CN107991721A

CN107991721A - 一种基于天文和气象环境因子的逐时散射比预测方法

Info

Publication number: CN107991721A
Application number: CN201711164686.8A
Authority: CN
Inventors: 李芬; 刘迪; 李春阳; 杨勇; 赵晋斌
Original assignee: Shanghai University of Electric Power
Current assignee: Shanghai University of Electric Power; University of Shanghai for Science and Technology
Priority date: 2017-11-21
Filing date: 2017-11-21
Publication date: 2018-05-04
Anticipated expiration: 2037-11-21
Also published as: CN107991721B

Abstract

本发明涉及一种基于天文和气象环境因子的逐时散射比预测方法，该方法包括如下步骤：(1)获取辐射数据、天文数据和气象环境数据；(2)对天气类型进行划分，天气类型包括晴、晴渐云、晴渐阴、多云渐阴和雨雪霾；(3)根据天气类型选择预先设定的模型进行预测得到逐时散射比，具体地：当天气类型为晴、晴渐云和晴渐阴时，采用PCA‑LMBP神经网络模型进行预测，当天气类型为多云渐阴时，采用LMBP神经网络模型进行预测，当天气类型为雨雪霾时，采用线性回归模型进行预测，其中，PCA‑LMBP神经网络模型、LMBP神经网络模型以及线性回归模型均为基于天文因子、气象因子及天气类型筛选后的预测模型。与现有技术相比，本发明预测结果更加准确可靠。

Description

一种基于天文和气象环境因子的逐时散射比预测方法

技术领域

本发明涉及一种逐时散射比预测方法，尤其是涉及一种基于天文和气象环境因子的逐时散射比预测方法。

背景技术

近日，国家能源局发布“2017年上半年光伏发电建设运行信息简况”。根据统计，截止2017年上半年，我国并网光伏总量达到101.82GW，其中：光伏电站 84.39GW、占比83％，分布式光伏17.43GW、占比17％。截止6月份，已经超过 10个省份光伏装机超过6GW。从新增装机分布来看，由西北地区向中东部地区转移的趋势更加明显。华东地区新增装机为8.25GW，同比增加1.5倍，占全国的34％，其中浙江、江苏和安徽三省新增装机均超过2GW。华中地区新增装机4.23GW，同比增加37％，占全国的17.3％。西北地区新增装机为4.16GW。这与中国光伏发电设备的价格、技术水平和国家政策有较大关系，同时也客观反映了中国光伏发电市场较大的需求空间。

地表水平面上所接收的太阳总辐射量由太阳直接辐射量和散射辐射量两部分组成，即两地的太阳总辐射量相同，其直接辐射量与散射辐射量所占比例通常并不一样，散射比为水平面散射辐射量与太阳总辐射量的比值。随着社会的发展，能源、环境与气候变化等方面的问题日益突出，并网光伏渗透率的不断提高，准确预报太阳能资源的变化成为保障居民用电安全和电网平稳运行的必然要求。而对于目前常见的小时尺度直散分离模型来讲，仅仅考虑单一自变量来提高散射比的预测精度难度较大。如要改进模型的预测精度，需要考虑其他影响因子。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于天文和气象环境因子的逐时散射比预测方法。

本发明的目的可以通过以下技术方案来实现：

一种基于天文和气象环境因子的逐时散射比预测方法，该方法包括如下步骤：

(1)获取辐射数据、天文数据和气象环境数据；

(2)根据辐射数据和气象环境数据对天气类型进行划分，所述的天气类型包括晴、晴渐云、晴渐阴、多云渐阴和雨雪霾；

(3)根据天气类型选择预先设定的模型进行预测得到逐时散射比，具体地：当天气类型为晴、晴渐云和晴渐阴时，采用PCA-LMBP神经网络模型进行预测，当天气类型为多云渐阴时，采用LMBP神经网络模型进行预测，当天气类型为雨雪霾时，采用线性回归模型进行预测，其中，PCA-LMBP神经网络模型、LMBP 神经网络模型以及线性回归模型均为基于天文因子、气象因子及天气类型筛选后的预测模型。

