Please wait a minute...
 
图/表 详细信息
国内外太阳能资源评估方法研究现状和展望
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   (783 HTML61 PDF(pc) (1678KB)(1098)  

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。


View table in article
表2 4种模型均方根误差的最小值、最大值和变化
正文中引用本图/表的段落
误差对比需要统一评估的变量、单位以及误差指标,本文评估变量为水平面上的太阳总辐射。为了更好地表示太阳辐射的累计效应,单位统一使用MJ/(m2∙d)。评估误差指标采用太阳辐射的均方根误差。本节主要对比4种方法均方根误差的最小值(RMSEmin)、最大值(RMSEmax),以及均方根误差的变化(δRMSE=RMSEmax-RMSEmin),其中均方根误差的变化用来表示评估方法的稳定性。
如表2所示,经验模型的RMSEmax和δRMSE分别为2.26 MJ/(m2∙d)和1.90 MJ/(m2∙d),在4种方法中均为最低并且RMSEmin仅比最小的人工智能模型高0.04 MJ/(m2∙d),表明经验模型对于太阳能资源评估的效果最好且最稳定[21-22,80??-83]。物理模型的RMSEmin、RMSEmax和δRMSE均低于数值天气预报模型但高于经验模型。已有研究表明,在晴空条件下物理模型对于太阳能资源的评估误差较小且较为稳定,但在全天空条件下误差会显著增加[37,84?-86],这可能是由于目前对于云影响太阳辐射过程的物理机制的理解仍存在一定不足。此外,本文并未区分每种模型对于不同时间尺度太阳能资源评估的误差。物理模型多用于逐小时和逐日时间尺度的太阳能资源评估,而经验模型多应用于月及以上时间尺度的太阳能资源评估。太阳能资源在月时间尺度上的线性变化特征较明显,其主要变化周期和信号更容易获取,而在逐小时和逐日时间尺度的非线性变化特征更明显,对其变化周期和信号的拟合更加困难。因此,表2中经验模型的评估结果优于物理模型可能是由两种方法的时间尺度不同导致。数值天气预报对于太阳能资源评估的RMSEmin、RMSEmax和δRMSE均为4种模型中最高[41-42,87?-89]。数值天气预报的误差来源在晴空和全天空条件下有所不同。在晴空条件下,误差主要来源于模式中经验或半经验性的参数化方案以及气溶胶光学特征的准确性;在全天空状况下,由于目前云观测技术的限制,高质量的三维云微物理结构数据难以获取,云的初始场误差会导致太阳辐射模拟的误差。尽管人工神经网络RMSEmin为4种模型中最低,但RMSEmax较高[68,71,90-91],因此人工智能模型对于太阳能资源的评估相比于经验模型并未有显著提升,该结果与Zhang等[78]和Teke等[79]的研究结果一致,这可能是由于人工智能模型对时间序列有时存在过拟合现象。
本文的其它图/表
京ICP备11008704号-4
版权所有 © 《气候变化研究进展》编辑部
地址:北京市海淀区中关村南大街46号 邮编:100081 电话/传真:(010)58995171 E-mail:accr@cma.gov.cn
本系统由北京玛格泰克科技发展有限公司设计开发 技术支持:support@magtech.com.cn