一种基于有限气象预报参数的实时太阳辐射预测方法与流程

：
1.本发明属于太阳辐射预测技术领域，具体涉及一种基于有限气象预报参数的实时太阳辐射预测方法。


背景技术：

2.太阳能作为一种可再生能源具有清洁、环保、无污染等优势，我国为解决资源短缺、环境污染等严峻问题开始加大对太阳能的利用。光伏发电系统提供了一种有效利用太阳能的途径。但地面接收到的实际太阳辐射受大气情况的影响，因此地面太阳辐射具有一定的波动性，影响光伏发电设备的使用与光伏发电站并网后的系统稳定性，因此有效预测逐时太阳辐射有助于太阳能的高效利用，保障电网安全运行。
3.准确预测建筑冷、热负荷有利于建筑运行优化控制，是建筑实现节能的重要手段。建筑负荷预测模型需要将气象数据的预测值作为输入参数，太阳辐射作为影响建筑负荷的重要因素之一无法简单地从气象预报中获取预测值，因此简便、准确地预测逐时太阳辐射值是提升建筑负荷预测精度的重要环节之一。
4.已有许多学者利用大量历史数据总结出每日太阳辐射计算模型，基于日照的计算模型需要用到实际日照时间，但该参数无法获取预测值；基于温度的计算模型无法有效地反映大气情况进行逐时化分解；基于多参数混合的计算模型存在以上两种局限性，因此通过经验计算公式无法获取逐时太阳辐射预测值。
5.一些预测逐时太阳辐射的智能算法也被大量研究人员提出，多数模型所用的输入参数复杂，一般工程实际难以获取到相关参数，且原始数据处理分析过程繁琐，因此需要一种输入变量易于获取且预测精度较高的方法来获取逐时太阳辐射预测的需求。


