短期预报（共3篇）
短期预报 篇1
0 引言
太阳能是一种清洁能源,取之不尽,用之不竭。根据美国能源信息署的报告,2012年全球的一次能源消费总量为553EJ[1],而每年到达地球表面的太阳能高达3 850 000EJ[2]。因此,只要利用合理,太阳能完全可以满足整个人类社会对能源的需求。
目前,太阳能发电主要有两种形式,分别是光伏发电和光热发电。为了获得最大产能,光伏电站的太阳能电池板一般倾斜固定在地面上,出力主要受倾斜面总辐射影响。与此不同,光热发电系统的运行需要借助太阳跟踪器,它主要利用来自太阳的法向直接辐射(DNI)。
为了减缓气候变化,解决日益突显的能源短缺和大气污染问题,近几年太阳能行业在各国政策的支持下得到了迅猛发展。2015年,全球新增光伏发电装机容量超过48 GW,累计装机容量超过227GW[3]。其中,2015年中国新增光伏发电装机容量15.13GW,累计装机规模43.18GW,年发电量39.2TW·h[4]。与此同时,全球光热发电产业稳步增长。2015年,全球新增光热发电装机容量0.42GW,累计装机规模4.94 GW,同比增长9.3%[5]。与光伏发电相比,国内的光热发电刚刚起步。截至2015年年底,全国太阳能热发电累计装机容量仅为18.1 MW[5]。2015年下半年,国家发改委和能源局先后印发了《河北省张家口市可再生能源示范区发展规划》和《国家能源局关于组织太阳能热发电示范项目建设的通知》,涉及的光热发电项目规模达2GW[6,7]。国内光热发电行业即将步入高速发展期。
太阳能是一种波动性电源,受太阳几何位置和天气过程的影响,具有季节性、随机性和间歇性等特点。为了光热发电项目的顺利并网和稳定运行,对未来几天的法向直接辐射进行准确预报至关重要。首先,准确预测未来几天的发电功率是电网优化调度的基础,而功率预测的准确度取决于法向直接辐射预报的品质。其次,光热发电系统的运行成本比光伏高,特别是多云和阴天时,太阳能资源的减少会严重影响产能。为了保证经济效益,是否开机运行需要参考未来时段内的法向直接辐射资源量。另外,提前获知镜场范围内的法向直接辐射,可以提高塔式光热发电项目对熔盐的控制水平,避免熔盐低温凝固。最后,法向直接辐射短期预报还可以为业主制定储热罐的充热及放热计划提供决策依据。因此,开展法向直接辐射的短期预报研究具有极高的科学和应用价值。
世界上第一批商业化太阳能热发电站建设于1984至1990年。之后,全球太阳能热发电产业持续低迷,项目建设一度停滞。进入21世纪后,随着能源和气候问题的加剧,2006年起,西班牙和美国等国开始启动新的太阳能热发电项目。工业的发展带动科技的创新,法向直接辐射的短期预报研究也从那时开始兴起。
“十二五”期间,国内光热发电产业发展缓慢,法向直接辐射的短期预报研究也没有引起足够的重视。针对国内的电力工业标准和电网政策,国内学者还没有系统地开展过相关的研究工作。本文通过介绍法向直接辐射的定义、国内电力工业标准和政策、法向直接辐射短期预报技术、国内研究进展及存在的问题,介绍这一新兴的研究领域。
1 法向直接辐射的定义
法向直接辐射有多种不同的定义。
国际标准化组织9488文件中,直接辐射的定义如下:“直接辐射是一个接收平面从以日面为中心的小立体角内接收的辐射通量和其面积之商。如果接收平面垂直于立体角的轴,那么它接收的是法向直接辐射。”[8]
世界气象组织仪器与观测方法委员会对直接辐射的定义是:“直接辐射用直接辐射表进行测量,直接辐射表的接收面放置在太阳方向的法向。利用孔径,直接辐射表只测量来自太阳及天空中一狭窄环面的辐射,后者有时被称作环日辐射或者日晕辐射。”[9]
根据国家标准化管理委员会制定的《太阳能热利用术语》和《太阳能资源术语》,法向直接辐射的定义是:“从日面及其周围一小立体角内发出的辐射,一般来说,是由视场角约为5°~6°的仪器测定的,包括日面周围的部分散射辐射,即环日辐射,而日面本身的视场角约为0.5°。”[10,11]
国际标准化组织、世界气象组织和国家标准化管理委员会使用了法向直接辐射和直接辐射两种不同的表述。不过,其物理意义相同,两者的差异仅仅是定义角度的不同。前者是从地面入射的角度定义,后者是从太阳出射的角度定义。因此,在很多文献和标准化文件中,法向直接辐射和直接辐射表述的是同一物理量。用来测量法向直接辐射的地面仪器叫做直接辐射表(pyrheliometer),如图1所示,它可自动跟踪太阳视位置,并时刻与日面保持对准。
与直接辐射表不同,光伏电站所使用的总辐射表(pyranometer)是水平放置的,它接收到的能量即水平面总辐射(GHI)是法向直接辐射在水平面的分量和水平面散射辐射(DHI)之和(见图1)。因此,水平面总辐射IGHI、法向直接辐射IDNI和水平面散射辐射IDHI之间满足以下关系:
式中:θ为太阳高度角,它和太阳天顶角互为余角(见图1)。
直接辐射表存在一定的孔径,既可以接收垂直于日面的辐射,也可以接收一定角度范围内的环日辐射,波长响应范围约为200~4 000nm。不过,一部分被直接辐射表记录的环日辐射并不能被光热发电系统使用,系统能利用的波长范围约为350~2 500nm[12]。因此,用地面观测资料估算的光热电站产能存在系统性偏高。当日面被薄云遮挡时或气溶胶浓度较高时,偏高可达10%[13]。
天气模式中的法向直接辐射由辐射传输模式计算得到。辐射传输模式在处理法向直接辐射时,一般将太阳看作一个点源,并没有考虑日面和环日辐射的影响[12,14]。因此,用地面观测资料进行项目前期选址、发电量评估和预报方案检验时,要特别注意这一系列问题带来的不确定度。环日辐射带来的影响,可以参考文献[12]。
2 国内电力工业标准和政策
在欧洲和北美地区,市场化的电力交易机制已经非常成熟,精确的太阳能发电功率预测可以为发电厂带来良好的经济效益。
与欧洲和北美地区不同,国内电力工业对太阳能发电功率进行预测的目的是便于调度机构制定发电计划,而不是电力交易。因此,国内的太阳能发电功率预测标准规范只规定了两种不同的预测机制,分别是面向未来15 min至4h的超短期预测和面向未来3d的短期预测。
