王依婷

(上海第二工業(yè)大學信息技術中心,上海 201209)

0 引言

近年來,由于對不可再生資源的浪費,給國家的資源開發(fā)帶來了巨大的壓力。在這種情況下, 可再生的清潔能源太陽能引起了廣泛的關注。如今, 太陽能的開發(fā)和利用主要包括太陽能熱利用、光化學轉(zhuǎn)化以及光伏發(fā)電等方面[1]。在這些應用中, 光伏發(fā)電因其使用壽命長的優(yōu)勢而受到電力行業(yè)的高度贊譽并得到廣泛應用,安裝維護方便,傳動簡單,故障率低,噪聲干擾小。此外,中國還對分布式光伏項目投入了極大的關注和支持, 自然資源部辦公廳、國家林業(yè)和草原局辦公室、國家能源局綜合司發(fā)布關于支持光伏發(fā)電產(chǎn)業(yè)發(fā)展規(guī)范用地管理有關工作的通知中提出,鼓勵利用未利用地和存量建設用地發(fā)展光伏發(fā)電產(chǎn)業(yè)[2]。在保護生態(tài)環(huán)境的前提下,鼓勵在沙漠、戈壁、荒漠等地區(qū)建設大型光伏發(fā)電站,這對于光伏發(fā)電領域的研究具有一定的理論意義和現(xiàn)實價值。

光伏發(fā)電系統(tǒng)的能量主要受太陽輻射能的影響。太陽能電池板通常被安裝在光伏電站的固定位置,因此只能在該位置接收太陽輻射能。然而,由于四季更替和氣候變化,同一地點接收到的太陽輻射能會隨之發(fā)生變化, 具有間歇性、隨機性和波動性等特點。為了更好地解決這個問題,預測光伏輸出功率至關重要,這樣可以在不影響電網(wǎng)正常運行的情況下更有效地利用太陽輻射。此外, 當太陽輻射進入地球表面時,往往會受到不同因素的影響,導致不同程度的減少[3]。在這些因素中, 云量對光伏發(fā)電的影響更為顯著。因此, 研究人員正在努力從云層的隨機變化中探索規(guī)律,并找出相應的應對策略。這些措施可以應用于光伏發(fā)電量的預測,有助于提高預測的準確性。

綜上所述,考慮到云陰影和地形對地表太陽輻射的影響,本文進行了基于CCD/IRS 數(shù)據(jù)的地表太陽輻射估算模型的研究和驗證。通過改進該模型,還構建了光伏超短期功率預測模型,以滿足多云天氣的需求。

1 數(shù)據(jù)來源及模型構造

1.1 CCD/IRS 數(shù)據(jù)介紹

中國資源衛(wèi)星數(shù)據(jù)與應用中心是國家衛(wèi)星應用體系的重要組成部分之一,也是國家三大衛(wèi)星應用中心之一。該中心承擔著對地觀測的重要任務,通過衛(wèi)星對陸地、海洋、大氣等進行高分辨率、高精度、高時空覆蓋的觀測, 為國家農(nóng)業(yè)、林業(yè)、水利、環(huán)保、氣象等多個領域提供了重要數(shù)據(jù)支撐。其中,HJ-1B 衛(wèi)星數(shù)據(jù)庫是該中心的重要資源之一,包含了大量的對地觀測數(shù)據(jù),可以為各類研究提供支持[4]。在本文中, 該中心的數(shù)據(jù)為研究提供了重要的數(shù)據(jù)支撐,為研究的深入開展提供了有力保障。

HJ-1B 衛(wèi)星搭載了2 個電荷耦合器件(charge coupled device,CCD)相機和1 個紅外光譜(infrared spectroscopy,IRS)相機。其中,CCD 相機能將光線轉(zhuǎn)化為電荷、存儲和轉(zhuǎn)移電荷,是氣象觀測相機的重要組成元件[5]。HJ-1B 衛(wèi)星上的CCD 相機地面像素分辨率為30 m,而IRS 相機的參數(shù)為150 m/300 m,使用4 個波段的紅外光譜(infrared spectroscopy,IR)成像?？梢姽夂图t外相機都安裝在同一顆衛(wèi)星上, 因此可以輕松獲取具有正確一致性的測量參數(shù)[6]。數(shù)據(jù)采集過程中的相關參數(shù)如表1 和表2所示。

