浙江省中尺度数值预报系统的地表太阳辐射预报订正方法

顾婷婷，潘娅英，张加易

(浙江省气象服务中心，浙江 杭州 310017)

引 言

太阳能作为可再生能源的一种，具有巨大的开发潜力，其开发利用被认为是解决全球能源危机与气候问题的有效途径之一[1]。在太阳能的众多利用方式中，光伏发电因其转换效率高、使用期长，受到越来越多的关注。随着光伏并网的快速增长，光伏功率预报已成为制约光伏发电并网消纳的重要瓶颈[2]。地表太阳总辐射作为影响光功率预报的关键因子，其在时间变化上具有不连续、不确定性，如何提高其预报准确率已成为提高太阳能利用率亟待解决的问题[3-4]。

随着中尺度气象数值模式的不断发展，预报时空分辨率的不断提高，数值模式在太阳辐射的预报中得到广泛应用[5-7]。中尺度数值模式对地面太阳辐射预报具有一定的可信度，但由于模式对云辐射参数化描述不够细致，导致模式输出的太阳辐射预报值明显偏大，不能满足光伏发电预报系统的精度要求[8-9]。因此，相关研究从模式的云微物理结构方面进行了改进，通过三维云分析方法同化卫星、雷达等资料改进云量预报效果[10-11]，可以在一定程度上改进云天时太阳辐射模拟效果，但在晴天时辐射预报误差会增大，难以获得理想的预报效果。近年来，结合中尺度气象模式和MOS(model output statistics)订正方法进行太阳辐射预报研究受到广泛关注，可以有效提高太阳辐射的预报精度[12-15]。

浙江省中尺度数值预报业务系统(Zhejiang WRF ADAS real_time modeling system，ZJWARMS)于2011年5月投入业务试运行，该系统基于WRF模式和ADAS(ARPS data analysis system，ADAS)同化系统，可输出未来72 h逐时气象要素预报产品。国内一些研究检验了ZJWARMS对降水、10 m风场等气象要素的模拟效果[16-17]，但目前基于该系统的地表太阳辐射预报评估及订正研究尚不多见。为此，本文利用ZJWARMS预报结果及杭州站辐射观测资料，分析评估ZJWARMS对地表太阳辐射的模拟效果，并尝试建立适用于杭州地区的太阳辐射预报订正方法，从而提高太阳辐射的预报精度，以期为光伏电站的发电量预报提供依据。

1 资料和方法

1.1 资 料

所用资料为：杭州辐射观测站(120°10′12″E，30°13′48″N)2019年1—12月逐时太阳总辐射数据，数据经过质量控制和订正；浙江省气象科学研究所提供的ZJWARMS模拟资料，具体包括同期逐时太阳短波辐射通量、10 m比湿、地表温度、2 m气温、2 m相对湿度、2 m水汽混合比、地表气压、总云量、500 hPa相对湿度及850 hPa露点温度。

1.2 ZJWARMS简介

浙江省中尺度数值预报业务系统(ZJWARMS)是基于WRF中尺度数值模式研发的，采用ADAS数据同化系统[18]。模式在初始场实现了对常规地面观测资料、探空资料、雷达资料和飞机报的实时同化，采用非绝热初始化或湿绝热方法[19]，对位温、水汽场等进行修正，从而获取高质量的预报初始场。主要物理方案包括：WSM 6-Class微物理方案[20]、RRTMG长波及短波辐射传输方案[21]、Noah陆面过程方案[22]及UCM城市方案[23]、Yonsei University行星边界层参数化方案[24]、Monin-Obukhov近地面层方案[25]等。

1.3 模拟方案设计

模式设置两重嵌套，模拟中心点为117°E、32°N，外层嵌套区域水平分辨率为9 km×9 km，网格数为265×265，内层区域水平分辨率为3 km×3 km，网格数为205×187。模式层顶气压为10 hPa，垂直方向上分36层。每天08:00(北京时，下同)开始起报，时间步长为20 s，积分时长72 h，逐时输出各物理量场预报值。模拟时间为2019年1—12月，为保证时间上的持续性，取24 h预报时效内的模拟值进行分析。

1.4 方 法

基于ZJWARMS输出结果及杭州站太阳总辐射观测数据，设计了杭州地区逐时地面太阳辐射预报订正模型。首先，为有效消除天文辐射的影响，提高预报稳定性，将辐射观测数据转化为清晰度指数来建立订正模型。其次，筛选与地面总辐射显著相关的ZJWARMS输出物理量，并进行降维处理。最后，利用线性判别分析方法[26]将不同天气进行分型，考虑不同季节、不同时次的辐射变化特征，分别建立相应的订正方程。

