王科, 黄晶

气候变化研究进展 2023, 19 (2): 160-172. DOI: 10.12006/j.issn.1673-1719.2022.096

摘要（796）

HTML （64）

PDF（pc）（1678KB）（1165）

太阳能被认为是最有希望大规模利用的可再生能源，具有广阔的应用前景。对太阳能资源进行合理且准确的评估是太阳能资源开发利用的第一步，也是关键的一步。然而全球大部分地区的太阳辐射观测资料十分有限，利用其他气象数据对太阳能资源进行评估是目前的主流方法。文中归纳和总结国内外太阳能资源评估的4种主要方法的基本原理、主要技术路线以及最新研究进展，对比分析不同方法的误差范围，系统地讨论各种评估方法的不足，并在此基础上对太阳能资源评估方法在我国未来的发展趋势进行了展望。经验模型和人工智能模型较依赖数据的特征，物理模型中云影响太阳辐射过程的描述存在不准确性，数值天气预报模式中资料同化和物理过程参数化方案的选定较关键。发展多种方法结合的太阳能资源混合评估模型是未来太阳能资源评估的主要发展方向之一。

太阳辐射观测数据是评估太阳能资源最直接和最准确的数据，但由于测量仪器的安装和维护费用较高，我国气象观测站中仅少量站点具备太阳辐射探测的能力[5]（表1）。尤其在一些偏远地区（如西北的戈壁地区），光照时间长，太阳能资源总体较丰富，然而这些地区的太阳辐射观测气象站的分布却十分稀疏，直接利用太阳辐射观测资料对这些地区的太阳能资源进行总体评估并不合理且精度较低，进而导致光伏发电厂的选址存在较大的不确定性。在高质量太阳辐射观测数据不足的情况下，利用其他气象资料和方法对太阳能资源进行评估已经成为国内外最主要的太阳能资源评估方法[6?-8]。具体分为以下4种：(1)利用统计学方法建立常规气象要素与太阳辐射之间的关系模型，将其他气象站点的观测数据输入该模型便可反算出该地区的太阳辐射的方法被称为经验模型方法；(2)近十几年来，全球气象卫星监测网络日益完善，利用气象卫星监测数据以及辐射传输理论对太阳能资源进行评估的方法开始逐渐发展，这种方法被称为物理模型方法；(3)数值天气预报模式是国内外预报未来天气状况的主要工具，数值模式还可以计算和输出太阳辐照度产品，用于太阳能资源的评估；(4)人工智能模型是最近十几年兴起的一种数据处理技术，通过对数据进行反复的学习和训练，不断调整和改变模型中参数的权重，最终达到对太阳辐射数据的拟合目的。