基于CMA-WSP1.0 的贵州短波辐射检验分析

万 超，刘 涛，曾莉萍，李 力，夏晓玲，陶 勇

（1.贵州省气象台，贵阳 550081；2.贵州省人工影响天气办公室，贵阳 550081；3.贵州省气象服务中心，贵阳 550081）

由于社会经济的快速发展，能源生产和消费正在经历高速增长时期，而地球化石燃料的规模不断缩小，煤、石油和天然气等资源愈加紧张与匮乏，环境问题也越来越突出。能源的清洁化、绿色化已经长期成为整个社会发展的焦点与热点，太阳能、风能、水能等可再生能源的开发利用率正逐年上升，其中，突出代表之一就是光伏发电技术的快速发展。近年来，尤其是生态文明贵阳国际论坛2018 年年会之后，光伏发电在我省电力需求中所占比重快速增长，对贵州省（以下简称“我省”）电网的影响也越来越明显。

光伏发电系统根据光生伏打原理，将太阳能直接转化为电能[1-2]，具有无污染、可再生、安全性高等优点。但同时，由于光伏发电系统的效率受天文、地理、环境和气象及硬件设备等多种因素的影响[3]，功率或发电量输出是一个非平稳的随机过程，具有间歇性、波动性、不确定性的特点，大规模的光伏并网会对电网的稳定性造成冲击，增加电网计划和调度的难度，影响电网运行稳定性[4]。因此，建立科学的预测机制体系，提供准确及时的光伏发电功率预测，为调度运行人员制定合理、符合实际情况的发电计划提供切实可行的依据，这对改善电网运行经济性具有重要意义。

目前，国内外对光伏功率的预测方法已有大量研究，从算法角度可以分为物理模型法和统计模型法。其中比较常用的是由于机器学习技术而发展起来的，基于神经网络的光伏发电预测技术，包括径向型神经网络、递归神经网络以及遗传神经网络等[5-6]，而随着更多的智能算法被应用于光伏发电功率预测的领域，衍生出更多与神经网络相结合的统计模型法。另外，由多个模型以某种规则集成的方法也被应用到光伏发电功率预测的领域[7]且效果较好。

为助力国家“碳达峰、碳中和”目标愿景，落实《风能太阳能资源气象业务能力提升行动计划（2021—2025年）》，进一步推动风能太阳能资源气象业务高质量发展，提升我省风能太阳能预报业务能力，中国气象局预报与网络司组织中国气象局公共气象服务中心、北京市气象局等单位改进了针对风能太阳能短期预报需求的中国气象局风能太阳能气象预报系统（Wind and Solar meteorological Prediction system，CMA-WSP 1.0），制作了省级风能太阳能短期预报产品，为开展光伏功率预报提供了新的气象要素来源，产品包含了温度、湿度、风场以及到达地表短波辐射、地面气压、降水量等气象要素，且产品时间分辨率高，达到15 min。该产品于2022 年3 月15 日正式向全国发布，其中的“地表向下短波辐射通量”要素与贵阳辐射观测站点的“总辐射辐照度”所反映的都是太阳到达地面的短波辐射，故2者之间存在较大的相关性。为了今后该产品能在贵州省更好适用，拟对该产品的预报值，和贵阳的辐射观测值进行对比检验。以期通过贵阳的辐射观测值观测，在未来的研究中改进该产品中“地表向下短波辐射通量”因子，为其在贵州省的适用性提供科技支撑。

本文利用临近点插值方法将CMA-WSP 短波辐射产品插值到站点进行检验，讨论其在贵州省的适用性，为后续该产品用于气象服务及光伏功率预报提供客观依据。

1 资料与方法

本文采用2022 年4—6 月中国气象局风能太阳能气象预报系统CMA-WSP 1.0 提供的贵州风能太阳能短期预报产品中地表向下短波辐射通量，时间分辨率为15 min，空间分辨率为9 km，预报时效为126 h，预报频次为1 次/d（起报时间为北京时间20：00）；观测值数据采用贵阳国家气象站观测总辐射辐照度数据，时间分辨率为逐分钟。

检验CMA-WSP 预报短波辐射数据在贵州的适用性，首先，进行数据质量控制，当站点观测值或预报值任意一方缺测时，将这一组观测值和预报值均剔除；其次，采用临近点插值方法将预报值插值到贵阳站点的经纬度，筛选与预报样本相同的观测值数据，作对应逐15 min 的检验。主要运用统计学方法开展检验分析，包括平均误差（ME）、平均绝对误差（MAE）、均方根误差（RMSE）、相关系数（COR）等，公式如下。

