基于EC细网格与BP算法的辐照度预报及检验

张金满，赵增保，杨琳晗，武辉芹，尹瑞

（1.河北省气象服务中心，河北石家庄 050021；2.国网河北省电力公司，河北石家庄 050021）

随着在全球变暖、减轻污染、能源结构调整和缓解能源危机的大背景下，光伏发电已成为可再生能源发展的主要方向［1－2］。随着光伏的大规模接入，光伏发电与生俱来的间歇性、不可控性，给电网计划和调度增加了难度，电网运行影响日益显著［3－4］。因此，准确的功率预测就显得尤为重要，直接有助于减少弃光、合理安排检修计划，提高企业盈利，保障能源安全稳定。

光伏发电能力的大小受太阳辐射、环境温度等多种因素影响，其中到达地面的太阳辐射是影响光伏功率的主要因素，相关性达到0.8以上［5－6］。有研究表明，更准确的光伏数值预报产品，可以提升10%左右的光伏发电功率预测精度［4］。目前，国内外对辐照度相关研究进展很多，国外如西班牙、日本、丹麦等已开展利用气象要素进行光伏发电的研究和应用［7－8］，国内学者太阳辐照度预报方法主要有数值预报模式和统计外推，统计外推主要超短期预报，太阳能短期预报需要依赖WRF、MM5等相关中尺度气象模式［9－11］。早期的太阳辐射度预报主要是基于气象实况数据的简单线性统计预测模型，改进后的自回归滑动平均模型法、马尔可夫链等，受预测精度、预测时效的制约，难以满足预测需求。而太阳辐照度是一种具有强周期性的变量，忽略数据间的联系显然会降低预测效果［1］，因此，更多的非线性模型被用于太阳辐照度预测［12］，其中人工神经网络［13－14］因其优秀的学习能力及非线性建模等特点被广泛应用于太阳辐照度预测。

近3年来，河北南网以光伏发电为主的新能源电源发展迅猛，年度新增规模均超过200万kW。截至2020年11月底，河北南网光伏装机规模突破1 000万kW，占河北南网总装机容量的21.5%，2020年最大出力达614万kW，占当时河北南网用电负荷的26.7%。预计“十四五”期间，河北南网新能源装机总容量将突破3 500万kW，超过火电装机规模。因此，为促进新能源健康有序发展，保障电网的安全稳定运行，助力碳达峰、碳中和，研究如何利用预报趋势较好的数值天气预报，基于神经网络的优势，建立精准、可靠的辐照度预报模型就显得尤为重要。

1 研究区域及资料

河北中南部是河北光伏发电产业的集中地区，光伏电站往往位于复杂山区，太阳辐射尤其是水平面总辐射辐照度的数值预报急需提升。作为采用四维同化资料的EC细网格预报在气温、降水、湿度、云量等预测方面都具备先进性，是世界当前最具参考价值的数值预报。

研究资料包括：①来源于河北省气象信息中心的易县某光伏电站2019年12月1日—2020年12月8日逐15 min水平总辐射辐照度观测资料及该光伏站周围9个格点同期EC细网格预报资料，EC细网格数值预报来源于欧洲中期天气预报中心（时间分辨率逐3 h，空间分辨率0.125°×0.125°），预报要素包括未来24～48 h的3 h累计降雨量、低云量、总云量和400、500、600、700、850、925、1 000 hPa湿度；②根据气象季节划分，为检验预报在各季节适用情况，采用除2020年2、5、8、11月以外的资料作为训练数据集；③检验数据集采用2020年2、5、8、11月资料；④观测及预报数据连续性较好，无缺测缺报现象。

太阳辐射观测站位于易县西南裴山镇太和庄自然村东北侧装机容量20 MW 的光伏场站内，东经115.50°，北纬39.35°，海拔高度55.0 m，年总辐射量5 083 MJ／m2，太阳能资源属于二类“资源很丰富”区域，测站周围500 m无高大凸起物，观测环境符合标准要求。太阳辐射观测站仪器规格型号为DZZ6，观测要素包括总辐射量、直射辐射量、散射辐射量、气温、相对湿度、风向、风速、气压和降水量等，其中总辐射传感器（光热）型号为CMP11、总辐射传感器（光电）型号为LI－200，测量范围为0～4 000 W／m2，分辨率为1 W／m2，准确度±0.5%。

2 模型和方法

2.1 系统订正

光电产业中，以实况资料建模并以预报辐照度作为输入来实现光伏功率预测，因此有必要首先降低辐照度预报的系统误差。采用理论辐照度曲线作为标准曲线，与晴天实况之差作为系统误差，考虑到不同时刻受太阳入射角、方位角等影响后系统误差的差异性，以及如何剔除实况中晴天之外天气现象，减少晴天数据的筛选工作，提出以下订正方法：

