1、第44卷第4期2023年4月太阳能学报ACTA ENERGIAE SOLARIS SINICAVol.44,No.4Apr.,2023收稿日期：2022-05-22基金项目：新能源与储能运行控制国家重点实验室（中国电力科学院有限公司）开放基金（NYB51202101990）通信作者：张臻（1981），男，博士、副教授，主要从事光伏发电技术方面的研究。DOI：10.19912/j.0254-0096.tynxb.2022-0735文章编号：0254-0096（2023）04-0531-08基于MLP-Garson模型的分钟尺度太阳辐照直、散射分离建模与验证研究张起源1，2，王磊1，陈天鹏1，谢鹏
2、1，张臻2，3，全鹏4（1.河海大学机电工程学院，常州 213022；2.中国电力科学研究院有限公司新能源与储能运行控制国家重点实验室，北京 100192；3.上海交通大学智慧能源创新学院，上海 200240；4.天合光能股份有限公司，光伏科学与技术国家重点实验室，常州 213031）摘要：为模拟分钟尺度的太阳辐射波动，根据江苏省常州市20182021年逐分钟辐射数据，采用Garson权重算法优化模型输入特征，并引入前10分钟的清晰度指数kt时序数据作为附加特征，建立基于时序数据与MLP神经网络的分钟尺度新分离模型。在此基础上，对Engerer2模型、Starke模型和Yang模型3个最新提出
3、的分钟尺度分离模型进行参数本地优化，并设计测试实验验证。验证结果表明：采用时序数据与MLP神经网络的新模型可有效提取短时间内的太阳辐射波动信息，新模型的归一化均方根误差（enRMSE）为10.690%，新模型精度较Yang模型提高了17.08%。关键词：太阳辐射；机器学习；神经网络；分离建模；波动性中图分类号：TK51文献标志码：A0引言太阳直、散射辐射数据对光伏组件倾角设计、跟踪策略优化等方面有广泛应用。但太阳直、散射辐射观测成本高昂，中国仅有少数台站进行直、散射辐射观测1。因此，通常使用分离模型将水平面上观测的总辐射分解成直、散射辐射。分离模型最初由刘扬晖和 Jordan 在 1960 年
4、提出2，至今，已有 140 余种分离模型在文献中提出3。然而，过去 60年来，几乎所有研究都使用小时及以上尺度的数据建模4，Gueymard 等3通过评估 140 个分离模型在全球不同气候地区 1 min 尺度数据集上的性能，表明小时尺度数据拟合模型平滑了云运动引起的太阳辐照度波动，但无法解释太阳辐射快速变化导致的短暂瞬态效应，难以满足当前行业需求。目前，对于光伏系统，考虑到光伏渗透率的不断提高，正在以 3 s或更短的时间步长研究云运动引起的斜坡效应5；在光伏发电预测领域，已针对斜坡效应，开始采用全天空成像仪6、辐照传感器网络7等方式进行分钟尺度的预测。因此，采用分钟尺度的太阳辐射数据建立分离
5、模型可进一步改善分离效果。针对分钟尺度分离模型建模，国内外学者已开展了少量研究。Engerer 等4采用澳大利亚气象局的 1 min 辐射数据集，首次提出基于广义逻辑函数的 1 min 尺度分离模型，并提出线性修正项判断云增强事件。Starke 等8在 BRL（Boland-Ridley-Lauret）模型的基础上提出一种分段模型区分云增强现象，并分别拟合建模。杨大智等9在 Engerer2 模型的基础上，引入卫星派生的低频散射分数作为附加输入，并提出一种组合模型的方式引入其他模型估算的低频散射分数替代卫星派生数据作为输入10。虽然最新研究中的 1 min 尺度分离模型都提出了各种波动性指标解
6、释云增强事件，但复杂的云运动对太阳辐射的影响是一段时间内的持续现象，需要时间序列数据才能完整解释一段时间内太阳辐射的真实波动。但受到回归分析方法的限制，BRL 模型等经典方法8-11只考虑计算点前后一个时间点的数据平均值或是数据的低频平均值，难以考虑一段时间内的大量时间序列数据，削弱了对太阳辐射真实波动的解释性。与传统回归分析方法相比，机器学习方法在最近几年得到迅速发展，其可利用大量参数和复杂结构对复杂现象进行预测，可提供更好的经验关系。在分离模型建模方面，人工神经网络（artificial neuralnetwork，ANN）模型也应用在小时与日尺度的分离建模，并表现出比经典模型更优的性能1
