趙書強(qiáng)，王明雨，胡永強(qiáng)，劉晨亮

(新能源電力系統(tǒng)國(guó)家重點(diǎn)實(shí)驗(yàn)室，華北電力大學(xué)，北京102206)

考慮云量和氣溶膠不確定性的太陽(yáng)輻射值預(yù)測(cè)

趙書強(qiáng)，王明雨，胡永強(qiáng)，劉晨亮

(新能源電力系統(tǒng)國(guó)家重點(diǎn)實(shí)驗(yàn)室，華北電力大學(xué)，北京102206)

太陽(yáng)輻射是對(duì)光伏出力影響最大的因素，目前的預(yù)測(cè)方法不能充分考慮各個(gè)影響因素的不確定性。為了更加有效地預(yù)測(cè)光伏出力，本文提出了基于不確定理論和無云天氣REST模型的太陽(yáng)輻射值預(yù)測(cè)模型。該模型利用不確定理論分析了云遮系數(shù)和氣溶膠光學(xué)厚度(Aerosol Optical Depth，AOD)所具有的隨機(jī)性和模糊性，用隨機(jī)模糊模擬算法對(duì)兩個(gè)參數(shù)進(jìn)行隨機(jī)模糊化處理，得到不同云量下的云遮系數(shù)期望值和不同空氣質(zhì)量等級(jí)下的AOD期望值，根據(jù)數(shù)值天氣預(yù)報(bào)對(duì)云量和空氣質(zhì)量等級(jí)的預(yù)報(bào)值來選取相應(yīng)的期望值，利用云遮系數(shù)模型得到太陽(yáng)輻射的預(yù)測(cè)值。以美國(guó)BMS光伏電站的數(shù)據(jù)作為算例，驗(yàn)證了模型的有效性。預(yù)測(cè)結(jié)果表明，綜合考慮云量和氣溶膠光學(xué)厚度不確定性的模型與只考慮云量的模型相比，前者的預(yù)測(cè)結(jié)果較好，適用于不同云量、不同空氣質(zhì)量等級(jí)的天氣。

光伏發(fā)電;太陽(yáng)輻射;云量;云遮系數(shù);氣溶膠;隨機(jī)模糊變量;預(yù)測(cè)

1 引言

隨著新能源的發(fā)展，太陽(yáng)能受到社會(huì)的廣泛關(guān)注。光伏發(fā)電具有來源廣泛、清潔、無污染等優(yōu)點(diǎn)，大規(guī)模并網(wǎng)發(fā)電是太陽(yáng)能發(fā)電的發(fā)展趨勢(shì)。但氣象條件的波動(dòng)性使光伏發(fā)電的功率變化具有不確定性，因此需要對(duì)光伏出力進(jìn)行預(yù)測(cè)［1］。

光伏發(fā)電量主要由太陽(yáng)輻射值和溫度決定。太陽(yáng)輻射分為直接輻射和散射輻射，在到達(dá)地面的過程中會(huì)受到多種因素的影響，比如云的反射和散射，氣溶膠顆粒的吸收、反射和散射等［2］。近年來，霧霾天氣數(shù)量增加，空氣質(zhì)量下降，空氣中的顆粒物會(huì)對(duì)太陽(yáng)輻射產(chǎn)生復(fù)雜影響，使得光電板上接收的總輻射值減少。所以，預(yù)測(cè)太陽(yáng)輻射要綜合考慮各種氣象因素。