（1）计算逐 15 min 理论辐照度P（W／m2）［15］：

其中，λ为日地距离订正系数；Esc为太阳常数，一般取1 367 W／m2；δ为赤纬角（°）；φ为纬度（°）；τ为时角（°），其中正午时为0°；n为计算日在一年中序号；S0为时刻。

（2）提取i时刻的理论辐照度P，实际辐照度O，参数ai，建立以下正回归关系：

（3）拟合值为Yi，j ＝ai×Pi，j，将i时刻的模型参数ai回代后，只保留O≥Y的点，即保留大值散点O作为去除部分非晴天天气后的实况。

（4）利用剩余散点迭代更新式（1）回归模型。

（5）当剩余点满足Omax－Omin≤0.9（Omax－Omin）后停止。

2.2 辐照度预报模型

假设实际辐照度由式（6）得到：

其中，a为式（5）中得到的系统订正系数向量组，主要为系统影响部分；P为理论辐照度，O为实际辐照度；f为受云、雨、雾霾等天气现象影响的主要变量，其范围主要在［0，1］之间。

影响太阳辐照度的天气现象又与降雨量、低云量、总云量，400、500、600、700、850、925、1 000 hPa湿度等存在较强非线性关系。多层BP神经网络，在每一隐含层中构建多个（神经元个数）二分类，通过构建多个隐含层实现原始数据的非线性关系转变为高维线性可分，正适用于构建该预报订正模型。

输入层设置为站点周围9个格点EC细网格3 h累计降雨量、低云量、总云量、400、500、600、700、850、925、1 000 hPa湿度次日预报，不同格点同一预报量作为不同变量，共计90个变量；输出层为f。

隐藏层设置4层，每个隐藏层的节点数参照n1＝log2n公式，由于f基本在［0，1］之间，因此激活函数均采用Sigmod函数，模型图如图1所示。

图1 基于BP神经网络的太阳辐射预报流程模型

3 结果与分析及检验

3.1 系统订正分析

针对不同时刻（时间频次15min）观测与理论值分别建立误差订正模型。图2为11：45（北京时，下同）系统误差订正回归过程，可以看出训练样本中11：45时刻不同日期观测值在0～1 000 W／m2变化，不同季节的晴天值从450到1 000 W／m2变化，其中存在阴雨或雪天（实际辐照度＜200 W／m2）、多云天（实际辐照度在200～400 W／m2）、异常值（接近0）等各种实际观测值。

图2 11：45时刻的系统误差订正过程

从该方法的迭代过程来看，11：45时刻第1次迭代利用所有观测值得到的订正方程（图2，迭代1直线），受阴雨／雪、多云天气资料影响而偏低；经第2次迭代后（迭代2直线），订正模型已受阴雨／雪、多云天气资料影响明显低于回归1结果，对近晴天数据有一定的代表性；经过4次迭代后得到的订正模型（迭代4直线），基本剔除了所有非晴天天气实况值，对晴天天气具有较好的代表性，即4次迭代后回归模型作为最终模型在11：45时刻已基本代表实况晴天辐照度与理论辐照度间的关系，进而实现了在该时刻的系统误差订正。

从各季节几个接近晴天的代表日检验（图3）来看，在冬（1月，图3a）、春（4月，图3b）、夏（7月，图3c）、秋（11月，图3d）晴天天气下，不同季节太阳辐射强度相差很大，最大值分别接近950、1 000、600、500 W／m2。经系统订正后结果较理论值有明显提升，与实际曲线较为接近，在全天近晴天天气下，冬季最大误差97.5 W／m2，平均绝对误差21.8 W／m2；春季最大误差65.9 W／m2，平均绝对误差18.2W／m2；夏季最大误差147.2W／m2，平均绝对误差36.5 W／m2；秋季最大误差107.4 W／m2，平均绝对误差17.1 W／m2，整体看不同季节其平均绝对误差不超过该季节最大辐照度的5%。订正结果仍有一些误差及光滑性不完全理想，是由于观测资料限制，导致选出的晴天代表日是资料中最接近晴天的观测，但从光滑性上看只是接近晴天，较实际晴天仍稍偏小。

图3 各季节辐照度代表日系统误差订正曲线

3.2 辐照度预报及检验

利用BP神经网络，设置4个隐含层，神经元个数设置为7，利用3.1节结果作为输出层，EC逐3 h次日预报（24～48 h）通过分段线性内插方法［16］，得到逐15 min的EC各气象要素预报作为输入层，若EC缺报数据则按晴天处理，建立逐15 min辐照度的次日预报模型。

