近年來，太陽能開發(fā)利用已成為全球能源轉(zhuǎn)型的重要領(lǐng)域，光伏發(fā)電全面進(jìn)入規(guī)模化發(fā)展階段，呈現(xiàn)出良好的發(fā)展前景。圖1為2005～2017年我國及全球光伏裝機(jī)容量和裝機(jī)容量增速百分比。截止2017年，全球光伏發(fā)電裝機(jī)容量達(dá)到403.47GW，較2016年增長33.8%，我國光伏發(fā)電裝機(jī)容量達(dá)到137.62GW，較2016年增長76.3%。

由于光伏發(fā)電出力受氣象等因素影響較大，具有較強(qiáng)的間歇性和波動性，這些特性使得高比例光伏接入后給電力系統(tǒng)造成巨大的沖擊與挑戰(zhàn)。若能準(zhǔn)確進(jìn)行光伏發(fā)電出力預(yù)測，不僅可以提高光伏電站運(yùn)營效率，而且可以幫助調(diào)度部門調(diào)整運(yùn)行方式，確保高比例光伏接入后電力系統(tǒng)的安全穩(wěn)定與經(jīng)濟(jì)運(yùn)行。

圖1 我國及全球光伏裝機(jī)容量和增速百分比

目前光伏發(fā)電出力預(yù)測理論研究尚處于廣泛研究階段，現(xiàn)有預(yù)測水平如下：

①對于點預(yù)測，文獻(xiàn)常采用平均絕對誤差百分比（Mean Absolute Percentile Error, MAPE）和方均根誤差（Root Mean Square Error, RMSE）等指標(biāo)對預(yù)測結(jié)果進(jìn)行評價。針對不同數(shù)據(jù)和不同模型的預(yù)測結(jié)果有所差異，統(tǒng)計發(fā)現(xiàn)：對于短期預(yù)測，誤差基本上在5%～25%，且多集中在10%～20%，晴天的預(yù)測精度較高，雨天和多云天的預(yù)測精度較低。

②對于區(qū)間預(yù)測，常采用預(yù)測區(qū)間覆蓋率（Prediction Interval Coverage Probability, PICP）、預(yù)測區(qū)間平均寬度（Prediction Interval Normalized Average, PINAW）和區(qū)間分?jǐn)?shù)（Interval Score, IS）等指標(biāo)對預(yù)測結(jié)果進(jìn)行評價。統(tǒng)計發(fā)現(xiàn)：PICP都能滿足額定置信水平的要求，PINAW在15%～25%，IS在◆2%～◆5%。

③對于概率預(yù)測，常用秩概率評分（Ranked Probability Score, RPS）、分位數(shù)評分（Quantile Scoring, QS）和Theil系數(shù)等指標(biāo)來衡量預(yù)測水平。統(tǒng)計發(fā)現(xiàn)：RPS、QS和Theil系數(shù)分別在1～5、0.01～0.05和0.1～0.6之間。

在光伏發(fā)電出力預(yù)測系統(tǒng)方面，目前國內(nèi)外已有不少機(jī)構(gòu)提供光伏發(fā)電出力預(yù)測和光資源評估服務(wù)，見表1。我國在光伏發(fā)電出力預(yù)測領(lǐng)域已開展了大量研究，但是在預(yù)測技術(shù)方面仍稍滯后于歐美發(fā)達(dá)國家，處于探索階段。

本文對光伏發(fā)電出力預(yù)測技術(shù)進(jìn)行了全面的梳理、歸納和總結(jié)。評述了光伏發(fā)電系統(tǒng)的發(fā)展及預(yù)測現(xiàn)狀、當(dāng)前的預(yù)測方法、預(yù)測效果的衡量指標(biāo)、未來光伏發(fā)展及出力預(yù)測方法的研究方向，旨在為我國光伏發(fā)電出力預(yù)測技術(shù)的研究及應(yīng)用提供有價值的參考。

表1 國內(nèi)外光伏發(fā)電出力預(yù)測系統(tǒng)