表1 CCD 相機絕對輻射參數(shù)Tab.1 Absolute radiation parameters of CCD cameras

表2 IRS 相機在不同波段的參數(shù)Tab.2 Parameters of IRS cameras in different wavebands

1.2 地表太陽輻射估算模型

1.2.1 晴天的輻射估算模型

在晴朗無云的天氣中,太陽輻射一般包括直接輻射和散射輻射,需要對這兩種類型的輻射分開考慮[7]。首先, 水平面上直接輻射可用以下公式方程(1)表示:

式中:Ii(hor)表示在i波段接收到的直接輻射;Ioi是該波段的太陽常數(shù);T(clear)i是該波段的輻射透過率;Er是日地距離的修正系數(shù);Z是指太陽光線入射方向和天頂方向的夾角,也叫太陽天頂角。在該估算過程中,i被分為波段1 和波段2,分別代表可見光波段0.29～0.7 μm 和近紅外波段0.7～4 μm。通常,Io1的值為38 kJ·m－2·min－1,Io2的值為43 kJ·m－2·min－1。

因為大氣層中的空氣、水汽、氣溶膠等物質(zhì)會對太陽輻射產(chǎn)生影響,即使沒有云層遮擋,太陽輻射進入地球表面時也會受到一定程度的吸收和散射。在進行太陽輻射和光伏發(fā)電研究時,需要考慮這些因素對太陽輻射的影響[8]?？偼高^率的計算式如下:

式中,T(clear)i表示無云狀態(tài)下i波段的總透過率,由下標為o、r、g、w 和a 的T所代表的元素分別指臭氧、瑞利、混合氣體、水蒸氣和氣溶膠的輻射透過率。

在大氣污染的研究中,臭氧和氣溶膠的濃度是非常重要的指標。但是,由于監(jiān)測設備的限制,有些地區(qū)的臭氧和氣溶膠數(shù)據(jù)難以獲得。為解決這個問題,本文使用了相關的模型公式來模擬所需的參數(shù)。具體的計算方法分別為:

式中:Ua為指氣溶膠含量;Ma為氣溶膠光學質(zhì)量;β為指渾濁系數(shù);Z為指太陽天頂角;Φ為指緯度;alt 是指被測區(qū)域的海拔高度。

這些模型公式基于大量的實驗數(shù)據(jù)和理論分析,能夠在一定程度上準確地預測臭氧和氣溶膠的濃度。

同樣,臭氧含量也是通過這種模型公式得出的,其計算方法如下所示:

式中:U0指臭氧含量;Jd指儒略日(在儒略周期內(nèi)以連續(xù)的日數(shù)計算時間的計時法)[10];d指的是周期,其他參數(shù)與以上的公式相同。

在晴朗天氣下散射輻射的計算涉及2 個方面:直接散射輻射和地球與大氣多次反射產(chǎn)生的散射輻射[9]。本文中假設地表面反照率為0,則直接散射輻射式為

式中:Fi表示校正因子, 用于補償算法的某些缺陷;BR1是指第1 波段瑞利散射(又稱“分子散射”)的前向散射因子;Ba是指氣溶膠的前向散射因子;Tasi是指i波段的散射透過率;Twsi是指i波段的水汽散射透過率。

Eddi代表由地球和大氣之間的多次反射引起的散射輻射,其算法如下:

在式(9)中,ρgi是地表反照率,ρsi是天空反照度。總散射輻射為

每個波段的太陽總輻射量為

寬帶太陽總輻射為

1.2.2 陰天輻射估算模型

在陰天和多云的情況下, 太陽輻射的計算方法是用式(1)乘以云層的輻射透過率,即

式中:T(cloud)i是指云在i波段的輻射透過率,其他參數(shù)與晴x天輻射估算模型中的參數(shù)相同。

云的光學厚度是用來描述云對太陽輻射的影響程度的參數(shù),它反映了云本身的光學特性,包括云的厚度、密度、形狀等因素。光學厚度越大,代表云對太陽輻射的吸收和散射越強, 即云越厚密。云的光學厚度被用來計算云的透過率。本文主要參考了HJ星第3 波段(中心波長為0.65 μm)的反射率與云光學厚度之間的關系。

