CN109948281A - 基于天气类型有效识别和组合预测的直散分离建模方法 - Google Patents

Abstract

本发明涉及一种基于天气类型有效识别和组合预测的直散分离建模方法，Sandia方法考虑了气象要素的综合变化特征，挑选出长序列气象数据中具有气候特征代表性的典型年资料，使直散分离模型的研究和分析结果更具有典型性和说服力；依据修正后的清晰度指数进行天气类型的划分；每种天气类型下的最优经典小时模型选定后进行本地化修正，得到适用于所有天气类型的本地组合预测模型；通过偏相关分析剔除一部分对散射比影响较小的因子，再通过主成分分析提取主成分建立线性模型，有效提取原有数据携带的隐含信息；从每种天气类型下的线性模型和本地化模型中选择该种天气类型下的最优模型，再进行组合得到组合预测模型进行天气预测。提高预测结果准确度。

Description

基于天气类型有效识别和组合预测的直散分离建模方法

技术领域

本发明涉及一种光伏技术，特别涉及一种基于天气类型有效识别和组合预测的直散分离建模方法。

背景技术

自20世纪70年代以来，全世界大部分地区能源消耗成倍增加，气候变化明显，随之而来的是一系列环境问题，太阳能等清洁能源的开发利用越来越受到关注。据世界能源委员会的研究报告称，到21世纪下半叶，太阳能将成为能源利用中非常重要的一种。光伏发电是目前太阳能利用中技术较成熟的一种太阳能发电系统，具有不消耗燃料、不排放污染物、规模灵活、安全可靠、维护简单等优点。太阳能光伏发电将是今后太阳能利用的主要利用形式，有离网和并网两种形式，而并网光伏发电是目前乃至将来的主流趋势。太阳能光伏发电技术的应用在欧美国家早已完成初期开发和示范阶段，目前正在大批量生产和规模应用。

在当下光伏装机快速增长的大环境里，以提高电站收益率为出发点的设计方案已引起全行业的关注。在系统优化设计及功率预报中，产生了进行直散分离获得水平面直接辐射和散射辐射的新需求，以此为固定式、跟踪式阵列斜面辐射计算、光伏功率预测以及聚光热发电设计等提供依据，同时对建筑能耗动态模拟研究具有一定参考价值。

目前，国内外研究人员对于直散分离预测模型的研究多以单一预测模型为主，然而单一预测模型本身具有局限性，预测精度提高很有限，且各单一预测模型的准确度有所不同，预测存在不确定性。

常见的直散分离预测模型大多只考虑少量的气象因素如清晰度指数和日照百分率等，这将影响模型预测精度；然而如果考虑大量的气象因素，不仅会增加模型复杂度，预测效果也会受各气象因素之间的多重共线性关系的影响。所以在建立预测模型时设法降低气象因素间的多重共线性关系对于模型预测精度的提高显得尤其重要。

由于太阳能资源评估缺少详细的技术规范，目前基于长期辐射序列获取典型气象年辐射资料的方法除上述的气候平均法之外，频率(数)最大法也在光伏电站资源评估中有了初步的应用。这两种算法均具有明确的数学统计意义，但在典型天气形势的刻画方面不具有代表性。因此，太阳能资源评估领域中需要进一步提出切实可行的、能较好地代表评估区域长期气候特征的典型年辐射数据计算方法，以有效提高太阳能资源评估结果的科学代表性。

发明内容

本发明是针对使用单一预测模型进行直散分离建模，来对太阳辐射进行预测存在的问题，提出了一种基于天气类型有效识别和组合预测的直散分离建模方法,首先采用Sandia法，对北京地区多年小时尺度原始数据选取典型气象年；其次根据修正后的清晰度指数划分天气类型，在每种天气类型下，对比选择最优经典小时预测模型进行本地化修正，并根据每种天气类型所占比例得到适用于所有天气类型的组合预测模型；同时在每种天气类型下对与散射比相关的PM2.5、总云量、能见度等影响因子进行偏相关分析，利用主成分分析法对偏相关强的因子提取主成分从而建立线性模型；然后将本地化的最优经典小时模型和线性模型进行比较，得到每种天气类型下的最优模型；最后根据每种天气类型所占总样本的比例，将各个天气类型下对应的最优模型进行组合，得到适用于所有天气类型的最终组合预测模型。

本发明的技术方案为：一种基于天气类型有效识别和组合预测的直散分离建模方法，具体包括如下步骤：

1)收集整理数据，并对数据进行样本筛选和数据质量检查，根据Sandia法对北京地区多年气象、辐射数据选取典型气象月组成典型气象年；

2)为了降低太阳高度角对清晰度指数的影响，对天气类型中清晰度指数进行修正，依据修正后的清晰度指数k′_T进行天气类型的划分；根据日出、日落时角，对北京地区总样本日照时间内的小时辐射数据进行筛选，计算散射比，并将其作为散射比的实测值，选取三种典型直散分离模型计算水平面上散射辐照度与水平面上太阳总辐照度比值作为预测值，选用平均绝对百分比误差、相对均方根误差及相关系数作为评估模型预测效果的指标，分别计算并选取每种天气类型下误差较小、相关系数大的模型为对应天气类型下的最优经典小时模型；

