（特变电工新疆新能源股份有限公司研发部 陕西西安 710075）
摘要：提出一种应用多元回归预测地面太阳辐射量方法。利用美国国家可再生能源实验室的美国国家太阳能辐射数据库中1991-2010年的数据，分析了太阳辐射量与日照时长、最高温度、相对湿度、纬度和海拔高度之间的相关关系。通过分析辐射量与上述因素的相关性统计指标，得到了有辐射历史数据地区和无辐射历史数据地区太阳总辐射量的多元回归模型，并且建立了从总辐射量中提取散射辐射量的单变量回归模型。最后，将模型的计算结果与实际数据进行对比，验证了本文所提出模型的有效性和精确性。
关键词：光伏电站；太阳辐射；散射提取；气象因素；多元回归
光伏电站所在地区辐射量数据是光伏电站的规划与系统设计的前提，准确预测太阳辐射值不仅决定设计的成败，也对系统的经济运行起着至关重要的作用。
目前太阳能辐射预测模型有晴天太阳辐射模型(简称ASHRAE模型)、Hottel模型、Threlkeld&Jordan模型、半正弦模型和Collares-Pereira&Rabl模型等，都存在着模型过于简单、计算参数过多、准确率低的缺点。主要是由于太阳辐射受云层遮挡、温度、湿度和大气污染等气象条件的影响，具有很强的随机性，而确定性模型无法反映太阳辐射序列的随机性，因此计算结果的准确度较低。
本文提出的在多元回归预测算法的基础上，分别建立有辐射历史数据地区与无辐射历史数据地区的多元回归模型。首先，进行地面太阳辐射量对日照时长、最高温度、相对湿度、纬度和海拔高度等因素的相关性分析，计算相关性统计指标。然后，通过对比分析辐射量与各因素之间的相关关系，建立地面总辐射量多元回归模型，同时根据Liu&Jordan的方法建立适用于所预测地区的散射辐射量提取回归模型。最后，利用实际数据进行地面太阳辐射回归模型的测试，验证了本文提出的模型的精确性和有效性。
1地面辐射量相关因素分析
本文数据来源于美国能源部国家可再生能源实验室（National Renewable Energy Laboratory 简称NREL）的美国国家太阳能辐射数据库（National Solar Radiation Database 简称NSRD），该数据库提供了美国1454个地点的太阳能辐射及气象数据信息。
1.1数据归一化
（1）地面辐射日总量。地面辐射量的归一化处理，是将地面辐射量与天文辐射量之比作为归一化数据。天文辐射日总量H0计算公式为
由表2可知，总辐射量和散射辐射量预测值与实际值均方根误差分别为242.45kWh/m2和179.95 kWh/m2，平均相对误差分别为4.17%和9.23%。比较表1和表2发现，无历史数据地区的辐射量预测误差比有历史数据地区的辐射量预测误差大，原因是无历史数据地区的模型拟合所用的数据是该地区周边地区的辐射量数据，不同地区的空气质量等差异会造成一定的误差。无历史数据地区总辐射量与散射辐射量预测最大误差出现在3月，最小误差出现在12月和4月。
4结论
本文首先定性研究了地面太阳辐射量与日照时长、最高温度、相对湿度、纬度、海拔高度之间的相关关系，根据其相关关系、判定系数等相关性统计指标，得到了有辐射历史数据地区和无辐射历史数据地区的太阳总辐射量预测回归模型及散射辐射量提取模型。得到的回归模型的判定系数r2均不小于0.91，满足显著性检验，拟合效果较好。有辐射历史数据地区的总辐射预测模型和散射提取模型的平均百分比误差MPE为3.34%和5.43%。无辐射历史数据地区的总辐射预测模型和散射提取模型的平均百分比误差MPE为4.17%和9.23%。辐射量预测值与实际测量值偏差很小，预测结果满足工程应用要求。本文提出的预测方法计算模型简单有效，适用于在工程实际中进行预测，可用于基于气象因子与地理位置对太阳辐射量的估计，基本上不受天气类型和地理位置的影响，为光伏电站规划、建模、仿真、功率预测等研究提供重要参考。
由于国内辐射量和气象数据不公开或者有代价获取，所以本文使用美国数据建立预测模型并预测美国城市的辐射量，但是在提供国内城市相关数据的前提下，本文提出的方法同样可以对国内城市的辐射量预测进行。
参考文献：
[1] American society of heating, refrigeration, and air-conditioning engineers. ASHRAE Handbook of fundamentals [M]. Atlanta: ASHRAE, 1993.
