1.2 国内外研究现状及展望
微网能量管理的主要任务是根据负荷需求信息、天气情况、市场信息以及电网运行信息等，在满足运行条件下，协调微网系统分布式电源和负荷等模块的工作，优化微网系统能量的流动和利用，以最小的工作运行成本向用户负荷提供满足需求质量的电能[9]。然而，以风能和太阳能为代表的分布式新能源由于受到天气和气候的影响，其随机波动性给电网的安全稳定运行带来困难。因此，为保证微网经济调度和优化运行，实现微网能量管理系统的广泛应用和推广，迫切需要有效的功率预测技术。
1.2.1 微网能量管理系统
微网能量管理系统（Energy Management System，EMS）是在满足微网负荷及电能质量的前提下，对于微网内部的各类分布式电源、储能设备及与主电网交互的能量优化分配，保证微网的安全性、稳定性和可靠性，并确保微网高效、经济地运行。
DG与传统电源的发电情况截然不同，例如光伏易受到天气阴晴的影响，风力机易受到季节气候的影响，光伏、风力机和某些特殊微源需经过逆变器实现并网，由于DG的惯量较小会引起微网频率和电压的波动，微型燃气轮机易受到热、电负荷变化等影响。随着DG渗透率的逐年增高，微网EMS与传统电网的EMS之间存在较大差异。为了实现可再生能源的有效利用，需要对微网EMS进行改进。传统的EMS主要是通过监控与数据采集（Supervisory Control and Data Acquisition，SCADA）系统采集实时电网信息，用于调度、管理和控制；微网EMS在具备以上功能的基础上，还需具备可再生能源发电预测、负荷预测、经济调度、实时功率平衡、优化运行以及对重要负荷可靠供电等[10]。
目前，微网EMS在数据采集、状态监控等基础方面的技术已较为成熟，而微网的协调控制、优化运行、网络分析、能量合理分配等中高级技术研究尚浅，目前仍处于探索阶段，还没取得巨大突破。如何合理利用微网能量，设计并开发出一套标准的微网EMS，使其能保证微网在不同运行模式下、不同时序下和不同约束条件下安全可靠且经济环保地运行，已成为微网技术发展的重要问题。
微网一般由分布式发电单元、储能设备、用户负荷和中心控制站等组成，通过电力市场信息及电网环境信息，优化内部资源，以最小成本安全、可靠地向负荷提供需求质量的电能。微网系统既可并行运行又可脱离电网独立运行，即联网运行管理（在线）和孤岛运行管理（离线），其能量管理如图1-3所示。
图1-3 微网EMS
在联网模式下，微网可视为整个电力系统的一个可控负荷模型，能够接受系统的合理调节来提高区域的供电稳定和优化性能，还可适当地用于峰荷管理和负荷平移等。微网断开与外网的连接成为孤网运行时，EMS需要调节网内部的资源分配，保证供电的可靠稳定。分布式电源自身的随机性和波动性给电网的电能质量造成的影响在微网表现得更为明显，电压波动和频率偏差需要EMS进行调节控制，以保证整个网络功率输出和需求的平衡及电能质量。
微网系统包含多种微源和不同类型的负荷，受到风能、太阳能资源的随机性影响，其波动幅度和速度通常大于用户负荷侧的变化，系统的安全面临更高的风险。风力发电和光伏发电预测技术具有多学科综合应用的特点，需要了解和掌握风能和太阳能资源评估、气象监测、数值天气预报（Numerical Weather Prediction，NWP）、风力发电和光伏发电功率预测系统等相关技术，具有一定的共性，即采用风电场、光伏电站的历史功率、气象、地形地貌、NWP和设备状态等数据建立输出功率的预测模型，以气象实测数据、功率数据和NWP数据作为模型的输入，经计算得到未来时段的输出功率值[11]。
1.2.2 光伏功率预测的研究现状
目前，在光伏功率预测的研究领域，可按照时间尺度和实现方式进行分类[12，13]。
1.预测时间划分
功率预测按时间可分为长期、中期、短期和超短期预测[14]。其中，长期预测主要用于光伏、风电场的建设和改造的可行性评估，预测时间为数年延伸至数十年，预测的结果为年发电量[15]；通常情况下中期预测为几个月至两年内，预测的步长时间为月或单周，主要用在系统检修或调试的情况下；短期预测时间可提前至数小时至数日，但通常不超过3日，预测单位可细化为数十分钟或几小时，短期预测用于电网的合理调度，确保了电能的质量；超短期预测一般提前数十分钟至几小时，预测单位为1分钟或几分钟，主要是为了满足风光机组的控制需求[16]。
2.实现方式划分
随着光伏预测研究的不断深入，目前主要集中于NWP的应用，将气象信息量化处理，然后作为模型的输入部分，为了掌握预测日的大气信息，气象数据的监测和分析处理显得尤为关键[17]。具体实现方法主要有基于太阳辐照度的间接预测方法和利用历史发电量直接预测输出功率值的方法。
辐照度特征因子的研究发展为间接预测法提供了重要的理论依据。基于光伏系统采集的历史样本进行辐照度值预测，在此基础上通过建立功率预测模型得到最终结果。所谓间接，就是建立在较为完备的天气预报系统和较为复杂的太阳辐射模型基础上，对预测日的辐照度值进行回归分析，然后求出功率预测值[18]。这种方法在欧美发达地区应用广泛，我国现阶段并不具有完善的辐照度观测体系，对于光伏资源的理论研究和历史数据的采集也不成熟，因此处于起步阶段。参考文献[19]分析总结了当前间接预测技术的发展状况，对于辐照度的研究做了深入探讨；参考文献[20]考虑了地基云图对天气的影响，建立未来4小时超短期预测模型，对晴空和云层2种类型分别讨论，提高了模型对不同天气的适用性；参考文献[21]建立了动态贝叶斯短期功率预测模型，考虑多种影响因素，得到未来短期出力的概率分布；参考文献[22]通过时间重构将历史辐射数据转化为多维尺度，采用支持向量机进行预测，提高了辐照度的预测精度，但对于突变天气情况，会导致时间尺度复杂化，从而影响了模型的泛化能力。
