南极昆仑站光照资源评估

王焘 单硕 金鑫淼 姚旭 方仕雄 张侃健

(1中国极地研究中心, 上海 200136;2东南大学自动化学院, 江苏 南京 210096)

0 引言

极地一直是人类研究自然的热点之一。由于南极地理位置与气候条件特殊, 对研究地球有着重要的价值[1-2], 截至2020年初, 共有30个国家在南极建立了80个科学考察站, 其中昆仑站是中国在南极建立的科考站之一。科考站的能源则依赖于运输携带的柴油及当地的风力资源和光照资源等清洁能源, 以保障站内人员的生活及科研工作的开展[3]。昆仑站位于80°25′01″S, 77°06′58″E,高程4087 m, 地理位置特殊, 靠近冰穹A。冰穹A是南极内陆冰盖海拔最高的地区, 也是距海岸线最遥远的一个冰穹, 气候条件极端恶劣, 被称为“不可接近之极”[4-5]。昆仑站位于冰穹A的背风面, 风力资源有限, 且柴油的运输和储存成本高昂[6-7]。此外南极生态环境极其脆弱, 在南极地区建立科考站应尽可能的使用清洁能源, 所以太阳能资源可能成为昆仑站地区最理想的可再生能源。

已有相当多的工作对南极光照资源进行了统计, 包括对整个南极区域的辐射量进行直接统计,及在某些区域对所设计的光伏发电模块的输出功率进行统计[8-10], 这些研究表明南极地区整体的太阳能资源极其丰富, 具有建立一定规模光伏电站的可能性。但目前的研究仍然缺乏对局部地区太阳能资源的波动情况、局部地区气候与辐照度关联以及局部地区太阳能资源长期趋势的研究。局部地区的气候因素与光照资源的评估以及它们之间的关系对光伏电厂的建立有着极其重要的指导意义, 辐照度的总量以及变化趋势决定了光伏电站的建站规模以及其预计发电量[11-13]。气候因素被证明与辐照度之间存在一定的耦合关系, 通过对气候因素的采集可以预测未来时间段内的辐照度信息[14-15]。

目前有很多的统计方法可以对光照资源总量、变化量进行评估及预测, 例如, 通过气候因素等进行建模[16]。由于传统方法的局限性, 现在越来越多的研究会选择使用神经网络、核方法等方式进行建模[17-19], 建立多输入单输出的模型能够较好地反映气候因素与辐照度之间的非线性关系。气候反馈通常被用来理解气候因素与辐照度之间的关系[20]。但研究气候反馈时, 大多数会应用线性回归或者核方法以保留原始的气候因素与辐照度之间的关系。核方法是一种常用的非线性建模方法, 但对里面的变量关系可能并不是很清楚, 类似于黑箱。后续研究表明, 利用神经网络方法研究全球的气候反馈比一般的核方法效果更好[20]。

针对目前研究的不足本研究使用了NASA CERES产品数据, 首先从整体上对光照资源进行统计分析, 从不同的时间跨度观察辐照度的变化情况。而后根据基于深度学习的改进模型并利用昆仑站局部地区小规模气象数据对输入因素回归,对昆仑站地区的大气和辐照度进行机理建模, 并推广到其他地区。利用一些易观察的气候因素的气候反馈参数以及本文提出的基于神经网络模型的趋势分析方法来研究气候因素变化趋势与辐照度变化趋势之间的关系, 可以从气候变化的趋势来观察辐照度的变化趋势。结果表明, 昆仑站地区光照资源丰富, 有建立一定规模光伏电站的条件。同时从多个角度验证了昆仑站地区辐照度具有连年上升的趋势, 未来预期较好, 一定程度上也验证了神经网络模型在局部气候建模的可行性。

本文研究了昆仑站地区光照资源情况, 给出了南极昆仑站光伏发电建站的可行性分析; 验证了神经网络模型在局部气候建模上的可行性; 提出了新的基于深度学习的针对局部天气趋势的研究方法; 提出了研究评估局部气候指导建站的新模式, 可为未来在昆仑站建立光伏电厂提供参考。

1 数据与标准

1.1 辐照度丰富程度标准

本研究根据GB/T 37526—2019《太阳能资源评估方法》, 对光照资源进行评估(表1)。

表1 太阳能资源评估方法Table 1.Criteria for photovoltaic resource assessment

1.2 数据源

数据使用昆仑站、中山站和长城站2011—2017年的辐射数据, 包括水平面总辐照量,直接辐射量以及其他的一些气象数据, 例如温度、湿度、云量、气溶胶等。数据源来自于NASA的云与地球的辐射能系统(The Clouds and the Earth’s Radiant Energy System)中的Synoptic TOA and surface fluxes and clouds卫星数据产品。光照度通常使用勒克斯作为单位, 本文直接使用上述产品提供的估算辐照度值, 可以更有效地为建站和应用提供参考。同时直接辐射量和总辐照量之间在一定条件下可以互相转化, 以550 nm左右的光为基准, 1 lm光通量等于1/683 W。