其中修正后清晰度指数

其中k_T是修正前的清晰度指数；m是大气质量；

3)对步骤2)得到的每种天气类型下的最优经典小时模型进行本地化修正，即再利用大样本数据中以频率代概率的方法，根据本地每类天气所占本地总样本的比例得到该种天气类型下最优模型的权重，最终得到适用于所有天气类型的本地组合预测模型；

4)在每种天气类型下，对与散射比相关的各种气象环境影响因子分别进行偏相关分析，并根据主成分分析对偏相关强的因子进行主成分选取，利用选取的主成分建立线性模型；

5)在每种天气类型下，将线性模型和本地化修正后的最优经典小时模型做比较选择对应最优模型；

6)对步骤5)选择的最优模型，根据不同天气类型在总样本中的占比情况，确定每种天气类型模型的权重系数，得到该地区的最终预测模型。

本发明的有益效果在于：本发明基于天气类型有效识别和组合预测的直散分离建模方法,直散分离组合模型使单个模型预测值过于偏大或偏小的极端情况得以削弱，降低了单一预测模型出现极端误差的概率，有效地解决了单一模型预测散射比不稳定的问题；Sandia方法考虑了气象要素的综合变化特征，可以挑选出长序列气象数据中具有气候特征代表性的典型年资料，从而代表典型大气环境的演变特点，使直散分离模型的研究和分析结果更具有典型性和说服力；直散分离预测模型若只考虑少量气象因素，将会影响模型预测精度；如果考虑大量气象因素，不仅会增加模型复杂度，预测效果也会受各气象因素之间的多重共线性关系的影响，因而通过偏相关分析剔除一部分对散射比影响较小的因子，再通过主成分分析提取主成分进行建模，可有效提取原有数据携带的隐含信息并使模型更简洁、方便使用；此建模方法给单一模型预测结果一定权值，可以优化直散分离预测模型最终的输出结果，降低均方根误差和平均相对误差，从而提高预测结果准确度。

附图说明

图1为本发明基于天气类型有效识别和组合预测的直散分离建模方法流程示意图。

具体实施方式

Sandia方法选取典型气象年：

Sandia方法可挑选出长序列气象数据中具有气候特征代表性的典型月份和典型年资料，首先采用Finkelstein-Schafer统计算法，挑选出12个均具有代表性的典型月组成一个典型气象年。而典型月的选取需要考虑各个气象要素在大气环境中所占的权重，被分析的气象要素应尽可能代表大气环境的整体变化特征，且相互独立。

根据以下技术路线实现典型气象年资料的挑选：

1、计算各个气象要素分布的长期累积分布函数值和逐年月累积分布函数值。

式中:S_n(x)为要素x处的长期累积分布值；n为样本总数；k为要素x在增序时间序列中的排序。然后，按照年份顺序分别在目标月份内按照增序排列，再按上式计算该要素逐年的月累积分布值。

2、对每个气象要素的分布计算其Finkelstein-Schafer统计值C_fs，即:

式中:δ_i为各要素长期累积分布值与逐年各月累积分布值的绝对差值；nd为各分析月内的天数。在获得各气象要素每个月份的C_fs后，按一定权重系数W_Fi把各C_fs汇总成一个参数W_s，该系数代表了各气象要素在大气环境中的作用比重。

式中:KK为气象要素的个数。

天气类型分类：

清晰度指数表示大气的透明程度，与天气状况及太阳辐射密切相关，其公式为：

式中，I为水平面上太阳总辐照度，其值是到达地表水平面上的太阳直射辐照度和散射辐照度的总和；

大气层外水平面上太阳辐射量I₀:

其中，E_sc、γ、δ分别为太阳常数、日地距离变化引起大气层上界的太阳辐射通量的修正值和赤纬角，ω分别为进行预测的区域所在的纬度和时角，其计算公式分别如下：

E_SC＝1367±7W/m²

式中T_n为一年中的日期序号，如元旦为T_n＝1，春分日为T_n＝81,12月31日为T_n＝365。

然而清晰度指数不仅与气象条件相关，而且与天空中太阳位置有关。为了降低太阳高度角对清晰度指数的影响，对其进行修正如下：

其中k_T是修正前的清晰度指数，k′_T是修正后的清晰度指数,m是大气质量。

按照修正后的清晰度指数k′_T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<0.1，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。