以往的文獻(xiàn)中，預(yù)測(cè)方法大體分為兩種:統(tǒng)計(jì)法和物理法。統(tǒng)計(jì)法是利用某種學(xué)習(xí)算法，如支持向量機(jī)［3］、神經(jīng)網(wǎng)絡(luò)［4，5］，建立數(shù)值天氣預(yù)報(bào)數(shù)據(jù)、歷史氣象數(shù)據(jù)與歷史太陽(yáng)輻射數(shù)據(jù)之間的聯(lián)系，再根據(jù)輸入輸出的關(guān)系，對(duì)輻射進(jìn)行預(yù)測(cè)。統(tǒng)計(jì)法對(duì)歷史數(shù)據(jù)變化規(guī)律的一致性有較高要求。物理法是運(yùn)用解析原理分析影響輻射的各個(gè)氣象因素，得到太陽(yáng)輻射的解析表達(dá)式，將數(shù)值天氣預(yù)報(bào)的數(shù)據(jù)代入計(jì)算式即可得到預(yù)測(cè)值。它可以對(duì)每一個(gè)大氣過程進(jìn)行詳細(xì)的分析。近年來，出現(xiàn)了將模糊分析與現(xiàn)有模型結(jié)合的方法，文獻(xiàn)［6］利用自適應(yīng)神經(jīng)網(wǎng)絡(luò)模糊系統(tǒng)對(duì)神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果進(jìn)行修正，文獻(xiàn)［7］將模糊神經(jīng)網(wǎng)絡(luò)與小波變換結(jié)合，預(yù)測(cè)精度有所提高。模糊方法不直接利用歷史數(shù)據(jù)，而是對(duì)數(shù)據(jù)進(jìn)行模糊化處理，使其可以更全面地反映實(shí)際情況，減小了以往確定性數(shù)據(jù)的片面性。

本文根據(jù)數(shù)值天氣預(yù)報(bào)，利用不確定理論分析了云遮系數(shù)和氣溶膠光學(xué)厚度的隨機(jī)性和模糊性，在對(duì)兩個(gè)參數(shù)進(jìn)行隨機(jī)模糊化處理的基礎(chǔ)上，建立了基于REST模型和不確定理論的太陽(yáng)輻射預(yù)測(cè)模型，實(shí)現(xiàn)了對(duì)輻射值提前24小時(shí)的預(yù)測(cè)，可以為電力系統(tǒng)調(diào)度部門的統(tǒng)籌規(guī)劃工作提供更多的參考信息。

2 隨機(jī)模糊理論

不確定理論包括概率論、可信性理論、信賴性理論，文獻(xiàn)［8］介紹了不確定理論的相關(guān)知識(shí)，為研究不確定現(xiàn)象提供了有效途徑。

隨機(jī)變量是從概率空間(Ω，Λ，Pr)到實(shí)數(shù)集合的可測(cè)函數(shù)。其中，Ω是非空集合，Λ是由Ω的子集構(gòu)成的集類，Pr為概率測(cè)度。模糊變量ξ是從可能性空間(Θ，P(Θ)，Pos)到實(shí)數(shù)集合的函數(shù)，其中，Θ為非空集合，P(Θ)為Θ的冪集，Pos為可能性測(cè)度。模糊現(xiàn)象中，可以用隸屬度函數(shù)μ(μ∈［0，1］)描述元素對(duì)集合的隸屬程度。A是冪集P(Θ)中的一個(gè)元素，則稱Nec{A}=1－Pos{Ac}為 A的必要性測(cè)度;為A的可信性測(cè)度。

若ξ是從可能性空間(Θ，P(Θ)，Pos)到隨機(jī)變量集合的函數(shù)，則ξ是隨機(jī)模糊變量。即ξ是一個(gè)取隨機(jī)值的模糊變量。若式(1)右端兩個(gè)積分中至少有一個(gè)有限，則式(1)為ξ的期望值。

3 太陽(yáng)輻射值的預(yù)測(cè)模型

3.1 無云天氣太陽(yáng)輻射值的計(jì)算模型

天空無云時(shí)，利用物理模型計(jì)算太陽(yáng)輻射值。目前應(yīng)用較多的有ASHRAE［9］、REST［10］和BIRD等模型。本文采用REST模型分別計(jì)算無云天氣的直接輻射和散射輻射，分別如式(2)和式(3)所示，可以看出，兩個(gè)公式中都包含氣溶膠光學(xué)厚度，因此AOD在輻射值的計(jì)算中是比較重要的參數(shù)。

式中，Idir為直接輻射;Iex為到達(dá)地球表面的天文輻射;Tr為雷利系數(shù);Tg為混合大氣吸收系數(shù);Ta為氣溶膠吸收輻射系數(shù);m為大氣光學(xué)質(zhì)量;p為大氣壓強(qiáng);τa為氣溶膠光學(xué)厚度。

