基于改进的扩散估计模型及AR-LSTM的光伏建筑气象年生成方法

《Energy》：A generation method of meteorological year for photovoltaic buildings based on AR-LSTM with an improved diffuse estimation model

　　李红莲|邢文轩|何希|司一芳|曹琪萌|王尚宇|刘阳中国陕西西安建筑科技大学信息与控制工程学院摘要近年来，中国的可再生能源发展迅速，光伏建筑作为可再生能源利用的重要形式之一。为了更好地进行光伏建筑的初步节能设计与评估，有必要建立光伏建筑的气象年。首先，关于现有光伏建筑辐射气象年的研究，大多数研究以全球太阳辐射作为气象参数，而忽略了全球太阳辐射到达水平面时的两个组成部分：直射辐射和散射辐射。这两种成分在不同天气条件下对光伏发电有着显著影响。尽管已有大量关于散射辐射估算模型的研究，但目前的研究并未考虑大气中各种因素及云层透明度的影响，散射辐射估算模型的准确性仍有待提高。其次，构建光伏建筑气象年所涉及的气象参数都具有很强的时间特性，尤其是直射辐射和散射辐射，其变化速度快且波动性大。现有的辐射气象年生成方法无法准确捕捉这些气象参数的时间特性、快速变化及高波动性。因此，本文完成了以下工作：（1）在降水后的扩散分数和扩散系数模型基础上，通过引入云透射率和大气质量系数作为输入参数，进一步提高了现有散射辐射估算模型的准确性。（2）采用自回归模型与长短期记忆网络模型相结合的方法，即AR-LSTM模型。该模型利用自回归模型捕捉辐射数据中的短期变化规律，利用长短期记忆模型捕捉太阳辐射变化的长期规律，从长期数据中选取能够代表直射辐射和散射辐射等气象因素长期平均特征的典型月份，从而构建光伏建筑的气象年。本文以太阳能辐射分区中的四个城市为例进行了验证实验，分别为I区的格尔木和拉萨，以及II区的喀什和乌鲁木齐。实验结果表明：①改进后的散射辐射估算模型在这四个城市的决定系数值在0.96-0.99之间，与实际值拟合良好；均方根误差和平均绝对偏差误差的值在0.007-0.021之间，预测精度较高；四个城市的平均偏差误差值都与实际值较为接近。②这四个城市光伏建筑气象年的各主要气象参数（干球温度、相对湿度、直射辐射和散射辐射）与长期平均值的拟合程度在0.78-0.99之间，表明与长期平均值拟合良好。与双LSTM模型、LSTM模型、随机森林模型和XGBoost模型相比，AR-LSTM模型在处理直射辐射和散射辐射方面表现更佳。对于其他气象参数，AR-LSTM模型与长期平均值的相对误差范围在0.02%-4.94%之间。AR-LSTM模型在保持光伏建筑关键辐射输入变量的长期统计特征方面具有更大优势。引言光伏建筑是一种将太阳能光伏发电系统与建筑物有机结合的新型建筑形式，它不仅满足了建筑本身的需求，还能实现绿色能源的就地生产和使用。在中国“双碳”目标下，光伏建筑能够满足节能减排的需求，同时还能减少对传统化石能源的依赖[1]、[2]。光伏建筑不仅适用于公共建筑和住宅建筑，也适用于工业厂房和城市综合体，因此逐渐成为推动建筑节能和可再生能源利用的重要方向[3]。光伏建筑的能源产出和节能效果不仅取决于建筑设计及光伏系统本身，还与当地气象条件密切相关。太阳辐射强度、温度、湿度和风速都会直接影响光伏系统的发电效率以及建筑物的能耗水平[4]、[5]。因此，在评估光伏建筑的性能和模拟其能源效率时，合理的气象数据至关重要。辐射气象年的构建侧重于全球太阳辐射这一气象参数，然而当全球太阳辐射到达水平面时，其实由直射辐射和散射辐射两种成分组成，这两种成分对光伏建筑的发电有着重要影响[6]。直射辐射是指平行阳光直接照射到表面所产生的辐射量，而散射辐射则是在阳光照射到大气中的水分子、气体分子和尘埃颗粒后方向发生改变而产生的。这两种成分对光伏建筑发电的影响体现在光伏组件上，光伏组件正面的辐射强度主要由直射辐射贡献，在晴朗无云的条件下，直射辐射对光伏系统的贡献大于散射辐射；而模块背面的总辐射强度中，散射辐射的影响大于直射辐射。此外，在多云或阴天时，散射辐射对光伏系统的贡献也大于直射辐射。