太陽光電預測技術簡介

陳彥銘 研究員 電能物聯網研究室 電力及電網技術組 綠能與環境研究所

太陽光電預測技術簡介

2018. 06. 28

2

2012 2020 2025

4720 MW

27420 MW

*Reference https://www.iea.org/publications/renewables2017/

*Reference 能源轉型路徑圖規劃(經濟部).pdf

• 國際 : 在未來五年，太陽光電是再生能源中成長幅度最快的，大幅高於水力及

風力 (國際能源署 IEA, 2017)

• 國內 : 「再生能源發展條例」部分條文 修正草案 – 2025再生能源占比達到20%

(27GW)，其中太陽光電將占比達73%

太陽光電的成長

台電再生能源發電比例現況

再生能源（含 水力）10.3%

再生能源（含 水力）11.4%

再生能 源4.9%

裝置容量占比 發電量占比

105年

106年 _再生能

源5.1%

105年

106年

資料來源 : 台電公司 https://www.taipower.com.tw/tc/page.aspx?mid=212&cid=120&cchk=f3a1b1e0-03e5-45fa-b72e-b28c5cb94f37

國內太陽光電場

總數

場域數

資料來源：台電官網

太陽能

再生能源使用的主要問題

• 再生能源為間歇性、隨機性能源 (Variability and Uncertainty) – 因此當大量的再生能源併入電網時，易造成電壓浮動，影響區 域電網供電穩定度

5

不穩定再生能源對電網操作的影響

• 電網操作層面需要隨時維持系統的供需平衡 ，但允許短時間的變化 。

• 再生能源併網關鍵在於量(power) 與 瞬間最大變化率(ramp rate+/-)。

– 量:機組排程、備轉容量 (輔助服務)、線路壅塞 – 瞬間最大變化率：系統on-line機組之升降率

6



再生能源出力預測技術為併網解決方案之基礎

快速調度 Fast Dispatch

儲能管理 Reserves Management

彈性市場 Flexible

Market 需量反應

Demand Response

彈性發電 Flexible Generation

再生能源出力預測

*

太陽能出力預測技術應用價值

Source : C. B. Martinez-Anido, etl. (2016), “The value of day-ahead solar power forecasting improvement”, Solar Energy, 129, 192–203

太陽能出力預測類型與主要方法

預測分類 預測尺度 預測用途 預測方法

極短期

小時內 • 快速升降載事件

• 儲能控制

1. 氣 象 因 素 與 天 空 雲 量觀測

2. 由 衛 星 雲 圖 觀 測 雲 運動指標

3. 數值氣象預報模式 1 小 時 ～ 3 小

時前 • 追蹤負載

短期 日前

• 機組排程

• 配電管理

• 電力市場

1. 數值氣象預報模式 2. 統計方法/人工智慧

中長期

每週 • 保養維修 1. NOAA、NASA氣候 預測模型

2. 全 球 氣 候 模 式

（GCM）

3. 長 時 間 氣 象 歷 史 資 料

每季 • 效能評估 每年

• 經濟分析

• 資產評估

• 場址選擇

太陽能出力預測技術與應用類型關係

預測尺度 預 測

粒 度

數值天氣預 報模型

(NWP)

時間序列模型

衛星影像

天空 影像

快速升降載事件預測/儲能管理

機組排程/電力市場

小時內 當日 日前

Source : C. Voyant, etl. (2017), “Machine learning methods for solar radiation forecasting: A review”, Renewable Energy, 105, 569-582

註: 1. 為對分布於該區域內多個發電廠進行總發電出力值預測

2. 因大區域範圍內各電廠出力值誤差可能會互相抵消，因此文獻研究指出大區域範圍預測準確度會大幅提高 3. 準確度計算方式為 1- MAPE, 𝑀𝐴𝑃𝐸 = _𝑁^{1 𝑁}_{𝑖=1 𝑐𝑎𝑝𝑎𝑐𝑖𝑡𝑦}^{𝑝 𝑖−𝑝𝑖} (誤差計算分母為總裝置容量)

4. 準確度計算方式為 1- MAPE, 𝑀𝐴𝑃𝐸 = _𝑁^{1 𝑝 𝑖}_𝑝^−𝑝𝑖

𝑖

𝑁𝑖=1 (誤差計算分母為該時刻實際出力值)

級短期太陽能出力預測規格參考

10

國/地區別 日前預報

(預測長度/間隔)

(預測長度/間隔)