1 光伏發(fā)電出力預(yù)測技術(shù)的分類

光伏發(fā)電出力預(yù)測的方法多樣，根據(jù)不同的分類標(biāo)準(zhǔn)有不同的預(yù)測方法。光伏發(fā)電預(yù)測方法分類如圖2所示，根據(jù)預(yù)測過程的不同，可分為直接預(yù)測和間接預(yù)測；按照預(yù)測空間尺度的不同，可分為單場預(yù)測和區(qū)域預(yù)測；按照預(yù)測時間尺度的不同，可分為超短期預(yù)測（0～4h）、短期預(yù)測（0～72h）以及中長期預(yù)測（1月～1年）；按照不同預(yù)測形式，光伏發(fā)電出力的預(yù)測主要分為點預(yù)測、區(qū)間預(yù)測和概率預(yù)測。

對于不同預(yù)測過程、不同時間尺度和不同空間尺度下的光伏發(fā)電出力預(yù)測，均可以從點預(yù)測、區(qū)間預(yù)測和概率預(yù)測等不同的形式進(jìn)行預(yù)測研究。本文將重點從不同預(yù)測形式的角度對光伏發(fā)電出力預(yù)測技術(shù)進(jìn)行全面地梳理、概括和評述。

圖2 光伏發(fā)電出力預(yù)測方法的分類

點預(yù)測屬于確定性預(yù)測，用于調(diào)度計劃的制定，區(qū)間預(yù)測和概率預(yù)測統(tǒng)稱為不確定性預(yù)測。其中，區(qū)間預(yù)測可以得到不同置信水平下光伏發(fā)電出力的區(qū)間上、下限，其主要用于輔助調(diào)度決策，為制定調(diào)度計劃提供準(zhǔn)確的光伏發(fā)電出力變化范圍。概率預(yù)測利用預(yù)測時段之前的相關(guān)樣本統(tǒng)計信息，得到未來不同時刻光伏出力的期望值以及出力的概率分布信息，其主要用于電能分析、電網(wǎng)調(diào)度和風(fēng)險評估，預(yù)防不確定性因素帶來的不利影響。

2 光伏發(fā)電出力的點預(yù)測

2.1 點預(yù)測的概述

點預(yù)測得到的結(jié)果是某一預(yù)測時刻的一個確定的值，目前大多數(shù)的研究集中在點預(yù)測上。點預(yù)測得到的預(yù)測結(jié)果很直觀，但由于光伏發(fā)電出力具有較強(qiáng)的不確定性，確定性的點預(yù)測所包含的信息有限，難以表達(dá)預(yù)測結(jié)果的概率可信度。

2.2 點預(yù)測的分類

根據(jù)光伏發(fā)電出力預(yù)測模型的不同，點預(yù)測主要分為物理方法、統(tǒng)計學(xué)方法、元啟發(fā)式學(xué)習(xí)方法和組合方法等四類。圖3為點預(yù)測方法的分類，圖中列舉了每一類方法中幾種常見的預(yù)測方法。

2.2.1 物理方法

物理方法是參照光伏電池的發(fā)電原理，利用數(shù)值天氣預(yù)報（Numerical Weather Prediction, NWP）得到的太陽輻射、溫度、云量、雨量和風(fēng)速等數(shù)據(jù)，并結(jié)合光伏系統(tǒng)安裝角度、光伏陣列轉(zhuǎn)換效率等參數(shù)，建立物理模型直接計算得到光伏發(fā)電出力。

圖3 光伏發(fā)電出力的點預(yù)測方法分類

基于物理方法的預(yù)測原理如圖4所示。文獻(xiàn)[17-18]通過物理方法直接構(gòu)建了光伏發(fā)電近似物理模型。

圖4 基于物理方法的光伏發(fā)電出力預(yù)測原理圖

根據(jù)圖4可知，物理模型的輸入信息包括以下兩部分：①動態(tài)信息，由氣象部門提供的NWP數(shù)據(jù)和用于模型輸出統(tǒng)計（Model Output Statistics, MOS）來減小殘差的在線實測數(shù)據(jù)組成。②靜態(tài)信息，光伏電站的系統(tǒng)數(shù)據(jù)，如光伏組件安裝的地理位置、光電轉(zhuǎn)換效率等。關(guān)于物理模型，目前比較完善的有晴天ASHRAE模型、HOTTEL模型、REST模型、有云天氣Nielsen模型及云遮系數(shù)模型等。

物理方法雖然不需要詳細(xì)的歷史數(shù)據(jù)來訓(xùn)練預(yù)測模型，但是依賴詳細(xì)的電站地理信息和準(zhǔn)確的氣象數(shù)據(jù)，并且物理公式本身存在一定的誤差，模型抗干擾能力差，魯棒性不強(qiáng)。

