太陽光電預測模型探討

吳元康*主筆

*中正大學電機系教授

　　隨著我國太陽光電的裝置容量逐步提高，太陽光電發電量預測的重要性亦逐漸增加。太陽光電預測議題涵蓋許多面向，例如各種型式的預測模型與特性、單一電廠與區域電廠發電預測的差異、決定性預測與機率預測、不同空間與時間尺度下的預測方式、以及輸入模型數據的預處理技術等。其中預測模型的種類及其特性是預測的重點項目之一。典型的預測模型分類包含物理模型、統計模型、混合模型、以及基於天空圖像的預測模型等。

　　典型的物理模型是數值天氣預報(Numerical Weather Prediction, NWP)模型，它以描述大氣物理狀態和動態運動的數學方程式組爲基礎。物理模型除了考慮天氣變量(例如全球水平照度Global Horizontal Irradiance(GHI)、相對溼度、風速與方向)的預測外，亦考量太陽光電案場特性，例如位置、方位等。一般在天氣條件穩定下，物理模型的預測性能較高；反之，若氣象變量的變化急劇，可能影響預測的準確性。

　　廣義而言，統計預測模型涵蓋統計迴歸方法、傳統人工智慧方法、深度學習與機器學習模式、以及混合模型等。統計模型主要將歷史數據中提取重要關係來預測太陽光電系統未來的發電行爲，因此歷史數據的品質對於預測準確性是至關重要的。統計模式通常需要儲存大量歷史數據資料；例如氣象以及功率量測值，以及適當選擇模型訓練的歷史數據。舉例而言，統計模式需要基於歷史數據，選擇重要的輸入變數，或是提取相似性的發電關係。訓練數據的長度一般以30天為主，並根據不同的天氣條件(晴、陰、雨天)對訓練集進行分類。統計迴歸技術主要用以建立太陽能發電(因變量)與其影響因子的自變量之間的關係；它可以根據線性或非線性的時間序列(Time Series)或是基於人工智慧的建模方式來描述。傳統類神經網路由於涵蓋大量的神經元拓撲結構，已經被證明在各種情境以及在大量的輸入數據下是有用的；不同型式的類神經網路可根據其隱藏層的數量進行分類，且可透過不同的最佳化技術來優化神經元參數，降低神經網路的計算複雜度以及其收斂與訓練的時間。

　　廣義的統計模式亦包含機器學習與深度學習模型，這些模型包含大量可採用的方法以及變量，可支持預測、分類、迴歸、以及集群等應用。深度學習的本質是直接並自發性地學習更多有用的特徵，最終提高預測精度。典型的深度學習程序包含數據預處理技術、特徵提取技術、迴歸方法以及誤差後處理技術等。數據預處理技術將原始的發電時間序列數據分解爲多個不同頻率的分量，接著設計特徵提取的模式以及迴歸方式對各分量進行預測，並可利用最佳化技術調整模型結構與參數。下一步結合所有的預測分量，亦即對預測結果進行重構。最後利用各種誤差後處理技術對重建後的預測結果進行校正。

　　一般認為深度學習模型比過去淺層模型能更佳地描述非線性特徵。然而，針對太陽光電預測，我們需要了解預測樣本的複雜性、分析深度學習網路所需要的訓練樣本大小、以及需要多少計算資源來訓練這些預測樣本。此外，在數據量大的情況下，深度學習模型可能更適合於挖掘數據的訊息特徵；隨著深度學習功能的增強，從大規模預測樣本中提取的特徵與信息往往更有價值。然而，如何設計一個具有強大特徵學習能力的層次模型是深度學習模型的一個關鍵問題。

　　每一種統計模式或物理模式都可能會忽略或簡化一些重要的資訊。混合式模型的原意便是透過組合這些不同的模式以增強各模型的優勢，提高預測精確度。典型的混合方式有兩種型式，一是結合兩種或多種統計技術(混合不同的統計模型)，另一種是將統計模式加入太陽光電性能模型(混合物理與統計模型)。已經有許多研究指出混合模型的確獲得比單一模式更好的預測結果。許多國家採用混合物理與統計模型的太陽光電預測模式，其目的是獲得物理與統計模式互補的效益。例如某些數值天氣預報模式下可能缺少足夠的分辨率，因此可加入統計模式強化數據之間的鏈結關係，降低數值天氣預報的物理模式誤差。

　　除了傳統的預測模式外，天空圖像可以提升預測太陽光電預測的品質，因爲它提供了提前數分鐘至數小時的雲變化軌跡，亦即提供一個預測所需的前置時間。許多研究已經應用衛星圖像與幾種空間天空成像儀預測的方法。然而，若雲的三維特性(包含高度)被忽略，則大多數衛星成像方法就僅在處理簡單的幾何形狀問題，造成預測誤差。因此，較為精確的空間天空成像儀預測，需要多個分佈式的天空攝像機來解決雲的三維特性所可能造成的誤差。

　　以上簡介幾個重要的太陽光電預測模式以及相關理論。然而太陽光電預測範疇不儘是單純探討這些預測模式，其他的重點如資料處理、不同空間與時間的考量、以及預測不確定度都是需要探討的議題項目。