太阳能光伏发电预报方法的应用效果检验与评价

基于湖北省气象新能源研究中心光伏电站一年完整的发电数据与同期气象资料,对辐射和发电功率短期预报方法进行检验分析,结果表明:(1)太阳辐射度预报与实况有很好的对应关系,相关系数在0.77以上,均通过a=0.001的显著性水平检验。(2)光伏发电功率预报的短期方法中,以模式辐照度订正值代入光电转换模型的方法最优,预报第一天的相对均方根误差为0.16。(3)太阳辐射预报及光伏发电功率预报随太阳高度角变化而呈一定的规律性,冬季中午误差最大,夏季晚上误差最小;阴雨天气误差明显高于晴天。如何降低阴雨天气预报时的误差将是下一步工作中需要研究的重点。     

影响光伏发电功率的气象因子分析及其预测检验

利用贵州省普安磨舍光伏电站2020年逐15 min的光伏发电功率、辐射资料与气象站资料，对光伏发电功率变化特征及影响光伏发电功率的气象因子进行分析，建立了光伏发电功率的预测模型，并利用CFSv2模式资料开展月内预测检验。结果表明：光伏电站发电功率呈现早晚低、中午高的单峰型日变化特征，其中春季发电功率值最大，夏季次之，冬季最小。影响光伏发电功率最关键的气象因子为总辐射和日照时数，其相关系数均在0.9以上。5种组合的线性回归预测模型检验结果显示，利用平均气温、最高气温、日较差建立的预测模型预测效果最好，而利用单一气象因子的预测效果最差。为增加光伏发电功率的预测准确率，可根据预测服务需求，并用延伸期模式资料开展光伏发电功率滚动订正预测。     

天津生态城太阳辐射特征分析及算法评估

利用2014年8月14日—2015年8月12日天津市生态城太阳能观测站和同期气象观测资料，统计分析生态城太阳辐射特征，并对各向同性和各向异性两种倾斜面太阳辐射计算模型的精度和误差来源进行评估，结果表明：生态城水平面和倾斜面曝辐量在月均值、季节和年总量上存在较大差异，利用水平面太阳辐射进行光伏发电预估会存在误差；太阳辐射日变化特征受不同天气条件的影响，电站需根据天气情况调整发电策略，尤其应注意多云或阴天造成的发电功率的间歇性和不稳定；两种计算模型精度相当，整体计算效果较好，引入直射比分段计算函数的不确定性是造成计算误差的主要原因。     

太阳辐射长期变化对固定式并网光伏电站最佳倾角的影响分析——以北京地区为例

最佳倾角是固定式并网光伏发电的关键设计参数之一,不仅与当地经纬度有关,还受气象条件的直接影响。以北京地区为例,在分析地面太阳辐射(总辐射、直接辐射、散射辐射、直射比和散射比)长期变化的基础上,计算分析固定式并网光伏电站最佳倾角的变化。结果表明:北京地区近55a的总辐射呈下降趋势,其中水平面直接辐射的下降是主要的,散射辐射下降不明显,相应地,直射比明显降低,散射比则明显增加;最佳倾角总体亦呈下降趋势,近5a比20世纪60年代下降了2°,从计算方法来看,这种下降趋势主要由直射比的降低所导致,而直射比则受大气环境的影响。因此,在光伏电站的设计和建设过程中,应充分关注大气环境的变化及其对太阳辐射的影响,选择合理的最佳倾角。     

阿里地区狮泉河近30年总辐射和净辐射的变化特征

基于阿里地区狮泉河地气交换综合观测站2019年辐射观测数据和狮泉河气象站1993~2016年辐射观测数据,分析了阿里地区总辐射和净辐射的日循环、日变化、季节变化和年际变化特征。结果表明:（1）阿里地区总辐射和净辐射平均日变化峰值出现在14:30~15:00,总辐射月均值最大值出现在6月,净辐射月均值最大值出现在8月,近20 a来阿里地区总辐射和净辐射的平均日变化峰值和月均值最大值出现时间延后。（2）1993~2016年阿里地区总辐射曝辐量呈微弱的减少趋势,但其日最大辐照度呈极显著降低趋势,而净辐射曝辐量呈极显著增加趋势,但其日最大辐照度呈现微弱的减少趋势。（3）1993~2016年阿里地区总辐射和净辐射日最大值出现时间年均值均呈极显著的延后趋势,年均净辐射日最大值出现时间较总辐射日最大辐照度出现时间平均提前约13 min。      