所述的辐射数据包括水平面上小时太阳总辐射量以及大气层外水平面上小时太阳辐射量；

所述的天文数据包括太阳高度角；

所述的气象环境数据包括能见度、总云量和PM2.5。

步骤(2)具体为：

(21)根据辐射数据得到小时清晰度指数k_T：

其中，I为水平面上小时太阳总辐射量，I₀为大气层外水平面上小时太阳辐射量；

(22)根据气象环境数据中的总云量C以及小时清晰度指数k_T确定天气类型：

当k_T≥0.5且3成≥C＞0成时，天气类型为晴；

当k_T≥0.5且8成≥C＞3成时，天气类型为晴渐云；

当k_T≥0.5且10成≥C＞8成时，天气类型为晴渐阴；

当0.5＞k_T≥0.2时，天气类型为多云渐阴；

当0.2＞k_T≥0时，天气类型为雨雪霾。

所述的PCA-LMBP神经网络模型是以小时清晰度指数、太阳高度角、能见度、总云量和PM2.5为输入，逐时散射比为输出的PCA-LMBP神经网络模型，所述的 PCA-LMBP神经网络模型通过如下方式获取：

(a1)获取训练样本：针对晴、晴渐云和晴渐阴三种天气类型分别获取训练样本，所述的训练样本中包括如下数据：小时清晰度指数、太阳高度角、能见度、总云量、PM2.5和小时散射比；

(a2)对于不同的天气类型分别以小时清晰度指数、太阳高度角、能见度、总云量和PM2.5为输入，小时散射比为输出进行数据训练得到不同天气类型下的 PCA-LMBP神经网络模型。

所述的LMBP神经网络模型是以太阳高度角、能见度和总云量为输入，逐时散射比为输出的LMBP神经网络模型，所述的LMBP神经网络模型通过如下方式获取：

(b1)获取训练样本：针对多云渐阴天气类型获取训练样本，所述的训练样本中包括如下数据：太阳高度角、能见度、总云量和小时散射比；

(b2)以太阳高度角、能见度、总云量和小时散射比为输入、小时散射比为输出进行数据训练得到多云渐阴天气类型下的LMBP神经网络模型。

所述的线性回归模型具体为：

BJ2＝BJ1+0.003α_s-0.126

其中，λ为小时散射比，α_s为太阳高度角，C为总云量，k_T为小时清晰度指数， I为水平面上小时太阳总辐射量，I₀为大气层外水平面上小时太阳辐射量，I_d为水平面上小时太阳散射辐射量。

与现有技术相比，本发明具有如下优点：

(1)本发明针对不同的天气类型，采用不同的预测模型进行小时散射比预测，结果更加准确可靠；

(2)本发明提出一种改进型的天气类型划分方法，结合总云量和小时清晰度指数划分天气类型，比传统单一考虑总云量或清晰度指数划分天气类型更加准确；

(3)本发明不同天气类型下的预测模型均考虑天文因子(太阳高度角)以及气象环境因子(包括能见度、总云量和PM2.5等，不同天气类型下考虑的气象环境因子不同)，从而进一步提高了预测结果的准确性；

(4)本发明PCA-LMBP神经网络模型采用主成分分析(PCA)对气象影响因子进行特征提取，再应用LMBP(Levenberg Marquardt Back Propagation)神经网络强大的非线性映射能力建立直散分离模型，收敛速度快，拟合优度高，进而在晴、晴渐云和晴渐阴三种天气类型下考虑较多的气象环境因子时能提高算法预测速度以及预测结果的精度；