2 方法

2.1 多层感知机

多层感知机(Multi-Layer Perceptrons)是一种逼近非线性目标的方法。该方法启发于大脑神经元, 用于解决困难的计算任务, 如机器学习中的预测建模任务。图1是神经网络模型, 多层感知机是其特例。1986年被提出的反向传播算法, 使得人工神经网络得以广泛应用。

图1 人工神经元结构及功能示意图Fig.1.Schematic diagram of the structure and function of artificial neurons

2.2 气候反馈分析

气候反馈分析是指分析大气系统中各个物理过程发生的相互作用关系, 以及这些关系的方向和强弱。基于物理建模的方法无法消除模型假设所引入的模型误差, 所以近年来被基于数据驱动的方法逐步替代, 例如核方法或者深度神经网络。基于数据驱动的模型被用于拟合大气系统中的相互作用, 并通过分析输入输出的变化来确定变量之间的影响方向和强弱。

图2是本研究的算法流程, 即通过气象因子作为神经网络输入, 辐射量作为神经网络输出,用历史数据训练模型。得到模型之后, 测试输入输出关系。当我们将某个输入随机增加一定噪声,观察辐射量的变化; 而后我们再将这个输入随机减少一定噪声, 观察辐射量变化, 如果变化方向相同, 则正相关, 反之则负相关。

图2 气候反馈算法流程图Fig.2.The flow chart of climate feedback algorithm

3 实验与结果

3.1 南极昆仑站光照资源丰富程度

3.1.1 总量与均值

表1表明, 衡量一个地区辐照度丰富程度可以从年总辐照评估, 同时本文增加不同的评估方法例如月平均辐照、天平均辐照以及日照时长以给出更全面的分析。下面我们利用统计指标和线性回归对数据进行初步处理, 并利用这些指标进行初步的评估。

年总辐照量是评价一个地区光照资源是否丰富、能否建立光伏电站的重要指标。它与纬度、天气、海拔等因素有着密切相关的联系。图3是昆仑站地区从2001—2017年全地表辐射的情况。从中我们可以看到, 所有年份的总量都超过了1750 kW·h·m-2, 这表明昆仑站地区处于全球辐照度最丰富带。同时我们计算了这17年间的均值和线性回归系数, 发现年水平面总辐照度有小幅上升的趋势, 约以每年20 kW·h·m-2的幅度上升。然而, 这些年水平面总辐照度(global horizontal irradiance, GHI)上升中伴随着波动, 整体在1800～1900 kW·h·m-2之间徘徊。特别是2006年之后, 波动较为剧烈, 我们猜测与臭氧层空洞相关。而其中2010—2012年上升最为剧烈, 参照一些气候因素的变化(图8), 可以看到臭氧含量、降水量、温度等都有着不小的波动, 我们猜测这之间存在着一些必然的联系。

图3 2001—2017年昆仑站平均年水平面总辐照度Fig.3.The average annual global horizontal irradiance (GHI)from 2001 to 2017 at Kunlun Station

更高时间分辨率的辐照度评估可以用于评价光伏电站能否平稳发电。图4计算了2017年月平均辐照度以及其累计分布。由于昆仑站位于南极内陆冰盖最高点冰穹A区域, 极昼极夜现象明显,在9月至次年3月的昆仑站极昼期间, 月辐照度从0增长到600 kW·h·m-2, 其中三条线表示换算出的月平均丰富程度的结果。结果表明, 全年月平均高于最丰富带, 11月、12月、1月和2月辐照度处于最丰富级, 而10月属于丰富级, 3月则辐照度总量较少, 1月和12月是辐照度最丰富的月份。从累计分布来看,11月到次年2月间的辐照度占全年辐照度的87%,而3月和10月仅占13%, 可见昆仑站地区光照资源不仅整体丰富而且十分集中, 相对稳定。这一结论也在日平均辐照度的结果上得到了验证, 如图5所示全年大概有145天有日光辐射, 其中大约100天处于最丰富级。

图4 全天候辐射月平均值。a)月GHI; b) 当月GHI累计占比Fig.4.The monthly average value of GHI.a) the monthly average value of GHI; b) the cumulative percentage of monthly GHI