超短期预测要求发电厂每15 min滚动预测一次未来15min至4h的发电功率,输入参数为实测功率、实测气象和设备状态等生产系统数据。短期预测要求发电厂在每日上午预测次日00:00起至未来72h的发电功率并完成上报,输入参数为数值天气预报等数据[15]。各个省份的电网一般以此为基准,结合本省情况对规则进一步细化。
实际运行时,超短期预测通常采用时间序列法,即对历史实发功率变化趋势进行外推。短期功率一般通过历史天气预报和历史发电功率之间的映射关系进行预测,可采用人工神经网络等统计方法。
此外,为了避免电力系统遭受网络攻击,保障电力系统的安全和稳定运行,《电力二次系统安全防护规定》和《电力二次系统安全防护总体方案》规定,安全生产区和外部公共因特网之间的数据通信需要借助横向单向安全隔离装置[16,17]。
3 法向直接辐射短期预报技术
3.1 太阳能预报方法概述
根据预报时长的不同,地表太阳辐照度的预报方法可以分为随机学习法、全天空成像外推法、卫星成像外推法和数值天气预报等方法[18]。不同的方法其时效性不同,空间分辨率和可应用的空间范围也不一样(见表1)。
随机学习法是一种统计预测法。以惯性预报法为例,它假设当前的天气状况在一定时段内不变,将当前实测的太阳辐射值看作未来的预报值。天气稳定状况对惯性预报影响很大。随着预报时长增加,其精度下降很快,只适用于预报未来几分钟内的地表太阳辐照度变化。
全天空成像外推法和卫星成像外推法的原理基本一样,都是用图像处理和云跟踪技术分析连续图像,估算出云的运动矢量,再通过云的位置、运动速度和方向预报太阳辐照度的变化。全天空成像仪分辨率高,适用于电厂范围内未来10~30 min的预报。地球静止轨道卫星观测范围大,预报时长可以达到未来5h。
数值天气预报是以当前天气状况为初始和边界条件,用数学模式来预报未来天气的一种方法。描述大气运动的数学模式被称为天气模式,可分为全球模式和中尺度模式。全球模式一般是业务化预报模式,初始和边界条件来自各种观测资料,空间分辨率较低,由国家和地区级别的气象机构开发并运行维护,如美国国家环境预报中心、欧洲中期天气预报中心、日本气象厅和中国气象局等。中尺度模式是区域模式,一般以全球模式的预报结果为初始和边界条件,通过降尺度提高时空分辨率,并可以根据研究和应用需求提取所需要的预报参数。许多科研机构和商业公司都拥有自主开发的中尺度模式,有的可以免费开放获取,如WRF(weather research and forecasting model)和MM5(the fifth-generation NCAR/Penn State mesoscale model)等。
针对未来1~3d的短期太阳辐照度预报,数值天气预报是目前精度最好的方法。
3.2 法向直接辐射的计算
全球和中尺度天气模式通过辐射传输模式计算向下短波辐射[19]。出于简化的目的,天气模式中的辐射传输方案都经过了修改,一般只能输出水平面总辐射[20]。法向直接辐射和水平面散射辐射的求解需借助其他模式,如总辐射—散射辐射模式和晴空模式。
总辐射—散射辐射模式以观测资料为基础,先通过回归分析求得总辐射和散射辐射之间的统计关系,然后利用经验公式将总辐射预报分离为散射辐射和法向直接辐射预报两部分。这种方法简单实用,适用于晴空、多云和阴天等不同能见度。不过,观测资料的误差和目标区域的局地气候效应会影响模式的性能。
晴空模式是一种参数化辐射传输模式,比辐射传输模式简单。它不考虑云的因素,只计算晴空条件下的地表辐射,一般以气象变量为输入,气溶胶光学厚度、可降水量和臭氧含量等都是重要的输入参数。许多晴空模式可以直接估算总辐射、直接辐射和散射辐射,在不同的气候条件下表现优越,但是结构比较复杂,而且对输入要求较高。
3.3 影响短期预报精度的要素
法向直接辐射主要受太阳几何参数、气溶胶、水汽、臭氧和云影响。其中,云的影响最大。没有云的晴空下,气溶胶、水汽和臭氧等大气成分是影响消光的主要因素。
3.3.1 太阳几何参数
太阳天顶角和时角等几何参数决定了地面辐照度在晴空下的日变化[21]。
文献[21]以NWS(national weather service)预报数据库为输入,先用伽马检验和遗传算法对输入变量进行筛选,然后用人工神经网络算法对未来6d的逐时法向直接辐射做了回溯预报研究。结果表明,归一化的时角对预报精度影响很大,是关键的输入参数。
目前,可用于太阳能工业的太阳位置算法有多种,精度最高的是美国国家可再生能源实验室的SPA(solar position algorithm)算法[22]。在-2 000~6 000a的尺度上,SPA计算的太阳高度角和方位角不确定度仅为0.000 3°[22,23]。
3.3.2 气溶胶
晴空条件下对直接辐射和散射辐射影响最大的因素是气溶胶[24]。沙尘暴发生时,气溶胶对直接辐射的消光甚至可以达到100%[25]。
文献[26]用WRF对美国地区的法向直接辐射和水平面散射辐射做了回溯预报研究,并与SURFRAD(surface radiation budget network)地面台站资料做了对比。研究发现,在WRF中加入MODIS(moderateresolutionimaging spectroradiometer)气溶胶信息后,晴空下的法向直接辐射和水平面散射辐射预报结果有了很大的改善,平均偏差分别改进了约80%和70%。
文献[27]用WRF中的RRTMG(rapid radiative transfer model for GCMs)辐射传输方案对法向直接辐射和水平面散射辐射做了模拟研究,并用BSRN(baseline surface radiation network)测站资料验证了结果。研究发现,在没有气溶胶信息时,总辐射模拟结果的系统性偏差很小,可以忽略,而法向直接辐射和水平面散射辐射的均方根误差分别高达8%和37%。在计算中加入AERONET(aerosol robotic network)测站的气溶胶光学特性信息后,两者的均方根误差分别降至1%和6%。
因此,法向直接辐射对气溶胶变率更加敏感,预报难度更大。
3.3.3 水汽
水汽是大气中最重要的温室气体,也是唯一能发生三相转换的大气成分,在时空分布上存在较大的变化。水汽在近红外波段的吸收作用很强,而太阳短波辐射总量的50%左右都集中在这一波段[28]。
