评估预报准确性——最佳实践

概述

准确的太阳能预报是高效电网管理和太阳能资源最佳利用的基础。预测准确性通过将预测值与参考值进行比较来评估，而这种比较的质量取决于在计算任何准确率指标前所做的多种方法学选择。

本文档涵盖了完整的评估工作流程：

• 选择合适的比较参数（PV功率输出与GHI/GTI）。

• 理解测量数据和卫星来源参考数据的局限性。

• 对参考数据集进行质量控制。

• 选择合适的评估时间段和数据分辨率。

• 正确处理预报视野。

• 以预测偏差计算为准确度指标的基础。

注：参考数据的精心准备是预测准确性评估中最关键且最常被忽视的步骤。参考数据中的错误直接影响了由此得出的任何准确性指标的有效性。

预报准确性评估参数

可用于预测准确性评估时，可以使用多个参数。最常见的是光伏功率输出，但也可以使用 全球水平辐照 （GHI）和 全球倾斜辐照 （GTI）。基于这些参数进行准确性评估存在潜在问题;但在大多数情况下，建议使用光伏功率输出而非GHI或GTI。

光伏功率输出问题

实际测量的光伏功率输出来自安装在光伏系统现场的传感器或电表。这些设备持续监测实时光伏发电，并提供与预测同期内实际发电量的数据。

当以光伏功率输出作为预报准确性评估的参考时，应考虑以下潜在的数据质量和可靠性问题：

• 逆变器停电：逆变器故障常导致光伏功率突然下降。此类数据通常降低预报准确性评估结果的可靠性。

• 限电：限电是指电网中电力过剩时的发电限制。受限时影响的PV功率输出值应排除在预测准确性评估之外，因为它们无法为预测PV功率输出提供可靠的参考。

• 记录器问题：记录光伏功率输出的设备故障常导致数值不合逻辑，降低参考数据质量。这些数据点应排除在预报准确性评估过程中。

• 自然现象：大雪或雾等事件显著减少了太阳辐射照射到电池板的量，从而降低光伏发电输出。虽然这些数值不能被视为损坏，但应谨慎考虑是否将其纳入预报准确性评估，因为预报模型难以准确预测这些事件，且它们可能显著影响评估结果。

图1：2021年1月23日预测的光伏发电输出（绿色）与预测的光伏输出（红色）相比。

图2：参考光伏功率输出（绿色），受积雪覆盖限制，与预测的光伏功率输出（红色），2020年12月9日至11日。

GHI/GTI（地面测量）的问题

GHI通过 火升仪 测量，GTI则用 热升仪测量。这两种仪器都很灵敏，必须妥善维护以提供准确可靠的测量。如果没有适当的维护，这些仪器常常会产生影响预报准确性评估结果的参考数据。

应考虑以下维护相关问题：

• 定期校准：按照制造商指南定期校准测量仪器对于实现高精度、低不确定性的测量输出至关重要。如果校准被省略或校准间隔过长，仪器通常会提供错误的数据。

• 定期清洁：当仪表传感器上积累泥土、灰尘、鸟粪或其他污垢时，阻挡太阳辐射，导致辐照度读数降低。积累的污垢还会导致传感器逐渐劣化，导致长期测量漂移。

• 正确对准：当测量仪器正确对准时，它能接收到来自周围物体（如树木、建筑物或其他结构）的太阳辐射而不受阻挡。阴影仪器会产生低估的太阳辐射读数，不应在预报准确性评估中使用此类数据。

图3：GHI仪器污染的影响——表现为测量值相较于干净传感器参考逐渐降低。

图4：在测量的GHI和DNI中观察到的系统性阴影效应——在固定时间反复下降表示附近物体的遮挡。

选择合适的参数

在评估预报准确性时，拥有高质量的参考数据至关重要。测量的光伏功率输出和地面测量（GHI/GTI）均可用于预测准确性评估。通常优先考虑光伏发电，因为光伏电厂的运行性能才是最重要的。另一方面，当地面测量质量高于测得的光伏功率输出时，使用GHI/GTI可能是合理的。

参考数据类型（测量数据与卫星数据）

评估预测准确性时，可以参考两种类型的数据。

测量数据 通过位于光伏系统站点的测量仪器获得。测量参考数据的潜在问题已在上一节描述。

卫星数据 指的是通过卫星图像获得的太阳辐射估计。卫星图像捕捉大气和云层状况，以估算地表的GHI。估算的GHI可以转换为GTI和光伏功率输出。卫星数据无间隙且无误差，这相较于测量数据具有显著优势。