7、2-14。因此，为提高分钟尺度分离模型精度，本文采用人工神经网络分析时间序列的大量数532太阳能学报44卷据进而解释太阳辐射的波动性。基于此，本研究根据江苏省常州市 20182021 年逐分钟实测辐射数据，应用多层感知机（multilayer perceptron，MLP）神经网络建立分离模型，使用 Garson 算法进行特征选择，并建立基于时序数据的分离模型。通过测试实验验证，证明了时序数据对分离建模的显著增益。1分钟尺度经典分离模型为验证现有研究中的分钟尺度经典分离模型，本文选取Engerer2 模型、Starke 模型和 Yang 模型进行测试。1.1Engerer2模型Engerer2
8、 模型由 Engerer 在 2015 年提出4，是首次使用1 min 尺度数据建立的分离模型，其明确考虑了一个线性修正项来识别云增强事件，早期模型采用澳大利亚 6 个地点的1 min 尺度数据建模，并在 2019 年采用全世界 60 个地点的1 min 尺度数据对模型进行重参数化15，其模型表达式为：kEngerer2d=C+1-C1+e()0+1kt+2tAST+3z+4ktc+5kde（1）ktc=ktc-kt（2）kde=max|0,1-Egh,csEgh（3）式中：kd散射分数，kd=EdhEgh，Edh为水平面太阳散射辐照度，Egh为水平面太阳总辐照度；kt清晰度指数，kt=Egh
9、E0h，E0h为地外水平面总辐照度；tAST真太阳时；Z太阳天顶角；ktc清晰度指数偏差；kde线性校正指标，是用于识别云增强的线性修正项，可解释云增强产生的额外散射；ktc晴空清晰度指数，ktc=Egh,csE0h，Egh,cs为晴空水平面辐照度。1.2Starke模型Starke 模型由 Strake 等在 2018 年提出8，其在经典 BRL模型的基础上，使用一种分段函数的模型，采用澳大利亚和巴西的数据对云增强与非云增强现象进行分段拟合，并在2021 年采用全球数据对不同气候分布拟合参数16，其改进后的模型表达式为：kStarked=|11+e()0+1kt+2tAST+3+4kt,da
10、ily+5+6Egh,cs+7kt,hourly,1.05,kt0.7511+e()8+9kt+10tAST+11+12kt,daily+13+14Egh,cs+15kt,hourly,其他（4）式中：太阳高度角；kt,hourly、kt,daily清晰度指数的小时平均值与日平均值；晴空指数，=EghEgh,cs；BRL 模型所提出的波动性指标，表示清晰度指数的变化，其表达式如式（5）所示。=|()kt-1+kt+1/2，tsunrisettsunsetkt+1，t=tsunrisekt-1，t=tsunset（5）式中：tsunrise日出时刻的当地真太阳时；tsunset日落时刻的当地真太
11、阳时。1.3Yang模型Yang 模型由杨大智等9在 2019 年首次提出，其在Engerer2 模型的基础上，引入卫星再分析数据，使用卫星派生的小时散射分数值作为模型附加输入。但由于卫星再分析数据的使用限制，Yang 等10再次提出一种时间分辨率级联方法，采用 Engerer2 模型的小时散射分数估算值替代卫星数据，Yang 模型的表达式为：kYangd=C+1-C1+e0+1kt+2tAST+3z+4ktc+6kEngerer2d,hourly+5kde（6）式中：kEngerer2d,hourlyEngerer2 模型的小时估算值。1.4太阳天文参数计算分离模型的计算与辐射数据质量控制都