[2] John A Duffie, William A Beckman. Solar Engineering of Thermal Processes [M]. John Wiley & Sons. Inc., 1980: 62-98.
[3] Edward E. Anderson. Fundamentals of Solar Energy Conversion [M]. Addison-Wesley Publishing Company, 1983, 62.
[4] 祝昌汉. 我国散射辐射的计算方法及其分布[J].太阳能学报，1984，5(3)：242-249.
[5] Collares-Pereira M, Rabl A. The Average Distribution of soalr radiation correlations between diffuse and hemispherical and between daily and hourly isolation values[J]. Solar Energy, 1979, 22(2): 155-164.
[6]宋爱国，王福然. 北京地区晴天太阳辐射模型初探[J]. 太阳能学报，1993，14(2)：251.
[7] Rehman S, Ghori S G, Spatial estimation of global solar radiation using geostatistics [J]. Renewable Energy, 2000, 21: 583-605.
[8]曹雯，申双和. 我国太阳日总辐射计算方法的研究[J]. 南京气象学院学报，2008，31(4)：587-591.
[9]王哲. 基于ANN和时间周期性的光伏电站辐照度预测研究[D]. 华北电力大学，2012.
[10]畅广辉，刘涤尘，熊浩. 基于多分辨率SVM 回归估计的短期负荷预测[J]. 电力系统自动化，2007，31(9)：37-41.
[11]蒋小亮，蒋传文，彭明鸿. 基于时间连续性及季节周期性的风速短期组合预测方法[J]. 电力系统自动化，2010，34(15)：75-78.
[12]Rehman S, Monhandes M. Artificial neural network estimation of global solar radiation using air temperature and relative humidity [J]. Energy Policy, 2008, 36 (2): 571-576.
[13]成驰，陈正洪，张礼平. 神经网络模型逐时太阳辐射预测中应用[J]. 太阳能，2012，3：30-33.
[14]刘志刚，王晓茹，何正友. 小波变换、神经网络和小波网络的函数逼近能力分析与比较[J]. 电力系统自动化，2002，26(20)：39-44.
[15]周勃，陈长征，宋楠. 应用盲分离神经网络预测逐日太阳辐射能[J]. 太阳能学报，2007，28 (9)：1008-1011.
[16]赵伟，顾骏强，杨军. 杭州太阳日总辐射变化特征分析[J]. 资源科学，2009，31 (9)：1587-1591.
[17]王哲，王飞，刘力卿，郭佳. 基于多元回归分析的光伏电站太阳辐射曝辐量模型[J]. 华北电力大学学报，2011，38(5)：53-58.
[18]B Y H LIU, R C JORDAN. The interrelationship and characteristic distribution of direct, diffuse, and total solar radiation[J]. Solar Energy, 1960, 4（3）: 1-19.
[19]王华军，李淑兰，王方. 估算不同地区月平均太阳散射辐射量数据的研究[J]. 节能技术，2004， 22(125)：3-5.
[20]林伟，沈辉. 数值拟合估算水平面散射辐射量的基本方法与分析[J]. 可再生能源，2013，31(1)：1-4.
论文作者:汪婷婷,王静,薛涛
论文发表刊物:《电力设备》2016年第17期
论文发表时间:2016/11/8
标签：辐射量论文; 模型论文; 历史数据论文; 太阳论文; 地区论文; 数据论文; 误差论文; 《电力设备》2016年第17期论文;