2.2.2 統(tǒng)計學(xué)方法

基于統(tǒng)計學(xué)方法的光伏發(fā)電出力預(yù)測的基本原理如圖5所示。統(tǒng)計學(xué)方法是輸入太陽輻射、光伏發(fā)電出力等歷史數(shù)據(jù)，通過曲線擬合、參數(shù)估計等方法，建立輸入與輸出的映射模型，實現(xiàn)對未來光伏發(fā)電出力預(yù)測的輸出。常見的統(tǒng)計學(xué)方法有時間序列法、回歸分析法、灰色理論、模糊理論和時空關(guān)聯(lián)法等。

圖5 基于統(tǒng)計學(xué)方法的光伏發(fā)電出力預(yù)測原理圖

統(tǒng)計學(xué)方法在預(yù)測時不需要考慮光伏系統(tǒng)參數(shù)和復(fù)雜的光電轉(zhuǎn)換模型，所以相比于物理方法，其具有建模簡單等優(yōu)勢。但是，統(tǒng)計類方法往往需要收集和處理大量的歷史數(shù)據(jù)，所以增加了數(shù)據(jù)獲取和處理的難度。

2.2.3 元啟發(fā)式學(xué)習(xí)方法

元啟發(fā)式學(xué)習(xí)方法是對生物活動進(jìn)行模擬，采用某種算法對樣本數(shù)據(jù)進(jìn)行訓(xùn)練而得到輸入量與輸出量即預(yù)測條件與待預(yù)測量之間的關(guān)系。常見的元啟發(fā)式方法有神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、卡爾曼濾波算法、馬爾科夫鏈、粒子群算法和遺傳算法等。

元啟發(fā)式算法屬于人工智能算法的范疇，鑒于目前沒有通用的原理圖，本節(jié)以最常見的元啟發(fā)式學(xué)習(xí)方法——徑向基函數(shù)（Radial Basis Function, RBF）神經(jīng)網(wǎng)絡(luò)為例對其原理進(jìn)行介紹。

圖6 RBF神經(jīng)網(wǎng)絡(luò)原理圖

文獻(xiàn)[43]提出一種徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)，其方法簡單、學(xué)習(xí)過程收斂速度快，但是預(yù)測精度不高，不適用于所有天氣類型。此外，還有學(xué)者采用BP神經(jīng)網(wǎng)絡(luò)、反饋型神經(jīng)網(wǎng)絡(luò)、小波神經(jīng)網(wǎng)絡(luò)、自組織神經(jīng)網(wǎng)絡(luò)等對光伏發(fā)電出力進(jìn)行預(yù)測。

元啟發(fā)式學(xué)習(xí)方法不需要獲得輸入與輸出之間的具體表達(dá)式，而是通過對歷史數(shù)據(jù)的訓(xùn)練得到光伏發(fā)電出力的預(yù)測模型。該類方法需要大量的歷史數(shù)據(jù)，操作簡單，易于實現(xiàn)，但是存在過學(xué)習(xí)和易陷入局部最優(yōu)解的缺陷。

2.2.4 組合方法

圖7為組合方法的基本原理圖，目前組合預(yù)測方法主要分為兩大類：第一類是采用不同預(yù)測方法分別進(jìn)行預(yù)測，然后通過動態(tài)權(quán)值分配組合出預(yù)測結(jié)果；第二類是將歷史光伏數(shù)據(jù)分解成多個子序列，然后采用不同的預(yù)測方法對子序列分別進(jìn)行預(yù)測，最后將子序列預(yù)測值疊加得到光伏發(fā)電出力預(yù)測值。

圖7 基于組合方法的光伏發(fā)電出力預(yù)測原理圖

其中，文獻(xiàn)[4]采用思維進(jìn)化算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)、粒子群算法優(yōu)化支持向量機(jī)和基于單隱層前饋網(wǎng)絡(luò)的極限學(xué)習(xí)機(jī)分別進(jìn)行預(yù)測，以方差-協(xié)方差權(quán)值動態(tài)分配法來組合預(yù)測結(jié)果，該方法互補(bǔ)性強(qiáng)、預(yù)測精度較高。文獻(xiàn)[41]構(gòu)建了一個組合預(yù)測模型，該模型以模糊算法選擇徑向基中心，用遺傳算法優(yōu)化徑向基神經(jīng)網(wǎng)絡(luò)參數(shù)，所得模型綜合應(yīng)對能力強(qiáng)，預(yù)測優(yōu)勢明顯。

