国家尺度太阳能功率爬坡事件的特征分析与预测
机器学习
2026-03-30 v1
摘要
太阳能的快速增长正在重塑电力系统运行并增加电网管理的复杂性。随着光伏（PV）装机容量的扩大，光伏发电的短期波动引入了显著的运行不确定性。与此同时，太阳能功率爬坡事件因突发性大幅功率波动而加剧电网不稳定和非计划停运的风险。因此，准确识别、预测和缓解太阳能爬坡事件对维持电网稳定至关重要。本研究中，我们分析了6434座光伏电站两年内以15分钟分辨率记录的光伏发电数据。我们开发了定量指标来定义太阳能爬坡事件，并系统地表征了其在国家尺度上的发生频率、频次和幅度。此外，我们考察了爬坡事件的气象驱动因素，重点关注中尺度云系统的作用。特别是，我们观察到爬坡事件通常与早晨云的消散相关，而爬坡下降事件则常见于下午云量增加时。此外，我们采用了一种近期开发的时空预测框架来评估来自深度学习和物理模型的确定性和概率性光伏功率预测，包括 SolarSTEPS、SHADECast、IrradianceNet 和 IFS-ENS。结果表明，SHADECast 是最可靠的模型，在两小时提前期下其 CRPS 比 SolarSTEPS 低 10.8%。然而，最先进的 nowcasting 模型难以捕捉爬坡动态，预测 RMSE 相比正常工况最多增加 50%。总体而言，这些结果强调了改进高分辨率时空建模以提升爬坡预测能力并支持大规模太阳能发电可靠并入电力系统的必要性。
引用
@article{arxiv.2603.26596,
title = {Characterization and forecasting of national-scale solar power ramp events},
author = {Luca Lanzilao and Angela Meyer},
journal= {arXiv preprint arXiv:2603.26596},
year = {2026}
}