不同模型计算公式：

Erbs模型：

Orgill and Hollands模型：

Reindl(1990)模型：

式中，I_d为水平面上散射辐照度。

偏相关分析：

多个变量间的关系往往是比较复杂的，简单相关分析分析的可能只是表面的非本质的相互关系，没有把其他变量的影响考虑在内。偏相关系数就是在多元回归分析中，在消除其他变量影响的条件下，所计算的某2个变量之间的相关系数，它所反映的变量之间的相关性会更准确。考虑到光伏影响因子的实际情况，本专利取r≥0.3的因子为强相关因子。

主成分分析：

主成分分析是最常用的一种降维方法，其算法描述如下：

1、对偏相关分析中得到的对散射比影响较强的气象因子的标准化的矩阵X^*求解其相关系数矩阵R，由相关系数矩阵R计算其特征值λ₁≥λ₂≥…≥λ_N及对应的特征向量α₁，α₂，…，α_N。

2、计算贡献率e_k和累计贡献率E_t。

通过累计方差贡献率确定主成分个数，一般选取累计方差贡献率位于75％～95％范围内的特征值λ₁，λ₂，…，λ_p所对应的第1，第2，…，第p个主成分。

3、P个主成分构成的主成分矩阵为：

U＝X^*T

其中

T＝[α₁,α₂,^α_p]

式中，T为p个主成分对应特征向量。

如图1所示基于天气类型有效识别和组合预测的直散分离建模方法流程示意图，方法步骤如下：

S1:收集整理数据，并对数据进行样本筛选和数据质量检查，根据Sandia法对北京地区多年气象、辐射数据选取典型气象月组成典型气象年；

S2:依据修正的清晰度指数k′_T进行天气类型的划分，根据日出、日落时角，对北京地区总样本日照时间内的小时辐射数据进行筛选，计算散射比，并将其作为散射比的实测值，上述三种典型直散分离模型计算结果(I_d/I)作为预测值。选用平均绝对百分比误差(MAPE)、相对均方根误差(NRMSE)及相关系数(CORR)作为评估模型预测效果的指标，分别计算并选取每种天气类型下误差较小、相关系数较大的模型为对应天气类型下的最优经典小时模型；

S3:分别本地化修正每种天气类型下的最优经典小时模型，即采用1stOpt软件中Levenberg-Marquardt法(LM)+通用全局优化算法(UGO)对最优经典小时模型进行分段函数拟合，然后根据每类天气所占总样本的比例得到该种天气类型下最优模型的权重，最终得到适用于所有天气类型的组合预测模型；

S4:在每种天气类型下，对与散射比相关的PM2.5、总云量、能见度等因子进行偏相关分析，并根据主成分分析对偏相关强的因子(考虑到光伏影响因子的实际情况，本专利取r≥0.3的因子为强相关因子)进行主成分选取，利用选取的主成分建立线性模型；

S5:在每种天气类型下，将线性模型和本地化修正后的最优经典小时模型做比较选择最优模型；

S6:根据不同天气类型在总样本中的占比情况，确定每种天气类型模型的权重系数，得到该地区的最终预测模型。

Claims (1)

1.一种基于天气类型有效识别和组合预测的直散分离建模方法，其特征在于，具体包括如下步骤：

1)收集整理数据，并对数据进行样本筛选和数据质量检查，根据Sandia法对北京地区多年气象、辐射数据选取典型气象月组成典型气象年；

2)为了降低太阳高度角对清晰度指数的影响，对天气类型中清晰度指数进行修正，依据修正后的清晰度指数k′_T进行天气类型的划分；根据日出、日落时角，对北京地区总样本日照时间内的小时辐射数据进行筛选，计算散射比，并将其作为散射比的实测值，选取三种典型直散分离模型计算水平面上散射辐照度与水平面上太阳总辐照度比值作为预测值，选用平均绝对百分比误差、相对均方根误差及相关系数作为评估模型预测效果的指标，分别计算并选取每种天气类型下误差较小、相关系数大的模型为对应天气类型下的最优经典小时模型；

其中修正后清晰度指数

其中k_T是修正前的清晰度指数；m是大气质量；

3)对步骤2)得到的每种天气类型下的最优经典小时模型进行本地化修正，再根据本地每类天气所占本地总样本的比例得到该种天气类型下最优模型的权重，最终得到适用于所有天气类型的本地组合预测模型；

4)在每种天气类型下，对与散射比相关的各种气象环境影响因子分别进行偏相关分析，并根据主成分分析对偏相关强的因子进行主成分选取，利用选取的主成分建立线性模型；

5)在每种天气类型下，将线性模型和本地化修正后的最优经典小时模型做比较选择对应最优模型；

6)对步骤5)选择的最优模型，根据不同天气类型在总样本中的占比情况，确定每种天气类型模型的权重系数，得到该地区的最终预测模型。