式中，Idif為散射值;Dr為雷利散射量;Da為氣溶膠散射量;Dm為各種反射情況的綜合輻射量;Isc為太陽(yáng)常數(shù)，一般取1367 W/m2;αs為太陽(yáng)高度角;Taa為直射輻射被氣溶膠吸收系數(shù);Tas為經(jīng)過氣溶膠散射后的能力透射比;w0、Fc分別為氣溶膠因子的散射、反射系數(shù)，一般取Fc=0.84，w0=0.9;ρg為地面反射參數(shù)，取經(jīng)驗(yàn)值ρg=0.2。

選取2006～2011年每年11月份的無云天氣，用REST模型分別計(jì)算每天8∶00～16∶00的太陽(yáng)直射和散射值(單位:W/m2)，計(jì)算結(jié)果如圖1所示。與實(shí)際值對(duì)比發(fā)現(xiàn)，直射的計(jì)算值與實(shí)際值很接近，散射的計(jì)算值與實(shí)際值有一定差距，原因可能是:空氣中顆粒物的含量、種類有地區(qū)或季節(jié)性差異，使模型中參數(shù)的取值存在差異。散射計(jì)算值與實(shí)際值曲線的變化趨勢(shì)、基本走向是一致的，所以用一次函數(shù)對(duì)其進(jìn)行擬合，來消除參數(shù)不同帶來的影響，見式(4)。

式中，Idif為REST模型計(jì)算得到的散射輻射;Idif1為修正后的散射值;k、a為修正系數(shù)。

圖1 直射和散射的計(jì)算值(REST模型)與實(shí)際值的對(duì)比Fig．1 Comparison of calculated value using REST modelwith actual value of direct and diffuse radiation

將散射計(jì)算值與實(shí)際值進(jìn)行線性擬合，得到修正后的散射計(jì)算公式如式(5)所示(單位:W/m2)，修正前、后的計(jì)算結(jié)果對(duì)比如圖2所示，可見修正后的散射輻射值更接近實(shí)際值。

圖2 修正前后散射輻射值與實(shí)際值的對(duì)比Fig．2 Comparison of predicted scattered radiation value before and after correction with actual value

3.2 有云天氣太陽(yáng)輻射值的計(jì)算模型

云的厚度、形狀和高度具有隨機(jī)性，由此對(duì)太陽(yáng)輻射產(chǎn)生的效應(yīng)會(huì)比較復(fù)雜［11］。目前多采用Nielsen、Kasten、云遮修正系數(shù)模型［12］等，利用一個(gè)與云量有關(guān)的函數(shù)對(duì)無云天氣的輻射值進(jìn)行校正。云對(duì)直射和散射的影響機(jī)制不同，所以要分別對(duì)二者進(jìn)行分析。

云量是云對(duì)天空視野遮蔽的成數(shù)，即有云的天空占天空總面積的比例。我國(guó)采用10成制，無云時(shí)云量為0，整個(gè)天空都是云時(shí)云量為10成。

本文對(duì)云遮系數(shù)模型進(jìn)行改進(jìn)，流程圖如圖3所示，思路為:先利用隨機(jī)模糊模擬算法求出不同云量對(duì)應(yīng)的云遮系數(shù)期望值和不同空氣質(zhì)量等級(jí)對(duì)應(yīng)的氣溶膠光學(xué)厚度期望值，根據(jù)云量和空氣質(zhì)量等級(jí)的預(yù)報(bào)值，選擇相應(yīng)的期望值對(duì)REST模型進(jìn)行修正，即可得到太陽(yáng)輻射的預(yù)測(cè)值。

3.2.1 云遮系數(shù)的隨機(jī)模糊化

云量用i(i∈(0，1，…，10))表示，不同云量對(duì)輻射的削弱程度用云遮系數(shù)ξi表示。有云和無云天氣輻射值的關(guān)系如式(6)所示。云在天空中的百分比用云層覆蓋率z(z∈(0，1，…，100))表示，不同云層覆蓋率對(duì)輻射的削弱程度用kz表示。

對(duì)歷史數(shù)據(jù)計(jì)算可知，直接和散射云遮系數(shù)分別分布在［0，1］和［－10，1］。散射輻射對(duì)應(yīng)的云遮系數(shù)如圖4所示，由圖4可知，同一云層覆蓋率對(duì)應(yīng)的云遮系數(shù)kz取值不同;樣本足夠多時(shí)，kz的分布具有一定規(guī)律性。因此，kz為隨機(jī)變量。

