[论文解读] A Stochastic Model for Short-Term Probabilistic Forecast of Solar Photo-Voltaic Power

Raksha Ramakrishna, Anna Scaglione+1 more|arXiv (Cornell University)|Jun 16, 2017

Solar Radiation and Photovoltaics参考文献 31被引用 4

一句话总结

本文提出了一种受物理启发的 regime-switching 随机模型，用于短期太阳能光伏功率的概率预测，针对晴天、阴天和部分多云条件分别采用高斯分布和隐马尔可夫模型（HMM）。该方法在点预测和概率预测方面均优于基准模型，通过可调参数可根据应用需求实现可靠性或精确度的校准。

ABSTRACT

In this paper, a stochastic model with regime switching is developed for solar photo-voltaic (PV) power in order to provide short-term probabilistic forecasts. The proposed model for solar PV power is physics inspired and explicitly incorporates the stochasticity due to clouds using different parameters addressing the attenuation in power.Based on the statistical behavior of parameters, a simple regime-switching process between the three classes of sunny, overcast and partly cloudy is proposed. Then, probabilistic forecasts of solar PV power are obtained by identifying the present regime using PV power measurements and assuming persistence in this regime. To illustrate the technique developed, a set of solar PV power data from a single rooftop installation in California is analyzed and the effectiveness of the model in fitting the data and in providing short-term point and probabilistic forecasts is verified. The proposed forecast method outperforms a variety of reference models that produce point and probabilistic forecasts and therefore portrays the merits of employing the proposed approach.

研究动机与目标

• 解决电力系统运行中太阳能光伏功率生成的非平稳性和不确定性挑战。
• 开发一种概率预测模型，以捕捉不同云况下太阳辐照度的物理行为。
• 提供一种计算高效、数据驱动的方法，无需依赖外部天气预报或复杂数值模型。
• 实现可调的概率预测，适用于电池储能规划等随机优化应用。
• 通过引入与状态相关的随机动态，改进现有点预测和概率预测模型。

提出的方法

• 基于物理云行为，使用三种状态（晴天、部分多云、阴天）的 regime-switching 过程建模太阳能光伏功率。
• 对晴天和阴天状态使用简单的高斯分布，对部分多云状态使用隐马尔可夫模型（HMM）以捕捉时间动态。
• 在每个状态下应用持续性假设来预测未来功率输出，利用实时光伏测量结果识别当前状态。
• 通过调节参数（λz, λa^b, λa^e）和标准差（σs, σoc）控制预测区间宽度和校准性。
• 采用在线自适应估计方法，实时更新状态识别和模型参数，无需预先知晓天气状况。
• 通过从三种状态特定模型中进行蒙特卡洛采样生成概率预测，支持随机优化中的场景生成。

实验结果

研究问题

• RQ1 regime-switching 随机模型能否有效捕捉太阳能光伏功率生成的非平稳性和间歇性？
• RQ2 所提出的概率预测模型在短期预测中与现有点预测和概率基准相比表现如何？
• RQ3 通过调节参数，该模型的预测质量在可靠性与精确度之间可调的程度如何？
• RQ4 与纯统计模型相比，整合物理洞察（云层状态）是否能提升预测准确性和可解释性？
• RQ5 该模型能否生成适用于微电网和储能应用中随机优化的可靠、基于场景的预测？

主要发现

• 所提模型在所有评估指标（包括 RMSE、MAPE 和 CRPS）上均优于多个基准模型（如 AR、ARX、智能持续性方法及基于 HMM 的方法）。
• 该模型的 CRPS（连续概率评分）低于所有对比方法，表明其概率预测具有更优的校准性和覆盖度。
• 以额定容量归一化后的平均预测评分在所提方法中最高，表明其在概率预测中兼具优越的精确度与校准性。
• 该方法在可靠性指标方面表现强劲，尤其在低分位数区域；然而，高分位数区域因预测区间过宽而仍有改进空间。
• 通过调节参数 λz、λa^b 和 λa^e，可在预测可靠性与精确度之间实现权衡，支持根据特定应用需求进行定制。
• 该模型在短时预测范围（4 小时以内）内表现稳健，与天气条件的持续性假设一致。