美國科羅拉多州

獨立電廠

次日0-24時

(1 hr) 85%

小時內

(N/A) 89%

單一場域

美國科羅拉多州 丹佛區域

次日0-24時

(1 hr) 92%

小時內

(N/A) 94%

區域

註1,2

美國科羅拉多州 一個州

次日0-24時

(1 hr) 93%

小時內

(N/A) 96%

區域

註1,2

美國西部電網 次日0-24時

(1 hr) 97%

小時內

(N/A) 98%

區域

註1,2

美國UCSD 一個校區

小時內

(5 min) 85%

單一場域 日本JWA

一個院區

小時內 (30 min)

平均誤差為 140 W/m²,準確度

約 77%

單一場域

Ref: 1. Metrics for Evaluating the Accuracy of Solar Power Forecasting, NREL, 2013 2. Photovoltaic and Solar Forecasting: State of the art, IEA, 2013

數值天氣預報模型(NWP)

NWP是一種根據大氣的數學模型、利用當前天氣狀況作為輸 入數據而作出天氣預報的手段。(Wikipedia)

資料收集 Global Model (GFS)

Local Model

(WRF) 統計模型 預報資料

即時天氣 感測資料

地面測 站資料 可輸出之相關預報項目:

雲頻率 (cloud frequency) 溫度 (temperature)

濕度 (humidity)

地面風速 (surface winds) 高空風速 (upper level winds)

降水量 (precipitation amount) 降水率 (precipitation rate) 長波輻射 (longwave radiation)

短波輻射 (shortwave radiation)

衛星雲圖

• 利用衛星影像，分析雲頂溫度以 及雲層亮度推算出雲層反射率，

再參考太陽天頂角後來決定雲層 對太陽光輻射的衰減幅度

• 2015年發射的Himawari8所拍攝，

能達到的時間分辨率推進到十分 鐘一張，而空間分辨率可達1km 左右

• 此技術之優點在於可獲得大範圍 大尺度之雲量變化資訊，然而相 對地其限制在於即使是較新之衛 星雲圖所能達到的分辨率還是不

足

天空影像

• 以判斷照片pixel中紅與藍 的比例是否大於所設定之 門檻值來決定該pixel是否 為雲，並依照紅藍比例大 小更可以再細分為厚雲或 薄雲

• 而計算照片中屬於雲及不 屬於雲的pixel數目比例就 可得出當時天空之雲量比

• 相較於衛星雲圖之分析，

天空影像的好處在於較高

之空間分辨率，能夠提供

小區域範圍高解析度之雲

量變化狀況

出力預測演算法模型

• 太陽光電出力預測模型大概可分為四種方式： 統計模型及 機器學習、人工智慧、物理模型、以及混合式模型

• 統計模型及機器學習是以資料導向訓練出最佳模型公式，

以時間序列ARMA模型及其變化型為主，並以歷史資料來 預測未來時間序列的出力值

• 人工智慧則是方法則是使用如人工神經網路(Artificial Neural Networks, ANN)、決策樹等資料挖掘的方法建立 預測模型，例如BNN、RBFNN、SVM、SOM等

• 物理模型主要根據數值天氣預測(NWP)資料以及衛星雲圖 以物理及天氣模型推導的方式預測日射強度

• 混合式則是將上述三種方法搭配使用

天空攝影機

六合一氣象台

天空影像

日射計

紅藍相素比 轉換

雲量影像

雲占比例 厚雲比例 薄雲比例 雲邊緣量變化

雲特徵變數

風速 風向 氣溫 降水 氣壓 相對溼度

氣象特徵變數

日照度

日照度變數

機器學習模型:

PLS

AdaBoostRegression Neural Network

面板模組

太陽能板規格 逆變器規格

天空清晰度指標預測值

日照度預測值 (W/m2)

日照度轉出力值模型

Clear sky 理論日照度

太陽能出力預測值 (W)

模型

資料庫 參數

離線模 型訓練

工研院極短期太陽能出力預測系統

影像辨識 -雲量計算

• 全天空影像中雲的判斷，主要以閥值(threshold)為主，有

雲時，紅色像素比藍色大；無雲時，則相反。

影像辨識 - 雲變化量計算

• 利用影像前後兩張的差異，經過適當的轉換處理，即可得

到目前天空中雲的變化量

影像辨識 - 雲邊緣量計算

• 邊緣量值反映雲的型態，邊緣的計算為相鄰兩個像素的差 異，若邊緣量高，表示目前天空中雲的形狀明顯；邊緣量 低代表目前天空晴朗，或是陰天。與雲量、雲變化量搭配，

即可瞭解目前天空的狀態

早期測試場域 – 澎科大

目前測試場域 – 工研院南分院

日照計1

日照計2

全天空影像 ASI-16 六合一氣象台

日照計3

PLC1

PLC2

網路線 通訊線

日照計4 PV變電器

配置牆

• 原始資料

− 日照度, 天空影像, 溫度, 濕度

− 取樣間隔: 每分鐘, 2017/11/28 ~ 2018/3/2, 資料處理

 無效資料移除 (無效日照度資料(註), 夜 間時段 18:00 ~ 6:00)

