湖北省氣象科技服務(wù)中心 ■ 成馳 陳正洪

武漢區(qū)域氣候中心 ■ 張禮平

一 引言

我國太陽能資源豐富，理論儲量大，近年來發(fā)展勢頭強勁。但與常規(guī)能源發(fā)電相比，太陽能發(fā)電具有固有的間歇性和不可控的缺點，易對電網(wǎng)造成沖擊。由于太陽能發(fā)電量與到達(dá)地面的太陽輻射量密切相關(guān)，受天氣因素的影響顯著，隨著國內(nèi)光伏裝機容量的迅速擴(kuò)大，氣象部門有責(zé)任及早做好技術(shù)準(zhǔn)備，發(fā)展太陽輻射及發(fā)電量預(yù)報技術(shù)，為電力系統(tǒng)調(diào)度、電力負(fù)荷配合、常規(guī)能源發(fā)電計劃和光伏發(fā)電規(guī)劃提供指導(dǎo)[1]，以降低發(fā)電企業(yè)運營成本，保障電站和電網(wǎng)安全運行等。

太陽輻射的影響因子有很多，包括所在地的地理緯度、太陽方位參數(shù)、云量、云狀及云和太陽的相對位置、城市大氣環(huán)境污染狀況、大氣含水量等[2,3]。這些因子有的可通過幾何代數(shù)計算得到確定值，有的要素本身具有隨機性，部分氣象要素則只能利用天氣類型預(yù)報參數(shù)化，并且這些因子對太陽輻射的影響也具有非線性的特點。

神經(jīng)網(wǎng)絡(luò)模型是一種處理非線性問題的強大工具，已有不少研究者將其用于太陽輻射的估算中[4,5]。本模型結(jié)構(gòu)擬采用3層前向網(wǎng)絡(luò)。網(wǎng)絡(luò)結(jié)構(gòu)確定后，由已知的樣本反復(fù)調(diào)節(jié)各層各神經(jīng)元的連接權(quán)和閾值，直至使預(yù)先設(shè)計的代價函數(shù)極值化。這一系列過程被稱為網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練。曹雙華等將神經(jīng)網(wǎng)絡(luò)模型引入到太陽逐時總輻射預(yù)測中，得到了比美國ASHRAE模型和時間序列模型更準(zhǔn)確的結(jié)果[6,7]。本模型嘗試引入遺傳算法取代傳統(tǒng)的BP算法[8]，并嘗試在神經(jīng)網(wǎng)絡(luò)模型中加入量化的天氣類型預(yù)報參數(shù)，且部分選用EOF主分量作為模型網(wǎng)絡(luò)的輸入和輸出，提高了計算效率和陰雨天輻射預(yù)測的準(zhǔn)確性，不失為一種合理、高效的逐時輻射預(yù)測方法。

二 模型基本原理

1 模型輸入項

影響地面接收到太陽輻射的因素有很多，包括地理緯度、太陽赤緯角、太陽時角、周邊遮蔽等天文地理因子，也包括天氣氣候狀況、大氣環(huán)境質(zhì)量等氣象環(huán)境因子。受這些因子的綜合影響，太陽輻射的變化既具有隨機性，又具有周期性，包括日變化周期和年變化周期。而這些因子對輻射量的影響方式、影響程度、可預(yù)測性都不相同，尤其是氣象環(huán)境因子，更是隨著時間和空間的不同而具有極大的變化。

因此，我們在設(shè)計預(yù)測模型時需要考慮模型的輸入項應(yīng)具備的特點為：(1)可預(yù)測性。選擇因子必須是在目前科技條件下能夠進(jìn)行可信的短期預(yù)報。(2)關(guān)聯(lián)性。所選因子必須與地面太陽輻射密切相關(guān)。(3)精煉性。由于輸入因子的增加會帶來模型運算時間的大幅延長，因此必須選擇盡量少的預(yù)報因子。

由于太陽輻射時間序列周期性的存在，因此輻射序列本身具有高度自相關(guān)性。在同一地理緯度，類似的太陽赤緯角、時角和天氣狀況下，地面的太陽輻射量和日變化將十分類似。因此，利用過去的輻射資料序列和天氣狀況要素進(jìn)行輻射預(yù)測的方法是可行的。

在常規(guī)天氣預(yù)報中，日類型預(yù)報和最高、最低氣溫預(yù)報是氣象部門比較重視且較為準(zhǔn)確的一種方式。由最高、最低氣溫得到的溫度日較差也是天氣類型和輻射量的反映因子。通常情況下，在天氣類型相同的連續(xù)幾天，其輻射量的大小和日變化也較類似。而當(dāng)天氣類型發(fā)生轉(zhuǎn)折時，溫度日較差和天氣類型的提前預(yù)報又可反映這種轉(zhuǎn)折。因此，本模型預(yù)測初步方案設(shè)計為：與被預(yù)測日同一天氣類型的上一日逐時總輻射，同一類型上一日和預(yù)測日的日最高溫度、溫度日較差、日天氣類型數(shù)值作為模型輸入因子，預(yù)測同一天氣類型下一日逐時總輻射。其中影響輻射量的天文因子隱含在上一日的輻射量數(shù)據(jù)中，而氣象和環(huán)境因子則隱含在天氣類型、溫度日較差和最高氣溫預(yù)報中。