太阳辐射日变化对夏季风模拟特征的影响

利用６０°Ｓ－６０°Ｎ范围，有海气耦合但无海流的七层原始方程模式，做了有无太阳辐射日变化的对比试验。结果表明：准定常的平均季风系统的形势受太阳辐射日变化的影响不明显，其主要的影响可能来自海陆和地形分布。但是模式中包含太阳辐射日变化后，大气上下层季风系统强度的模拟得到了改善。太阳辐射日变化在很大程度上影响降水的分布形势，在没有太阳辐射日变化的试验中，大陆内部的降水大大减少，而沿海地区的降水增加。土壤温度和湿度的变化与降水变化对应良好。降水增加和减少的地区呈波状分布。至于对季风发展的影响，结果表明在季风发展的初期，太阳辐射日变化可加快其发展。因此，太阳辐射日变化的引入，可使平衡态较早达到     

基于EC细网格与BP算法的辐照度预报及检验

在理想晴天天气下，可计算确定位置不同时刻的理论辐照度，但与实际辐照度在不同季节仍存在一定系统误差。利用易县某光伏电站近1年逐15 min实况，提出了一种基于理论辐照度的晴天天气下的系统误差订正方法，并进一步利用欧洲EC细网格预报资料及BP神经网络方法实现了未来24～48 h辐照度的逐15 min预测，得到以下结论：(1)晴天天气下，该系统误差订正方法可有效剔除实况资料中非晴天天气数据的影响，不同季节的平均绝对误差不超过该季节最大辐照度的5%;(2)对24～48 h逐15 min的辐照度预报，经不同季节检验，冬季误差68.5 W/m²、春季误差125.2 W/m²、夏季误差119.5 W/m²、秋季误差53.7 W/m²,对11月份的预报最为理想。该研究成果可有效降低人工筛选工作量，在服务中有很好的实用性和参考性，可作为光伏数值预报的一种有效数据源。     

南京地区太阳能屋顶缓解夏季高温的模拟研究

太阳能屋顶的安装预计能在一定程度上缓解城市化带来的能源危机及对城市热环境的破坏。利用耦合了城市单层冠层方案（UCM）的WRF模式,以南京2010年7月27日至8月5日夏季晴天微风天气为背景,模拟了不同发电效率的太阳能屋顶的安装对城市高温的缓解效应。结果表明:（1）太阳能屋顶可以通过削弱到达城市表面的太阳辐射使城市2 m高气温降低,随着发电效率的提高,降温效果更明显,且白天降温效果明显优于夜间;白天2 m高气温最大降低0.4-1.3℃,夜间降低0.2-0.5℃。（2）太阳能屋顶可使边界层内气温降低,白天在边界层400 m以下降温显著,夜间在边界层高度200 m以下降温显著;白天边界层内最大降温出现在中午前后,降温0.1-0.8℃,夜间边界层内最大降温0.5℃。（3）发电效率为40%时,模拟期间的发电量为18.1×109 kW·h。      

都江堰紫外辐射特征分析及多元回归预报 方程的建立研究

利用2017年9月1日—2018年8月31日都江堰紫外辐射(UV-AB)的观测数据,分析了都江堰紫外辐射的变化特征及其与气象要素的相关性,并通过多元回归分析建立了都江堰紫外辐射辐照度预报方程。结果表明:都江堰的紫外辐照度具有明显的日变化、月变化、季节变化特征,辐照度主要受云、水汽和太阳高度角等的影响。全年最大日平均辐照度为55.84 W/m~2,最小日平均辐照度为2.39 W/m~2。全年10—15时平均紫外辐照度与14时总云量、10—15时最低相对湿度、10—15时最高气温分别呈负相关、负相关、正相关,相关系数分别为-0.60、-0.67、0.63。春、夏、秋、冬季的10—15时平均紫外辐照度预报方程均通过显著性水平α=0.05的F检验,调整后的R~2分别为0.84、0.78、0.82、0.78。方程平均偏差为2.61～5.02 W/m~2,标准误差为3.24～6.57 W/m~2。秋季预测值准确度最高,夏季最低。     