當反射率范圍為0.15～0.35、0.35～0.5、0.5～0.55、0.55～0.6、0.60～.65 和0.65～0.7 時, 對應的云光學厚度為0～1、1～4、4～8、8～16、16～32 和32～64。

云透過率主要是根據(jù)以下公式計算:

式中:Tcloud1表示波段1 的云透過率;μ0是太陽天頂角的余弦;β(μ0)代表對應的后向散射比;τn是云光學厚度。

用以下方程求出波段2 的云透過率:

式中:Tcloud2表示帶2 的云透射率;w0表示單次散射比,其他參數(shù)與上面其他方程式相同。

使用上述算法, 可以獲得陰云和多云狀態(tài)下的云影,將受到云干擾的區(qū)域和未受影響的區(qū)域區(qū)分開來,據(jù)此,在云陰影區(qū)使用多云輻射算法進行輻射估計,在非陰影區(qū)使用晴天輻射算法進行輻射估計,這樣的方法可以有效地提高輻射估算的準確性和實用性。

1.3 地形校正估算模型

假設不考慮地面和大氣之間的多次反射, 那么傾斜地形所接收到的太陽總輻射Et可以分為三部分。第1 部分是斜坡上的直接輻射Edrt, 第2 部分則是來自天空的散射輻射Edift,第3 部分則是來自鄰近地形Eat的附加輻射。則

通常,特定地形對地表太陽輻射的影響由3 部分組成:

(1) 直接輻射的影響。不同的斜坡有不同的角度,因此它們與太陽輻射形成的角度也不同,這將影響斜坡上不同位置的日照時間。

(2)來自天空散射輻射的影響。不同的傾斜角度也會改變天空中的散射粒子,太陽與地面目標的位置之間的角度會受到影響,從而影響輻射光的入射角和某些位置的天空陰影程度。

(3)對鄰近地形輻射的影響。目標定位點與相鄰位置之間的相互屏蔽會對結果產(chǎn)生干擾[11]。

直接輻射的地形校正模型考慮了目標像素本身和相鄰像素的陰影效應,如下式所示:

式中:Edirh表示接收到的直接輻射,I表示入射角。如果I ＞90, 則表示像素被自身遮擋。L為判斷投影的二元系數(shù)。當L= 0 時, 目標點被相鄰像素遮擋,當L=1 時,意味著目標點沒有遮擋。

在散射輻射修正模型中,各向異性指數(shù)k代表各向異性散射在天空總散射中的權重,k的計算方法分別為:

式中:S表示斜率的斜率, rad;Sh為太陽高度角;I0=1 367 W/m2。

1.4 超短期光伏發(fā)電功率估算模型的構建

在構建光伏功率估算模型時,通常會將1 d 的時間分為多個時段,以便更加精細地估算太陽輻射的變化情況。云量系數(shù)是反映云量多少的一種無量綱指數(shù), 它通常是通過對云影像進行處理得到的。在估算云量系數(shù)時,需要采用一些聚類算法,以便將云量系數(shù)的變化趨勢進行更好的描述,這對于光伏功率估計模型的構建非常重要。

K-Means 算法通常用歐氏距離來計算樣本點之間的距離[12]。方程如下所示:

式中:dij表示樣本點i和樣本點j之間的歐氏距離;x是樣本點i的k次特征值;n為特征向量的維數(shù)。

為了解決聚類中心初始化隨機的問題,通常使用迭代方法進行聚類分析。迭代方法包括以下步驟:首先根據(jù)當前聚類中心計算每個樣本點所屬的類別,然后重新計算聚類中心點,最后判斷聚類中心是否改變,若改變則繼續(xù)迭代,直到聚類中心不再變化為止。這種迭代方法能夠有效地聚類數(shù)據(jù), 幫助我們更好地理解數(shù)據(jù)的分布規(guī)律和特征。