2 天氣類型確定

在常規(guī)天氣預(yù)報中，天氣類型是用“晴”、“陰”、“雨”這樣的模糊詞語描述的，必須將這樣的術(shù)語轉(zhuǎn)換為可被神經(jīng)網(wǎng)絡(luò)算法接收的精確值。本文采用云量、降水量兩個量化指標(biāo)數(shù)據(jù)將天氣類型數(shù)值化，初步采用的分類標(biāo)準(zhǔn)見表1。由于目前氣象部門云量觀測每日只有四次，因此取對輻射影響最大的每日14時的云量作為當(dāng)日的分類指標(biāo)。

表1 天氣類型數(shù)據(jù)分類表

3 預(yù)測模型的設(shè)計

對于3層前向網(wǎng)絡(luò)，網(wǎng)絡(luò)結(jié)構(gòu)包含輸入層、隱含層和輸出層，各層需要確定節(jié)點的數(shù)量。由于實驗所用的武漢站每日日照時數(shù)在10～14h，直接將逐時輻射資料輸入到網(wǎng)絡(luò)中將使網(wǎng)絡(luò)變得極為復(fù)雜，運算代價極大。為使輸入、輸出即含有大量信號，個數(shù)又不繁多，這里對每日的逐時輻射序列進(jìn)行EOF分解，取其累計方差貢獻(xiàn)率達(dá)到80%以上的前3個主分量與天氣預(yù)報因子(日最高氣溫、溫度日較差、天氣類型)作為模型的輸入，對輸出的主分量再進(jìn)行還原即可得到預(yù)測日的逐時總輻射。因此，網(wǎng)絡(luò)結(jié)構(gòu)確定為輸入節(jié)點6個、隱含節(jié)點2個、輸出節(jié)點3個，如圖1所示。當(dāng)網(wǎng)絡(luò)結(jié)構(gòu)確定后，就可由已知的樣本反復(fù)調(diào)節(jié)各層各神經(jīng)元的連接權(quán)和閾值，直至使代價函數(shù)極值化。

三 預(yù)報實驗

1 實驗方案設(shè)計

由于不同季節(jié)太陽輻射各影響因子的影響方式和權(quán)重不盡相同，因此本預(yù)報模型每月分別建立。預(yù)報實驗采用武漢站(57494，30.62N、114.13E)2007年8月和2008年8月共62個訓(xùn)練樣本作為模型的回算訓(xùn)練樣本，經(jīng)過訓(xùn)練的網(wǎng)絡(luò)預(yù)報2009年8月共31天每日逐時輻射量。

首先對各輸入因子進(jìn)行方差標(biāo)準(zhǔn)化，取武漢站8月有日照的太陽時06時至19時逐時總輻射進(jìn)行EOF處理，取其前3個主分量和天氣預(yù)報要素進(jìn)入網(wǎng)絡(luò)，輸出層得到的3個主分量，經(jīng)過計算還原成預(yù)報日的逐時總輻射序列。

2 實驗結(jié)果

按照以上方案，對2009年8月的每日逐時輻射量做了預(yù)報實驗，并與同期武漢站的逐時觀測資料進(jìn)行分析，以檢驗?zāi)Ｊ降念A(yù)報能力。武漢8月在一年中屬于天氣變化最劇烈的時期，預(yù)報難度也最大，經(jīng)常出現(xiàn)的午后雷陣雨等天氣在前一天進(jìn)行的常規(guī)預(yù)報中很難表現(xiàn)。因此，考察模型對8月的預(yù)報能力極具挑戰(zhàn)。

圖2分別給出了8月上半月和下半月的預(yù)測值和實際值的對比。經(jīng)驗分析可得到的結(jié)論為：(1)模型在不輸入任何天文、地理要素的情況下能給出精確的輻射日變化分布，在天氣條件穩(wěn)定的晴天時，預(yù)測值和實測值基本吻合。(2)模型對于天氣轉(zhuǎn)折第一日的預(yù)報能力有局限，如圖2a的8月10～12日所示，天氣類型陰晴相間，導(dǎo)致模型不能及時響應(yīng)，預(yù)測值誤差較大。8月12～13日連續(xù)兩天陰天時，模型對第二日也就是13號的模擬又十分精確地描繪了其輻射日變化。(3)該模型對于連續(xù)陰雨天的模擬量級較好，但不能給出輻射值為0的預(yù)報。如圖2b顯示的8月28～30日連續(xù)3天陰雨天，由于輻射測量儀器加蓋的原因，實測輻射大部分時段均為0，雖然模型給出了較低的輻射量級預(yù)測值，但仍有早晚小、中午大的日輻射變化，而不能給出輻射量為0的預(yù)測。

