基于CMA-WSP1.0 的貴州短波輻射檢驗分析

萬 超，劉 濤，曾莉萍，李 力，夏曉玲，陶 勇

（1.貴州省氣象臺，貴陽 550081；2.貴州省人工影響天氣辦公室，貴陽 550081；3.貴州省氣象服務中心，貴陽 550081）

由于社會經濟的快速發展，能源生產和消費正在經歷高速增長時期，而地球化石燃料的規模不斷縮小，煤、石油和天然氣等資源愈加緊張與匱乏，環境問題也越來越突出。能源的清潔化、綠色化已經長期成為整個社會發展的焦點與熱點，太陽能、風能、水能等可再生能源的開發利用率正逐年上升，其中，突出代表之一就是光伏發電技術的快速發展。近年來，尤其是生態文明貴陽國際論壇2018 年年會之后，光伏發電在我省電力需求中所占比重快速增長，對貴州省（以下簡稱“我省”）電網的影響也越來越明顯。

光伏發電系統根據光生伏打原理，將太陽能直接轉化為電能[1-2]，具有無污染、可再生、安全性高等優點。但同時，由于光伏發電系統的效率受天文、地理、環境和氣象及硬件設備等多種因素的影響[3]，功率或發電量輸出是一個非平穩的隨機過程，具有間歇性、波動性、不確定性的特點，大規模的光伏并網會對電網的穩定性造成沖擊，增加電網計劃和調度的難度，影響電網運行穩定性[4]。因此，建立科學的預測機制體系，提供準確及時的光伏發電功率預測，為調度運行人員制定合理、符合實際情況的發電計劃提供切實可行的依據，這對改善電網運行經濟性具有重要意義。

目前，國內外對光伏功率的預測方法已有大量研究，從算法角度可以分為物理模型法和統計模型法。其中比較常用的是由于機器學習技術而發展起來的，基于神經網絡的光伏發電預測技術，包括徑向型神經網絡、遞歸神經網絡以及遺傳神經網絡等[5-6]，而隨著更多的智能算法被應用于光伏發電功率預測的領域，衍生出更多與神經網絡相結合的統計模型法。另外，由多個模型以某種規則集成的方法也被應用到光伏發電功率預測的領域[7]且效果較好。

為助力國家“碳達峰、碳中和”目標愿景，落實《風能太陽能資源氣象業務能力提升行動計劃（2021—2025年）》，進一步推動風能太陽能資源氣象業務高質量發展，提升我省風能太陽能預報業務能力，中國氣象局預報與網絡司組織中國氣象局公共氣象服務中心、北京市氣象局等單位改進了針對風能太陽能短期預報需求的中國氣象局風能太陽能氣象預報系統（Wind and Solar meteorological Prediction system，CMA-WSP 1.0），制作了省級風能太陽能短期預報產品，為開展光伏功率預報提供了新的氣象要素來源，產品包含了溫度、濕度、風場以及到達地表短波輻射、地面氣壓、降水量等氣象要素，且產品時間分辨率高，達到15 min。該產品于2022 年3 月15 日正式向全國發布，其中的“地表向下短波輻射通量”要素與貴陽輻射觀測站點的“總輻射輻照度”所反映的都是太陽到達地面的短波輻射，故2者之間存在較大的相關性。為了今后該產品能在貴州省更好適用，擬對該產品的預報值，和貴陽的輻射觀測值進行對比檢驗。以期通過貴陽的輻射觀測值觀測，在未來的研究中改進該產品中“地表向下短波輻射通量”因子，為其在貴州省的適用性提供科技支撐。

本文利用臨近點插值方法將CMA-WSP 短波輻射產品插值到站點進行檢驗，討論其在貴州省的適用性，為后續該產品用于氣象服務及光伏功率預報提供客觀依據。

1 資料與方法

本文采用2022 年4—6 月中國氣象局風能太陽能氣象預報系統CMA-WSP 1.0 提供的貴州風能太陽能短期預報產品中地表向下短波輻射通量，時間分辨率為15 min，空間分辨率為9 km，預報時效為126 h，預報頻次為1 次/d（起報時間為北京時間20：00）；觀測值數據采用貴陽國家氣象站觀測總輻射輻照度數據，時間分辨率為逐分鐘。

檢驗CMA-WSP 預報短波輻射數據在貴州的適用性，首先，進行數據質量控制，當站點觀測值或預報值任意一方缺測時，將這一組觀測值和預報值均剔除；其次，采用臨近點插值方法將預報值插值到貴陽站點的經緯度，篩選與預報樣本相同的觀測值數據，作對應逐15 min 的檢驗。主要運用統計學方法開展檢驗分析，包括平均誤差（ME）、平均絕對誤差（MAE）、均方根誤差（RMSE）、相關系數（COR）等，公式如下。

