随着传统化石能源的枯竭和环境污染问题的日益严峻，新能源成为取代传统化石能源的不二之选，发展新能源发电技术是解决人类社会能源短缺问题的重中之重。光伏发电是商业化程度最成熟，应用最广泛的新能源。为解决光伏发电技术的最主要问题——发电特征不规律，需要对太阳辐照度进行提前预测，预知第二天的光伏发电情况，对电力系统进行提前调度。传统预测方法很难在有限数据资料情况下，精准预测太阳辐照度情况。

近日，兰海教授团队在国际期刊Applied Energy（中科院JCR一区，IF=7.9）上发表新文章（DOI:10.1016/ j.apenergy.2019.04.056），提出基于频域主成分分析及神经网络的日前太阳辐照度的时-空预测方法，据悉，这是该领域内首次提出基于频域主成分分析及神经网络的时-空预测方法，为新能源发电预测提供了新思路。

方法框架

该组合方法包含两大计算步骤，频域特征提取及神经网络滚动式预测。第一步，采集预测目标地点周围太阳辐照度历史数据，利用快速傅里叶分解对原始时域数据进行频域转换，得到频域特征数据；第二步，利用主成分分析-负反馈混合神经网络（PCA-BPNN）对频域特征数据进行滚动式时间序列预测，最后对神经网络输出的频域预测结果进行快速傅里叶变换，得到日前太阳辐照度的时域预测值。

太阳辐照度四季预测结果

与四种的传统太阳辐照度预测方法对比，明显提出的新方法在一年四个季节中的预测精度更高，与真实数据相关性更紧密。预测结果证明了该时空预测方法的有效性和优势，是解决新能源发电预测问题的重要技术创新。

论文链接：

https://doi.org/10.1016/j.apenergy.2019.04.056