图5 全天候辐射日平均值Fig.5.The daily average value of GHI

3.1.2 日照时长

除了辐照总量与均值, 日照时长也是衡量辐照度丰富程度的重要指标, 更重要的是它能够精准地度量获得太阳光的稳定程度和变化。由于昆仑站存在极昼极夜现象, 这个地区的日照时长与其他地区有所区别, 近乎是连续变化的。所以本研究以天为单位绘制日照时长的变化趋势, 并对比丰富程度的标准(图6)。一般认为日照达10 h是较为优质的时长, 日照时长6 h以上则可以利用光照资源。一年中大概有50天的时间有近乎全天光照, 这是大多数地区所不具备的优势条件。昆仑站区域全年中有150天左右日照时长超过6 h,这其中有近100天时长是超过10 h。总体来讲, 昆仑站光照条件非常充足, 极昼期间的有效辐照度很高, 适宜建立光伏电站并高效利用光照资源。

图6 日平均日照时长。a) 月均日照时长; b) 当月占全年的百分比Fig.6.Average daily sunshine hours.a) the monthly average value of duration; b) the percentage of average sunshine hours by month

3.2 气候因素和辐照度之间的关系

3.2.1 传统的统计方法

气候因素与辐照度有着高度相关性。我们参考选取了一些强烈相关的可获得的气候因素数据。对现有的数据进行皮尔逊相关系数分析, 筛选了一些变量, 可以看到气溶胶、云遮挡量(云量)、温度、降水与辐照度都具有强烈的线性相关性(图7)。除此之外, 根据昆仑站地区特有的气候特点和环境因素[21], 去除了一些干扰项。例如地表反照率在1°×1°的范围内变化很小, 它在研究大范围辐照度的情况下更有意义。最终选取了臭氧、降水、气溶胶、地表温度以及云量5个变量研究它们的趋势用于进一步分析与辐照度的关系。

图7 气候因素和辐照度之间皮尔逊相关系数Fig.7.Pearson correlation coefficient between climatic factors and irradiance

我们先对这5个变量进行折现统计(图8), 观察到以下几个初步的结论。近17年来, 降水和云量都有下降的趋势, 可能与辐照度上升的趋势有着直接关系。这是因为其气候反馈系数在全球气候的意义上是负的, 局部气候的反馈系数在下面得到了验证。而其他的一些变量则没有明显的变化。但局部极值点很有趣, 例如2010—2012年臭氧含量出现了急速的上升, 而降水、云遮挡和地表温度出现了下降, 猜测这可能与一些重大气候变化有关。由于气溶胶变化较为随机, 因此接下来, 我们对除气溶胶外的变量进行两两分析, 使得他们的关系更加直观。

图8 气候因素的变化Fig.8.Climate factors changes

由于极昼显现比较明显, 对极昼的研究更有意义。本文对极昼进行了进一步的划分, 其中1月、12月被分类为强极昼现象时间, 在图9中以红色点表示, 是我们重点关注的对象。而蓝色点是2月、3月、10月和11月, 这些时间会存在着一些波动, 但仍有研究意义。右上角是各个变量之间的散点图关系, 可以看到云遮挡与辐照度的线性关系较为明显, 而其他的关系则并不明显。对角线是自相关系数直方图, 也可以看成是方差的大小, 可以看到无论针对哪个气候因素, 红色区域的值方差都较小, 波动较小相对稳定。左下角是密度图, 可以看到他们之间数据中心的差异,这是散点图的另一种表达形式, 说明与辐照度的关系并不直观。对散点图进行传统的线性回归求出气候反馈的方法略显粗略。因为气候因素与辐照度之间存在着强烈的非线性关系, 所以仅仅是一些统计分析是不够的, 有必要对更本质的一些关系进行探索[22]。

3.2.2 非参数模型

本文在3.2.1节选出的5个相关的气候变量与辐照度之间建立神经网络模型并计算其气候反馈从而找到他们长期趋势的依赖关系。由于极昼现象明显, 而极夜时间无光照, 对研究意义较小,因此本文只研究一年中的部分时间。我们把一年中日照时长超过10 h的天数筛选出来, 而不满10 h的大概有200多天, 范围为第66天到第289天。虽然日照时长不满10 h的天数很多, 但是超过10 h的天数内得到的辐照度总量占到了全年的80%, 所以研究这部分是很有意义的。同时我们将数据分为训练集和测试集, 2000年3月至2017年3月的数据用作训练, 2017年4月至2018年3月的数据用来研究气候的反馈影响。图10c是昆仑站地区用神经网络模型得到的直接辐射量结果。这里并没有对全辐射做预测, 但当太阳天顶角可知的情况下, 可以通过直接辐射量推算出全辐射, 进而能够精准表示直接辐射量, 实际上就可以表征全辐射的动态。散点图表示的是归一化之后, 模拟值和真实值之间的关系, 可以看到基本满足Y=X, 同时均方误差在0.005左右, 可见神经网络模型可以较好地拟合气候因素与辐照之间的非线性关系。