圖3 考慮空氣質(zhì)量的預(yù)測(cè)流程圖Fig．3 Forecast flowchart considering air quality

圖4 散射輻射對(duì)應(yīng)的云遮系數(shù)Fig．4 Cloud cover coefficient corresponding to diffuse radiation

每一個(gè)云層覆蓋率都對(duì)應(yīng)一個(gè)取隨機(jī)值的云遮系數(shù)kz，這樣所有的云遮系數(shù)就構(gòu)成了一個(gè)隨機(jī)變量集合{k0，k1，k2，…，k100}，以散射輻射為例，說明如何通過統(tǒng)計(jì)方法得到kz的離散概率分布:

(1)確定歷史數(shù)據(jù)，采用2006～2011年每年11月份有云天氣的數(shù)據(jù)，利用REST修正模型，先得到對(duì)應(yīng)無云天氣的輻射值;

(2)由式(6)得到各個(gè)樣本對(duì)應(yīng)的云遮系數(shù)ξdif;

(3)統(tǒng)計(jì)各云層覆蓋率的數(shù)量 Nz(z∈［0，100］);

(4)將ξdif按照取值范圍分為100個(gè)小區(qū)間，統(tǒng)計(jì)ξdif分布在各個(gè)小區(qū)間的數(shù)量 ni(ni∈［0，100］);

(5)計(jì)算ξdif分布在各個(gè)小區(qū)間的概率Pzi= ni/Nz(i為區(qū)間號(hào))。

云量用成數(shù)表示，人們認(rèn)知的差異使得對(duì)云量的定義存在差異。當(dāng)云層覆蓋率為15%時(shí)，不能明確它是否屬于云量2。因此，i為模糊變量。

采用模糊理論中的三角隸屬函數(shù)(如公式(7)所示)計(jì)算各個(gè)云層覆蓋率z對(duì)云量i的隸屬程度μ，劃分如圖5所示。

圖5 云層覆蓋率對(duì)云量的隸屬函數(shù)圖Fig．5 Membership function of cloudiness cover percentage to cloud cover

根據(jù)可信性理論，每個(gè)云量i對(duì)應(yīng)一個(gè)可能性空間(z，p(z)，μi)，z為云層覆蓋率的集合{0，1，2，…，100}，μi為z對(duì)i的隸屬度。

綜上所述，云量i是模糊變量，不同云層覆蓋率對(duì)各個(gè)云量有一個(gè)隸屬度，每個(gè)i對(duì)應(yīng)一個(gè)可能性空間;云層覆蓋率z對(duì)應(yīng)的云遮系數(shù)kz是隨機(jī)變量，kz組成了一個(gè)隨機(jī)變量集合{k0，k1，k2，…，k100}。因此，云量對(duì)應(yīng)的云遮系數(shù)是一個(gè)隨機(jī)模糊變量:

求隨機(jī)模糊變量期望值的算法如下:

(1)令變量e=0;

(2)分別從歷史數(shù)據(jù)集合 Θ 中抽取滿足Pos{θk}＞ε的θk(k=1，2，…，N，N為數(shù)據(jù)的個(gè)數(shù))，ε是一個(gè)充分小的正數(shù);

(3)令

(4)從區(qū)間［a，b］中隨機(jī)產(chǎn)生r;

(5)如果r≥0，則

e←e+Cr{θ∈Θ|E［f(ξ(θ)］≥r}

(6)如果r＜0，則

e←e－Cr{θ∈Θ|E［f(ξ(θ)］≤r}

(7)重復(fù)步驟(4)～(6)共N次;

(8)則隨機(jī)模擬變量的期望值為:

E(f(ξ))=a∧0+b∨0+e(b－a)/N

3.2.2 氣溶膠光學(xué)厚度的隨機(jī)模糊化

氣溶膠(又稱大氣顆粒物)指固態(tài)或液態(tài)微粒在空氣中的懸浮體系，分為總懸浮顆粒物、粗粒子和細(xì)粒子PM2.5。氣溶膠既可以通過吸收、反射直接影響太陽(yáng)輻射，又可以通過改變?cè)频奈锢硇再|(zhì)間接影響太陽(yáng)輻射［13］。AOD是表征大氣顆粒物的最基本參量，與顆粒物濃度呈正相關(guān)［14］。