文獻(xiàn)[57]將天氣類型分為突變天氣（如晴轉(zhuǎn)雨）和非突變天氣，首先采用集合經(jīng)驗?zāi)B(tài)分解和支持向量機(jī)的EEMD-SVM組合預(yù)測方法，該方法對突變天氣和非突變天氣均具有較好的預(yù)測能力。

組合預(yù)測方法可以挖掘各種預(yù)測方法的有用信息，比較并綜合各種預(yù)測方法的優(yōu)勢，避免單一預(yù)測方法的缺陷，能夠在一定程度上提高預(yù)測精度，因此具有較強(qiáng)的研究及應(yīng)用價值。

2.2.5 點預(yù)測中不同方法的比較

表2為點預(yù)測中不同方法優(yōu)缺點及數(shù)據(jù)需求的比較。其中，物理方法需要詳細(xì)的地理信息和氣象信息，對需求的數(shù)據(jù)要求較高，主要用于已運(yùn)營較長時間的光伏電站；而統(tǒng)計學(xué)方法、元啟發(fā)式學(xué)習(xí)方法和組合方法不需要考慮電站的系統(tǒng)參數(shù)，適用于已運(yùn)營較長時間或新建的光伏電站，是目前在光伏預(yù)測領(lǐng)域采用較多的幾種方法。隨著大數(shù)據(jù)和人工智能技術(shù)的發(fā)展，元啟發(fā)式學(xué)習(xí)方法將會得到廣泛的青睞，組合方法因其在預(yù)測精度方面的優(yōu)勢也具有重要的研究價值。

表2 點預(yù)測中不同方法的比較

3 光伏發(fā)電出力的區(qū)間預(yù)測

3.1 區(qū)間預(yù)測的概述

所謂區(qū)間預(yù)測，是研究滿足給定置信度水平下光伏發(fā)電出力的上、下界。準(zhǔn)確預(yù)測光伏發(fā)電出力所在的區(qū)間，可以向決策者提供更多的信息，對于提高電力系統(tǒng)應(yīng)對因光伏發(fā)電出力變化所帶來的不利影響具有重要意義。

圖8為光伏發(fā)電出力區(qū)間預(yù)測示意圖，圖中三條曲線分別表示光伏發(fā)電出力實際值、預(yù)測上界值和下界值。上、下界曲線所圍成的區(qū)域即為光伏發(fā)電出力可能發(fā)生的區(qū)間。區(qū)間預(yù)測即是預(yù)測圖中各個時刻光伏發(fā)電出力可能出現(xiàn)的上、下界。

3.2 區(qū)間預(yù)測的分類

目前國內(nèi)外針對光伏發(fā)電出力區(qū)間預(yù)測的研究尚處于起步階段，表3為區(qū)間預(yù)測的主要方法，主要分為兩類：第一類是采用神經(jīng)網(wǎng)絡(luò)、極限學(xué)習(xí)機(jī)等方法訓(xùn)練歷史數(shù)據(jù)，建立光伏發(fā)電出力的雙輸出模型，從而預(yù)測光伏發(fā)電出力可能發(fā)生的上界和下界；第二類是事先假設(shè)或估計光伏發(fā)電出力的概率分布函數(shù)，通過對概率分布函數(shù)進(jìn)行逆運(yùn)算，從而得到給定置信度水平下的光伏發(fā)電出力區(qū)間。

圖8 光伏發(fā)電出力區(qū)間預(yù)測示意圖

表3 區(qū)間預(yù)測的主要方法

其中，文獻(xiàn)[61]基于分位數(shù)構(gòu)造包含區(qū)間上、下界的線性規(guī)劃模型，利用極限學(xué)習(xí)機(jī)求解線性規(guī)劃模型從而以較快的速度獲得光伏發(fā)電出力預(yù)測區(qū)間的上、下界。文獻(xiàn)[65]通過非參數(shù)核密度估計獲得光伏發(fā)電出力的概率分布，并利用Copula函數(shù)對光伏發(fā)電出力與點預(yù)測誤差之間的相關(guān)性進(jìn)行分析，從而獲得預(yù)測分位點下精度較高的光伏發(fā)電出力區(qū)間。