K-Means++ 算法是K-Means 算法的一種改進形式, 被廣泛應用于聚類領域。該算法可以將數(shù)據(jù)集劃分為多個簇, 每個簇內(nèi)的數(shù)據(jù)相似度較高, 而不同簇之間的相似度較低。通過對云量系數(shù)進行聚類, 可以更好地描述云量隨時間的變化趨勢, 從而更準確地估算太陽輻射的變化情況。K-Means++算法通過選擇初始聚類中心時最大化聚類中心之間的距離,有效地解決了傳統(tǒng)K-Means 算法對初始聚類中心敏感的問題,從而提高了聚類的準確性和穩(wěn)定性。

在對云遮蔽系數(shù)進行聚類時,根據(jù)不同的天氣類型進行劃分,定義了5 個聚類類別。因此,云遮擋系數(shù)的聚類以每個周期的云遮擋系數(shù)的相關值作為特征向量,即

式中:i表示樣本數(shù);表示云層覆蓋系數(shù)的極大值;是其最小值;為平均值,為方差值。

不同時段內(nèi)的氣象和太陽輻射條件會存在差異。為了提高光伏功率估算的準確性, 在建立光伏功率估算模型時,需要根據(jù)云量系數(shù)的聚類結果,將不同時段內(nèi)的氣象數(shù)據(jù)、地面太陽輻射歷史數(shù)據(jù)和光伏功率進行分類,然后針對不同的數(shù)據(jù)集,分別建立光伏功率估算模型。

為了訓練光伏功率估算模型,可以使用下式來表示訓練數(shù)據(jù)特征向量:

式中:n表示輸入特征的尺寸;m表示采樣點的數(shù)量。

式(24)包括歷史數(shù)據(jù)中的地面太陽輻射值、環(huán)境溫度、相對濕度、氣壓和風速等輸入特征,以及對應的光伏輸出功率輸出值。這些特征能夠反映光伏發(fā)電的環(huán)境條件和光伏電池的特性。因此, 需要針對不同的時段和氣象條件選擇相應的特征,并建立相應的光伏功率估算模型。這樣就能更準確地預測光伏發(fā)電的功率輸出情況,為光伏發(fā)電的管理和運營提供更好的支持。

綜上所述,在進行光伏發(fā)電預測之前,需要根據(jù)預測期內(nèi)的云量系數(shù)聚類類別選擇適合的光伏發(fā)電預測模型。然后, 將預報期內(nèi)各個時刻的地面太陽輻射預報值和數(shù)值天氣預報預報值作為輸入向量引入模型,最終可以得到預測時間內(nèi)各個時刻光伏發(fā)電量的估算值。

2 實驗結果與分析

2.1 地表太陽輻射估算模型的實驗驗證

區(qū)域A 被選為建議的表面太陽輻射估計模型的例子分析。陰影區(qū)域采用多云輻射算法, 非陰影區(qū)域采用晴天輻射算法。最后, 對得到的地表太陽輻射分布結果進行了比較和分析。

實驗中,首先將所選地形分為有云區(qū)和無云區(qū),然后再將其分為陽坡和陰坡兩個部分。接著,使用3種算法模型對分割后的區(qū)域進行了測量和比較。

其中, 算法1 為未經(jīng)改進的傳統(tǒng)BP 神經(jīng)網(wǎng)絡,是一種誤差反傳播的多層前饋神經(jīng)網(wǎng)絡,目前在理論研究和性能方面已經(jīng)非常成熟,也是目前在天氣數(shù)據(jù)預測中應用最廣泛的算法之一;算法2 是一種通過3D 效應和輻射地形效應對算法1 進行了改進的算法; 算法3 為在算法2 基礎上又進行了地形校正后的算法。實驗結果如圖1 所示。

圖1 云層覆蓋的陽坡輻射值Fig.1 Radiation values of sunshine slope covered by clouds

圖1 表明,算法1 的估計輻射值明顯高于算法3。根據(jù)算法1,實驗的輻射量達到了晴天的輻射量,1～1.1 kW/m2, 平均偏差約為400 W/m2。算法2 的估計輻射值也很高。由于是在陽坡上, 地形校正后的輻射值更大,平均偏差約為500 W/m2。

圖2 中, 與算法3 相比, 算法2 的估計輻射值明顯過高。最大差值為500 W/m2, 平均偏差約為300 W/m2。算法1 的大部分估算值也比較高。由于地形屬陰坡,校正后的輻射值較低,偏差較大。因此,平均偏差約為400 W/m2。

