光伏电站功率预测工程师岗位招聘考试试卷及答案.docVIP

光伏电站功率预测工程师岗位招聘考试试卷及答案

光伏电站功率预测工程师岗位招聘考试试卷及答案

一、填空题（共10题，每题1分）

1.光伏功率预测的核心影响因素是______。

2.数值天气预报的英文缩写是______。

3.光伏组件功率输出与太阳辐照度大致呈______关系。

4.光伏功率预测按时间尺度分为超短期、短期和______。

5.预测模型按方法分为物理模型和______模型。

6.光伏电站安装容量的单位通常是______（直流侧）。

7.太阳辐照度的单位是______。

8.常用预测误差指标“均方根误差”的缩写是______。

9.光伏功率预测的输入数据包括气象数据和______。

10.双轴跟踪光伏系统比固定倾角系统年发电量约高______%。

二、单项选择题（共10题，每题2分）

1.光伏短期功率预测的时间尺度一般是？

A.1-7天B.1-24小时C.1-3个月D.1-12个月

2.以下属于物理预测模型的是？

A.随机森林B.NWP+辐射传输C.LSTMD.XGBoost

3.光伏功率输出最关键的气象因子是？

A.温度B.相对湿度C.太阳辐照度D.风速

4.RMSE的全称是？

A.平均绝对误差B.均方根误差C.平均绝对百分比误差D.归一化均方根误差

5.中长期光伏预测的时间尺度通常是？

A.1-7天B.1-24小时C.1-3个月D.1-12个月

6.以下属于机器学习模型的是？

A.辐射传输模型B.NWP模型C.LSTMD.经验公式

7.光伏组件功率随温度升高而？

A.升高B.降低C.不变D.不确定

8.光伏预测输入数据不包括？

A.历史功率B.实时气象C.用户用电D.未来NWP

9.NRMSE计算通常除以？

A.预测最大值B.实际最大值C.平均功率D.安装容量

10.双轴跟踪比单轴跟踪发电量约高？

A.5%-10%B.10%-15%C.15%-20%D.20%-25%

三、多项选择题（共10题，每题2分）

1.光伏预测的应用场景包括？

A.电网调度B.电站运维C.电力交易D.储能配置

2.预测按时间尺度分为？

A.超短期B.短期C.中长期D.年度

3.影响光伏功率的因素有？

A.辐照度B.温度C.组件倾角D.云层遮挡

4.常用机器学习模型有？

A.LSTMB.XGBoostC.随机森林D.SVM

5.NWP输出产品包括？

A.辐照度B.温度C.风速D.相对湿度

6.预测误差来源包括？

A.气象数据误差B.模型缺陷C.设备故障D.人为操作

7.超短期预测时间尺度是？

A.0-4小时B.0-1小时C.1-4小时D.4-24小时

8.预测输入数据包括？

A.历史辐照度B.历史功率C.未来NWPD.电站容量

9.预测评价指标包括？

A.MAEB.RMSEC.MAPED.NRMSE

10.跟踪系统类型包括？

A.单轴B.双轴C.固定倾角D.平单轴

四、判断题（共10题，每题2分）

1.物理模型无需历史数据即可预测。（）

2.温度越高，组件功率越大。（）

3.超短期预测用于电网实时调度。（）

4.机器学习模型只处理结构化数据。（）

5.NWP分辨率越高，预测精度一定越高。（）

6.电站安装容量指直流侧额定功率。（）

7.MAPE对异常值不敏感。（）

8.双轴跟踪比固定倾角发电量高20%-30%。（）

9.预测无需考虑云层变化。（）

10.中长期预测用于电力交易和储能规划。（）

五、简答题（共4题，每题5分）

1.简述光伏功率预测的核心逻辑。

2.对比物理模型与机器学习模型的优缺点。

3.常用预测误差指标及意义？

4.超短期预测的应用场景及关键要求？

六、讨论题（共2题，每题5分）

1.如何提升极端天气下的预测精度？

2.光伏预测在电力现货市场中的作用及注意事项？

---

答案部分

一、填空题答案

1.太阳辐照度2.NWP3.正比4.中长期5.统计/机器学习6.kWp/MWp7.W/m28.RMSE9.电站历史运行数据10.20-30

二、单项选择题答案

1.B2.B3.C4.B5.D6.C7.B8.C9.B10.A

三、多项选择题答案

1.ABCD2.ABC3.ABCD4.ABCD5.ABCD6.ABC7.AC8.ABCD9.ABCD10.ABD

四、判断题答案

1.×2.×3.√4.×5.×6.√7.×8.√9.×10.√

五、简答题答案

1.核心逻辑：基于“输入-模型-输出”框架，输入包括历史功率/辐照度、实时/未来气象（NWP）、电站参数；模型分物理（辐射传输+组件特性）或机器学习（学习数据规律）；输出未来功率，经误差验证后服务调度、交易等场景。

2.优缺点对比：

-物理模型：解释性强、外推性好，但依赖精确气象数据、计算复杂；

-机器学习：适配非线性关系、精度高（数据充足时），但解释性弱、依赖历史数据、极端天气泛化差。