區(qū)間預(yù)測能夠給光伏發(fā)電出力提供對應(yīng)某一期望值的區(qū)間預(yù)測結(jié)果，給出較確定性預(yù)測更為豐富的信息。尤其是在評估光伏不確定性和風(fēng)險因素方面，電網(wǎng)工作人員可根據(jù)預(yù)測概率區(qū)間結(jié)果做出更為科學(xué)的決策。

4 光伏發(fā)電出力的概率預(yù)測

4.1 概率預(yù)測的概述

概率預(yù)測是不確定性預(yù)測的一種，相較于傳統(tǒng)的點預(yù)測，概率預(yù)測不僅可以預(yù)測未來時刻的期望值，還可以得到其概率分布信息，即預(yù)測物理量的不確定信息，從而可以為電力系統(tǒng)的調(diào)度、運(yùn)行提供更為全面的參考。基于概率預(yù)測的思路如圖9所示。

圖9 基于概率預(yù)測的光伏發(fā)電出力預(yù)測思路圖

根據(jù)圖9可知，概率預(yù)測首先分別采用不同的方法對光伏電站歷史的實際出力值和預(yù)測出力值進(jìn)行統(tǒng)計，得到歷史預(yù)測誤差統(tǒng)計的二維概率分布；在驗證該概率分布對未來光伏發(fā)電出力的有效性后，對常規(guī)預(yù)測方法得到的確定性出力預(yù)測值進(jìn)行分析；根據(jù)總結(jié)得出的預(yù)測誤差概率分布，就可以得到概率性出力預(yù)測，并給出不同置信度下的出力預(yù)測的帶狀分布。

4.2 概率預(yù)測的分類

表4為常用的概率預(yù)測方法，目前國內(nèi)外對光伏發(fā)電出力的概率預(yù)測的研究還處于起步階段，研究主要致力于將不同的概率預(yù)測算法應(yīng)用于光伏預(yù)測問題上，以及將多種方法結(jié)合而產(chǎn)生的組合方法。

表4 概率預(yù)測的主要方法

文獻(xiàn)[39,61,70-77]開展了相關(guān)研究，其中文獻(xiàn)[61,70,72-73]采用了分位數(shù)回歸的方法進(jìn)行建模。在模型中通過求解回歸系數(shù)向量能夠測算出不同分位點處待求變量所受到的相關(guān)因素的影響，當(dāng)分位數(shù)在(0,1)上連續(xù)取值時即可得到待求變量的條件概率分布。文獻(xiàn)[71]采用動態(tài)貝葉斯網(wǎng)絡(luò)理論進(jìn)行了建模預(yù)測。文獻(xiàn)[39,76-77]采用馬爾可夫鏈進(jìn)行建模，通過歷史數(shù)據(jù)計算當(dāng)前時刻的發(fā)電出力的概率分布，然后利用轉(zhuǎn)移概率矩陣計算下一時刻的出力概率分布，從而實現(xiàn)概率預(yù)測。

概率預(yù)測方法能夠給出下一時刻所有可能的光伏發(fā)電出力的數(shù)值及其出現(xiàn)的概率，覆蓋了較為全面的預(yù)測信息，在預(yù)測精度上具有顯著的優(yōu)勢，為含有光伏電站電力系統(tǒng)的運(yùn)行風(fēng)險評估和風(fēng)險決策提供重要參考。

5 衡量預(yù)測精度指標(biāo)的分析（略）

對光伏發(fā)電出力的預(yù)測誤差進(jìn)行科學(xué)的評價，有利于分析各種預(yù)測技術(shù)的特點，挖掘其內(nèi)在原因和規(guī)律，從而采取補(bǔ)充措施，進(jìn)一步提高光伏發(fā)電出力的預(yù)測精度。下面分別對光伏發(fā)電出力點預(yù)測、區(qū)間預(yù)測和概率預(yù)測的評價指標(biāo)進(jìn)行歸納和梳理，并采用實際出力數(shù)據(jù)進(jìn)行驗證性分析。

