天津地区地面逐时太阳辐射的模拟计算

利用2008年3月—2011年2月中国气象局天津大气边界层观测站太阳辐射和同期地面常规气象观测资料,分析了天津市太阳辐射变化特征及其与气象要素之间的相关关系。采用逐步回归方法,建立了不同季节地面太阳辐射预报方程。结果表明:天津市太阳辐射月均值变化呈现单峰型,5月达到最大,12月最小。地面太阳辐射与相对湿度(RH)呈显著负相关。对地面太阳辐射季节拟合效果比全年拟合效果好,春季除外。此外,不同季节拟合结果对不同天气类型的预报效果不同。

神经网络模型在逐时太阳辐射预测中应用

设计了一种基于遗传算法的神经网络太阳辐射预测模型。该模型结合了历史逐时辐射数据和气象要素数据,并在训练和预测时加入了温度日较差和天气类型预报参数。还设计了预测因子选择方法、输入资料的处理方法和结果误差评估方法。利用武汉站2007年至2008年8月辐射数据对模型进行了训练,并对2009年8月的逐时辐射进行了诊断预报。预测结果表明,预测模型在天气类型稳定的情况下具有较高的精度,能够反映太阳辐射的日变化状况和辐射量级大小,但在天气类型剧烈变化的情况下预测精度有限。

基于BPSO-BP的逐时太阳辐射多步预测

太阳能作为一种可再生的新能源,越来越受到世人的强烈关注。由于太阳辐射的随机性很大,同时考虑到太阳辐射多步预测存在的难点,文章利用了一种基于二进制粒子群优化(binary particle swarm optimization,BPSO)算法优化BP(backpropagation)神经网络输出层节点个数的MISIO(multi-input several multi-output)逐时辐射量多步预测模型。首先利用虚假邻点法(false nearest neighbors,FNN)选择出预测模型的最佳嵌入维数,接着采用BPSO选择出多步预测模型的个数和各模型输出节点数,最后分别对各BP模型进行训练、测试。仿真结果表明,文章所用策略明显优于传统策略。

基于WRF模式输出统计的逐时太阳总辐射预报初探

基于WRF(weather research and forecasting model)模式逐时输出结果,设计了逐时太阳总辐射的模式输出统计(model output statistics,MOS)预报流程。主要包括:对逐时观测序列进行低通滤波再除以天文辐射,对模式输出因子的筛选和降维,以及建立MOS预报方程,并对2009年1月、4月、8月和10月武汉站逐时太阳总辐射进行预报试验。结果表明,该方案在各月预报相对稳定,拟合和预报效果均较为理想,可使平均绝对百分比误差控制在20%～30%,相对均方根误差控制在30%～40%,相对模式直接预报辐射改进了50%左右。由此可见,通过对模式输出进行解释应用,可以有效提高辐射预报的准确率。此外,客观分析所得的气温、云量、露点、比湿、相对湿度、地面气压等13个模式输出因子可以作为各地区建立MOS辐射预报方程的参考因子。

基于小波神经网络法的海南地区逐时太阳总辐射预测研究

利用2003—2012年海口市气象站不同季节逐时太阳总辐射观测资料与对应气象参数,建立基于小波BP神经网络法逐时太阳总辐射的预测模型,并利用2013年太阳总辐射数据对模型进行检验,且与建立的逐步回归模型进行对比。结果表明:小波神经网络法建立的逐时太阳总辐射预测模型精度较高,但不同季节模型预测精度存在差异,冬季预测精度最高,夏季预测精度最差,天气类型指数有利于不同季节模型预测精度的提高。春季、夏季、秋季和冬季加入天气类型指数神经网络模型的逐时太阳总辐射预测值与观测值的回归估计标准误差分别为0.32、0.47、0.35 MJ·m-2及0.23 MJ·m-2,比逐步回归模型的预报精度分别提高了28.8%、16.3%、17.9%和20.4%,说明基于小波神经网络法建立的预测模型可为海南地区逐时太阳总辐射预测提供参考。

太阳辐射逐时化方法及软件实现

气象参数是建筑能耗模拟的基础,而逐时太阳辐射是建筑能耗模拟中最为重要的气象参数之一。介绍并比较了国内外逐时太阳总辐射模型和直散分离模型,选择C-P&R模型和Gompertz模型,采用MATLAB编程实现了全年太阳辐射的逐时化,并开发了相应的界面。利用开发的软件得到了上海气象台站2013年的逐时太阳总辐射、逐时直射数据和逐时散射数据,并和实际值作了比较。结果表明,计算得到的逐时太阳辐射数据符合全年辐射的变化规律,界面化的实现为建筑能耗模拟提供了便利。

基于GA-BP神经网络的逐时总辐射分组模型研究

通过分析影响太阳辐射的主要因素,提出以太阳高度角、季节和天气(晴空指数)作为数据划分依据的分组模型建立方法。以拉萨和西安地区的逐时气象数据和辐射数据为例,基于遗传算法(genetic algorithm,GA)优化的BP神经网络,建立太阳高度角、季节和天气类型的逐时总辐射分组模型。该研究揭示分组模型误差变化的规律,并将其估算误差与AllData模型比较。结果显示,相较于AllData模型,分组模型的估算误差均有降低。其中,天气分组模型误差最小,且西安的天气分组模型结果优于拉萨。西安天气分组模型平均绝对百分比误差(MAPE)和相对均方根误差(rRMSE)相较AllData模型结果分别下降3.96%和4.18%。研究结果表明分组模型能够降低逐时总辐射估算误差,可为估算逐时总辐射提供方法借鉴。