研究发现,在模式中加入可靠的水汽信息可以减少法向直接辐射模拟的不确定度[24,26,27]。
3.3.4 臭氧
臭氧对太阳辐射的吸收主要发生在3个光谱带。200~300nm的Hartley带吸收最强,300~360 nm的Huggins带吸收较弱。在440~1 180nm的可见和近红外区,臭氧也有较弱的吸收带,被称为Chappuis带[28]。
文献[29]分析了WRF中不同臭氧廓线的时空偏差,并量化了3种臭氧方案对法向直接辐射模拟的影响。研究发现,两极地区的臭氧偏差最大,由此引发的法向直接辐射模拟偏差在两极地区的冬季可达12 W/m2;热带地区偏差最小,法向直接辐射模拟偏差接近0 W/m2。
3.3.5 云
在多云和阴天的情况下,云对太阳辐射的削弱作用会超过气溶胶等大气成分。由于云瞬息万变,准确预报云的位置、速度和方向一直是大气科学面临的挑战。
文献[30]对西班牙南部地区未来72h的直接辐射做了回溯预报研究。结果显示,在云的影响下,模式无法捕捉到直接辐射的高频变率,预报偏差可达823 W/m2。
文献[31]用WRF对西班牙南部地区未来3d的法向直接辐射做了回溯预报研究,通过与地面观测资料对比,分析了不同能见度条件对预报结果的影响。研究发现,WRF对法向直接辐射的预报误差较大,多云和阴天下24h预报的均方根误差在100%和400%以上,说明云对法向直接辐射的影响远远高于其对水平面总辐射的影响。
文献[32]研究了ECMWF(European centre for medium-range weather forecasts)全球模式对澳大利亚地区未来5d水平面直接辐射的预报能力,并与地面台站资料做了对比。研究结果发现,多云时的误差较大,其均方根误差大约是晴空下的2~4倍。
3.4 提高短期预报精度的方法
太阳能预报的不确定度主要来自初始边界条件和模式。下面介绍的几种方法都可用于短期预报精度的提升。虽然有些案例只涉及总辐射,但是原理和方法同样适用于法向直接辐射。
3.4.1 资料同化
太阳能短期预报所用的初始场一般是全球模式的预报场,时空分辨率较低。为了获得最优的初始条件,可以用局地观测资料降低背景误差,这种方法被称作资料同化。
文献[33]开发了一套云同化预报系统WRF-CLDDA(WRF cloud assimilation system),用于改善日前总辐射的预报精度。通过改变水汽混合比,WRF-CLDDA可以直接同化GOES(geostationary operational environmental satellite)的云场信息。地面资料的验证结果显示,WRF-CLDDA可以极大地改进云天条件下的预报精度,多云和阴天时的均方根误差分别减小了10.5%和10.7%。
文献[34]用局地分析预报系统对风云二号卫星资料进行了同化,并将改进的云参数用于北京地区的总辐射模拟。研究发现,同化后的总辐射模拟误差明显减小。以2008年6月份典型降水过程为例,总辐射模拟的均方根误差在同化后减小了102.6 W/m2。
3.4.2 耦合大气化学模式
考虑到计算效率和实用性,天气模式(如ECMWF)中的气溶胶信息一般不在线生成,而是取自气候学数据集。这种离线获取的形式在晴空下会引入误差[24]。为了提高气溶胶等大气成分的预报精度,可以将天气模式和大气化学模式耦合在一起,把在线生成的气溶胶信息传递给天气模式。
文献[24]用AFSOL(aerosol-based forecasts of solar irradiance for energy applications)和ECMWF两种模式分别对三种不同能见度条件下未来72h的直接辐射做了回溯预报研究,并与西班牙南部的地面台站资料做了对比。其中,AFSOL模式所需的气溶胶、水汽和云的信息由空气质量预报模式EURAD(European air pollution dispersion)生成,ECMWF模式的气溶胶信息来自气候学数据。研究发现,AFSOL和ECMWF在晴空下的均方根误差分别是18.8%和31.2%。
因此,耦合大气化学模式可以有效改进晴空直接辐照度的预报精度。
3.4.3 改进模式
以WRF为例,它有7种辐射传输方案可选,默认的方案是Dudhia。由于Dudhia对气溶胶散射因子的考虑过小,也没有考虑平流层臭氧的吸收效应,其对水平面总辐射的预报存在系统性偏高,对法向直接辐射的预报误差更大[31,35]。为了增强中尺度模式对法向直接辐射的预报能力,许多学者对WRF的物理方案做了持续改进。
通过修改RRTMG和New Goddard两种辐射传输方案的源代码,WRF的输出参数从V3.5.1起已经覆盖了法向直接辐射和散射辐射[27]。
为了提高WRF对气溶胶的模拟能力,文献[36]开发了一种气溶胶光学特性参数化方案,并将参数化的单次散射反照率、不对称因子和Angstrm指数应用于RRTMG辐射传输方案。WRF从V3.6起包含了这项新功能。
在计算地面辐照度时,WRF所需的臭氧时空分布信息来自每一种辐射传输方案自带的臭氧数据集。通过将臭氧数据集和MSR(multisensor reanalysis)数据集进行对比,文献[29]发现用CAM(community atmosphere model)臭氧廓线进行直接辐射模拟产生的偏差最小,并据此对WRF模式进行了修改。从WRF V3.7开始,CAM之外的几种辐射传输方案也可以自由调用CAM的臭氧廓线。
此外,美国大气科学中心为太阳能工业开发的增强版中尺度天气模式———WRF-Solar即将发布。WRF-Solar以WRF V3.6为原型,在“辐射—气溶胶—云”方面做了大量改进。首先,在计算太阳几何位置时,考虑了真太阳时与平太阳时之间的时差。其次,加入了基于气候学数据的气溶胶参数化方案,并考虑了气溶胶的湿度效应。此外,模式还考虑了气溶胶与云之间的相互作用,以及云和辐射之间的反馈[37]。
3.4.4 集合预报
集合预报是一种有效减少预报不确定度的统计释用技术。根据理论基础的不同,它可以分为等权集合、多模式超级集合和相似集合等形式。