6 未來研究的方向預(yù)測

6.1 未來光伏發(fā)展方向研究

在政策扶持下，我國光伏產(chǎn)業(yè)近年來發(fā)展持續(xù)向好，未來我國光伏市場將穩(wěn)步增長，發(fā)展空間巨大，其中分布式光伏將迎來爆發(fā)式增長。未來以下方面將成為熱點問題：

①分布式光伏發(fā)電和光伏+特色產(chǎn)業(yè)。因為分展性是光伏最大的特征，所以未來光伏產(chǎn)業(yè)的發(fā)展將呈現(xiàn)分散式、互聯(lián)式、智能交互式和分享式的體系。因此，分布式光伏具有較好的研究前景，其中光伏+特色產(chǎn)業(yè)將迎來前所未有的發(fā)展機(jī)遇。

②提高光伏電站出力消納水平。集中式光伏棄光高是一大難題，因此加速源-網(wǎng)-荷技術(shù)驅(qū)動、完善光伏市場的政策機(jī)制和打破省間壁壘、放開省間電量約束措施，提升光伏消納水平也是重要的研究方向。

6.2 未來光伏發(fā)電出力預(yù)測方面研究

對于光伏發(fā)電出力預(yù)測，提高其預(yù)測水平是目前研究的熱點。建議未來從以下幾方面進(jìn)行研究：

①加強(qiáng)數(shù)據(jù)預(yù)處理環(huán)節(jié)，剔除壞數(shù)據(jù)、還原殘缺數(shù)據(jù)，確保輸入數(shù)據(jù)的有效性和可信度。②深入挖掘光伏發(fā)電出力的潛在特性，對數(shù)據(jù)進(jìn)行深入的聚類分析，提取精細(xì)化的模態(tài)，進(jìn)行分類預(yù)測。③量化分析每種主要因素對出力預(yù)測結(jié)果的影響，對預(yù)測結(jié)果進(jìn)行有針對性的修正。④針對不確定性預(yù)測，準(zhǔn)確預(yù)測光伏發(fā)電出力的概率分布和提高算法的適用度，是提高出力預(yù)測精度的關(guān)鍵。⑤挖掘新的出力預(yù)測評價指標(biāo)，采用相應(yīng)的修正措施提高預(yù)測效果。⑥采用組合預(yù)測法，綜合不同預(yù)測方法的優(yōu)勢進(jìn)行預(yù)測。⑦研究更精細(xì)化、有針對化的軟件，針對不同天氣研究不同的光伏發(fā)電出力預(yù)測軟件。

結(jié)論

本文簡要介紹了目前我國光伏發(fā)電系統(tǒng)的發(fā)展現(xiàn)狀、光伏發(fā)電出力的預(yù)測水平及國內(nèi)外預(yù)測系統(tǒng)，從點預(yù)測、區(qū)間預(yù)測和概率預(yù)測對光伏發(fā)電出力預(yù)測技術(shù)文獻(xiàn)資料進(jìn)行了較為全面的梳理、歸納和評述，并對未來光伏發(fā)展及出力預(yù)測等方面進(jìn)行展望，得出以下幾點結(jié)論：

1）隨著大數(shù)據(jù)和人工智能技術(shù)的發(fā)展，點預(yù)測中元啟發(fā)式學(xué)習(xí)方法和組合方法將會受到更多學(xué)者的關(guān)注。

2）當(dāng)前的研究主要集中在點預(yù)測，區(qū)間預(yù)測和概率預(yù)測將是未來光伏發(fā)電出力預(yù)測的重要研究方向之一。區(qū)間預(yù)測的關(guān)鍵是盡可能縮小光伏發(fā)電出力落入?yún)^(qū)間的范圍，概率預(yù)測的關(guān)鍵是準(zhǔn)確預(yù)測光伏發(fā)電出力的概率分布和提高算法的適用度。

3）對于預(yù)測精度評價方面，采用多種指標(biāo)進(jìn)行全面的評價是較為科學(xué)的。MAE、MAPE、RMS和RMSE是點預(yù)測常用的指標(biāo)，PICP、PINAW和IS是區(qū)間預(yù)測常用的指標(biāo)，RSS、Theil系數(shù)、RPS、QS和CPI是概率預(yù)測常用的指標(biāo)。

4）光伏固有的間歇性和波動性等特征是提高預(yù)測水平的難點之一，深度挖掘光伏發(fā)電出力的特性和研究精細(xì)化、有針對性的預(yù)測軟件是未來研究的重要內(nèi)容。