对比不同季节检验数据集（图4）可以看出，对雨雪、阴、多云等天气时，大部分时段EC细网格预报都有较好的预测。

图4 2月（a）、5月（b）、8月（c）、11月（d）总辐照度预报与实况对比

冬季，最优预报效果出现在2月4、12日两个晴天，在2月1、13、21、24—26日等多云天气中，预报辐照度曲线都对该类天气有一定反映，在2月14日的降雪天气中，预测结果非常理想，日均误差为24.950 W／m2，最大误差不超过50 W／m2，2月27、29日2个明显降雪或阴的天气出现漏报。春季，最优预报效果出现在5月1日晴天，在5月3、9、21、22、25、29日等多云天气中，预测值相较于晴天值都有所下降，对多云天气的变化都有一定参考性，5月7、15日的阴雨天气，预测较为理想，其中7日的最大误差不超过80 W／m2，15日大部分时段最大误差不超过100 W／m2，中午个别观测值接近750 W／m2，应是云层移动出现短暂的太阳直射天气所致，8日预报为多云，出现漏报。夏季，多出现难预测的短时强降水天气，其中8月1、5、6、12、16、17、19、31日基本均出现阴雨天，从预测结果看，大部分预测都有很好的参考性，预测辐照度值较晴天预测均有下调，12、16日预测结果最为理想，其他几个阴雨天预报天气的强度不够，预测结果偏大，1日预报为多云，出现漏报。秋季，最优结果出现在11月11、14日，分别为晴天和降雨天气，对11月16—19、21日的降雨天气预报准确，其中16—19日最大误差不超过60 W／m2，21日略偏大，最大误差不超过120W／m2。

按照晴天、多云、阴雨（雪）3种天气类型来检验2、5、8和11月的预报效果，从误差统计结果（表1）来看，晴天的预报效果最好，均方根误差为69.9W／m2，阴雨（雪）和多云天气相对差一些，分别为123.3、126.9W／m2。2月均方根误差平均值为68.5 W／m2，各日在14.9～183.9 W／m2之间，晴天、多云和阴雨（雪）天气的均方根误差平均值分别为51.4、94.4和101.5 W／m2。5月均方根误差平均值为125.2W／m2，各日在34.5～253.2W／m2之间，晴天、多云和阴雨（雪）天气的均方根误差平均值分别为94.3、162.7和156.6W／m2。8月均方根误差平均值为119.5 W／m2，各日在62.3～258.0W／m2之间，晴天、多云和阴雨（雪）天气的均方根误差平均值分别为93.1、154和129.9 W／m2。11月均方根误差平均值为53.7 W／m2，各日在16.7～138.9 W／m2之间，晴天、多云和阴雨（雪）天气的均方根误差平均值分别为53.7、84.7和41.3W／m2。

表1 2、5、8、11月均方根误差统计结果 W／m2

4 结论

针对光伏电站太阳水平面总辐照度的短期预报问题，提出了一种晴天时的系统误差订正方法，进一步利用EC细网格未来24～48 h各气象要素预报和BP神经网络模型，建立了一种不同天气下光伏电站短期逐15 min辐照度预报的模型。

1）不同季节晴天天气时，同一时刻太阳辐射强度相差很大，针对不同时刻观测与理论值分别建立的系统误差订正模型结果与实际曲线均较为接近，不同季节其平均绝对误差均不超过该季节最大辐照度的5%，该方法可有效自动匹配晴天实况资料，降低人工数据筛选工作量，在光伏服务的实况数据集筛选、功率预测模型训练集异常数据剔除上都有很好的实用性。

2）基于EC细网格的次日逐15 min辐照度预报，在2、5、8、11月的检验数据集中，对大部分阴雨、多云天气都有所反映，预测天气对辐照度的影响程度与实际情况有部分差异，均方根误差分别为68.5、125.2、119.5、53.7 W／m2，对11月份的预报最为理想，具有一定的参考意义，可作为光伏数值预报的一种数据源。

虽然EC细网格预报产品是目前气象中参考性较好的数值预报产品，但在个别天气如2月29日、5月8日、8月1日的雨雪天气，仍存在漏报情况，另外对晴天预报一般易出现偏低情况，同时也存在数值预报的常见问题，即对全天的整体趋势预报有很好参考性，但对突变点的预报不够精准。后续工作可加入主观订正模型，对晴天天气辐照度预测采用系统误差订正结果，可有效降低晴天预报偏低情况，对漏报或突变点预报，还需增加其他数值预报源和观测数据集来优化预报结果，对雾霾等当前气象预报精度不理想的天气，今后也需进一步研究。