- 文献综述（或调研报告）：
随着电力系统的发展和可再生能源的不断渗透，系统复杂度和不确定水平显著提升。为充分发展与利用光伏发电，国内外积极开展了光伏发电功率预测技术相关方面的研究。光伏发电功率预测按照实现方式可以分为直接预测与分步预测，从预测方法上可以划分为物理方法和统计方法，从预测形式上有点预测和区间预测之分。这些划分相互交错而不互斥。下面将从上述的几种划分角度对当前光伏功率预测情况进行简要分析。
- 直接预测与分步预测
直接预测模型的输入一般是光伏电站的发电功率和相关气象因素的历史数据以及天气预报信息，输出就是光伏电站发电功率的预测值。分步预测可将功率预测分为影响因子预测和光伏电站功率特性建模两步。先对影响光伏功率的相关因子进行预测，再通过光伏电站功率特性模型得到输出功率预测值。如文献[1]提出利用改进BP神经网络直接预测光伏输出功率。直接预测的优点是简洁方便，无需对光伏电站发电功率出力特性进行建模，但缺点是既要蕴含光伏电站的功率特性，又要对历史数据和未来发电功率之间跨越预测时间尺度的复杂非线性映射关系进行拟合，这对预测模型和学习算法提出了极高的要求。
分步预测一般需要建立太阳辐射模型，根据当地气候历史数据对太阳辐射进行预测。太阳辐射的预测依赖于详细的气象数据，要求预测结果越精确，模型就越复杂，这使预测过程十分繁琐。文献[2]建立了基于不确定理论的太阳辐射值预测模型，通过分析云量的模糊性和云遮系数的双重随机性，得到不同云量太阳辐射值的预测，以双重随机模拟算法得到辐射值的预测区间。
- 物理方法和统计方法
基于物理方法的光伏电站功率预测，根据数值天气预报(NWP)信息得到太阳照射时间、辐照强度、气温等气象数据，然后综合考虑影响光伏电站所在地的各种地理信息，根据输出功率曲线计算得到光伏电站的输出功率。物理方法的预测关键点之一是太阳能辐照度预测。基于物理方法对太阳辐照度的预测有数值天气预报法、卫星数据法、相似日法等。
文献[3]利用欧洲中期天气预报中心提供的辐照度预报值进行单个和区域光伏电站发电功率预测。利用数值天气预报的光伏发电功率预测的精度很大程度上取决于天气预报的精度、辐照度计算模型和光伏发电功率特性仿真模型。数值天气预报的地理分辨率相对于单个电站来说还是较为粗略，因此这种方法比较适合对较大地理区域内多个光伏电站集群的发电功率预测。文献[4]即将相似日与径向基函数神经网络结合起来，利用相似日辅助决定预测模型输入变量。相似天气状态条件下的光伏发电功率出力相关性较强，利用相似日发电功率和气象参数的历史数据对预测模型进行训练，能在一定程度上提高发电功率的预测精度。
统计方法对历史数据进行统计分析，找出其内在规律建立一个映射关系用于预测。统计方法不考虑太阳辐照强度变化的物理过程，而根据历史统计数据找出天气状况与光伏电站出力的关系，然后根据实测数据和数值天气预报数对光伏输出功率进行预测。当可用来作为预测相关因子的数量较少时，可以使用一些偏向于统计学的方法，常见的有自动回归模型(Automatic regression, AR)，滑动平均模型，自回归滑动平均模型(Auto-Regressive Integrated Moving Average, ARIMA)，指数平滑模型(Exponential Smoothing, ES)，马尔科夫链预测[5]。当可用数据中影响因子较多，输入变量与输出之间的映射关系错综复杂，这时使用一些机器学习的方法往往有比较好的结果。如人工神经网络预测[6]，支持向量机预测[7]等。
其中人工神经网络能够通过现有的观测数据拟合任意的非线性映射，在解决某些复杂的非线性问题是有其独特的优点。文献[8]分析了基于人工神经网络的太阳辐照预测的相关文献，研究表示人工神经网络技术相对于其他传统方法的有效性。但为达到比较好的预测精度，需要注重输入参数选择、训练算法和网络结构配置等。
统计方法在风电预测中也有一些应用。文献[9]运用时序求和自回归滑动平均模型(ARIMA)ARIMA(11,1,0)进行风速预测，并提出卡尔曼时间序列法与滚动式时间序列法进行改进，两种方法分别有效降低了提前一步与提前多步预测的平均预测误差。
- 点预测与区间预测
光伏功率预测在预测形式上可以分为点预测和区间预测。目前，大多数已发表的关于光伏预测的文献都是基于不同的技术的应用来提供点预测。点预测只是预测未来某一时间域内光伏功率的输出值的确定大小，没有提供预测值的不确定信息。上述光伏预测的文献基本都是在探讨点预测。
单一的预测方法实现起来较为简单，但单一预测的准确性严重依赖于样本以及输入量的选取，适用性较窄。一种比较浅层的改进思路是对多种单一预测方法进行组合，使用优选组合技术，即将不同的模型有机组合，尽可能地利用各个模型提供的有用信息，对预测对象进行更完备的描述。优选组合预测技术存在两种途径：一是动态优选模型，动态比较几种预测方法预测结果，选择拟合度最佳或标准离差最小的预测模型作为最优预测模型。二是优选权重的综合预测模型，即对各个预测模型综合判断，赋予各个预测方法适当的权重再进行加平均。如文献[10]提出了一种基于最小二乘支持向量机(Least Square Support Vector Machine, LS-SVM)和数据组合处理方法(Group Method of Data Handling, GMDH)结合的混合算法群最小二乘支持向量机(Group Least Square Support Vector Machine, GLSSVM)，结果显示GLSSVM方法在直接预测上较传统人工神经网络方法有更好的预测精度。但是混合算法的计算代价较高。而文献[11]则将两种方法进行结合，采用基于可变向量遗忘因子的自适应指数组合模型动态分配模型权系数，在自适应过程中实现模型优选,得到最终的风电预测结果，能够有效提高风电功率预测精度。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