(5)本发明LMBP神经网络模型是基于传统BP神经网络模型上的一种改进，提高网络的收敛性和稳定性，提高预测结果的精度。

附图说明

图1为本发明基于天文和气象环境因子的逐时散射比预测方法的流程框图；

图2为本发明不同天气类型下预测模型建立过程的流程框图；

图3为太阳高度角小于10°时散射比随清晰度指数变化；

图4为逐时散射比实测值分布及其与Erbs预测值间的误差分析；

图5为逐时散射比随清晰度指数、太阳高度角的变化；

图6为增加太阳高度角后逐时散射比差值变化；

图7为不同天气类型逐时散射比与各气象因子相关分析；

图8为不同天气类型小时数据的占比。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。

实施例

如图1所示，一种基于天文和气象环境因子的逐时散射比预测方法，该方法包括如下步骤：

(1)获取辐射数据、天文数据和气象环境数据；

所述的天文数据包括太阳高度角；

所述的气象环境数据包括能见度、总云量和PM2.5。

步骤(2)具体为：

(21)根据辐射数据得到小时清晰度指数k_T：

当k_T≥0.5且3成≥C＞0成时，天气类型为晴；

当k_T≥0.5且8成≥C＞3成时，天气类型为晴渐云；

当k_T≥0.5且10成≥C＞8成时，天气类型为晴渐阴；

当0.5＞k_T≥0.2时，天气类型为多云渐阴；

当0.2＞k_T≥0时，天气类型为雨雪霾。

线性回归模型具体为：

BJ2＝BJ1+0.003α_s-0.126

如图2为不同天气类型下预测模型建立过程的流程框图，具体地：

S1:数据的获取及预处理，本文数据来源于国家气象信息中心，数据时间为2 a(2010年1月～2011年12月)，共8524个样本。其中辐射数据包括总辐射，直接辐射和散射辐射；气象数据包括总云量、能见度、降水等。北京地区PM2.5浓度或等级(以下简称PM2.5)资料来源于美国大使馆，数据时间为2010年1月到2011 年12月。所有数据均经过严格的质量控制和检查，删除畸点数据；使用美国大使馆数据的原因是，由于我国环保部门对PM2.5的监测较晚，之前的评价指标空气污染指数(API)是以24小时为周期的日尺度，我国于2012年开始实施环境空气质量指数(AQI)，它分为日报和实时报两种方式。且能用于研究的公开数据数据少(如北京市环环境保护监测中心2012年开始公布观测数据)，范围长的数据就更少。美国大使馆(北京地区)与2008年开始监测北京地区的PM2.5浓度，数据样本量大，完整性好，可能更好地说明研究的问题。

S2：考虑模型的复杂度及推广度，对Orgill and Hollands、Erbs和Reindl(1990)三种经典的直散分离小时模型进行研究，利用北京地区的日出、日落时角，筛选出 2010～2011年日照时间内的小时尺度散射比作为实测值，原始模型的计算结果作为预测值，采用平均绝对百分比误差(MAPE)、均方根误差百分比(NRMSE)及相关系数(CORR)作为评估模型预测效果的指标，获得现阶段相对于北京地区的最优模型；

表1三种直散分离模型预测误差分析

S3：1982年Erbs等人提出了计算小时散射辐射量与总辐射量比值的近似公式，如式(1)所示：

式中，k_T为小时清晰度指数。小时清晰度指数k_T为某小时内水平面上的太阳总辐射量与大气层外水平面上太阳辐射量之比，表达式为：

式中，小时清晰度指数值越大，表示大气越透明，大气层对太阳辐射衰减越少，到达地面的太阳辐射越大。

逐时散射比实测值的数据分布形状与Erbs模型预测结果相似，其中大部分数据点满足增大，散射比减小，但少量点并不满足这一特点，其主要集中在太阳高度角小于10°的情况下，见附图3所示。即此时实测值的分布相对分散，且位于 Erbs模型预测值两侧，无明显规律，考虑到辐射观测中余弦响应误差，故本发明内容排除此部分数据。

从附图4中可看出，2010～2011年北京地区年均小时平均散射比的逐时变化曲线大致呈开口向上的抛物线状，关于太阳正午12时近似成轴对称，早晚时刻的散射比最大，正午时刻的散射比最小。划分成四季后，逐时散射比变化曲线形状不变，且表现出明显的季节性特征，夏季时散射比整体位于所研究数据小时均值之上，走势相对平缓，冬季时散射比的跨度最大。9～15时范围内，散射比由大到小顺序是夏、秋、春、冬。

以k_T为自变量，建立单一变量线性回归模型进行本地化修正。考虑逐时散射比季节性特征明显，将2010年数据作为训练拟合样本，2011年数据作为预测样本。采用1stOpt软件中Levenberg-Marquardt法(LM)+通用全局优化算法(UGO)进行分段函数拟合，公式(3)为本地化修正模型，定义为BJ1模型。相对于Erbs模型，本地化修正后模型的误差分析中MAPE值由原来的13.69％减少至13.62％，NRMSE 值由原来的19.45％减少至19.21％，CORR值由原来的0.924提高至0.925。综合来说，BJ1模型泛化能力较好，但预测精度提高不太明显，即现阶段北京地区使用以 k_T为自变量的Erbs模型拟合效果较优，如要改进模型的预测精度，需要考虑其他影响因子。