等权集合预报中各个成员拥有相同的权重,最终预报是不同成员的算数平均。文献[38,39]发现,对两个模式的预报结果进行简单平均,得到的结果比单一预报要好。以加拿大地区为例,GEM(global environmental multiscale)和ECMWF日前总辐射预报的均方根误差分别为33%和32%,集合后的均方根误差降至31%[39]。
多模式超级集合预报将研究时段分为训练期和预报期两个部分。每一个成员的权重由训练期内的模式性能决定,权重在预报期内保持不变,最终预报是各个成员的不等权平均[40]。文献[41]用TIGGE(THORPEX interactive grand global ensemble)产品研究了不同集合预报方案对地表太阳辐射预报精度的影响,并用HelioClim卫星数据验证了法国本土及周边地区的测试结果。研究发现,多模式超级集合预报的均方根误差最小,与等权集合和单一模式相比分别改进了8.1%和21.2%。
相似集合是近几年才出现的一种新方法,已成功应用于风能和光伏短期功率预测[42,43]。相似集合的原理是从历史预报中寻找未来预报的相似值,并把相似值对应的观测值看作集合成员。与前面两种方法相比,相似集合不需要多个模式构建集合,只需要一个“冻结”模式,因此,可以大量节省成本和计算资源。另外,用相似集合预测发电功率,还可以省略中间的天气变量验证环节[43]。
3.4.5 模式输出统计
模式输出统计是一种统计后处理方法。它利用历史观测和历史预报建立统计方程,然后用统计关系对未来预报进行订正,以降低模式的系统性偏差。
文献[44]开发了一种4阶多项式回归订正法。它以晴空指数和太阳天顶角的余弦为自变量,可以很好地拟合总辐射的预报偏差。
文献[45]发现,模式输出统计订正后的GFS(global forecast system)在美国地区性能最优。当日总辐射预报的均方根误差为110.5W/m2,订正后降至84.6 W/m2。
文献[46]用人工神经网络算法和地面台站资料对西班牙中部的法向直接辐射预报做了统计订正。结果表明,该方法对阴天时的预报改进较大,相对误差从30.52%降至26.80%,但晴空下的订正效果不明显。
3.4.6 空间平均
与全球模式不同,中尺度模式以冷启动的形式工作,云水信息要在模式运行一段时间后才能生成。由于时空分辨率较高,中尺度模式生成的云场和实际情况相比发生了时空偏移,从而降低了预报精度。为了消除这种效应,可以采用空间平均的方式对预报结果进行处理[47]。
文献[44]对空间分辨率为25km的总辐射预报进行了空间平均测试。研究发现,原始预报被空间平均为100km分辨率时精度最好。
文献[48]用WRF对西班牙Andasol光热电站所在地的法向直接辐射做了回溯预报研究。该研究对不同空间分辨率的模拟结果进行了对比,并利用空间滤波对预报结果作了空间平均。研究结果表明,提高空间分辨率不能相应地提高预报精度(晴空条件除外),空间平均对晴空条件下的预报改进不如多云条件下显著。
3.5 光热功率预测
由于系统复杂(见图2),光热发电功率只能借助仿真软件实现预测,如美国国家可再生能源实验室的SAM(system advisor model)[49]。根据电厂详细配置(如集热器类型、太阳倍数和储热时长等),仿真软件可计算项目产能及相应的经济效益,并可检验不同精度的法向直接辐射预报对电厂财务指标的影响[50]。
与光伏发电不同,光热发电输出功率波动性小,加之仿真软件设置过程繁复,计算量大,因此,与光热发电短期功率预测有关的工作开展得很少。
此外,光热发电技术尚处于探索期,行业成熟度不高,面向光热电站的集群预测也不是当前行业关注的热点问题。
4 国内研究进展及存在的问题
4.1 国内研究现状
近几年,随着国内太阳能工业的发展,利用中尺度天气模式预报地表太阳辐射的研究也引起了国内学者的关注[34,51,52,53,54,55,56]。
文献[56]用WRF和辐射传输方案SES2(SunEdwards-Slingo radiation scheme)研究了不同短波辐射方案和不同初始边界条件对当日24h逐时总辐射、直接辐射和散射辐射预报的影响,并与北京地区的地面台站资料做了对比。其中,SES2的三维云量场来自WRF,气溶胶信息来自AERONET观测资料,臭氧信息来自经过卫星资料订正的NCEP再分析资料。这是国内开展的唯一和法向直接辐射预报有关的研究。
4.2 存在的问题
4.2.1 缺少天气模式的对比和验证工作
不同气候背景下,天气模式的预报性能存在差异[57,58]。
文献[45]研究了不同模式对美国地区当日总辐射的预报能力。研究发现,晴空指数等于1时,GFS性能最好,其他条件下,ECMWF性能最好;经过模式输出统计订正的GFS性能优于ECMWF。
文献[38]研究了7个全球模式和中尺度模式对美国地区未来几天总辐射的预报能力。研究发现,ECMWF和GEM的预报精度最好。
文献[39]比较了10种模式对美国、加拿大和欧洲地区未来几天总辐射的预报能力。研究发现,针对不同的台站和不同的气候条件,ECMWF的性能优于GFS-WRF;在美国和加拿大,GEM的预报性能接近ECMWF。
在中国地区,不同全球模式和中尺度模式之间的对比和验证工作开展得很少。为了发挥不同模式在业务化预报中的区域优势,相关研究应当加强。
4.2.2 缺少晴空模式的对比和验证工作
与天气模式类似,用于计算法向直接辐射的晴空模式也存在局地效应。
文献[59]对5种晴空模式做了横向对比,并用全球4个BSRN台站的分钟级资料做了验证。研究发现,5种晴空模式中REST2,Ineichen和METSTAT(meteorological/statistical)的精度最好。
文献[60]用罗马尼亚2个台站的逐时资料检验了54种晴空模式对总辐射和散射辐射的模拟能力。研究发现,输入参数对模拟结果影响很大。其中,ASHRAE 1972,Biga,Ineichen和REST2对总辐射和散射辐射的模拟能力最好。
文献[61]用全球5个台站的分钟级资料检验了18种晴空模式对直接辐射的模拟能力。研究发现,REST2,Ineichen,Hoyt,Bird和Iqbal-C的性能最好。
结合中国地区的气候特征和辐射资料的可获取性,对晴空模式进行性能评估是下一步需要开展的工作。
