,能够加快训练的收敛速度.为此,首先根据数值天气预报(numerical weather prediction,NWP),使用混合2种神经网络的短期光伏预测模型对每个站点进行光伏预测,并使用多通道模型输出各站独立的预测值;在上一阶段模型训练完成后,保留第1阶段学习到的特征,再进行下一阶段的模型训练,即利用一个全连接层建立单站预测与群体预测之间的映射关系,以建立更精准的发电量预测模型.通过对比实验验证发现,所提方法的误差比单站点预测降低了近1％,且两阶段模型比单模型训练时长短,说明两阶段光伏功率群体预测方法比传统预测方法表现出了更好的性能.