封面故事| 光功率曲线教程综述：回归、模型链、混合模型与概率性模型
文章来源于：大气科学进展AASCitation
Yang, D., X. Xia, and M. J. Mayer, 2024: A tutorial review of the solar power curve: Regressions, model chains, and their hybridization and probabilistic extensions. Adv. Atmos. Sci., https://doi.org/10.1007/s00376-024-3229-4
Download
http://www.iapjournals.ac.cn/aas/en/article/doi/10.1007/s00376-024-3229-4
封面故事 | 光功率曲线教程综述：回归、模型链、混合模型与概率性模型
如何应对气候变化是人类社会面临的一个长期的焦点问题。全球能源结构从以化石燃料为主转变为以可再生能源为主，被广泛认为是实现碳中和，减缓气候变化的最重要举措。由于太阳能和风能这两种最丰富的可再生能源都依赖于天气，一个被称为 "能源气象学"的交叉学科迅速崛起，并将在推动可再生能源的利用方面发挥重要作用。太阳能能源气象学主要探讨两个关键课题，即太阳能资源评估和太阳能预报。简言之，太阳能资源评估的核心目标是准确估算太阳能电站的长期发电潜力，而太阳能预测的核心目标则是可靠预测太阳能电站近期的发电量。这两个课题的成功与否首先取决于与辐照条件有关的全方位信息的精确度和颗粒度，此外，将太阳辐照度及辅助参数信息转化为光伏系统输出功率（或称为“出力”）也至关重要，我们将这个转化的数学过程称之为光功率曲线。
为了推动气象和能源领域继续深入合作，《大气科学进展》邀请哈尔滨工业大学杨大智教授、中国科学院大气物理研究所夏祥鳌研究员、匈牙利布达佩斯技术与经济大学Martin János Mayer博士共同撰写了光功率曲线综述文章。论文全面介绍了与光功率曲线有关的基本科学和工程原理，详细评述了两类光功率曲线建模方法（回归法和模型链法），重点阐释了最新研究进展以及存在的基本问题，并在此基础上，针对如何提高光功率曲线建模精度和量化及其不确定性，详细评述了最新发展的混合和概率扩展方法。
AAS2024年第8期封面。封面展示了太阳能研究的主要元素，以及太阳能与电网并网的前景。光伏板前利用阳光进行光合作用的植物欣欣向荣，人类科学文明和自然环境相映成趣。
英文综述长达45页，包含近100个公式，作者们希望读者通过阅读这篇包含了几乎所有相关文献的教程式（tutorial）综述，不需要再额外进行文献查阅和公式推导，就可以全面理解光功率曲线的基本概念，了解相关研究进展，并在掌握光功率曲线建模原理基础上提供大气科学解决方案。
作者们还撰写了中文导读，方便中文读者了解综述的框架和关键概念。
引言
与风功率曲线相似，光功率曲线并不是一条传统意义上的“曲线”，因为从水平总辐照度向光伏出力的映射过程是非单射的，如图1所示，同一水平总辐照度（例如600 W m-2）对应着一个区间的光伏出力（0.1—0.8倍的装机容量）。近50年来，人们一直在寻找能够完美解释同一辐照度下不同光伏出力的原因，在此过程中归纳或演绎出大量科学与工程原理。这些原理非单一学科所能涵盖，如将水平辐照度分量转换到倾斜表面的原理属于物理学范畴，影响光伏板表面颗粒物的组成和沉积的原理属于化学范畴，而决定DC/AC逆变器效率的原理则属于电气工程范畴。本文首次对光功率曲线进行了详细解读，并对其建模展开深入讨论。考虑到光功率曲线的多学科交叉特性，为让更多读者了解相关知识，我们打破以往综述“言简意赅”的风格，对许多专业行业熟知但外行业生僻的知识点进行了详细解读，本文适合所有对光功率曲线感兴趣或想要了解本行业前沿研究的读者。
图 1：光功率曲线的非单射性。
光功率曲线分类
有两类不同的方法可以用来构建光功率曲线，第一类是回归，第二类是模型链。有些学者也通过 "数据驱动 "和 "物理 "或 "单级 "和 "多级 "来区分这两类方法。回归，顾名思义，就是将水平总辐照度以及辅助参数回归至光伏出力。由于统计与机器学习领域已有大量成熟的回归方法，此类光功率曲线十分灵活。相比之下，模型链将一系列能源气象子模型级联起来，每个子模型负责整个过程中的一个转换阶段/机制，前面子模型的输出作为后面子模型的输入，如图2所示，成链条状，故称作“模型链”。模型链的基本输入包括时间、地点、水平总辐照度、温度、风速和地表反照率，而其输出为光伏系统交流出力。基于回归与模型链的光功率曲线各有所长，在文中三、四章节进行了深入探讨。
图 2：模型链示意图。
基于回归的光功率曲线
众所周知，回归模型的预测质量与输入质量以及建模技巧息息相关，正确有效的选择光功率曲线输入变量和使用先进的回归技巧至关重要。本文详述了提高基于回归的光功率曲线预测质量四点考量，它们依重要顺序依次是：(1) 晴空信息的利用，(2) 特征选择和工程，(3) 概率性和集合建模，(4) 其他已知的太阳能工程回归应用一般准则，如选择非参数和/或基于树的方法。