技术实现要素：

6.本发明的目的是提供一种输入参数获取容易且预测效果良好的实时太阳辐射预测模型，本发明选用显著影响实际太阳辐射的天气类型、云量与理论太阳辐射作为特征变量，利用智能算法结构，实现预测逐时太阳辐射值的目的。输入参数中天气类型与云量预报值可以通过气象预报简单获取，理论太阳辐射可通过简单计算得出。
7.为解决上述技术问题，本发明的技术方案如下：
8.一种基于有限气象预报参数的实时太阳辐射预测方法，包括以下步骤：
9.步骤1：获取当地历史和预报气象数据；
10.步骤2：计算当地逐时理论太阳辐射；
11.步骤3：数据的清洗与划分；
12.步骤4：实时太阳辐射预测方法的构建与应用。
13.更详细地，步骤1中当地历史数据与预报数据的获取方式为：
14.历史的天气类型与云量数据可通过气象预报资源或自建气象站获取，历史太阳辐射数据可从国家气象科学数据中心或者自建气象站获取；天气类型与云量数据预报值通过
气象预报获取。
15.步骤2中当地逐时理论太阳辐射的确定与计算原则如下：
16.地面接收到的实际太阳辐射受到大气状态的影响，反应大气状态的云量与天气类型已是模型的输入参数，因此选取未受大气层影响的地球大气上界水平面上的太阳辐射值，即地外水平面辐射量作为理论太阳辐射值。
17.在考虑一年实际长度基础上，利用地点经度和日期序列计算出某地某日的时角，根据日期序列可计算出当地赤纬角与年角，利用计算得出的年角计算某天的日地距离修正值。根据上述计算出的参数可计算得出某地的逐时理论太阳辐射值，理论太阳辐射仅随地点与时间而变化，且计算过程简便，易于获取。
18.步骤3中清洗数据与划分方法为：
19.数据记录过程中可能存在误差导致部分数据出现异常或缺失，利用箱线图数据处理手查找段剔除历史数据中的异常数据组与缺失数据组，将清洗后的总数据集作为建模数据样本库；
20.将清洗后得到的数据样本库按时间顺序划分为训练集、验证集与测试集，各数据集占比分别为60％、20％与20％，训练集与验证集用于建立验证模型，测试集用于测试模型效果。
21.步骤4中实时太阳辐射预测方法的构建与应用过程为：
22.利用易于获取的天气类型、云量、理论太阳辐射值三组特征参数训练智能算法，将训练集与验证集作为模型训练数据使其学习天气类型、云量、理论太阳辐射值三列特征值与实际太阳辐射值之间的关系；再将选取验证集数据运行模型，对比模式输出的预测太阳辐射值与实际太阳辐射值，并计算预测值与实际值间的平均绝对误差(mae)与均方根误差(rmse)，以此评价模型预测效果，rmse与mae的值越小，则模型精度越高，其计算公式分别为：；
[0023][0024][0025]
其中：y
p
为预测模型输出值，w/m2；yd为实际太阳辐射值，w/m2；n为数据总量。
[0026]
将气象预报中的天气类型和云量预报数据以及计算得到的当地逐时理论太阳辐射作为输入参数，输入到构建好的实时太阳辐射预测模型中，即可预测未来短时间内的逐时太阳辐射水平，达到简便预测实时太阳辐射的目的，模型预测时长取决于天气预报的预报天数。
[0027]
与目前现有研究相比，本发明的优势有：
[0028]
本发明提出的一种基于有限气象预报参数的实时太阳辐射预测方法，弥补了太阳辐射经验计算公式无法准确预测逐时太阳辐射值的不足，采用气象预报中天气类型与云量的逐时预报值以及计算得出的当地理论太阳辐射三个易于获取的参数作为模型输入，克服了多数逐时太阳辐射预测模型输入参数获取困难与原始数据处理过程复杂的问题。且本发明提出的预测方法不是多年累计的历史太阳辐射数据建立的回归模型，因此不受历史数据
特征的影响，可根据实际天气条件实现太阳辐射的动态预测。本发明提供的方法相关参数获取容易，且处理过程简单，并保证了较高的预测精度。
附图说明
[0029]
图1为本发明提出的一种基于有限气象预报参数的实时太阳辐射预测方法的实施过程流程图。
具体实施方式
[0030]
下面结合附图内容对本发明进行进一步的详细地说明。
[0031]
图1为基于有限气象预报参数的实时太阳辐射预测方法的建立与实施过程。
[0032]
基于有限气象预报参数的实时太阳辐射预测方法主要实施步骤如下：
[0033]
1、获取当地历史和预报气象数据。
[0034]
气象记录与气象预报中多用文字表述天气情况，但利用文字记录的历史数据无法直接应用于智能算法中，为便于模型使用需要将天气类型进行编码，本发明中天气类型的划分与编码情况如表1所示。
[0035]
表1天气类型划分与编码
[0036]
[0037][0038]
天气类型历史数据可通过气象预报资源或自建气象站获取，预测值可通过气象预报获取。
[0039]
本发明中云量为天空中总云量值，代表了天空被遮蔽的程度，是影响实际辐射的关键因素之一，其取值范围为0～100％，历史数据可通过气象预报资源或自建气象站获取，预测值可通过气象预报获取。
[0040]
实际太阳辐射历史数据可通过国家气象科学数据中心或自建气象站获取。
[0041]
2、计算当地逐时理论太阳辐射，利用当地经纬度、日期序列、每日时间计算当地逐时理论太阳辐射值，计算步骤如下：
[0042]
逐时理论太阳辐射值计算公式为：
[0043][0044]
其中：i
sc