平均误差可以用来反映预报值与观测值之间的偏离程度，是用来衡量预报误差比较常用的一个统计参数。平均误差公式为

平均绝对误差可以避免误差相互抵消的问题，反映总误差情况。公式为

均方根误差可以衡量预报值和观测值之间的离散程度，其公式为

相关系数是用来反映预报值与观测值的线性相关程度，相关系数的绝对值越接近1，说明模式对雨量的变化趋势有一定的预报能力。相关系数的公式为

式中：Oi为站点观测值；Mi为CMA-WSP 预报值；N为参与检验的总样本数。

2 误差分析

4—6 月有效样本数中，观测值平均值分别为339.6、254.0、283.5 W/m2，24 h 预报时效内预报平均值分别为386.3、301.9、298.6 W/m2。参照太阳总辐射预报性能检验方法，评估平均误差、平均绝对误差和均方根误差（图1）。随着预报时效的增加，所有样本的平均误差、平均绝对误差和均方根误差也相应增大，可能因为模式系统性误差随着预报时效的增加，不断迭代导致的。从24 h 预报时效来看，平均误差6 月最小，4 月和5 月接近，平均绝对误差和均方根误差也是6 月最小，5 月最大，反映出6 月预报效果最好，4 月次之，5 月最差。4 月和5月预报总体较观测值偏大，6 月较观测值偏小的情况更多。从预报误差稳定性来看：在24～120 h 的预报时效内4—6 月的表现相差不大，预报较稳定，但4 月和6 月在24h 预报时效内平均绝对误差和均方根误差都略小于其他时效，表明24 h 的预报更优，5 月则是48 h 预报更优。

图1 2022 年4—6 月贵阳短波辐射平均误差、平均绝对误差、均方根误差

3 回归分析

对短波辐射的预报值和观测值作一元线性回归（图2，以24 h 为例），可知，4—6 月5 个预报时效的样本数据均一致地显示出大部分短波辐射值集中在小于200 W/m2的的区域，此时预报值普遍小于观测值，而在大于200 W/m2的的区域，预报值大多大于观测值。4 月份5 个预报时效的相关系数依次为0.64、0.53、0.61、0.63、0.69，120 h 预报时效的相关性最好，24 h 预报时效的相关性次之，48 h 预报时效的相关性最差；5 月份5 个预报时效的相关系数依次为0.48、0.47、0.50、0.48、0.57，120 h 预报时效的相关性最好，72 h 预报时效的相关性次之，48 和69 h 预报时效的相关性最差；6 月份5 个预报时效的相关系数依次为0.65、0.27、0.32、0.57、0.16，24 h 预报时效的相关性最好，96 h 预报时效的相关性次之，120 h 预报时效的相关性最差。各月预报和观测值的相关系数最好为24 h 预报时效，相关系数范围为0.48～0.65。

图2 2022 年4—6 月贵阳短波辐射24 h 预报时效的散点回归图

4 准确性和稳定性分析

将逐天的短波辐射整点预报值和观测值进行对比（图3，以2022 年6 月18 日—23 日为例），可以看出，预报值的变化趋势与观测值一致，且除120 h 预报时效外，预报值普遍小于观测值，尤其是起报后2 h 内。从预报时效上来看，24 h 预报时效的误差最小（图3（b）），小于200 W/m2，预报准确性最高，随着预报时效的增加，误差逐渐增大，预报准确性逐渐变低。从日变化上可知，从早上到中午，随着辐射值的增大，预报不稳定性增加，午后，随着辐射值的减小，预报不稳定性也减小。经统计天气现象，发现多云时，受到云量等气象要素变化影响，预报偏差也会增加。

图3 2022 年6 月18—23 日预报准确性和稳定性对比图

5 双线性插值方法

本文尝试采用CMA-WSP 产品离贵阳站最近点插值方法，来对比双线性插值的区别。从4—6 月有效样本数的平均值来看，短波辐射24 h 预报时效内预报平均值分别为384.6、300.4、298.2 W/m2，可以发现2 种插值方法的短波辐射各月平均值相差很小，且双线性插值更接近观测值，证明贵阳周围的短波辐射预报值变化梯度较小。从误差趋势来看，临近点插值的24 h 预报时效的平均误差6 月最小，4 月和5 月接近，平均绝对误差和均方根误差也是6 月最小，5 月最大，反映出6 月预报效果最好，4 月次之，5 月最差，结论与临近点插值相一致。

6 结论

4—6月短波辐射观测值平均值分别为339.6、254.0、283.5 W/m2，24 h预报时效内预报平均值分别为386.3、301.9、298.6 W/m2。4—6月预报值的平均绝对误差范围在160～273 W/m2，各月表现接近，6月最好，4月次之，5月最差。在24～120 h预报时效内，各月稳定性较好，各时效表现接近，但4月和6月仍在24 h内表现最好，5月则在48 h表现最好。各月预报和观测值的相关系数最好为24 h，相关系数范围为0.48～0.65。观测值小于200 W/m2时预报偏小，大于该值时预报常偏大，上午预报常偏小，阴天、多云时预报偏差加大，晴天时预报效果最好。