基于模型链的光功率曲线
模型链是本文最重要部分，因此篇幅较长，共分成七小节，依次介绍了太阳定位模型、直散分离模型、转置模型、光伏封装透过率模型、光伏电池温度模型、直流功率模型以及损耗模型（包括遮挡、沙尘沉降、逆变器、连接线、变压器损耗等）。值得一提的是，每个模型链阶段都包括若干子模型，如目前已发表直散分离模型多达150种。本文作者结合不同子模型的优缺点以及最前沿研究结论给出使用建议。基于模型链的光功率曲线建模可通过如pvlib或pvsyst之类的太阳能专业软件完成，通过阅读本节，读者可以完全掌握该类软件中各参数的意义及使用方法，甚至通过编程形式延伸现有软件的功能。
混合光功率曲线与概率性光功率曲线
将两种或两种以上的技术串联起来以提高整体建模性能是许多领域公认的策略，这种策略被称为混合建模。就光功率曲线建模而言，回归方法的缺点是对历史数据的依赖性，而对大气科学和太阳能工程领域的理论知识考虑较少。另一方面，模型链的大多数子模型都是半经验的，因此即使是最详细的模型链也必须依赖于一些对物理的简化，从而影响其准确性，尤其是在现有设计数据不完整的情况下。平衡两类光功率曲线的利弊，本文提出混合光功率曲线的一般建模方法，如图3所示，将光功率曲线作为整体进行优化，可有效提高预测质量，这是本领域最前沿的研究。
另一前沿方法是概率性光功率曲线建模。使用概率性预测的主要动机是量化与估计预测值的不确定性。概率性气象参数通常通过集合预报获取，如图4（a）所示。另外，由于每个模型链阶段都包括若干子模型，集合模型链的概念也应运而生。本节主要阐述将概率性气象参数与概率性模型链结合的思想，以及提出了统计后处理在建模过程中的应用和意义，首次给出了一种“整体详尽而相互排斥”的概率性光功率曲线建模分类。
图 3：混合光功率曲线的一般建模方法。
图 4：概率性光功率曲线的一般建模方法。
结论
如果用一句话来概括光功率曲线，那应该是这样的：光功率曲线将辐照度和辅助变量转换为光伏发电功率，既可以是确定性的，也可以是概率性的；既可以是数据驱动的，也可以是物理驱动的（或两者的结合）；其最优性能只能通过统计校准和数学优化来实现，但始终会受到地理、气象和天空条件的影响。光功率曲线可用于太阳能预报和资源评估，后者的应用范围很广，如光伏资源测绘、光伏系统设计和评估、稳固发电、微电网配置、电力系统仿真以及气候变化对太阳能发电的影响。可以肯定的是，这些应用中的每一项都备受关注，也有待不断完善，这也是为什么工业界非常欢迎学界不断开发新方法和新技术的原因所在。
随着光功率曲线建模的复杂性和性能越来越高，例如通过利用更先进的深度学习技术或具有更适当组合的组件模型的模型链，似乎非常有必要同时推进其他配套技术的建模能力，如电池存储或控制系统。只有这样，有关太阳能最佳利用方式的最终结论才能真正站得住脚。作者们在文末指出，上述所有研究的共同基础是数据。国内外气象数据的公开共享机制比较完善，但光伏系统数据因各种原因仍处于非公开状态，研究者苦于获取高质量光伏数据，这一直被视为光功率曲线研究进展的最主要限制因素。因此，我们敦促光伏系统所有者能制订数据共享政策，尽可能公开分享数据，这样通过基础研究的深入开展，推动太阳能行业经济收益的快速发展，并推动实现能源可持续发展。
作者信息
杨大智
哈尔滨工业大学教授，博士生导师
分别于2009，2012，2015年在新加坡国立大学获得学士，硕士，博士学位。太阳能领域权威期刊《Solar Energy》区域主编，《Advances in Atmospheric Sciences》编委。国际能源署“光伏发电系统计划”亚洲代表。共发表SCI论文140余篇，总引用7300（谷歌学术），H-因子46，i-10因子112，是全球发表太阳能预报领域SCI文章数量最多的学者。撰写了太阳能预报专著《Solar Irradiance and Photovoltaic Power Forecasting》。连续3年入选斯坦福大学全球前2%顶尖科学家榜单以及由全球学者库发布的全球顶尖前10万科学家榜单。
夏祥鳌
中国科学院大气物理研究所研究员，博士生导师
主要从事气溶胶-云-辐射相互作用地基和卫星遥感研究。在国内外学术期刊发表论文200余篇，谷歌学术搜索总引用10000余次，H-因子59，i-10因子168。2020年入选斯坦福大学全球前2%顶尖科学家榜单（World’s Top 2% Scientists 2020）。2021年入选由全球学者库发表的全球顶尖前10万科学家榜单。
Martin János Mayer
匈牙利布达佩斯技术与经济大学 助理教授
主要研究领域是可再生能源技术，尤其是基于太阳能的电力生产。博士研究聚焦于光伏（PV）电厂的建模、设计和优化，以及其他可再生能源技术和能量存储方法，在光伏电厂发电的预测方面有丰富经验。2019年至今的谷歌学术总引用811次。
页:
[1]