2005—2020年新疆百里风区精细化逐时风速特征研究

精细化捕捉风速大小及其变化细节过程，是顺利开展风区大风监控预报预警气象服务的关键理论支撑。本文基于百里风区气象观测站的风速数据，对质量控制后的2分钟平均风速、大风日数、日最大风速、日极大风速资料进行计算，给出百里风区2005—2020年精细化逐时风速特征。结果表明：（1）随时间分辨率的提高，24次与4次定时观测值差异明显增大，且偏差随风力等级增高而增大；（2）百里风区风速变化规律与大气环流紧密相关，地形起到加强放大作用。在太阳辐射及地形地貌影响下，百里风区年平均风速8.3 m·s-1，年平均大风日数200.6天，地面风速持续较高；（3）一年中春夏季平均风速最大，且较大风速持续时间长；（4）一日中平均风速高峰时段与大风易发时段不完全重合，平均风速最大值出现在夜间4时前后，大风高发时段峰值集中在17—20时。     

格尔木地区光伏电站周边区域太阳辐射特征分析

利用青海格尔木光伏电站地区周边气象站1961~2010年常规和辐射气象资料,通过统计分析和方法,对格尔木光伏电站地区年、月、日、候辐射特征进行了时空分布特征分析,结果表明：格尔木及其周边太阳辐射资源较丰富,格尔木月总辐射为双峰型,从3月开始急剧增加,5月达峰值,6月略有下降后,7月又回升达次高值,9月迅速下降,冬季12、1月达最小值。近5年月辐射由双峰型变为单峰型。格尔木日辐射持续时间最长的是5月、6月和7月,日辐射时间分别达到15h,格尔木候最大辐射量出现在第30候（5月26～31日）,最小为第12候（2月26～28/29日）。从整体来看,格尔木候辐射为先上升,后下降的趋势（1～36候为上升,37～72候下降）。     

省级太阳辐射模拟可视化查询平台设计

分析太阳辐射状况是光伏电站项目评估的重要举措,针对分析过程中涉及的各类数据计算和可视化查询,设计实现了省级太阳辐射模拟可视化查询平台。平台根据主要功能划分为数据处理子系统和查询分析子系统,数据处理子系统采用MODIS云量数据、气象站与辐射站历年数据,计算生成具有共同基准的多要素辐射相关数据;查询分析子系统将地图影像与实际数据结合显示,让数据模拟更直观、数据分析更合理。数据处理子系统使用了Qt进行开发,查询分析子系统使用ArcGIS Desktop、ArcGIS Server和MySQL数据库软件,结合Dojo、C#、ASP.NET MVC技术进行开发。使用Python作为“粘合剂”连接两个子系统,让数据成图和发布自动化。平台集数据处理和可视化查询为一体,能够以1 km×1 km的精度模拟分析出省级范围太阳辐射的分布情况,为光伏数据分析和光伏电站建设工作提供及时、有效、科学的技术支撑。     

1961-2010年黑龙江省太阳能资源特征分析与评估

利用1961-2010年黑龙江省5个辐射站和32个地面基准站资料,分析黑龙江省太阳能资源的时空分布特征,并从太阳能资源丰富度及资源稳定性等方面进行资源评估。结果表明：黑龙江省年均太阳总辐射显著减少,1月和12月减少最明显,20世纪70年代太阳辐射最强,80年代最弱;总辐射和日照时数的空间分布呈西丰(多)东贫(少)的趋势。全省太阳能资源的稳定性较高,其中松嫩平原西部的太阳能资源最丰富、稳定性最高,适合集中建设大型太阳能电站。     