1.4.1 清晰度指数

地面太阳总辐射除以对应时刻的天文辐射值，得到该时刻的清晰度指数(Q)，具体公式[27]如下：

(1)

式中：Q为清晰度指数，表征大气层对天文辐射的衰减程度；I、I0(W·m-2)分别为地表太阳辐射、天文辐射。

1.4.2 线性判别分析

线性判别分析是监督学习的线性判别方法，即数据集的每个样本有类别输出。其基本思想为：给定训练集样例，将样例投影到一维直线上，使得同类样例的投影点尽可能接近和密集(类内离散度尽可能小)，异类投影点尽可能远离(类间离散度尽可能大)。

(2)

1.4.3 误差分析指标

选用均方根误差(root mean square error, RMSE)、平均绝对百分比误差(mean absolute percentage error, MAPE)及相关系数(R)来评估辐射模型的预报效果，具体公式[29]如下：

(3)

2 ZJWARMS预报精度检验

为评估ZJWARMS对地表太阳辐射的模拟效果，将模拟结果插值到杭州站，与太阳辐射观测值进行对比。图1为2019年杭州站地表太阳辐射观测值与ZJWARMS模拟值及均方根误差逐时变化。可以看出，地表太阳辐射日变化呈单峰型分布，ZJWARMS能较好地模拟太阳辐射的日变化特征，与观测值的相关系数达0.82，且通过α=0.01的显著性检验。但总体上模拟值较观测值偏大，且均方根误差随太阳辐射值的增大而增大，早晚较小，光伏发电的高峰时段(09:00—15:00)误差明显增大，12:00均方根误差最大(313.0 W·m-2)。

不同天气条件下，系统对太阳辐射的模拟效果存在较大差异，根据李芬等[30]、郑有飞等[31]的研究引入清晰度指数来定量描述不同天气状况对太阳辐射的影响。将清晰度指数Q划分为4类：晴天(Q≥0.5)、多云(0.2≤Q<0.5)、阴天或小雨(0.1≤Q<0.2)和中雨及以上(Q<0.1)。表1为2019年不同天气条件下杭州站地面太阳辐射观测值与ZJWARMS模拟值的对比分析。可以看出，晴天时太阳辐射模拟值的平均绝对误差百分比最小，为33.1%，其与观测值的相关系数达0.83，且通过α=0.01的显著性检验；多云时太阳辐射模拟值的平均绝对误差百分比为97.8%，其与观测值的相关系数为0.69；阴雨天气时太阳辐射模拟误差明显增大，平均绝对误差百分比均大于200%。

3 预报订正与效果分析

3.1 MOS订正模型建立

由以上分析结果可知，ZJWARMS能较好模拟地表太阳辐射的总体变化趋势，但预报值总体偏大，特别在阴雨天气条件下模拟误差较大，尚不能满足光伏发电预报精度的要求，需针对系统模拟结果进行进一步订正。研究表明，太阳辐射变化与水汽含量、云量、湿度、温度等多个气象因子有关[32-33]，在MOS订正方程中引入相关气象因子会有效提高辐射预报效果。参考陈正洪等[34]的研究成果，选取系统输出的10个气象因子作为预报因子，如表2所示。

考虑所选气象因子之间存在一定的共线性关系，因此对所选气象因子进行主成分分析，得到相互独立的组合因子作为预报因子。依据清晰度指数4种天气条件的划分标准，采用线性判别分析进行天气判别，从而建立不同天气类型、不同季节、不同时次的清晰度指数MOS订正模型。然后，将得到的清晰度指数预报值，通过对应时次的天文辐射反算，得到最终的太阳辐射订正结果。

图1 2019年杭州站地表太阳辐射观测值与ZJWARMS模拟值(a)及均方根误差(b)逐时变化Fig.1 The hourly variation of surface solar radiation observation value and simulation value by ZJWARMS (a) and root mean squared error (b) at Hangzhou station in 2019

表1 2019年不同天气条件下杭州站地表太阳辐射观测值与ZJWARMS模拟值对比分析Tab.1 The comparison analysis of surface solar radiation observation value and simulation value by ZJWARMS at Hangzhou station under different weather conditions in 2019

表2 ZJWARMS输出的气象因子与地表太阳辐射观测值的相关系数Tab.2 The correlation coefficients between meteorological factors outputed by ZJWARMS and observated surface solar radiation