 以nearest sample對缺值進行補值

 共 65602 觀察值

測試資料集

註: 無效日照度 : 超出理論日照度上限

• Training Data: 2017/11/28 ~ 2018/2/1 ；Testing Data: 2018/2/1~ 2018/3/2

• 取用變數

− 日照度

− 氣象資料：溫度, 濕度, 風速

− 天空影像特徵：厚雲比例、薄雲比例、平均天空亮度、雲變化量 、太陽亮度

• 模型

− AdaBoostRegression model

− 預測尺度 : 15-min, 30-min, 45min, 60-min later

Weather Train Test

Forecasting MAE RMSE MAPE MAE RMSE MAPE

15 min 92.49 121.00 79.57 173.25 228.02 79.59 30 min 99.45 129.98 93.63 173.10 233.91 78.32 45 min 106.90 135.93 104.76 183.74 247.63 76.37 60 min 116.25 146.46 110.51 184.42 247.10 86.80

Sky Image Train Test

Forecasting MAE RMSE MAPE MAE RMSE MAPE

15 min 77.26 109.69 27.75 74.10 100.96 39.51 30 min 81.32 112.78 30.31 78.79 105.36 47.47 45 min 81.87 113.57 31.58 91.53 119.15 55.36 60 min 83.58 115.29 32.72 97.38 127.53 56.99

Time Series Train Test

Forecasting MAE RMSE MAPE MAE RMSE MAPE

15 min 47.21 72.85 18.07 41.31 60.89 23.42 30 min 56.15 84.05 23.32 51.10 72.03 30.17 45 min 64.71 95.71 25.96 61.53 84.80 34.99 60 min 73.34 105.44 28.33 63.86 87.85 35.63

Sky Image + Time

Series Train Test

Forecasting MAE RMSE MAPE MAE RMSE MAPE

15 min 41.30 63.90 15.20 38.37 57.53 24.35 30 min 50.29 73.10 19.59 52.18 71.34 32.16 45 min 56.94 84.07 22.58 58.90 80.01 38.25 60 min 59.52 86.60 23.31 65.29 90.02 42.73

Machine Learning 預測結果

12/10 sunny day

12/10 partly cloudy 12/09 partly

cloudy 12/09 cloudy

12/08 cloudy

• 不同天候狀況下的15min預測結果

天候差異與預測結果關係

23

Copyright 2018 ITRI 工業技術研究院

 輸入: 過去影像 t-3, t-2, t-1, t

 輸出: t+1 天空影像

 使用預測之影像再預測往後時間點之影像

time t

t-1 t-3 t-2

DNN t+1

time t t-2 t-1

t+1

DNN t+2

…. t+n

DNN architecture

Multiple scale CNN+GAN

• predict sky image dynamic

實驗方法 : Deep Learning 預測方式

• prediction result

Note: use past 4 images to predict nine future step (red box is predicted frames)

prediction real

24

Deep Learning 預測結果

• Predict solar power

real

prediction

Deep Learning 準確度結果 : MAPE: 72.8 % (未達可用) 無技術模型 :

Persistent MAPE: 87.7 % 原因探討:

1. 資料量仍不足以訓練模型 2. 模型參數未達最佳

3. 太陽位置軌跡未標示

− Training Data: 2017/11/28 ~ 2018/2/1

− Testing Data: 2018/2/1~ 2018/3/2

− 使用資料: 天空影像、 日照度

− 演算法 : DNN architecture CNN_AE+LSTM+FC

2018/2/1~ 2018/3/2

25

日照度轉出力值模型

統計線性模型 R ² = 0.96

Trend chart： Irradiance 、solar power

物理模型 :

機率式預報 - Ramp forecast

UP

Down

國外商轉案例架構 AWS-ERCOT

Source : ERCOT 每小時產生一次預測資料

預測尺度 : 168hr；預測粒度 : 1hr

Thanks !

陳彥銘：[email protected]