S4：增加太阳高度角，太阳高度角是太阳光线与其在地平面投影之间的夹角，可以反映太阳相对地球的位置。太阳高度角会影响直接辐射、散射辐射、地表总辐射，进而影响散射比。附图5为北京地区2011年逐时散射比随清晰度指数和太阳太阳高度角的变化图。由图5所示，当太阳高度角较小时，实测值低于BJ1模型预测值，随着太阳高度角的逐步增加，实测值高于BJ1模型预测值，说明太阳高度角对BJ1模型预测值有一定的影响作用。

在BJ1模型预测结果的基础上，采用太阳高度角作为因子对2011年1月到6 月数据进行拟合再修正，2011年7月到12月数据作为预测样本。公式(4)为此修正公式，定义为BJ2模型，设定当BJ2模型预测的散射比值大于1时，取值为1。此时预测样本的误差分析中MAPE值为12.77％，NRMSE值16.41％，CORR值从0.943，BJ2模型与BJ1模型相比预测效果改善较明显。附图6为此预测样本修正前后散射比差值对比图，修正前散射比差值随太阳高度角的增加大体呈现递减关系，通过一次函数(一次项系数大于0)的调整，使散射比差值更多的趋于0，使预测结果更准确。

BJ2＝BJ1+0.003α_s-0.126 (4)

S5：计算逐时散射比与主要气象因子的相关系数，进一步判别PM2.5对散射比的影响程度，深度探讨传统意义下不同天气类型逐时散射比的预测效果及与各气象因子的关系。北京地区夏季高温多雨，冬季寒冷干燥，大气成分含量的不同和气溶胶粒子增加等环境问题的出现，都对太阳辐射产生复杂的影响。根据逐时气象数据和辐射数据，采用SPSS软件对2011年7月到12月范围内的清晰度指数、能见度(V)、总云量(C)、PM2.5和散射比作皮尔逊积距相关系数矩阵，此时显著性检验值(Sig)小于0.001，即在统计上可表明其结果可以作为总体相关程度的代表值，结果如表2所示。由表2可知，散射比与k_T之间呈线性负相关，且相关性最强，验证了单一物理变量法模型的有效性；散射比与能见度之间也是线性负相关，即能见度越大，散射比越小；散射比与总云量、PM2.5之间为线性正相关，相关因数绝对值皆大于0.5，其中总云量对散射比影响程度大于PM2.5；总云量与清晰度指数之间为线性负相关，且存在较强耦合关系。

表2逐时散射比与气象因子相关性分析

清晰度指数表征天文辐射通过大气层的衰减程度，与天气状况密切相关，且计算方便，所以本文按照清晰度指数将不同时次对应的天气状态进行划分归类，类型 1：当k_T≥0.5时，定义为晴、晴转多云、多云转晴；类型2：当0.5＞k_T≥0.2时，定义为多云、阴转多云、多云转阴；类型3：当0.2＞k_T≥0.1时，定义为小雨、阵雨、小雪、轻雾、霾等；类型4：当k_T＜0.2，定义为中雨及以上、中雪及以上，从而深度探讨不同天气类型下逐时散射比的预测效果及与各气象因子的关系。

由表3和附图7可知，通过研究2011年7月到12月的预测样本，发现BJ2 模型下天气类型3、4的MAPE值和NRMSE值均小于10％，预测效果较好，其次是天气类型2，预测误差最大的是天气类型1。但矛盾点在于预测准确性与相关系数变化趋势的不一致性。

表3不同天气类型下BJ2模型预测误差分析

为了进一步判别PM2.5对散射比的影响程度，根据表2可知，需要消除PM2.5 与总云量之间的耦合关系以及将总云量对太阳辐射的影响作用降到最低，因此得到表4总云量不足2成时逐时散射比与气象因子相关分析结果。

表4总云量不足2成时逐时散射比与气象因子相关分析

S6：因不同天气类型下气象成分比例不相同，且彼此间特征明显，故细化天气类型，分别建立线性模型和智能模型，寻找不同气象类型下的最优模型；

S6.1)考虑总云量的影响力相对较突出，所以本研究选择和总云量进行交叉细分天气类型，见表5和附图8。由于数据样本量较大，将范围内的样本数据进行 K-means聚类验证，聚类数是3，对比交叉细分的方法，两种分类结果中样本的重复率大于80％，说明交叉细分方法有一定代表性且使用规则简便；