分別選擇8月3日、31日、30日代表晴、多云、陰有雨三種天氣形式，誤差分析見表2。由于實測輻射量存在加蓋后顯示為0的數(shù)據(jù)，因此誤差分析中常采用的相對誤差在這里無法計算，因此我們選用絕對誤差結(jié)合日平均小時輻射量作為新的相對誤差衡量標(biāo)準(zhǔn)。

表2 3個代表日誤差分析表

表2中“日平均絕對誤差/日平均小時輻射量”得到的百分?jǐn)?shù)即為本文提出的衡量誤差的相對指標(biāo)，該指標(biāo)避免了某幾個時刻實測輻射量為0帶來的相對誤差無窮大的問題。

由表2可知，日平均誤差晴天最小，陰雨天最大，多云天其次，陰雨天相對誤差可達(dá)150%。日最大絕對誤差是多云天氣最大，陰有雨天氣次之，晴天較小，這表明多云天氣輻射量日變化情況最為復(fù)雜，預(yù)報難度超過整日陰雨的天氣。本模型難以對其進(jìn)行準(zhǔn)確的逐時預(yù)測。

四 結(jié)語和討論

本文采用遺傳算法神經(jīng)網(wǎng)絡(luò)模型，結(jié)合常規(guī)天氣預(yù)報和輻射量資料序列，利用輻射資料序列存在的自相關(guān)性建立了一種預(yù)測第二日逐時輻射量的模型。針對輻射資料的特殊性，設(shè)計了預(yù)測因子選擇方法、輸入資料的處理方法和結(jié)果誤差評估方法。通過一個月的模擬實驗對模型預(yù)報能力進(jìn)行了驗證，表明模型能較為準(zhǔn)確的預(yù)測逐時輻射。

由于模型本身和所采用資料的缺陷，模型對于陰雨復(fù)雜天氣和劇烈變化天氣的預(yù)報能力有限。模型可精確地描繪晴天狀況或穩(wěn)定天氣類型時的輻射量量級和日變化。由于我國太陽能豐富地區(qū)均位于晴朗干燥的西北、華北和高原地區(qū)，因此該模型在這些地區(qū)應(yīng)大有用武之地。

氣象部門在輻射觀測中，出現(xiàn)降水時應(yīng)將輻射表加蓋，這時測量輻射值為0，而實際在降水天氣時是有輻射量的，因此會導(dǎo)致雨天日平均輻射量實測值偏小，相對誤差計算值變大。這是測量方法自身問題所導(dǎo)致的，不能完全由預(yù)報方法負(fù)責(zé)。

在今后的研究工作中，將嘗試從以下方面改進(jìn)該模型，以提高其預(yù)測能力：(1)增加天氣類型和改進(jìn)天氣分類算法，以提高模型對復(fù)雜天氣適應(yīng)性；(2)改進(jìn)輸入因子的處理算法，提高對陰雨無輻射天氣的預(yù)測能力。

[1] 李芬, 陳正洪, 成馳, 等.太陽能光伏發(fā)電量預(yù)報方法的發(fā)展[J].氣候變化研究進(jìn)展, 2011,7(2):136－141.

[2] 沈鐘平, 張華.影響地面太陽輻射及其譜分布的因子分析[J].太陽能學(xué)報, 2007, 30(10):1389－1395.

[3] 林正云, 劉孟珠.福州城市發(fā)展對太陽輻射的影響[J].太陽能學(xué)報, 1997, 18(1):41－45.

[4] 周晉, 吳業(yè)正, 晏剛, 等.利用神經(jīng)網(wǎng)絡(luò)估算太陽輻射響[J].太陽能學(xué)報, 2005, 26(4):509－512.

[5] 周勃, 陳長征, 宋楠.應(yīng)用盲分離神經(jīng)網(wǎng)絡(luò)預(yù)測逐日太陽輻射能[J].太陽能學(xué)報, 2007, 28(9):1008－1011.

[6] 曹雙華, 曹家樅.太陽逐時總輻射混沌優(yōu)化神經(jīng)網(wǎng)絡(luò)預(yù)測模型研究[J].太陽能學(xué)報, 2006, 27(2):164－169.

[7] 曹雙華, 曹家樅, 劉鳳強.小波分析在太陽輻射神經(jīng)網(wǎng)絡(luò)預(yù)測中的應(yīng)用研究[J].東華大學(xué)學(xué)報, 2004, 30(6):18－22.

[8] 張禮平, 丁一匯, 李清泉, 等.遺傳神經(jīng)網(wǎng)絡(luò)釋用氣候模式預(yù)測產(chǎn)品的實驗研究[J].氣候與環(huán)境研究, 2008, 13(5):681－687.