12、需要太阳天文参数，本文太阳天文参数计算方法参考文献 17，为提高 1 min 尺度分离模型计算精度，本文采用太阳常数的最新修正值 1361.1 W/m2 18，并计算赤纬角的分钟值。此外，为避免分离模型对额外观测数据的需求，本文采用 TJ 晴空辐射模型19为分钟尺度分离模型提供水平面晴空辐照度数据，该模型可在精度与复杂性上达到平衡。2辐射数据2.1数据来源本文使用的逐分钟地面辐射观测数据来源于常州市天合 光 能 光 伏 科 学 与 技 术 国 家 重 点 实 验 室 辐 射 观 测 站（31.8697N，120.0112E，海拔 8 m），站址所在地区属于北亚热带季风气候，干湿冷暖，四季分明，
13、雨量充沛。辐射站观测设备采用荷兰 Kippzone 生产的 CMP11 总辐射表与 CHP1 直接辐射表，以及 SOLSY2 全自动太阳跟踪器，可实现地面辐射的高精度观测。数据集收集了 2018 年 5 月2021 年 9 月的辐射数据。如图 1 所示为辐射观测站场地图。图1辐射观测站场地图Fig.1Field map of radiation observation station4期张起源等：基于MLP-Garson模型的分钟尺度太阳辐照直、散射分离建模与验证研究5332.2数据质量控制为消除错误测量数据，本文采用国际能源署最新提出的辐射数据质量控制方法20。如图 2 所示为数据质量控制结
14、果散点图。经质量控制后的合格数据共 615907 min。将2018 年 5 月2020 年 9 月的数据量作为训练集，用于本文模型训练与经典模型本地优化；将 2020 年 10 月2021 年9 月的数据作为测试集，用于对所有模型进行测试实验验证。最终，训练集数据量为 436532 min，测试集数据量为179375 min。1.00.80.60.40.20.00.00.20.4剔除数据合格数据清晰度指数kt散射分数kd0.60.81.0图2数据质量控制结果Fig.2Data quality control results3模型方法3.1分离模型输入特征分析在过去的研究中，分离模型主要为以k
15、t为特征的单特征模型与包含天文计算参数、气象参数等额外特征的多特征模型。为避免额外观测数据影响模型适用性，分离建模研究通常仅使用水平面总辐照度（global horizontal irradiance，GHI）观测数据与相应的计算参数。在本研究中，根据物理意义选择 13 个初始特征作为输入，分别为水平面总辐照度（Egh）、地外水平面总辐照度（E0h）、晴空水平面总辐照度（Egh,cs）、晴空法向直射辐照度（Ebn,cs）、太阳天顶角（z）、太阳方位角（s）、逐分钟赤纬角（）、真太阳时（tAST）、清晰度指数（kt）、晴空指数（）、晴空清晰度指数（ktc）、清晰度指数偏差（ktc）、线性校正指标
16、（kde），而未使用kt,hourly、kt,daily、kEngerer2d,hourly和这 4 个特征。因为以上 13 个特征需要了解计算时刻以及未来时刻的 GHI 观测数据。在对历史数据进行直散射评估时，未来数据已知，不存在使用限制。而处理即时预测任务时，未来数据未知，需要未来观测数据计算特征的模型无法使用。因此，Starke 模型与 Yang 模型在实际工程应用上受到限制。同时，本研究采用时间序列数据作为波动性指标，在经典模型中，采用时间序列数据的统计指标作为输入特征，如两时间点的平均值，可能会丢失时序数据的大量有效信息，而机器学习模型则可输入一段时间内的大量时间序列数据，并提取时序数据的有效信息。因此，考虑kt为历往分离模型最重要特征，本研究使用了计算时刻前n分钟的逐分钟清晰度指数kt作为输入特征，为模型提供太阳辐射波动信息。3.2人工神经网络原理本研究使用人工神经网络中的多层感知机（MLP）网络，MLP 网络的基本结构是由输入层、一个或多个具有突触权重的隐藏层和输出层组成，其某一层神经元的表达式为：yi=j=1nwi,jxi,j+bi（7）式中：yi该层的第i个神经元；w
