Nature Communications: 面向未来光伏发电新模式 — 一种全新的基于静止卫星的光伏站上空云量短临预报技术

中山大学大气科学学院闵敏教授团队近期研发了一种利用时间序列神经网络结合静止卫星图像为光伏站上空提供未来0-4小时云覆盖的短临预报算法系统，该算法系统成功应用到中广核新能源公司的5个光伏电站功率预估测试。北京时间2024年1月13日, 国际SCI期刊Nature Communications在线发表了这一研究成果。论文的通讯作者是闵敏教授, 第一作者是中山大学大气科学学院2023级博士研究生夏攀同学，其他作者包括来自国家卫星气象中心、中广核风能有限公司和中科技达有限公司的科研人员。

为减少化石燃料的使用和全球气候变化需要快速的能源转型，全球各国相继制定了各自实现碳中和的目标和途径。2009年以来，太阳能光伏能源作为增长最快的可再生能源，其发电量全球每年增长41%。这对光伏发电的转换效率的提高和资金成本的降低提出了更高的要求，而这些总是受到云层覆盖、气溶胶和面板污染的影响。与气溶胶和面板污染形成鲜明对比的是，云层覆盖会显著且间歇性地影响入射的太阳辐射，导致负荷需求与光伏发电产生不平衡，这对电网的稳定性构成了相当大的风险。因此，可靠而强大的光伏发电或全球倾斜辐照度（GTI，太阳能光伏板捕获的辐射）预测技术，特别是日内GTI或光伏发电的短期预测（0–4小时的主导时间），对功率平滑过程和其他负载跟踪应用非常有益。此外，目前，在大多数欧洲国家，电力物理输送的短期价格是在现货市场形成。尽管约80%的交易量由日前交易市场统治，但从每小时到15分钟间隔的即时竞价也将决定一定比例的实时电价。因此，先进的太阳能光伏发电实时预报技术不仅可以提高发电的稳定性，还有助于更具商业可行性的光伏系统的发展、当前的电力市场的发展和价格交易、及太阳能光伏能源竞争力的提高。

近年来，人工智能的快速发展推动了基于数据驱动的机器学习方法在地球系统科学中的应用。特别是，一些关于太阳辐射预测的研究明确指出，与经验模型、时间序列和混合算法（如人工神经网络和支持向量机）相比，基于机器学习的高级预测方法表现更好。然而，在复杂的大气动力学、地理和气候条件下，预测云的运动、形成、变形和消散仍然是一个巨大的挑战。目前还没有一种能够在任何地区和任何时间都能有效工作的太阳辐射预测模型。闵敏教授团队致力于开发一种针对光伏电站小区域的白天每小时的云量预测算法。基于递归神经网络（RNNs）的长短期记忆（LSTM）算法框架，新开发的PredRNN和PredRNN++可以很好地通过调整其空间和时间相关性来学习预测各种时空任务中的短期未来图像，包括视频帧预测、人体运动预测等。因此，团队的主要目标是基于PredRNN++模型的关键框架，开发一种创新且易于推广的新算法系统。通过该算法，可以使用高时空分辨率的日本Himawari-8/9地球静止卫星序列图像预测所有天气条件下太阳能光伏发电厂上空未来0–4 h 的云覆盖分数。

光伏站上空云覆盖的循环短临预报系统

基于该算法，团队还建立了一个循环更新的预测系统，该系统包含三个板块, 数据预处理、预测和云反演。系统先把静止卫星数据切割，生成光伏站上空局部地区数据, 再将这些数据通过神经网络进行预测,其中时间序列长度为4小时。系统每次运行约40分钟, 模型训练的数据不断更新,预测网络也不断更新,保证预测结果是根据最近的静止卫星观测数据的预报而来。

该算法系统在中广核风能有限公司5个太阳能光伏站的预测结果展示

上述算法在中广核风能有限公司五个光伏电站和几个有云覆盖分数观测的站点进行了测试。结果表明，云覆盖分数实时预报是一种高效、高质量、适应性强的方法。特别是，它在前2小时的领先时间内表现出了出色的预测性能，预测的晴空比与光伏发电厂的实际发电量之间的平均相关系数接近0.8。研究结果证明了这项关键技术在提高太阳能光伏能源在电力市场竞争力方面的优势和潜力。

在未来的5-10年，分布式光伏和集中式光伏将会发展成为最主要的新能源发电形式，而云遮挡是光伏电站功率预测误差的主要因素，这大大影响电网的调度难度和电力市场交易收益。云覆盖分数实时预测的进一步深入研究和大力推广，将为新型电力系统建设、新型能源产业革命贡献巨大的力量。

本研究工作得到了南方海洋科学与工程广东省实验室创新基金（No.SML2023SP208）的第一资助。相关论文链接：Pan Xia, Lu Zhang, Min Min*, Jun Li, Yun Wang, Yu Yu, Shengjie Jia, 2024. Accurate nowcasting on cloud cover at solar photovoltaic plants using geostationary satellite images [J]. Nature Communications, 15,1-10,doi:10.1038/s41467-023-44666-1,URL:https://www.nature.com/articles/s41467-023-44666-1