按照顆粒物濃度q(q∈［0，500］)的大小，國(guó)際上將空氣質(zhì)量分為6個(gè)等級(jí)?？諝赓|(zhì)量是一個(gè)模糊概念，每個(gè)濃度對(duì)各個(gè)等級(jí)L都具有對(duì)應(yīng)的隸屬度，對(duì)空氣質(zhì)量的模糊劃分如圖6所示，分別采用Z型(曲線1)、鐘型(曲線2～5)和sigmoid型(曲線6)隸屬度函數(shù)來表示各個(gè)顆粒物濃度對(duì)空氣質(zhì)量等級(jí)的隸屬程度。

圖6 空氣質(zhì)量指數(shù)對(duì)空氣質(zhì)量等級(jí)的隸屬函數(shù)圖Fig．6 Membership function of air quality index to air quality levels

同一顆粒物濃度q對(duì)應(yīng)的AOD不是確定的數(shù)值，而是具有離散概率分布。當(dāng)樣本足夠多時(shí)，AOD隨q的分布呈現(xiàn)一定的規(guī)律性。因此氣溶膠光學(xué)厚度具有隨機(jī)性。3.2.1節(jié)中利用統(tǒng)計(jì)方法得到了kz的離散概率分布，采用類似的方法可以得到AOD的離散概率分布。

綜上所述，空氣質(zhì)量等級(jí)是模糊變量，顆粒物濃度對(duì)應(yīng)的氣溶膠光學(xué)厚度是隨機(jī)變量，因此空氣質(zhì)量等級(jí)對(duì)應(yīng)的AOD是隨機(jī)模糊變量，可以利用隨機(jī)模糊模擬算法得到各個(gè)等級(jí)下的AOD期望值。

4 太陽(yáng)輻射預(yù)測(cè)算例分析

本文利用位于美國(guó)科羅拉多州古爾登市的BMS光伏電站進(jìn)行模型的驗(yàn)證，歷史數(shù)據(jù)為美國(guó)可再生能源實(shí)驗(yàn)室(National Renewable Energy Laboratory，NREL)的氣象數(shù)據(jù)和太陽(yáng)輻射數(shù)據(jù)，預(yù)測(cè)日的云量采用美國(guó)國(guó)家海洋和大氣管理局(National O-ceanic and Atmospheric Administration，NOAA)提供的預(yù)報(bào)數(shù)據(jù)，將有效光照時(shí)間定為每天的8∶00～16∶00，提前一天預(yù)測(cè)直接輻射值Idir和散射輻射值Idif(單位:W/m2)。

不同云量對(duì)應(yīng)的云遮系數(shù)期望值如表1所示，不同空氣質(zhì)量對(duì)應(yīng)的氣溶膠光學(xué)厚度期望值如表2所示。以2012年11月16日為例，將不考慮空氣質(zhì)量的太陽(yáng)輻射預(yù)測(cè)模型記為模型1，考慮空氣質(zhì)量的太陽(yáng)輻射預(yù)測(cè)模型記為模型2，美國(guó)AIRNow網(wǎng)站對(duì)該日空氣質(zhì)量的預(yù)測(cè)值為2，則氣溶膠光學(xué)厚度選AOD2。為方便三種模型進(jìn)行對(duì)比，圖7(a)、7 (b)、7(c)顯示了模型1、模型2和REST模型的預(yù)測(cè)結(jié)果。平均相對(duì)誤差如表3所示。

表1 不同云量對(duì)應(yīng)的云遮系數(shù)期望值Tab．1 Cloud cover coefficient expectations corresponding to different amount of cloud cover

表2 不同空氣質(zhì)量對(duì)應(yīng)的氣溶膠光學(xué)厚度期望值A(chǔ)ODLTab．2 Aerosol optical depth expectations corresponding to different air quality

圖7 2012年11月16日太陽(yáng)輻射預(yù)測(cè)值與實(shí)際值的對(duì)比Fig．7 Comparison of predicted solar radiation value with actual value on November 16th，2012

表3 兩種預(yù)測(cè)模型的平均相對(duì)誤差Tab．3 Average relative errors of two prediction models