圖2 云覆蓋陰坡的輻射值Fig.2 Radiation values of shade slope covered by clouds

圖3 中,算法2 的估計輻射值明顯低于算法3。最大差值為650 W/m2,平均偏差約為400 W/m2。

圖3 無云陽坡的輻射值Fig.3 Radiation values of sunshine slope without cloud

圖4 表明,算法2 的輻射值估計較算法3 低,最大差值達到了480 W/m2,平均偏差約為300 W/m2。而算法1 的大部分估算值則較高。由于地形原因,該區(qū)域是一個陰涼的斜坡,因此經(jīng)過校正后的輻射值較低,偏差較大,平均偏差約為350 W/m2。

圖4 無云陰坡輻射值Fig.4 Radiation values of shade slope without cloud

在算法1 中,由于沒有考慮到地形和云層的影響,其估計結果與實際情況存在較大差異,尤其在陰坡和有云區(qū)表現(xiàn)更為明顯。而在算法2 中, 通過引入3D 效應和輻射地形效應, 能夠更準確地估算表面太陽輻射,因此在多云和特殊地形條件下,相較于算法1 有了更好的表現(xiàn)。但是在陰坡和有云區(qū)仍然存在一定的誤差。為了解決這個問題,算法3 在算法2 的基礎上進行了地形校正,通過對陰坡和有云區(qū)的地形進行校正,使得估算結果更加準確。因此,在實驗中,算法3 的表現(xiàn)最為優(yōu)秀,能夠更準確地估算表面太陽輻射,為后續(xù)的光伏發(fā)電功率預測提供了更為可靠的依據(jù)。

盡管在計算和測量過程中仍存在一些不準確之處,但以上分析表明,所提出的太陽輻射估算算法在多云條件和特殊地形下的表面太陽輻射估算方面比傳統(tǒng)算法更為有效。因此,基于該模型,我們可以進行超短期光伏功率估算的研究和模型構建。

2.2 超短期光伏功率估算模型的驗證

本實驗采用Python3.10 作為實驗平臺, 利用B光伏電站2019 年的歷史數(shù)據(jù)進行光伏功率估算模型的訓練。該電站位于海拔260 m 的高度,裝機容量為10 kW, 并配備高分辨率氣象站, 能夠?qū)崟r采集地表太陽輻射、環(huán)境溫度、相對濕度、風速、氣壓等氣象數(shù)據(jù), 數(shù)據(jù)的時間分辨率為每15 min 一次。通過利用這些數(shù)據(jù), 可以訓練出一個準確的光伏功率估算模型,為光伏發(fā)電的管理和運營提供更好的支持。

在進行數(shù)據(jù)采集時, 由于傳感器故障、傳輸錯誤等原因,數(shù)據(jù)可能會出現(xiàn)丟失或異常情況。為了更好地利用數(shù)據(jù)的價值,需要進行合理的數(shù)據(jù)預處理,以獲得更準確的預測結果。熊貓包(python package index,PyPI)可以用于數(shù)據(jù)預處理,其中包括檢測和填充缺失值和異常值、刪除夜間數(shù)據(jù)以及特征歸一化等操作。為了更好地處理數(shù)據(jù), 需要進行以下步驟: 需要判斷當天缺失值的總數(shù)是否超過20%。如果缺失值的數(shù)量超過20%,則需要考慮其他的數(shù)據(jù)處理方法,例如刪除這一天的數(shù)據(jù)或者采用其他的插值方法。②如果存在缺失值或異常值,可以采用線性插值的方式來填充數(shù)據(jù)。由于氣象數(shù)據(jù)具有特殊的時間序列相關性,線性插值可以較好地還原數(shù)據(jù)的變化趨勢。另外,如果存在極端異常值,例如氣溫異常高或低,可以考慮將這些數(shù)據(jù)視為缺失值進行處理。③需要去除地表太陽輻射為零的夜間數(shù)據(jù),因為在夜間,光伏電站并不會產(chǎn)生電力。這樣可以減少誤差,并提高光伏功率預測的準確性。④對數(shù)據(jù)進行歸一化處理,將每個特征值映射到0～1 的范圍內(nèi)。這可以消除量綱的影響,使得各個特征值之間具有可比性, 有利于模型的訓練和預測。在歸一化處理時,可以采用最大最小值歸一化或標準化等方法,具體選擇哪種方法需要根據(jù)數(shù)據(jù)的分布情況來確定。