4.2.3 缺少总辐射—散射辐射模式的参数调优工作
总辐射—散射辐射模式的参数由局地或区域观测资料推导而来,经验性影响了模式在其他地区的应用。
文献[59]用全球4个BSRN台站的分钟级资料对18种总辐射—散射辐射模式做了横向对比研究。结果表明,在有云的情况下,所有的总辐射—散射模式都表现不佳。晴空条件下,只有Perez,Skartveit,Boland和Posadillo模式的计算结果稳定,说明总辐射—散射辐射模式不能通用。
因此,利用当地辐射资料对总辐射—散射辐射模式的参数进行优化是业务化预报的前期工作。
4.2.4 缺少高质量的辐射观测资料
1993年起,国内共有总辐射观测站98个,同步测量直接辐射和散射辐射的台站只有17个[62]。一旦测站和电厂间的距离超过25km,测站资料的参考性将大大降低[63]。
太阳能发电厂厂区内一般也建有地面辐射站。不过,由于测站维护水平普遍不高,电厂观测资料质量整体偏低。
因此,高质量辐射观测资料的缺失不仅影响了模式的验证,也制约了模式输出统计的应用。
4.2.5 不具备实时资料同化的条件
利用电厂实时气象观测资料对天气预报初始场进行优化,是提高太阳能短期预报精度的一种有效途径。
国内绝大多数太阳能发电项目未在安全生产区和外部公共因特网之间安装正向隔离,不满足电力二次系统安全防护的有关规定,导致发电厂无法向外发送实时气象观测资料。
因此,利用电厂实时气象资料进行资料同化的基本条件是不具备的。
4.2.6 不满足电力生产要求
目前已经开展的太阳能预报工作,时间粒度皆为1h,起报时刻和spin-up时段均未考虑国内电力工业日前上报的时效性[34,51,52,53,54,55,56]。
因此,将这些研究成果应用于国内现有的太阳能发电项目之前还需要更多的评估和检验。
5 展望
光热发电是一种新的太阳能利用形式。由于配备了储热系统,光热项目出力稳定,可昼夜连续发电,有参与电网移峰填谷的潜力。
行业内现有的太阳能预报技术标准主要面向光伏发电。考虑到光热发电的特殊性,这些技术标准无法照搬。因此,结合光热示范项目运行情况,制定专门的预报及预测技术规范,是光热项目大规模并网前亟待解决的问题。
天气模式、晴空模式和总辐射—散射辐射模式在性能方面存在区域差异。如何科学合理地利用模式是太阳能行业面临的基本问题。因此,气象部门和科研院校应当尽快启动针对各类模式的比较计划,检验其在国内不同气候区的模拟性能和不确定度,以为行业应用提供权威性的指导。
晴空条件下,气溶胶等大气成分对太阳能预报精度影响较大。近几年,空气质量模式发展迅速,MACC(monitoring atmospheric composition and climate)和ICAP-MME(international cooperative for aerosol prediction multi-model ensemble)等全球大气化学项目进展顺利,为气溶胶和臭氧等大气成分的区域数值模拟提供了有利条件。因此,加强大气化学或空气质量模拟研究,可以进一步提升晴空条件下的太阳能预报精度。
由于电厂实时气象资料外送不便,如何利用卫星资料改善云天条件下的预报精度,也是近期太阳能预报研究的重点。目前,国内卫星资料的可获取性和时效性还不能满足行业的应用需求。因此,为了促进行业技术进步,气象部门还应加强卫星资料共享,以提高气象观测数据的使用价值。
高质量的法向直接辐射观测资料对太阳能预报意义重大。法向直接辐射测量难度大,测站维护要求高。为了提高观测资料的质量,业主应选择品质较高的观测仪器,并派专人保养和维护厂区内的太阳辐射站。
另外,国内已有的成果更注重大气科学方面的研究,与电力生产紧密结合的应用研究开展较少。为了促进行业技术进步,学科间的交叉互补应当加强。
最后,不同精度的法向直接辐射预报对储热系统运行和电站出力的影响,也是近期值得发电企业和调度机构关注的问题。
摘要：随着全球太阳能行业的迅猛发展,越来越多的太阳能以光热发电的形式被电网吸纳,准确地预报未来几天的法向直接辐射已成为光热项目并网和现场运行维护的基础。文中介绍了法向直接辐射的定义、国内电力工业标准、法向直接辐射短期预报方法、影响短期预报精度的要素和提高短期预报精度的方法,回顾了国内最新的研究进展,提出了当前研究中存在的问题,并对未来的研究趋势做了展望,以期对“十三五”期间太阳能热发电行业的发展提供参考。
关键词：太阳能预报,光热发电,太阳能热发电,法向直接辐射,直接辐射,数值天气预报
短期预报 篇2
目前, 国内外很多学者对不同区域的气温变化进行了研究。国内有刘雪锋等[1]利用辽宁省测站50a的气温数据, 首先使用一元回归方程对年平均气温年代变化进行分析, 然后运用M-K突变检验法对年平均气温进行非参数检验, 结果表明辽宁省年平均气温呈递增趋势。李鹏飞等[2]利用安徽省铜陵市气温资料, 采用一元线性回归、M-K突变和累积距平等方法, 对铜陵市气温变化特征进行分析, 结果表明铜陵市年平均气温呈上升趋势。郭志梅等[3]使用中国北方地区逐年、逐日气温观测资料, 对我国北方气温特征变化进行分析, 结果表明我国北方年平均气温、日最高气温及日最低气温呈显著的增温趋势, 且东北地区增温幅度高于西北和华北。沈姣姣等[4]使用陕西省西安市逐日气温数据, 采用M-K非参数检验、滑动t检验及R/S分形理论, 对西安市24节气年平均气温变化特征进行分析, 结果表明立冬、惊蛰、小雪及春分节气气温呈显著的增温趋势。国外有Mann等[5]使用近500a气温数据, 对全球气温变化规律进行研究, 结果表明全球气温存在15~35a和50~150a两类振荡周期规律。Lau等[6]使用全球气温资料, 并对气温数据使用小波变换分析得出, 全球地表气温存在60a和80a的长周期变化规律。Lebedeff[7]和Vinnikov[8]等对全球气温分析得知, 全球表面年平均气温从19世纪末至20世纪90年代中期气温上升0.3~0.6℃。
此外, 还有很多学者对气温变化进行研究取得了一些成果。但目前对气温预测研究还是相对较少。丛凌博等[9]使用时间序列ARMA数学模型, 对气温样本进行建模并预报, 结果表明模型精度较高, 预测效果较好。唐湘玲等[10]使用灰色理论对新疆阿克苏地区年平均气温建立G (1, 1) 模型进行短期预报。