結(jié)果分析:

(1)對(duì)比上述兩種模型，模型1只考慮云量的不確定性，模型2在模型1的基礎(chǔ)上又考慮了空氣質(zhì)量的影響，在不同的空氣質(zhì)量等級(jí)下，AOD取不同的數(shù)值。經(jīng)驗(yàn)證，模型2的預(yù)測(cè)結(jié)果更接近實(shí)際值，說明在計(jì)算太陽(yáng)輻射時(shí)，要綜合考慮云量和氣溶膠的影響。

(2)將模型1、模型2與REST模型的預(yù)測(cè)結(jié)果進(jìn)行對(duì)比，發(fā)現(xiàn)預(yù)測(cè)精度比REST模型有所提高。

(3)8∶00和16∶00屬于日出和日落時(shí)間，輻射值受水蒸氣和空氣污染物的影響較大，不規(guī)律性較強(qiáng)，模型2考慮了空氣質(zhì)量等級(jí)，因此日出和日落期間的總輻射預(yù)測(cè)誤差比模型1和REST模型要小。

5 結(jié)論

本文首先分析了云遮系數(shù)和AOD的隨機(jī)性和模糊性，得出二者為隨機(jī)模糊變量，利用隨機(jī)模糊模擬算法可以計(jì)算其在不同條件下的期望值。選取相應(yīng)的AOD和云遮系數(shù)期望值，分別代入REST模型和云遮系數(shù)模型，即可得到不同云量和不同空氣質(zhì)量等級(jí)下的太陽(yáng)輻射預(yù)測(cè)值。該模型突破了以往不考慮信息不確定性的局限，能夠較好地預(yù)測(cè)不同天氣狀況下的太陽(yáng)輻射值，從而為電力系統(tǒng)調(diào)度部門提供有價(jià)值的參考信息。

［1］Gabler H．Grid-connected photovoltaics［J］．Solar Energy，2001，70(6):455-456．

［2］林媛 (Lin Yuan)．太陽(yáng)輻射強(qiáng)度模型的建立及驗(yàn)證(The model of the solar radiation energy’s establishment and verification)［J］．安徽建筑工業(yè)學(xué)院學(xué)報(bào) (自然科學(xué)版) (Journal of Anhui Institute of Architecture＆Industry(Natural Science Edition))，2007，15(5): 44-46．

［3］栗然，李廣敏(Li Ran，Li Guangmin)．基于支持向量機(jī)回歸的光伏發(fā)電出力預(yù)測(cè)(Photovoltaic power generation output forecasting based on support vector machine regression technique)［J］．中國(guó)電力 (Electric Power)，2008，41(2):74-78．

［4］張嵐，張艷霞，郭嫦敏，等 (Zhang Lan，Zhang Yanxia，Guo Changmin，et al．)．基于神經(jīng)網(wǎng)絡(luò)的光伏系統(tǒng)發(fā)電功率預(yù)測(cè) (Photovoltaic system power forecasting based on neutral networks)［J］．中國(guó)電力 (Electric Power)，2010，43(9):75-78．

［5］代倩，段善旭，蔡濤，等 (Dai Qian，Duan Shanxu，Cai Tao，et al．)．基于天氣類型聚類識(shí)別的光伏系統(tǒng)短期無輻照度發(fā)電預(yù)測(cè)模型研究 (Short-term PV generation system forecasting model without irradiation based on weather type clustering)［J］．中國(guó)電機(jī)工程學(xué)報(bào)(Proceedings of the CSEE)，2011，31(34):28-35．

［6］雷紹蘭，孫才新，周湶，等 (Lei Shaolan，Sun Caixin，Zhou Quan，et al．)．基于徑向基神經(jīng)網(wǎng)絡(luò)和自適應(yīng)神經(jīng)模糊系統(tǒng)的電力短期負(fù)荷預(yù)測(cè)方法 (Shortterm load forecasting method based on RBF neural network and ANFIS system)［J］．中國(guó)電機(jī)工程學(xué)報(bào) (Proceedings of the CSEE)，2005，25(22):78-82．