直接法是建立在光伏电站的设计参数和规格、地理分布和周围气象特征基础之上，监测和分析历史气象及功率样本，利用数学建模直接得出预测值，方法较为简单[23]。由于间接预测方法依赖于历史环境下的气象数据分析，国内当前的气象观测站点数量有限，尚不具备太阳辐射预测能力，因此较多采用直接预测方法，其中人工神经网络因其较高的拟合与泛化能力，广泛应用于预测模型的建立。参考文献[24]采用了模糊粗糙集提取重要因素，用加权欧氏距离改进传统聚类算法，最终得到预测日相似度高的训练数据，但该模型划分类型仅依靠NWP平均值的欧氏距离，该参数并不能确保标签数据的特性表征；参考文献[25]提出一种基于连续时间段聚类的支持向量机预测方法，并改进了K均值（K-means）算法，通过两次聚类把全年分为若干个类型的连续时间段，利用类别相同时间段的日相似性和时间连续性进行功率值的预测；参考文献[26，27]分别利用径向基函数（Radial Basis Function，RBF）和自组织映射（Self-Organizing Map，SOM）网络建立预测模型，通过遗传算法和粒子群算法优化有效改善了模型的适应能力，但针对传统SOM算法，仍存在收敛速度过慢、易陷入局部最优等问题。参考文献[28]提出了一种自适应模型，采用机器学习方法训练小波分析结果，通过挖掘历史数据特性解决了直接预测的精度问题。
1.2.3 风电功率预测的研究现状
风电功率预测是评估风电场运行状态的基础，当前国内外研究主要基于风电场历史数据、NWP、地理位置和气象环境因素、风速-风电功率转化函数，结合物理、统计及组合等预测模型，可实现多时间尺度的风电功率预测[29]。
现阶段有关风电功率预测的研究均建立在NWP及气象采集和监测系统[30]，主要采用的方法有物理法[31]、统计回归[32]和统计学习理论[33]等。
采用物理模型必须依靠成熟的NWP体系，量化分析处理风电场的风速、风向、温度、大气湿度和气压等历史气象数据，将其代入功率转化曲线求出实际功率[34]。该方法受到NWP更新速度慢的影响，故一般在风力机检修或调试时使用，通常为中短期[35]。参考文献[36]对风电集群效应进行了讨论，总结了国内外技术特点，对短期风电预测的研究提供了理论依据；参考文献[37]研究了国内多个地区风电场运行状况，提出了一种风过程的概念，对风电功率不确定性进行评估；参考文献[38]定义了风电时间序列的门限值参数，分解序列为不同形态子集与一个非形态子集，这两种方法均提高了特性误差的识别能力，但对于NWP数据的过多依赖会导致最终精度的下降。
统计回归和学习理论均基于历史统计数据、实时监测值和输出功率之间的映射关系，统计法因其泛化能力强，无需考虑风力机周边的具象特性，广泛应用于风电短期预测，但由于模型依赖于历史数据，不适用于小数据样本的情况，且面对复杂多变的气象环境，模型的鲁棒性有待提高[39]。参考文献[40]根据风电场实际运行工况修正了历史功率数据，基于非参数回归实现了风电功率曲线的拟合；参考文献[41]采用Monte-Carlo模型对风电短期预测的不确定性进行评估，基于随机抽样法可对功率预测的不确定性估计，并得到了良好效果。
统计学习法基于机器学习的思想，弥补了统计法的不足，提高了模型的灵活性[42]。目前，国内外关注的重点是风电功率对风速、风向的波动响应，对于风速的研究是今后发展的重点。参考文献[43]提出4个参数优化思想，它把风序列相空间重构参数和支持向量机参数整合为一个隶属度指标，提高了风速的回归精度。参考文献[44]基于经验模态分解（Empirical Mode Decomposition，EMD）对风电功率平稳化研究，提出了极值点频域划分法，实现了不同频率波形的预测，提高了准确度，但极值点数的阈值选择并未给出明确的分析；参考文献[45]基于自适应动态规划建立小波分析神经网络实现风电功率预测，实测数据更新参数实现了在线动态机制，提高了模型适应能力，但在模式切换的临界范围效果仍需改善。
1.2.4 风光发电短期功率预测研究方向的展望
目前，有关风光发电短期功率预测的研究虽然取得了一定进展，但仍存在以下一些不足：
1）历史数据的采集不完备，绝大部分地区并未具备气象监测的能力，无数据可用或不符合当前模型是当前面临的现实问题。
2）模型的运算速度和训练时间有待提高，难以实现微网功率的实时预测。
3）模型的泛化能力不足，适用范围受到很大的局限性。
4）风速研究的课题还存在明显不足，目前我国大量风能资源无法实现合理、有效的利用。
当前，针对微网功率预测的研究方法虽然较多，但并不能普遍适用于各个预测目标。因此，大力发展微网系统中NWP投入，提高模型算法效率和泛化性是今后风光预测研究的重点。
本部分通过研究微网EMS的光伏、风电预测方法，结合了NWP和气象监测站提供的数据，分析了本部分的研究重点，分别建立了短期预测模型，提出了能够有效改进效率的优化算法，提高了模型预测的有效性。