3.2 MOS模型订正效果

为验证MOS模型的订正效果，选取2019年1月、4月、8月、10月4个典型月份分别代表冬、春、夏、秋不同季节的订正结果进行评估分析。图2是杭州站2019年4个典型月份地表太阳辐射观测值、ZJWARMS模拟值及MOS模型订正值的对比。可以看出，MOS模型订正后的太阳辐射值能较好反映实际地表太阳辐射变化特征，其与观测值的相关系数达0.92，且通过α=0.01的显著性检验。相比ZJWARMS原始输出结果，MOS模型订正后结果明显更接近观测值，平均绝对百分比误差由订正前的273.4%下降至订正后的46.3%，均方根误差由246.7 W·m-2下降至105.0 W·m-2，预报效果改进明显。

图3为杭州站2019年4个典型月份07:00—18:00 ZJWARMS模拟的太阳辐射及MOS模型订正结果的平均绝对百分比误差逐时变化。可以看出，ZJWARMS模拟的不同时刻平均绝对百分比误差波动较大，15:00后模拟误差明显增大，尤其在17:00前后误差达到最大，说明ZJWARMS对于日落时间的太阳辐射预报存在较大误差。MOS模型订正后，各时刻的预报误差均有明显改进，且误差波动较小，除了16:00和17:00外，其他时刻的平均绝对百分比误差均为30%～50%。

图2 杭州站2019年4个典型月份地表太阳辐射观测值、ZJWARMS模拟值及MOS模型订正值的对比Fig.2 Comparison of surface solar radiation observation values with simulation values by ZJWARMS and correction values by MOS model at Hangzhou station in four typical months of 2019

图3 杭州站2019年4个典型月份07:00—18:00 ZJWARMS模拟的地表太阳辐射及MOS模型订正结果的平均绝对百分比误差逐时变化Fig.3 The hourly variation of mean absolute percent error of surface solar radiation simulation values by ZJWARMS and correction values by MOS model at Hangzhou station from 07:00 BST to 18:00 BST in four typical months of 2019

表3为杭州站2019年4个典型月份ZJWARMS模拟及MOS模型订正后地表太阳辐射的误差分析。可以看出，各月MOS模型订正后地表太阳辐射误差较ZJWARMS模拟误差均大幅下降，且与观测值的相关系数明显提高。MOS模型订正后，8月预报效果最好，平均绝对百分比误差仅为26.3%，而均方根误差也由订正前的229.5 W·m-2下降到105.4 W·m-2，相关系数达0.94；其次为10月，订正后平均绝对百分比误差为49.9%，均方根误差下降到107.1 W·m-2；4月MOS模型订正效果相对较差，订正后的均方根误差为122.9 W·m-2，平均绝对百分比误差最大为56.6%。

表3 杭州站2019年4个典型月份ZJWARMS模拟及MOS模型订正后地表太阳辐射的误差分析Tab.3 The error analysis of surface solar radiation simulation values by ZJWARMS and correction values by MOS model at Hangzhou station in four typical months of 2019

4 结 论

(1)ZJWARMS能较好地模拟地表太阳辐射的日变化特征，模拟值与观测值的相关系数达0.82，但总体存在模拟值较观测值偏大现象，早晚误差较小，光伏发电的高峰时段(09:00—15:00)误差明显增大。另外，不同天气条件下模拟效果存在较大差异，晴天误差最小，阴雨天误差明显增大。

(2)考虑与地表太阳辐射相关的气象影响因子，建立不同天气、不同季节、不同时刻的MOS订正模型。MOS模型订正后预报效果明显改进，相比ZJWARMS输出结果，平均绝对百分比误差由273.4%下降至46.3%，均方根误差由246.7 W·m-2下降至105.0 W·m-2。但是，MOS订正模型对不同月份的改进效果存在一定差异，其中8月订正效果最好，平均绝对百分比误差由126.6%下降到26.3%，4月订正效果相对较差，订正后平均绝对百分比误差为56.6%。

ZJWARMS对地表太阳辐射有较好的预报效果，可为光伏电站的发电量预报及电力科学调度提供参考依据。然而，预报值与实际观测仍存在一定的误差，开展预报订正研究非常必要。通过MOS模型订正后，地表太阳辐射的预报精度明显提升，但除了夏季外，其他季节的订正仍需进一步改进提高。究其原因可能是ZJWARMS中未充分刻画气溶胶-云-辐射的反馈机制，在今后的研究中将尝试在模式初始场中同化卫星资料改进三维云结构，从而提高云的预报效果。另外，进一步考虑气溶胶对云的间接影响，引入气溶胶的观测数据，以期改进ZJWARMS对云量及太阳辐射的模拟效果。