探测环境对北京气象站气温观测值的影响分析

为深入了解气象探测环境对气温观测数据的影响,利用2017年北京市观象台（54511）与南海子站（A1274）逐小时地面气象要素数据,分析两站气温差异以及因站点探测环境导致的日照、风速和降水对两站气温差异的影响。结果表明：2017年两站气温差异较明显,年平均气温54511站比A1274站高0.75℃;两站逐月平均气温54511站全年高于A1274站,两站差值7月最低为0.60℃,9月最高为1.09℃;两站平均日最高气温较接近,平均日最低气温差异较大,54511站较A1274站高1.24℃;两站气温的日变化特征相似,呈单峰分布,54511站气温日较差低于A1274站。两站小时气温差值随着日照时长和强度的增加而增加,短波辐射效应最强的10-14时和长波辐射效应最强的19-23时两站气温差值与当日白天直接辐射曝辐量的相关系数分别为0.459和0.601;水平风速对两站气温差值的影响较大。水平风速超过5 m·s^-1时,两站气温差小于0.1℃;当水平风速不超过1 m·s^-1时,两站观测气温差值达到1.28℃;降水天气下两站的气温差值小于非降水天气,出现降水时次54511站平均气温仅比A1274站高0.2℃。两站相距4.3 km,气候均一,测站周边2 km范围内建设用地占比54511站比A1274站高约30%,植被占比低28%,水体占比相差不大。另外,54511站附近的五环路具有低反射率和高热容的特征,白天能够吸收太阳辐射储存较多的热量,这些热量在夜间释放,可能是两站探测环境对太阳辐射吸收的差异决定了两站温差受太阳辐射和风速的影响较大,而受降水影响较小。     

广西地面太阳辐射分布特征以及对人体健康的影响

选用2001-2010年广西桂林、南宁、北海3个地面太阳辐射站的总辐射资料及日照时数资料,分析了总辐射日总量、日最大值的年变化规律,时总量的日变化规律,日最大值出现时间频率的分布区间等,结果表明：（1）广西太阳总辐射的日总量、日最大值强度的年变化规律明显。总体呈现夏季最大,春秋季次之,冬季最小的特点。大多数情况下,随着纬度由北向南递减,总辐射值递增。日总量与日照时数的年变化趋势存在正向的线性相关。（2）广西太阳总辐射的时总量的日变化规律明显。总体呈现中午前后强．早晚弱的特点。最大值一般出现在一天中的10-14时这个区间．     

基于EC细网格数值预报产品的太阳辐照度订正技术

太阳辐照度与光伏电站发电功率密切相关,其预报的准确性直接影响发电功率预报的准确性。根据光伏电站太阳辐照度实况、气象站实况、WRF(Weather Research and Forecast Model)模式辐照度预报、EC细网格数值预报以及太阳理论辐照度,利用逐步回归法开展太阳辐照度预报订正研究,得到以下结论:①太阳辐照度实况与太阳理论辐照度的比值与EC细网格数值预报中气象要素的相关性优于太阳辐照度实况与气象要素的相关性;②不同时刻影响太阳辐照度的气象因子存在差异,通过逐步回归法建立不同时刻太阳辐照度预报模型;③在非晴天情况下,回归预报辐照度相对均方根误差比WRF模式预报辐照度降低10%左右,减小了辐照度预报误差。该研究成果在光伏电站的新能源数值预报服务中有一定的应用价值。     

北京市电网雷害分布规律及风险评估

根据1996—2009年北京市逐日电网灾害资料分析了北京市电网雷害的发生规律, 结果显示:北京市电网雷害存在季节变化和日变化特征。结合同期气象观测站的雷暴日资料、北京市各区县的经济和人口密度特征提出了电网雷害概率、电网雷害频度、电网雷害密度、经济易损模数和生命易损模数作为北京市电网雷害风险评估指标。在此基础上,采用4级分区法对上述电网雷害易损性评估指标进行分级,并将北京市各区县按照5个电网雷害评估指标的所属等级值累加,得到电网雷害综合易损风险评估的评估系数。结果表明:北京地区电网雷害高风险区集中在北京城区中心附近,山区和山前迎风坡地带尽管电网雷害频次较高,但电网雷害风险却相对较低。