此外本文在其他两个科考站(中山站和长城站)上也验证了我们的局部模型。在没有调整网络参数的情况下重新训练, 在中山站上(图10b), 模型也能得到很好的结果; 而在长城站沿海地区(图10a), 在辐照度较低的时段, 模型拟合的性能有所下降, 但基本上也能够反映出他们之间的关系。总的来说,模型在昆仑站周边地区具有很强的鲁棒性, 可以较好地表示气候因素和辐照度之间的关系。

图10 不同地区神经网络模型日辐照度预测结果。a) 长城站; b) 中山站; c) 昆仑站的预测与散点统计Fig.10.The prediction of neural network model on DNI in different places (daily).a) Great Wall Station; b) Zhongshan Station;c) Kunlun Station

3.2.3 反馈分析

传统的反馈分析是通过对气候因素之间的相对变化量的线性拟合得到的, 而神经网络方法能够很好的代替核方法来计算气候反馈。由于不同任务的需要, 我们并不需要得到准确的气候反馈来观察大气活动, 而是通过气象因素与辐照度之间的关系来帮助进行光伏电站建立的评估。本文提出了一个粗略的、基于神经网络模型的方法来衡量局部地区气候与辐照度之间的正负相关性。我们通过对神经网络建立的机理模型输入加入均值波动来观察输出的波动, 如果平均波动方向一致则认为正相关, 平均波动方向相反则认为负相关。由于神经网络模型训练数据没有时间特性, 所以这里测量出的气候反馈系数具有时间上的平稳性。如图11所示, 正负关系较大的有温度和云量。其中温度是正相关, 云量是负相关。我们对正负关系相对较小的进行了放大, 其中臭氧和气溶胶是正相关, 而降水是负相关。臭氧又与南极上空臭氧层空洞有着密切的联系。臭氧层空洞越大, 辐射会越强, 但近地的臭氧含量与空洞之间的关系有待研究[23]。理论上气溶胶会增加太阳光的漫反射而减少直接辐射量,但同时气溶胶与温度有着强烈的耦合性[24]。昆仑站地区辐射强的时候温度高, 同时气溶胶的量不足导致直接辐射量的下降, 所以呈现小的正相关。这与某些大陆地区的观察是截然不同的, 体现了昆仑站地区的地域特殊性[25]。

图11 气候因素之间改变方向的关系Fig.11.Changing directions relationship between climate factors

4 讨论

总体来看, 南极昆仑站地区太阳能资源极其丰富, 集中在极昼时段, 尤其是12月至次年1月。太阳能资源稳定, 波动很小, 适合建立一定规模的光伏电站。与辐照度相关联的气候因素分析结果表明, 南极昆仑站地区光照资源在近17年间存在小幅度上升的趋势。与之正相关的气候因素有上升的趋势, 而与之负相关的有下降的趋势。而没有明显变化趋势的气候因素则在一些特殊的年份有着波动的结果。说明在未来的一段时间内,南极辐照度有良好的预期。神经网络模型和统计学方法可以有效地对传统的机理方法进行补充,也可以在有限的数据下进行有效的分析。

现有的研究南极辐照度资源的文献并不多,且多为20世纪的研究。其中有一部分是基于卫星数据[26], 使用简单的统计方法对辐射量、日照时长进行分析, 但这些方法没有对辐照度进行建模, 仅仅通过相关性难以分析光照与其他变量之间的关系; 还有一部分研究是根据地面站点数据进行分析[27-28], 地面站点数据需要通过搭建相应的检测设备, 获得现场一手的真实数据,但仅仅局限于观测点, 需要整体分析一片区域难度较大。本研究通过对卫星数据进行简单的统计分析, 并利用深度学习的方法进行建模拟合, 从而分析出辐射的动态变化以及其与其他气象数据,例如降水, 气溶胶等因子的关系。同时, 对不同位置的站点也进行了详细的对比, 可以看到模型可拓展到其他地区, 且能够较为精准的构建辐射量模型。

当然, 还有一些工作需要继续进行。首先, 全辐射、直接辐射量分析是能否建立光伏电站的先决条件, 而如何针对辐射量, 设计电厂规模以及太阳能板转角等工程细节还需要进一步的研究;其次南极臭氧层空洞与辐射量之间有着一定的联系, 但其中更内在的关系仍然有待考察。