然而，卫星数据是由算法生成的，没有哪个算法是完全准确的。卫星推算的太阳辐射估计至少可能受以下因素影响：

• 因误分类导致的误差：例如，薄云往往被低估，而明亮的表面如积雪覆盖的区域、水体和沙漠也可能被高估。

• 空间分辨率限制：局部变化如云影、地形效应和局部微气候可能无法被很好地捕捉。

• 捕捉局部效应的困难：例如，气溶胶、尘埃和污染水平，这些对太阳辐射进入地表有显著影响，可能无法准确呈现。

无论是测量数据还是卫星数据，都有优缺点。如果有高质量的测量数据，建议在评估预报准确性时使用，因为它最直接地反映了真实情况。

质量控制

高质量的参考数据是预报准确性评估中最关键的方面。质量控制确保参考数据在计算任何指标之前是可靠且一致的。

对于光伏功率输出，质量控制应识别：

• 可疑的异常值（例如负值，超过光伏系统装机容量的值）。

• 缺少数值。

• 传感器和逆变器故障。

• 数据日志错误。

对于GHI/GTI地面测量，质量控制应识别：

• 测量仪器错位。

• 被周围物体遮蔽。

• 测量仪器的污垢（如尘埃、雪、水滴、霜冻、鸟粪）。

识别出的错误数据应从评估数据集中移除，或用卫星来源的数据替换。质量控制的主要目标是准备参考数据，使预测准确性评估结果尽可能贴近现实。

图5：因逆变器问题导致光伏功率部分下降的示例——受影响的时期被高亮显示。

图6：PVOUT值中可见的数据记录器问题示例——不合逻辑的峰值和缺口表明日志错误。

推荐时间段

预报准确性可以针对不同时间段进行评估——从一小时到整整一年甚至更长。最终，预报准确性评估应能提供涵盖全年多样天气状况的结果。

建议使用最近12个月的数据来获取全面的预报准确性评估统计数据。以下考虑因素支持这一建议：

• 季节趋势分析：评估不同季节（如春季、夏季、秋冬或雨季与旱季）的预报准确性，捕捉了PV功率输出和太阳辐射预测的季节性变化。季节性变化通常会影响预报准确性，评估全年预测与所有季节实际参考数据的一致性。

• 变异性评估：光伏功率输出和太阳辐射会因天气模式、季节和一天中的时间而有显著差异。更长的时间视角可以评估预报模型在不同条件下捕捉这种变异的程度。

• 长期表现：天气模式的短期变化或异常可能发生，可能导致数天或数周内的预报准确性统计数据失衡。全年评估预报准确性可以更全面地了解预报模型的能力。

短期预测准确性评估可能无法完全了解预测表现。评估最近12个月的数据可以更好地洞察各种天气条件下的预报准确性。

推荐的数据分辨率

在评估预报准确性时，必须对参考数据进行重新采样（聚合）至合适的时间分辨率。虽然1分钟或5分钟的PV功率输出和GHI/GTI测量提供了高分辨率数据，但 数值天气预报 （NWP）模型可能无法准确捕捉此类短期变异。

这一限制的主要原因包括：

• 时间分辨率：NWP模型通常采用较粗的时间分辨率，常在每小时或更少频率间隔提供预报。这些模型旨在捕捉更大规模的天气模式和趋势，而非短期波动。

• 空间分辨率：NWP模型在特定空间分辨率下运行，可能无法捕捉短时间内发生的局部太阳辐射变化。

• 模型局限性：NWP模型中使用的基于物理的方程在表示影响短期太阳辐射变异的微观大气过程（如云的形成与消散、湍流及局部地形效应）方面存在固有局限。

图7：2024年12月22日预报数据（红色）与5分钟参考数据（绿色）之间的变异差异。参考点的高频变异未被预报捕捉。

使用1分钟或5分钟的测量作为评估预报准确性的参考，可能会因参考值与预报之间的时间分辨率固有差异而引入差异。

预测准确性评估旨在 理解两种数据源的局限性和特性。因此，建议在比较前汇总1分钟或5分钟的PV功率输出或GHI/GTI测量值，以匹配预报数据的时间分辨率（例如15分钟、每小时）。这确保了更有意义和公平的比较。

预报视野

预测视野指的是对未来进行预测的时间段。正确管理预报视野对于可靠准确评估至关重要。

运营预报与历史预报的差异在 《运行与历史预报 》文档中有详细说明。

历史预测

对于历史预测来说，评估准确性非常简单。每个包含历史预报的文件总是包含单一且一致的预报视野的预测。

运营预测

在操作预测中，情况则不同。一个包含操作预报的单文件可能包含从H0到D14的预测，意味着一个文件包含多个预报视界混合在一起。

不建议同时评估不同的预报视野。预测视野越长，预测的不确定性越高，因此在单一评估中混合多个视野会产生误导性结果。相反，应从运营预报文件中筛选出感兴趣的预报视野，并在进行预报准确性评估前汇总为单一时间序列。

评估一致的预报视野确保评估结果可靠且可比。

预报准确性评估指标

预测偏差，也称为预报误差，是预测值（PV功率输出或GHI/GTI）与参考值之间的数值差异。它表示预测与参考值的偏差程度，通常以绝对值或百分比表示。

单一时间步的预测偏差计算公式为：

正偏差表示预报 高估了参考值;负偏差表示 低估。

表1：预报准确性评估的基础输入——预报偏差计算示例

计算预报偏差是预报准确性评估过程的第一步。

延伸阅读

• 管理预报准确性预期

• 监测与预报数据来源

• 预报数据验证

• 正确PV配置对预测准确性的重要性