为太阳常数，指在日地平均距离处，地球大气层上界与太阳光线垂直的单位面积上接收到的能量，取值1367w/m2；e0为日地距离修正因子；为地理纬度；δ为太阳赤纬角；ω为时角。
[0045]
地球按椭圆轨迹绕太阳运动，每年1月日地距离达到最小，每年7月日地距离达到最大。以日地平均距离r0(1.496
×
10
11
m)为标准统一修正后的(r0/r)2值是日地距离修正因子，其计算公式为：
[0046]
e0＝1.00011 0.034221cosγ 0.00128sinγ 0.000719cos2γ 0.000077sin2γ
ꢀꢀꢀ
(4)
[0047]
其中：γ为年角，计算公式为：
[0048][0049]
其中：m为从每年1月1日起累计的日期序号，如1月1日m＝1、2月1日m＝32。
[0050]
日地中心连线与赤道平面间的夹角称为太阳赤纬角，太阳赤纬角每日的取值均有所差异，其计算公式为：
[0051][0052]
时角是地面任一点与地心连线在赤道平面上投影与当地12点时该点与地心连线在赤道平面上投影间的夹角，时角计算公式为：
[0053][0054]
其中：hs为北京时间；l为当地经度，e为真太阳时与平太阳时之间的时差。
[0055]
真太阳时与平太阳时之间的时差计算公式为：
[0056]
e＝0.0028-1.9857sinθ 9.9059sin2θ-7.9024cosθ-0.6882cos2θ
ꢀꢀꢀꢀꢀꢀꢀ
(8)
[0057]
其中：θ为日角
[0058]
一年的实际长度近似为365.2422天，综合考虑一年内天数变化，日角计算公式为：
[0059][0060]
其中：m0相当于选用1985年天文历年值为基准进行的年度订正
[0061][0062]
按照上述步骤可计算得出某地理论太阳辐射值，理论太阳辐射只随地理位置与时间变化，且计算过程简单，只需计算一次便可满足某地未来实际太阳辐射的预测需求。
[0063]
3、清洗与划分数据
[0064]
数据记录过程中会存在漏记或错记导致数据出现缺失值或异常值，利用箱线图查找并剔除历史数据中的异常数据组与缺失数据组，将处理后的总数据集作为建模数据样本库。
[0065]
数据样本库中各参数的意义、单位、取值范围均不同，为便于模型训练学习，因此需要将各参数进行归一化处理，归一化处理的公式为：
[0066][0067]
其中：x为样本原始数据；x
max
为样本数据最大值；x
min
为样本数据最小值；x为归一化后的数据。
[0068]
将清洗后得到的总数据集按时间顺序划分为60％、20％与20％三部分，分别作为模型的训练集、验证集与测试集，训练集与验证集用于建立验证模型，测试集用于测试模型效果。
[0069]
4、实时太阳辐射预测方法的构建与应用，建立智能算法模型，利用处理后的数据训练测试模型，评价模型运行效果，应用模型预测实时太阳辐射。
[0070]
目前智能算法模型已在逐时太阳辐射预测领域得到广泛应用，如误差反向传播(error back propagation training，bp)网络、支持向量机(support vector machine，svm)、人工神经网络(artificial neural networks，ann)等算法结构。本发明提出的实时太阳辐射预测方法适用于上述类型的多种模型结构，且均能达到良好的预测效果。
[0071]
将训练集与验证集数据作为智能算法模型输入参数，建立训练模型，使其学习天气类型、云量、理论太阳辐射值三列特征值与实际太阳辐射值之间的关系。而后将测试集中的云量、天气类型、理论太阳辐射值三组参数作为训练好的模型输入变量，用训练好的模型预测当地逐时太阳辐射，用验证集中的实际逐时太阳辐射对模型进行评价。
[0072]
平均绝对误差(mae)与均方根误差(rmse)作为评价模型训练、验证与测试效果的指标，rmse与mae的值越小，则模型精度越高。
[0073]
平均绝对误差(mae)是绝对误差的平均值，能反应预测误差的实际情况，其计算公式为：
[0074][0075]
其中：y
p
为预测模型输出值，w/m2；yd为实际太阳辐射值，w/m2；n为数据总量。
[0076]
均方根误差(rmse)是预测值与实际值偏差的平方与数据总量比值的平方根，衡量了预测值与实际值误差的偏差，其计算公式为：
[0077][0078]
其中：y
p
为预测模型输出值，w/m2；yd为实际太阳辐射值，w/m2；n为数据总量。
[0079]
将气象预报中的天气类型和云量预报值与计算得到的当地逐时理论太阳辐射作为预测模型的输入参数，利用构建好的智能算法模型可以达到预测未来短时间内逐时太阳辐射水平的目的，其预测时长取决于天气预报的预报天数。
[0080]
本发明提出了一种基于智能算法的，利用云量、天气类型与理论太阳辐射这三种易于获取的参数作为输入变量的实时太阳辐射预测模型。完成历史数据与预报数据的获取，理论太阳辐射的计算，数据清洗与数据集划分的准备工作后，建立训练模型并评价模型效果，使用模型以预测实时太阳辐射。本发明解决了部分实时太阳辐射预测模型输入参数获取困难，数据处理过程复杂的问题。同时本发明提出的方法不受历史数据特征的影响，能以简单易得的输入参数较精确地预测实时太阳辐射值。