在進行數(shù)據(jù)預處理的基礎上, 使用Python 的K-Means 算法對云量系數(shù)進行聚類。然后, 根據(jù)聚類結果,對5 類數(shù)據(jù)集進行訓練,以建立光伏功率估算模型。圖5 說明了訓練光伏發(fā)電模型在各種數(shù)據(jù)集中的偏差: 不同云遮擋程度下光伏發(fā)電的最終擬合效果如圖6 所示。

圖5 不同數(shù)據(jù)集訓練的光伏發(fā)電模型偏差Fig.5 Deviation of photovoltaic power generation models trained on different datasets

圖6 不同云遮擋程度下光伏發(fā)電的最終擬合效果Fig.6 Final fitting effect of photovoltaic power generation under different cloud cover levels

從上到下,圖6 中的3 組曲線分別表示少量云層遮擋下的光伏功率擬合效果、較多云層遮擋下的光伏功率擬合效果和大量云層遮擋下的光伏功率擬合效果。

不同聚類結果的擬合效果不同,其中,云遮擋程度越高,擬合效果越好。總體來說,光伏發(fā)電模型的預測精度滿足要求。

在實際的光伏功率估算中, 由于不同的天氣條件下地表太陽輻射的估算效果不同,同時估算的部分輸入數(shù)據(jù)還依賴于數(shù)值預報,因此實際的估算效果(以地表太陽輻射等特征的預測值作為模型輸入)與擬合效果(以歷史地表輻射等特征的真值作為模型輸入)之間存在一定的偏差。這個偏差的大小與不同的天氣條件、不同的數(shù)值預報模型等因素有關,需要在模型訓練和評估時進行考慮。

圖7 展示了10:00～14:00 2 種天氣類型的預測結果,其中包括一組變化趨勢平緩的曲線,代表晴天無云時的光伏功率估算結果,以及一組變化趨勢較明顯的曲線,代表陰天時的光伏功率估算結果。在晴朗無云的日子里,光伏功率的估計結果相對較準確, 而在陰天情況下, 估計結果則存在一些輕微的偏差。

圖7 實際光伏功率估算效果圖Fig.7 Actual photovoltaic power estimation rendering

經(jīng)過實驗驗證, 盡管準確預測具有隨機變化的云遮擋系數(shù)仍然具有挑戰(zhàn)性,但該模型已經(jīng)顯示出了優(yōu)異的表現(xiàn),實驗的數(shù)據(jù)從側(cè)面驗證了該模型的有效性。進一步的研究可以致力于完善該模型, 提高其預測精度和適用性,以更好地支持太陽能發(fā)電的實際應用。

3 結 論

地面太陽輻射估算模型對光伏發(fā)電預測模型的構建具有重要意義。為此, 在考慮云陰影和特殊地形對地表太陽輻射影響的基礎上,對基于CCD/IRS數(shù)據(jù)的地表太陽輻射估算模型進行了研究和探討。在此基礎上,將該估算模型應用于光伏發(fā)電的預測,構建了考慮云遮擋影響的超短期光伏發(fā)電估算模型, 并進行了實驗驗證。結果表明, 研究表明, 考慮云影和復雜地形的地面太陽輻射估算模型的測量結果比傳統(tǒng)模型的平均偏差更小, 精度更高。這種模型通過考慮云影和復雜地形等因素,能夠更準確地模擬太陽輻射的分布情況,從而提高了光伏發(fā)電功率的估算精度。在此基礎上構建的超短期光伏功率估算模型,能夠有效預測晴天和陰天不同條件下的光伏輸出功率,證明了該模型的有效性。

然而,由于時間和條件的限制,本研究仍存在一些不足和亟待解決的問題。例如,僅考慮了表面太陽輻射模型在光伏功率估算中的作用,而其他因素的影響仍需進一步探索。此外, 對不同天氣類型對光伏發(fā)電功率估算模型的影響的討論還不夠深入。因此,未來應構建更加準確的估計模型,以獲得更加有效的解決方案。