1 资料来源
本文使用江西省吉安市逐日气温资料, 计算出年平均气温来研究气温年际变化规律, 使用平均气压、平均相对湿度、平均降水量、平均风速、平均日照数5个气象因子逐日数据, 研究年平均气温与这5个因子之间的相关性。上述资料均来源于吉安市国家基准地面气象观测站。
2 年平均气温变化趋势
2.1 年际变化特征
图1为吉安市近50a来年平均气温变化趋势, 虚方框线为气温实测值, 虚线为一元线性回归值。从图1可以看出:1吉安市近50a来年平均气温波动较大, 根据一元线性回归值可以看出气候倾向率为0.17℃/10a, 说明吉安市年平均气温呈递增趋势, 每10a增温0.17℃, 一元线性回归方程通过a=0.05显著性检验, 说明升温趋势是显著的;2根据对1961-2010年吉安市逐年平均气温数据的统计分析得知, 50a平均气温均值为18.6℃, 1967-1997年大部分年份的年平均气温小于平均值, 1997年之后大部分年份的年平均气温高于平均值, 年平均气温最小值为17.6℃ (1984年) , 最大值为19.7℃ (1998年) ;3根据均方差分析公式, 求出吉安市近50a的年平均气温均方差得s=0.95, 均方差较大, 说明吉安市近50a的年平均气温年际变化波动幅度较大。
2.2 突变年检验
M-K法是一种常用突变检验方法, 主要应用于气候和径流趋势突变分析。其优点为检测范围宽, 人为性少, 定量化程度高。本文运用M-K非参数检验方法, 对吉安市50a的年平均气温数据进行时间序列的趋势分析和突变检验。
图2为吉安市年平均气温M-K突变检验统计曲线, 从图2可以看出, 1961-1995年期间UF年平均气温顺序统计曲线均小于0, 表明在此期间年平均气温呈递减趋势。1996年之后UF年平均气温顺序统计曲线均大于0, 表明从1996年开始年平均气温呈递增趋势。其中, 从2004年开始UF顺序曲线超出临界线, 说明从2004年开始年平均气温递增趋势非常显著。UF和UB两条曲线的交点所对应的时刻约为2001年, 且交点在临界线信度之内, 则表明2001年为吉安市近50a的年平均气温突变年。
3 气温与相关气象因子分析
3.1 相关性分析
本文使用1961-2010年吉安市年平均气压、年平均相对湿度、年平均降水量、年平均风速、年平均日照数5个气象因子数据, 分析研究年平均气温与这5个因子之间的相关性。
由于各气象因子量纲单位不一致, 首先对年平均气温、年平均气压、年平均相对湿度、年平均降水量、年平均风速、年平均日照数6个因子数据做标准化处理。本文使用Z-score标准化, 目的是使得各气象因子平均值为0、标准差为1, 这样就可以使不同量纲的数据可以放在一个矩阵中。Z-score标准化处理表达式如下:
式 (1) 中, x为因子数据时间序列, mean (x) 为因子时间序列平均值, std (x) 为因子时间序列标准差。
然后, 对标准化后的气象数据使用一阶差分, 消除其线性趋势。最后, 对经一阶差分后的数据使用相关性分析, 结果见表1。
从表1可以看出, 年平均气温与年平均降水相关性系数为-0.778 9, 通过显著性0.01检验, 表明两者之间存在显著的负相关性关系;年平均气温与年平均相对湿度相关性系数为-0.307 9, 表明年平均气温与相对湿度之间存在相关性较弱的相关性关系;年平均气温与其他3个气象因子之间相关性系数不高, 没有通过显著性0.01检验, 说明气温与其他3个气象因子之间无较为显著的相关性关系。
运用EMD经验模态分解法讨论年平均气温与年平均降水之间的关系。对吉安市年平均气温、年平均降水资料进行EMD分解, 得到前5个固有模态IMF分量 (见图3) , 图3中从上至下分别为5个IMF分量。从第1个IMF分量可以看出, 年平均气温存在准2a的周期变化, 年平均降水存在准3a的周期变化。从第5个IMF分量可以看出, IMF曲线明显呈上升趋势, 说明吉安市年平均气温在年际尺度上呈显著的增温趋势, 而年平均降水量呈显著的递减趋势。这一结果与两者之间存在反相关性关系结论相一致。
3.2 逐步回归分析
本文以吉安市1961-2010年的年平均气压、年降水量、年平均相对湿度、年平均日照、年平均风速为自变量X1~X5, 以年平均气温为因变量Y, 建立逐步回归方程, 用来对年平均气温进行预测。运用SAS编写逐步回归程序, 求出逐步回归方程的方差分析表 (见表2) , 表3为所求方程参数估计表。
从表2可以看出, 由Prob>F所表示的概率很小, 小于0.01, 表明F=8.01值很大, 从而表明方程线性关系是高度显著的。
从表3可以看出, 由Prob>|T|的值分别为<0.000 1、0.001 1、0.001 4、<0.000 1均小于0.01。表明所建立的模型效果较好, 可用于对年平均气温进行短期预报。建立的逐步回归模型为:
从上述所建立的逐步回归方程可以看出, 吉安市年平均气温主要由年降水量及年平均相对湿度决定。运用1961-2010年吉安市实测年平均气温与逐步回归方程预测效果进行检验, 如图4所示。
计算出逐步回归预测值与年平均气温实际值之间的平均相对误差为7.3%, 可以看出模型预测效果较好。因此, 未来可以使用年降水量、年平均相对湿度对吉安市年平均气温进行预测。
4 结论
本文使用吉安市逐日地面气象资料, 分析气温变化特征以及进行短期预报。得出以下结论:吉安市年平均气温呈递增趋势, 每10a增温0.17℃, 1997年之后大部分年份的年平均气温要高于平均值且2001年为吉安市近50a的年平均气温突变年;年平均气温与年平均降水之间存在显著的负相关性关系;年平均气温与年平均相对湿度存在相关性较弱的相关性关系。而后通过EMD分解得出, 年平均气温在年际尺度上呈显著增温趋势, 而年平均降水呈显著递减趋势;以年平均气压、年降水量、年平均相对湿度、年平均日照、年平均风速为自变量, 年平均气温为因变量, 建立逐步回归方程, 用于对年平均气温进行预报。