因此，在构建光伏建筑的气象年时，除了要考虑干球温度、相对湿度、风速等室外气象因素外，还需要基于辐射气象年中重点关注的太阳辐射气象参数，综合考虑直射辐射和散射辐射这两种太阳辐射成分。与其他气象参数相比，辐射参数的观测数据相对较少，即便在具备辐射数据的气象站，大多也只记录全球太阳辐射数据[7]。当全球太阳辐射到达水平面时，主要由直射辐射和散射辐射构成，但现有的辐射数据中缺乏直射辐射和散射辐射的单独数据。研究人员通过构建散射辐射估算模型来获得估算的散射辐射数据，而直射辐射数据则可以从总辐射数据及两者之间的关联关系中推导出来。不过，现有散射辐射估算模型的准确性仍然不足，导致估算的散射辐射数据不够精确，进而使得推导出的直射辐射数据也存在误差。云透射率()和大气质量系数(AM)与辐射成分照射到地面的过程密切相关。云透射率指的是云层传递太阳辐射的能力，表示经过云层后有多少辐射能够到达地面。大气质量系数则描述了阳光穿过地球大气层的路径长度与垂直入射路径长度（即太阳位于天顶时的路径长度）的比值，用于衡量阳光在不同角度下受到大气影响的程度，尤其是散射和吸收效应。为提高散射辐射估算模型的准确性，需要向其中添加两个参数。目前大多数关于辐射气象年的研究都在典型气象年的构建方法中调整全球太阳辐射等相关气象参数的权重，而没有关注太阳辐射成分（直射辐射和散射辐射）的时间序列特征和波动情况[8]。同时，尽管现有的深度学习方法能够处理时间相关问题，但它们往往直接将多种气象参数输入模型，未能进一步针对辐射成分的快速波动特性进行专门建模。因此，本文采用自回归模型与长短期记忆神经网络模型相结合的复合模型（AR-LSTM）来构建光伏建筑的气象年。自回归(AR)模型是一种统计模型，其作用是根据过去的观测值来预测时间序列数据的未来值，该模型能够体现直射辐射和散射辐射的快速变化和波动性，并通过自回归模型捕捉这两种成分的特征。长短期记忆神经网络(LSTM)模型的核心思想是将信息存储在各个记忆单元中，不同隐藏层中的记忆单元通过少量的线性相互作用形成“传送带”，实现信息的传递。LSTM模型能够学习和记忆包括直射辐射和散射辐射在内的气象参数数据的长期时间变化规律。通过AR-LSTM模型构建的光伏建筑气象年为高效评估光伏建筑提供了数据支持，从而有效提升光伏系统的整体能源效率。本文提出的方法框架示意图见图1。文献综述由于本研究的核心在于获取更准确的辐射成分数据，并构建能够反映辐射成分时间序列特征和波动性的光伏建筑气象年，因此本节将从两个方面展开综述：气象年的发展以及辐射成分估算模型的发展。研究方法为了解决散射辐射估算精度不足以及难以捕捉快速变化的辐射成分的问题，本文的研究方法主要包括两个方面：首先，在现有散射辐射估算模型的基础上，通过引入云透射率和大气质量系数这两个关键物理参数，对散射辐射估算模型进行扩展和修正，从而获得更可靠的直射辐射数据。改进后的散射辐射估算模型利用前述研究中描述的计算云透射率和大气质量系数的方法，获得了1988年至2007年这四个城市的云透射率和大气质量系数数据，再结合从中国气象局气象数据中心获得的这四个城市1988年至2007年的日散射辐射、总辐射、日照时数、平均温度、相对湿度和降水量数据。结论本文提出了一种更注重直射太阳辐射和散射辐射的光伏建筑气象年生成方法。首先，向现有的散射辐射估算模型中加入云透射率和大气质量系数这两个新参数，从而获得更准确的直射辐射和散射辐射数据。其次，基于准确的直射辐射和散射辐射数据，利用AR-LSTM模型筛选出合适的参数。CRediT作者贡献声明李红莲：写作——审阅与编辑、监督、资金获取、概念构思。邢文轩：写作——审阅与编辑、写作——初稿撰写、可视化、软件应用、方法设计、数据整理。何希：监督、软件应用、方法设计、概念构思。司一芳：写作——审阅与编辑、验证、监督、定量分析。曹琪萌：监督、调研、定量分析。王尚宇：可视化、监督、资源协调。刘阳：监督、资源协调。利益冲突声明作者声明不存在任何可能影响本文工作的已知财务利益或个人关系。致谢本研究得到了国家自然科学基金项目“建筑能效气象年时空延伸方法研究”（项目编号52278124）的支持，同时感谢国家气象信息中心提供的气象数据。