平均誤差可以用來反映預報值與觀測值之間的偏離程度，是用來衡量預報誤差比較常用的一個統計參數。平均誤差公式為

平均絕對誤差可以避免誤差相互抵消的問題，反映總誤差情況。公式為

均方根誤差可以衡量預報值和觀測值之間的離散程度，其公式為

相關系數是用來反映預報值與觀測值的線性相關程度，相關系數的絕對值越接近1，說明模式對雨量的變化趨勢有一定的預報能力。相關系數的公式為

式中：Oi為站點觀測值；Mi為CMA-WSP 預報值；N為參與檢驗的總樣本數。

2 誤差分析

4—6 月有效樣本數中，觀測值平均值分別為339.6、254.0、283.5 W/m2，24 h 預報時效內預報平均值分別為386.3、301.9、298.6 W/m2。參照太陽總輻射預報性能檢驗方法，評估平均誤差、平均絕對誤差和均方根誤差（圖1）。隨著預報時效的增加，所有樣本的平均誤差、平均絕對誤差和均方根誤差也相應增大，可能因為模式系統性誤差隨著預報時效的增加，不斷迭代導致的。從24 h 預報時效來看，平均誤差6 月最小，4 月和5 月接近，平均絕對誤差和均方根誤差也是6 月最小，5 月最大，反映出6 月預報效果最好，4 月次之，5 月最差。4 月和5月預報總體較觀測值偏大，6 月較觀測值偏小的情況更多。從預報誤差穩定性來看：在24～120 h 的預報時效內4—6 月的表現相差不大，預報較穩定，但4 月和6 月在24h 預報時效內平均絕對誤差和均方根誤差都略小于其他時效，表明24 h 的預報更優，5 月則是48 h 預報更優。

圖1 2022 年4—6 月貴陽短波輻射平均誤差、平均絕對誤差、均方根誤差

3 回歸分析

對短波輻射的預報值和觀測值作一元線性回歸（圖2，以24 h 為例），可知，4—6 月5 個預報時效的樣本數據均一致地顯示出大部分短波輻射值集中在小于200 W/m2的的區域，此時預報值普遍小于觀測值，而在大于200 W/m2的的區域，預報值大多大于觀測值。4 月份5 個預報時效的相關系數依次為0.64、0.53、0.61、0.63、0.69，120 h 預報時效的相關性最好，24 h 預報時效的相關性次之，48 h 預報時效的相關性最差；5 月份5 個預報時效的相關系數依次為0.48、0.47、0.50、0.48、0.57，120 h 預報時效的相關性最好，72 h 預報時效的相關性次之，48 和69 h 預報時效的相關性最差；6 月份5 個預報時效的相關系數依次為0.65、0.27、0.32、0.57、0.16，24 h 預報時效的相關性最好，96 h 預報時效的相關性次之，120 h 預報時效的相關性最差。各月預報和觀測值的相關系數最好為24 h 預報時效，相關系數范圍為0.48～0.65。

圖2 2022 年4—6 月貴陽短波輻射24 h 預報時效的散點回歸圖

4 準確性和穩定性分析

將逐天的短波輻射整點預報值和觀測值進行對比（圖3，以2022 年6 月18 日—23 日為例），可以看出，預報值的變化趨勢與觀測值一致，且除120 h 預報時效外，預報值普遍小于觀測值，尤其是起報后2 h 內。從預報時效上來看，24 h 預報時效的誤差最小（圖3（b）），小于200 W/m2，預報準確性最高，隨著預報時效的增加，誤差逐漸增大，預報準確性逐漸變低。從日變化上可知，從早上到中午，隨著輻射值的增大，預報不穩定性增加，午后，隨著輻射值的減小，預報不穩定性也減小。經統計天氣現象，發現多云時，受到云量等氣象要素變化影響，預報偏差也會增加。

圖3 2022 年6 月18—23 日預報準確性和穩定性對比圖

5 雙線性插值方法

本文嘗試采用CMA-WSP 產品離貴陽站最近點插值方法，來對比雙線性插值的區別。從4—6 月有效樣本數的平均值來看，短波輻射24 h 預報時效內預報平均值分別為384.6、300.4、298.2 W/m2，可以發現2 種插值方法的短波輻射各月平均值相差很小，且雙線性插值更接近觀測值，證明貴陽周圍的短波輻射預報值變化梯度較小。從誤差趨勢來看，臨近點插值的24 h 預報時效的平均誤差6 月最小，4 月和5 月接近，平均絕對誤差和均方根誤差也是6 月最小，5 月最大，反映出6 月預報效果最好，4 月次之，5 月最差，結論與臨近點插值相一致。

6 結論

4—6月短波輻射觀測值平均值分別為339.6、254.0、283.5 W/m2，24 h預報時效內預報平均值分別為386.3、301.9、298.6 W/m2。4—6月預報值的平均絕對誤差范圍在160～273 W/m2，各月表現接近，6月最好，4月次之，5月最差。在24～120 h預報時效內，各月穩定性較好，各時效表現接近，但4月和6月仍在24 h內表現最好，5月則在48 h表現最好。各月預報和觀測值的相關系數最好為24 h，相關系數范圍為0.48～0.65。觀測值小于200 W/m2時預報偏小，大于該值時預報常偏大，上午預報常偏小，陰天、多云時預報偏差加大，晴天時預報效果最好。