摘要：利用江西省吉安市地面气象观测资料, 采用一元线性回归、均方差、M-K非参数检验法、EMD经验模态分解等分析方法, 研究吉安市气温变化特征及其与气象因子的相关性。通过对年平均气温年际变化特征的分析, 发现吉安市年平均气温呈增温趋势, 每10a增温0.17℃;通过M-K检验, 得出2001年为吉安市年平均气温突变年;通过年平均气温与其他气象因子相关性分析, 得出气温与降水之间存在显著的负相关性关系。而后根据EMD分解第5个IMF分量得出, 年平均气温在年际尺度上呈显著增温趋势, 而年平均降水呈显著递减趋势。最后以年平均气压、年降水量、年平均相对湿度、年平均日照和年平均风速5个气象因子为自变量, 以年平均气温为因变量, 建立逐步回归方程, 用于对年平均气温进行预报, 模型预测效果较好。
关键词：气温,相关性分析,M-K检验,EMD经验模态分解,逐步回归
参考文献
[1]刘雪锋, 李军林.辽宁省近50年气温变化特征及突变分析[J].沈阳农业大学学报, 2009 (5) :522-527.
[2]李鹏飞, 周晓飞, 张庆国, 等.铜陵市近49年气温变化特征及其趋势分析[J].安徽农业大学学报, 2010 (2) :346-351.
[3]郭志梅, 缪启龙, 李雄.中国北方地区近50年来气温变化特征及其突变性[J].干旱区地理, 2005 (2) :176-182.
[4]沈姣姣, 徐虹, 李建科, 等.近60年西安市24节气气温变化特征及突变分析[J].资源科学, 2013 (3) :646-654.
[5]Mann ME, Park J, Bradley R.Global interdecadal and century-scale oscillations during the past five centuries[J].Nature, 1995 (6554) :266-270.
[6]Lau KM, Weng HY.Climate signal detection using wavelet transform:How to make a time series sing[J].Bull.Amer.Meteor.Soci., 2010 (12) :2391-2402.
[7]Hansen J, Lebedeff S.Global surface temperature:update through 1987[J].Geophysical Research Letters, 1988 (4) :323-326.
[8]Vinnikov KY, Groisman PY, Lugina KM.Empirical data on contemporary global climate changes (temperature and precipitation) [J].Journal of Climate, 1990 (6) :662-677.
[9]丛凌博, 蔡吉花.ARMA模型在哈尔滨气温预测中的应用[J].数学的实践与认识, 2012 (16) :190-195.
短期预报 篇3
关键词：支持向量机,电离层,临界频率,短期预报
0 引 言
无线电短波通过电离层实现远距离通信,电离层除了具有通常存在的昼夜日变化、季节变化、11年太阳活动变化外,还存在显著的逐日变化和暴时变化。这些电离层变化对短波通信会产生不利影响,严重时可能引起通信中断,因此短波通信时需要对电离层状况进行准确的估计。电离层F2层临界频率foF2是电离层的关键参数之一。在foF2的短期预报方面,国内外学者已经做了很多的研究工作,采用的方法主要有自相关函数法[1]、多元线性回归法[2]、神经网络法[3,4]、同化技术[5]及利用等效太阳黑子数进行区域电离层的预报[6]等。
20世纪90年代初期出现的支持向量机方法(Support Vector Machines,SVM)是基于统计学理论的一种崭新的机器学习方法,建立在结构风险最小化原理基础上,寻找一个最优分类超平面,引进核函数将低维空间向量映射到高维空间。近年来已经成功地应用于语音识别、文字识别、时序数列预测等领域,但还未见在电离层参数短期预报应用方面的相关文献。现尝试将该方法应用于foF2短期预报中,为电离层短期预报提供一种新的思路和预报参考。
1 算法简介
支持向量机的基本思想是通过用内积函数定义的非线性变换将输入空间变换到一个高维空间,在这个高维空间中寻找输入变量和输出变量之间的一种非线性关系。支持向量机算法是一个凸二次优化问题,有着严格的理论基础。该算法采用结构风险最小化原则,具有很好的推广价值,保证找到的解是全局最优的解,较好地解决了小样本、非线性、高维数等实际问题。
非线性回归估计的支持向量机方法具体计算步骤如下[7,8]:
设{(xi,yi),i=1,2,…,k}为初始的训练样本,其中xi∈RN 为输入值;yi∈R为对应的目标值;k为训练样本个数。首先用一个非线性映射φ:x→τ把训练数据集x映射到一个高维特征空间τ中,然后在高维特征空间中进行线性回归。
设回归函数f(x)为:
式中:w,b分别为回归函数的权重向量与偏置。
基于支持向量机的最优回归函数是指满足结构风险最小化原理,即极小化优化问题是最小化下面函数:
约束条件为:
式(2)中第一项意味着最小化VC(Vapnik Chervonenkis)维;VC维是反映模型复杂程度的物理量;松弛变量ξi,ξ*i度量了训练样本上的误差,因此第二项为最小化误差;常数C为惩罚系数。式(3)为有条件约束的优化问题,根据非线性规划对偶性理论,对其建立没有约束条件的Lagrange方程,并将最小值问题转化为对偶的最大值问题,最后得到的回归函数为:
式中:xi为支持向量;αi,α*i,b为回归得到的参数。
对非线性问题进行回归,可以通过映射φ:x→τ把训练数据集x映射到特征空间τ中,用核函数K(x,x′)=<φ(x),φ(x′)>代替线性回归中的<x,x′>,则回归函数可以写为:
较常用的核函数主要有以下三类:
(1) 线性核函数K(x,z)=xTz;
(2) 多项式核函数K(x,z)=(xTz+1)d;
(3) 高斯核函数K(x,z)=exp(-‖x-z‖2/2σ2)。
其中:d为多项式的阶数;σ为高斯分布的宽度。这里选择高斯径向基函数作为核函数。
