神經網絡模型在逐時太陽輻射預測中應用

湖北省氣象科技服務中心 ■ 成馳 陳正洪

武漢區域氣候中心 ■ 張禮平

一 引言

我國太陽能資源豐富，理論儲量大，近年來發展勢頭強勁。但與常規能源發電相比，太陽能發電具有固有的間歇性和不可控的缺點，易對電網造成沖擊。由于太陽能發電量與到達地面的太陽輻射量密切相關，受天氣因素的影響顯著，隨著國內光伏裝機容量的迅速擴大，氣象部門有責任及早做好技術準備，發展太陽輻射及發電量預報技術，為電力系統調度、電力負荷配合、常規能源發電計劃和光伏發電規劃提供指導[1]，以降低發電企業運營成本，保障電站和電網安全運行等。

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、云量、云狀及云和太陽的相對位置、城市大氣環境污染狀況、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報參數化，并且這些因子對太陽輻射的影響也具有非線性的特點。

神經網絡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]。本模型結構擬采用3層前向網絡。網絡結構確定后，由已知的樣本反復調節各層各神經元的連接權和閾值，直至使預先設計的代價函數極值化。這一系列過程被稱為網絡的學習訓練。曹雙華等將神經網絡模型引入到太陽逐時總輻射預測中，得到了比美國ASHRAE模型和時間序列模型更準確的結果[6,7]。本模型嘗試引入遺傳算法取代傳統的BP算法[8]，并嘗試在神經網絡模型中加入量化的天氣類型預報參數，且部分選用EOF主分量作為模型網絡的輸入和輸出，提高了計算效率和陰雨天輻射預測的準確性，不失為一種合理、高效的逐時輻射預測方法。

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、大氣環境質量等氣象環境因子。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、可預測性都不相同，尤其是氣象環境因子，更是隨著時間和空間的不同而具有極大的變化。

因此，我們在設計預測模型時需要考慮模型的輸入項應具備的特點為：(1)可預測性。選擇因子必須是在目前科技條件下能夠進行可信的短期預報。(2)關聯性。所選因子必須與地面太陽輻射密切相關。(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行輻射預測的方法是可行的。

在常規天氣預報中，日類型預報和最高、最低氣溫預報是氣象部門比較重視且較為準確的一種方式。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幾天，其輻射量的大小和日變化也較類似。而當天氣類型發生轉折時，溫度日較差和天氣類型的提前預報又可反映這種轉折。因此，本模型預測初步方案設計為：與被預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測日的日最高溫度、溫度日較差、日天氣類型數值作為模型輸入因子，預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據中，而氣象和環境因子則隱含在天氣類型、溫度日較差和最高氣溫預報中。

2 天氣類型確定

在常規天氣預報中，天氣類型是用“晴”、“陰”、“雨”這樣的模糊詞語描述的，必須將這樣的術語轉換為可被神經網絡算法接收的精確值。本文采用云量、降水量兩個量化指標數據將天氣類型數值化，初步采用的分類標準見表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時的云量作為當日的分類指標。

表1 天氣類型數據分類表

3 預測模型的設計

對于3層前向網絡，網絡結構包含輸入層、隱含層和輸出層，各層需要確定節點的數量。由于實驗所用的武漢站每日日照時數在10～14h，直接將逐時輻射資料輸入到網絡中將使網絡變得極為復雜，運算代價極大。為使輸入、輸出即含有大量信號，個數又不繁多，這里對每日的逐時輻射序列進行EOF分解，取其累計方差貢獻率達到80%以上的前3個主分量與天氣預報因子(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行還原即可得到預測日的逐時總輻射。因此，網絡結構確定為輸入節點6個、隱含節點2個、輸出節點3個，如圖1所示。當網絡結構確定后，就可由已知的樣本反復調節各層各神經元的連接權和閾值，直至使代價函數極值化。

三 預報實驗

1 實驗方案設計

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

首先對各輸入因子進行方差標準化，取武漢站8月有日照的太陽時06時至19時逐時總輻射進行EOF處理，取其前3個主分量和天氣預報要素進入網絡，輸出層得到的3個主分量，經過計算還原成預報日的逐時總輻射序列。

2 實驗結果

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

圖2分別給出了8月上半月和下半月的預測值和實際值的對比。經驗分析可得到的結論為：(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，在天氣條件穩定的晴天時，預測值和實測值基本吻合。(2)模型對于天氣轉折第一日的預報能力有局限，如圖2a的8月10～12日所示，天氣類型陰晴相間，導致模型不能及時響應，預測值誤差較大。8月12～13日連續兩天陰天時，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)該模型對于連續陰雨天的模擬量級較好，但不能給出輻射值為0的預報。如圖2b顯示的8月28～30日連續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的數據，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合日平均小時輻射量作為新的相對誤差衡量標準。

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”得到的百分數即為本文提出的衡量誤差的相對指標，該指標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雜，預報難度超過整日陰雨的天氣。本模型難以對其進行準確的逐時預測。

四 結語和討論

本文采用遺傳算法神經網絡模型，結合常規天氣預報和輻射量資料序列，利用輻射資料序列存在的自相關性建立了一種預測第二日逐時輻射量的模型。針對輻射資料的特殊性，設計了預測因子選擇方法、輸入資料的處理方法和結果誤差評估方法。通過一個月的模擬實驗對模型預報能力進行了驗證，表明模型能較為準確的預測逐時輻射。

由于模型本身和所采用資料的缺陷，模型對于陰雨復雜天氣和劇烈變化天氣的預報能力有限。模型可精確地描繪晴天狀況或穩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均位于晴朗干燥的西北、華北和高原地區，因此該模型在這些地區應大有用武之地。

氣象部門在輻射觀測中，出現降水時應將輻射表加蓋，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致的，不能完全由預報方法負責。

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

[1] 李芬, 陳正洪, 成馳, 等.太陽能光伏發電量預報方法的發展[J].氣候變化研究進展, 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].太陽能學報, 2007, 30(10):1389－1395.

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

[4] 周晉, 吳業正, 晏剛, 等.利用神經網絡估算太陽輻射響[J].太陽能學報, 2005, 26(4):509－512.

[5] 周勃, 陳長征, 宋楠.應用盲分離神經網絡預測逐日太陽輻射能[J].太陽能學報, 2007, 28(9):1008－1011.

[6] 曹雙華, 曹家樅.太陽逐時總輻射混沌優化神經網絡預測模型研究[J].太陽能學報, 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網絡預測中的應用研究[J].東華大學學報, 2004, 30(6):18－22.

[8] 張禮平, 丁一匯, 李清泉, 等.遺傳神經網絡釋用氣候模式預測產品的實驗研究[J].氣候與環境研究, 2008, 13(5):681－687.