表5天气类型的划分

S6.2)在BJ2模型的基础上，对于天气类型1-1、1-2及1-3，散射比与清晰度指数、能见度、总云量、PM2.5的相关性均较强，即此部分以这4种气象因子均一化数据作为输入，建立多变量线性回归模型(MLR)和PCA-LMBP模型；对于天气类型2，清晰度指数和总云量对散射比的影响力较大，即此部分以这2种气象因子均一化数据作为输入，建立多变量线性回归模型和LMBP神经网络模型；对于天气类型3-4，以总云量均一化数据为自变量建立一元线性回归模型(SLR)，所有模型训练样本与预测样本随机分配，比例为8:2；

线性回归模型分为单变量输入和多变量输入，确定自变量和因变量之间的线性关系，本研究所有输入数据为均一化后，最高取变量的4次方，通过确定系数的方法来确定模型表达式。

其中天气类型3-4的数学模型(SLR)表达式如下：

LMBP模型是基于传统BP神经网络模型上的一种改进算法。传统BP神经网络属于最速下降法，即计算函数在某点处梯度的基础上，再沿着梯度的反方向调整自变量的值。然而传统BP算法在实际应用中往往存在收敛速度慢的缺点，本文将改进后的LMBP网络应用于直散分离模型，提高网络的收敛性和稳定性。LM算法的原则是修正速率时避免计算Hessian矩阵。当误差性能函数具有平方和误差的形式时，Hessian矩阵可近似表示为：

H＝J^TJ， (6)

梯度可表示为：

g＝J^Te， (7)

J为雅克比矩阵，即误差性能函数对权值的微分。LM算法根据下式修正网络权值：

W(n+1)＝W(n)-[J^TJ+μI]^-1J^Te， (8)

当μ＝0时，LM算法退化为牛顿法；当μ很大时，上式相当于步长较小的梯度下降法。由于雅克比矩阵的计算比Hessian矩阵易于计算，因此速度非常快。

PCA-LMBP模型采用主成分分析(PCA)对气象影响因子进行特征提取，再应用LMBP(Levenberg Marquardt Back Propagation)神经网络强大的非线性映射能力建立直散分离模型，收敛速度快，拟合优度高。

S6.3)对比步骤(S6.2)不同天气类型下散射比的预测结果，选择不同天气类型下的最优模型；

表6不同天气类型下各模型预测误差分析

由表6可知，基于新的天气类型划分后，线性模型可以降低预测误差，但较智能算法效果要差。线性模型预测天气类型3-4最优，预测天气类型1-1最差，可能依旧与天气类型中复杂的气象因子含量有关。综合对比后发现，天气类型1-1、1-2 和1-3选择PCA-LMBP是最优模型，天气类型2为选择LMBP神经网络模型为最优模型，天气类型3-4以总云量为输入，模型效果改善明显。

以上试验结果均表明：本发明可以比传统预测模型更加有效的对逐时散射比进行预测。

1)当引入太阳高度角作为天文影响因子之后，逐时散射比预测误差减小。这是因为太阳高度角是太阳光线与其在地平面投影之间的夹角，可以反映太阳相对地球的位置。太阳高度角随地理纬度、赤纬角和时角的变化，后两者分别对应时间的年、月、日(日期)和小时分钟。太阳高度角会影响太阳光线通过大气层的路程的长短。当太阳与天顶轴重合时，太阳光线穿过地球大气层的厚度，路程最短。太阳光线的实际路程与此最短路程之比称为大气质量(AM)。工程近似时，大气质量等于sinα_s的倒数，α_s为太阳高度角。大气质量越大，说明太阳光线经过大气的路程越长，大气层对其衰减越多，到达地表总辐射越少。太阳高度角会影响直接辐射、散射辐射、地表总辐射，进而影响散射比。