［7］邰能靈，侯志儉 (Tai Nengling，Hou Zhijian)．小波模糊神經(jīng)網(wǎng)絡(luò)在電力系統(tǒng)短期負(fù)荷預(yù)測(cè)中的應(yīng)用(New short-term load forecasting principle with the wavelet transform fuzzy neural network for the power systems)［J］．中國(guó)電機(jī)工程學(xué)報(bào) (Proceedings of the CSEE)，2004，24(1):24-29．

［8］劉寶錠，彭錦 (Liu Baoding，Peng Jin)．不確定理論教程 (A course in uncertainty theory)［M］．北京:清華大學(xué)出版社 (Beijing:Tsinghua University Press)，2005．

［9］后尚，田瑞，閆素英 (Hou Shang，Tian Rui，Yan Suying)．呼和浩特地區(qū)太陽(yáng)輻射模型分析(Research and analysis on the solar radiation model of Huhehaote)［J］．可再生能源(Renewable Energy Resources)，2008，26 (2):79-82．

［10］Shah Alam．Prediction of direct and global solar irradiance using broadband models:Validation of REST model［J］．Renewable Energy，2006，31:1253-1263．

［11］申彥波，趙宗慈，石廣玉 (Shen Yanbo，Zhao Zongci，Shi Guangyu)．地面太陽(yáng)輻射的變化、影響因子及其可能的氣候效應(yīng)最新研究進(jìn)展 (The progress in variation of surface solar radiation，factors and probable climatic effects)［J］．地球科學(xué)進(jìn)展 (Advances in Earth Science)，2008，23(9):915-923．

［12］李小芳，陳青云 (Li Xiaofang，Chen Qingyun)．用云遮系數(shù)法計(jì)算日光溫室內(nèi)太陽(yáng)輻射 (Calculation of the solar radiation inside the sunlight greenhouse using the cloud cover coefficient method)［J］．農(nóng)業(yè)工程學(xué)報(bào)(Transactions of the Chinese Society of Agricultural Engineering)，2004，20(3):212-216．

［13］林燕芬 (Lin Yanfen)．大氣氣溶膠對(duì)能見度、云和降雨的影響機(jī)制 (The effects of atmospheric aerosol on visibility，clouds and precipitation)［D］．上海:復(fù)旦大學(xué) (Shanghai:Fudan University)，2009．

(，cont．on p.75)(，cont．from p.46)

［14］林海峰 (Lin Haifeng)．京津冀大氣顆粒物濃度與氣溶膠光學(xué)厚度檢測(cè)及相關(guān)性分析研究 (Monitoring and correlation of atmospheric particulate matter and aerosol optical depth over the Beijing-Tianjin-Hebei region)［D］．蘭州:蘭州大學(xué) (Lanzhou:Lanzhou University)，2012．

Prediction of solar radiation values considering uncertainty of cloud cover and aerosols

ZHAO Shu-qiang，WANG Ming-yu，HU Yong-qiang，LIU Chen-liang
(State Key Laboratory of Alternate Electrical Power System with Renewable Energy Sources，North China Electric Power University，Beijing 102206，China)

The prediction about solar radiation，which is the most influential factor of PV output，is of great significance．In the previous methods of solar radiation prediction，a few have considered different kinds of uncertainly weather factors．In order to overcome this shortcoming and forecast the PV output more effectively，this paper puts forward to a model based on REST model and uncertainty theory．After analyzing the randomness and fuzziness of the cloud covers and aerosols using the uncertainty theory，the paper sets up two random fuzzy variables，i．e．cloud cover index coefficient and aerosol optical depth in the REST model of cloudless weather and cloud cover index model，which is applicable to conditions of different cloud covers and different air quality levels．Then the model verifies the effectiveness of the improved model by taking data of BMS photovoltaic power plants as an example．The results indicate that the model has better prediction precision compared with the previous ones．

photovoltaic power generation;solar radiation;cloud cover;cloud cover index;aerosol;random fuzzy variables;prediction

TK511

:A

:1003-3076(2015)05-0041-06

2013-08-14

趙書強(qiáng)(1964-)，男，河北籍，教授，博士生導(dǎo)師，研究方向?yàn)殡娏ο到y(tǒng)運(yùn)行、分析與控制;王明雨(1988-)，女，河北籍，碩士研究生，研究方向?yàn)殡娏ο到y(tǒng)運(yùn)行、分析與控制。