基于时间序列聚类的太阳辐射分区方法及其在分离模型优化中的应用

为解决传统K?ppen-Geiger气候分类在太阳辐射分区中的局限性，研究人员提出了一种基于离散傅里叶变换(DFT)和时间序列特征提取的聚类方法，通过K-means算法识别出6个辐射特征相似的分区。结果表明，基于新分区的Starke模型在50个气象站中的34个表现优于传统气候分类调整模型，显著提升了全球水平辐照度(Gh)、直接法向辐照度(Bn)和漫射水平辐照度(Dh)的估计精度，为太阳能电站设计提供了更精准的辐射分区依据。

　　

太阳能电站的设计高度依赖站点辐射特性的精确评估，但全球范围内完整辐射数据的缺乏迫使研究者采用分离模型（separation models）来估算关键辐射组分。传统方法通过K?ppen-Geiger气候分类调整模型参数，然而这一基于植被分布的分类系统可能将辐射特性迥异的区域归为同一气候带，导致模型准确性受限。例如，热带气候带可能同时包含高云量和低云量区域，而两者对大气衰减（atmospheric attenuation）的影响截然不同。

针对这一挑战，智利太阳能研究中心（SERC Chile）的Eduardo Rodríguez团队在《Renewable Energy》发表研究，创新性地将太阳辐射数据视为时间序列，结合离散傅里叶变换（DFT）和时序特征提取技术，开发了一种动态聚类方法。研究人员从基线表面辐射网络（BSRN）的50个气象站获取数据，选取与大气衰减和天空条件相关的5个输入变量，通过DFT转换后利用tsfresh库提取时序特征，经PCA降维后应用K-means算法聚类。

关键方法：研究采用BSRN气象站分钟级数据，通过DFT将辐射数据转换为频域特征，结合tsfresh库提取1590个时序特征，PCA保留95%方差后，通过肘部法则确定最优聚类数。最终使用Starke模型验证新分区的有效性。

Clustering solar radiation zones
研究揭示了传统CIE天空分类与K?ppen-Geiger气候分区的局限性，提出辐射分区应同时考虑统计特性和时序模式。通过分析G_h、B_n、D_h的时序相关性，发现大气透射率和天空澄明度是区分辐射特征的核心指标。

Proposed approach
创新性地将辐射数据转换为频域信号，解决了传统方法忽略时序动态性的缺陷。特征提取阶段特别关注辐射组分的周期性波动，如季节性和昼夜循环模式。

Methodology
50个BSRN站点数据经质量控制后，计算每小时平均辐射值。DFT处理后的特征矩阵显示，前3个主成分解释了88%的方差，聚类分析确定6个分区最优，其地理分布突破了传统气候带界限。

Results
聚类模型在68%的站点（34/50）中显著提升Starke模型性能，尤其对高纬度站点改进明显。例如，南极Neumayer站的D_h估计误差降低19%，而热带站点差异不显著，证实新方法对辐射极端区域的适应性。

Discussion
研究指出，Cluster 3（包含沙漠和高原站点）表现出独特的高B_n/G_h比特征，而Cluster 5（海洋性气候）则以强漫射辐射为主。这种基于物理机制的划分比温度/降水分类更直接反映辐射特性。

Conclusions
该研究开创了太阳辐射的时序聚类范式，证明DFT特征比静态气候参数更能捕捉辐射本质。其意义在于：1）为分离模型提供物理意义明确的校准框架；2）建立的6个辐射分区可作为新能源开发的选址参考；3）时序分析方法可扩展至风能等其他气象依赖型能源领域。作者团队强调，未来可结合卫星数据扩展分区覆盖范围，并探索深度学习在特征提取中的潜力。