2)在引入了太阳高度角后，考虑气象因子对逐时散射比的影响。当天气类型为“雨雪霾”时，选择总云量的作为自变量进行预测；当天气类型为“多云渐阴” 时，选择能见度和总云量作为自变量进行预测；当天气类型为“晴”、“晴渐云” 或“晴渐阴”时，以清晰度指数、能见度、总云量和PM2.5为输入，建立智能模型。不同天气类型下各气象因子的特征含量差异明显，基于新的天气类型，建立数学模型并验证模型的适用性，提高了散射比预测的准确率和实用性，为进一步优化光伏系统及应用奠定了基础。

Claims

1.一种基于天文和气象环境因子的逐时散射比预测方法，其特征在于，该方法包括如下步骤：

(1)获取辐射数据、天文数据和气象环境数据；

(3)根据天气类型选择预先设定的模型进行预测得到逐时散射比，具体地：当天气类型为晴、晴渐云和晴渐阴时，采用PCA-LMBP神经网络模型进行预测，当天气类型为多云渐阴时，采用LMBP神经网络模型进行预测，当天气类型为雨雪霾时，采用线性回归模型进行预测，其中，PCA-LMBP神经网络模型、LMBP神经网络模型以及线性回归模型均为基于天文因子、气象因子及天气类型筛选后的预测模型。

2.根据权利要求1所述的一种基于天文和气象环境因子的逐时散射比预测方法，其特征在于，所述的辐射数据包括水平面上小时太阳总辐射量以及大气层外水平面上小时太阳辐射量；

所述的天文数据包括太阳高度角；

所述的气象环境数据包括能见度、总云量和PM2.5。

3.根据权利要求2所述的一种基于天文和气象环境因子的逐时散射比预测方法，其特征在于，步骤(2)具体为：

(21)根据辐射数据得到小时清晰度指数k_T：

当k_T≥0.5且3成≥C＞0成时，天气类型为晴；

当k_T≥0.5且8成≥C＞3成时，天气类型为晴渐云；

当k_T≥0.5且10成≥C＞8成时，天气类型为晴渐阴；

当0.5＞k_T≥0.2时，天气类型为多云渐阴；

当0.2＞k_T≥0时，天气类型为雨雪霾。

4.根据权利要求1所述的一种基于天文和气象环境因子的逐时散射比预测方法，其特征在于，所述的PCA-LMBP神经网络模型是以小时清晰度指数、太阳高度角、能见度、总云量和PM2.5为输入，逐时散射比为输出的PCA-LMBP神经网络模型，所述的PCA-LMBP神经网络模型通过如下方式获取：

(a2)对于不同的天气类型分别以小时清晰度指数、太阳高度角、能见度、总云量和PM2.5为输入，小时散射比为输出进行数据训练得到不同天气类型下的PCA-LMBP神经网络模型。

5.根据权利要求1所述的一种基于天文和气象环境因子的逐时散射比预测方法，其特征在于，所述的LMBP神经网络模型是以太阳高度角、能见度和总云量为输入，逐时散射比为输出的LMBP神经网络模型，所述的LMBP神经网络模型通过如下方式获取：

(b2)以太阳高度角、能见度和总云量为输入、小时散射比为输出进行数据训练得到多云渐阴天气类型下的LMBP神经网络模型。

6.根据权利要求1所述的一种基于天文和气象环境因子的逐时散射比预测方法，其特征在于，所述的线性回归模型具体为：

<mrow> <mi>&lambda;</mi> <mo>=</mo> <mfrac> <msub> <mi>I</mi> <mi>d</mi> </msub> <mi>I</mi> </mfrac> <mo>=</mo> <mi>B</mi> <mi>J</mi> <mn>2</mn> <mo>+</mo> <mn>0.098</mn> <mo>-</mo> <mn>0.620</mn> <mi>C</mi> <mo>+</mo> <mn>2.079</mn> <msup> <mi>C</mi> <mn>2</mn> </msup> <mo>-</mo> <mn>2.442</mn> <msup> <mi>C</mi> <mn>3</mn> </msup> <mo>+</mo> <mn>0.916</mn> <msup> <mi>C</mi> <mn>4</mn> </msup> <mo>,</mo> </mrow>

BJ2＝BJ1+0.003α_s-0.126

其中，λ为小时散射比，α_s为太阳高度角，C为总云量，k_T为小时清晰度指数，I为水平面上小时太阳总辐射量，I₀为大气层外水平面上小时太阳辐射量，I_d为水平面上小时太阳散射辐射量。