SVM使用的基函数必须满足Mercer核定理,而Tipping[9]提出的相关向量机方法(Relevance Vector Machine,RVM)对基函数则无此限制,并且RVM得到更少的支持向量,简化了网络结构。鉴于RVM的这些优点,该文采用RVM方法对foF2进行预报。
2 样本选择
foF2存在非常复杂的变化,考虑到引起这些变化的因素,选择以下因子作为输入参量:
(1) 时间信息st=sin(2πh/24);ct=cos(2πh/24),其中h是地方时。
(2) 季节信息ss=sin(2πH/8 760);cs=cos(2πH/8 760),其中H表示从1月1日0时算起的小时数。
(3) 当前时刻观测值foF2(t),月中值fmF2(t)(用前30天的中值代替)以及二者之差:ΔfoF2(t)=foF2(t)-fmF2(t)。
(4) 当前时刻f0F2的一阶增量,二阶增量及相对变化。
一阶增量:df(t)=foF2(t)-foF2(t-1);
二阶增量:ddf(t)=df(t)-df(t-1);
相对变化:
(5) 提前23 h的观测值foF2(t-23),月中值fmF2(t-23)以及二者之差ΔfoF2(t-23)。目标值为foF2下一时刻值foF2 (t+1)。
用海口站(20.0°N,110.3°E) 1958年,1964年全年数据进行训练,得到了两个网络,并将网络的预报精度与国际参考电离层进行了比较。foF2在不同的季节不同的太阳活动水平具有不同的变化规律,考虑这些因素对foF2变化的影响,分别选取太阳活动高低年各个季节(春秋季、夏季、冬季)的数据进行训练,共得到了6个网络。春秋季取一年中的3,4,9,10月份;夏季取一年中的5,6,7,8月份;冬季取一年中的11,12,1,2月份。
3 预报结果分析
按照上面的方法对网络进行了训练,分别用海口站1981年(高年)、1986年(低年)数据测试网络。表1给出了太阳活动高低年网络预报的均方根误差、绝对误差[4],并与IRI进行了比较;表2给出了不同太阳活动水平不同季节各个网络的预报误差。
从表1可以看出,RVM方法在太阳活动低年的预报误差比太阳活动高年的小,并且无论在高年还是低年,RVM方法的预报误差都低于IRI的预报误差;由表2可知,在太阳活动高年,夏季的误差最大;在太阳活动低年,春秋季的误差最大;夏季与冬季的误差相差不大。
图1给出了海口站1986年10月7～9日的预报结果;图2给出了2月7～9日的预报结果。1986年10月7～9日地磁活动较为平静,Ap指数不超过12 nT;Dst指数不低于-20 nT;从图1中可以看出,在这段时间内,RVM的预报值与实测值吻合得很好。1986年2月7～9日地磁活动较为强烈,Ap指数的最大值高达400 nT;Dst最低达到-307 nT;受到强烈地磁活动的影响,电离层出现复杂的扰动。从7日19时开始,电离层发生强烈的正扰动,一直持续到8日9时,期间发生了一次较强的电离层正暴。这段时间内RVM的预报结果较为准确地反映了电离层的这种变化。8日23时开始,电离层又出现正扰动,持续到9日8时结束,随后出现逐渐强烈的长时间的负扰动。8日6时foF2达到了一个极小值2.2 MHz,此时RVM的预报值误差较大;9日9时的预报误差最大,为3.48 MHz,这是因为此时前后,电离层发生复杂的正负扰动,网络没有很好地反映这种变化。从以上分析可以看出,在大多数情况下,RVM方法有较高的预报精度,只是在一些电离层变化剧烈的时段,有一定的误差,预报精度有待改进。
4 结 语
现将RVM方法应用于电离层短期预报,是对电离层短期预报一个新的尝试,对海口站foF2进行了提前1 h的预报。结果证明,在大多数时候,RVM有较高的预报精度,与实测值符合得较好。由此可见,将SVM方法应用到电离层短期预报是可行的。但在扰动比较强烈的时候,预报精度还有待提高。
参考文献
[1]刘瑞源,刘顺林,徐中华,等.自相关分析法在中国电离层短期预报中的应用[J].科学通报,2002,50(24):2 781-2 785.
[2]Akram A,Alberca L.Multi-regression Method forfoF2Short-term Prediction[R].Poland:Space Research Center,1999:140-142.
[3]Cander L R,Milosavljevic M M,Stankovic S S,et al.Iono-spheric Forecasting Technique by Artificial Neural Network[J].Electron Lett.,1998,34(16):1 573-1 574.
[4]陈春,吴振森,赵振维,等.基于神经网络技术的f0F2短期预报方法[J].电波科学学报,2008,23(4):708-712.
[5]Sojka J J,Thompson D C.Assi milation Ionospheric Model:Development and Testing with Combined Ionospheric Cam-paign Caribbean Measurements[J].Radio Science,2001,36(2):247-259.
[6]Secan J A,Wilkinson P J.Statistical Studies of an EffectiveSunspot Number[J].Radio Science,1997,32(4):1 717-1 724.
[7]杨镜非,程浩忠.SVM在电网短期负荷预测中应用研究[J].电力自动化设备,2004,24(2):30-32.
[8]张晓,刘小敏,肖小玲,等.基于支持向量机回归的去噪方法及其应用[J].工程地球物理学报,2005,2(3):191-194.
[9]Tipping M E.Sparse Bayesian Learning and the RelevanceVector Machine[J].Journal of Machine Learning Research,2001:211-244.