《Energies》:Short-Term Solar Radiation Prediction Based on Convolution Neural Network and Fitted Clear-Sky Model
Zengli Dai,
Yu Xie,
Yuan Wei,
Dongxiang Wang,
Zhaohui Han and
Yunpeng Deng
编辑推荐:
本研究针对聚光太阳能(Concentrated Solar Power, CSP)系统,提出了一种先进的短期直接法向辐照度(Direct Normal Irradiance, DNI)预测模型,该模型将卷积神经网络(Convolutional Neural N
本研究针对聚光太阳能(Concentrated Solar Power, CSP)系统,提出了一种先进的短期直接法向辐照度(Direct Normal Irradiance, DNI)预测模型,该模型将卷积神经网络(Convolutional Neural Network, CNN)与拟合晴空DNI模型相结合。该模型利用全天空图像和历史DNI数据,通过密集光流分析精确识别云层运动模式,并采用目标感兴趣区域(Region-of-Interest, ROI)方法预测DNI。当最大云像素速度低于每分钟5像素时,直接应用晴空DNI模型或持续性模型进行预测;对于更高速度条件,CNN则预测晴空指数以动态调整预报。在不同天气条件下的实验验证表明,该模型具有卓越的准确性,在阴天条件下,对于不同预测时域,其归一化平均绝对误差(normalized Mean Absolute Error, nMAE)和归一化均方根误差(normalized Root Mean Squared Error, nRMSE)均显著低于近期最先进的深度学习方法。这项工作为防止接收器热冲击和提高CSP运行稳定性提供了一个稳健的解决方案。
### 论文解读:基于卷积神经网络与拟合晴空模型的短期太阳辐射预测研究
#### 研究背景与问题
太阳能作为一种重要的可再生能源,近年来因其环境友好和成本效益而受到广泛关注。随着其利用规模扩大,特别是在大型太阳能电站中,精确的太阳辐射预测的重要性日益凸显。在太阳能系统的各种组件中,定日镜场系统(由众多反射镜组成,将阳光反射至中心接收器发电)尤为关键。然而,包括定日镜系统在内的聚光太阳能(Concentrated Solar Power, CSP)技术的部署面临诸多科学与技术挑战,其中CSP运行的有效控制是主要难题之一。与对辐照度波动容忍度相对较高的光伏(Photovoltaic, PV)系统不同,CSP系统极易受到云层覆盖引发的直接法向辐照度(Direct Normal Irradiance, DNI)突变的影响。这种辐照度的急剧变化会对中心接收器造成严重的热冲击,引发快速且极端的温度波动,加速接收器组件老化,导致传热管堵塞,甚至引发非计划停机,所有这些都严重损害了系统的稳定性和运行效率。值得注意的是,大多数现代CSP电站配备了熔盐储热系统,这在稳定晴空或阴天条件下降低了对高精度DNI预测的依赖;相反,准确预测由动态云层运动引起的DNI突变已成为避免关键运行风险的首要需求。因此,开发一种针对这些动态条件的先进短期DNI预测模型至关重要,旨在有效缓解热冲击风险,并进一步提高CSP技术的运行效率、稳定性和整体市场竞争力。
传统的DNI预测方法主要依赖统计学方法,如时间序列分析和回归分析,通过探索历史数据与太阳辐照度之间的关系进行预测。然而,这些方法难以处理各种气象变量与太阳辐照度之间复杂的非线性关系,从而限制了预测精度的进一步提升。循环神经网络(Recurrent Neural Network, RNN)及其变体,如长短期记忆(Long Short-Term Memory, LSTM)和门控循环单元(Gated Recurrent Unit, GRU),已显示出改进太阳辐照度预测的潜力。卷积神经网络(Convolutional Neural Network, CNN)和Transformer也被用于处理时间序列以预测DNI、全球水平辐照度(Global Horizontal Irradiance, GHI)或光伏发电。但这些方法在检测由云层运动引起的DNI突变方面表现较弱。
全天空成像仪通常部署在CSP电站以监测和收集云图像。因此,利用这些图像的DNI预测方法得以发展。基于云追踪的日内DNI预测技术通过连续监测估算云速和方向,从而预测云层覆盖持续时间和随后的DNI变化。研究人员提出了多种基于CNN或视觉Transformer的方法,例如SolarNet框架、融合多时相图像序列与历史气象数据的3D-CNN方法,以及结合孪生CNN与LSTM以捕获空间云特征和时间动态的方法。然而,这些方法或依赖于CSP电站运营中很少监测的空气质量参数,或在使用混合数据集(包含低动态的晴空和阴天条件)进行训练时,为云运动动态建模引入了无关噪声,最终限制了在快速变化的阴天条件下的预测精度。
#### 主要技术方法
本研究针对上述局限性,提出了一种混合短期DNI预测模型,旨在提高动态阴天条件下的预测精度。模型的核心策略是**基于云速的数据划分**和**晴空模型的参数拟合**。数据来自中国新疆哈密CSP试验电站,包括分钟级采样的DNI数据和全天空RGB图像。研究首先采用密集光流算法(Farneb?ck算法)分析云运动,并基于最大云像素速度(|??
max|)将场景分为两类:当|??
max| < 5像素/分钟时,视为晴空或阴天,应用基于规则的“静止模型”;当|??
max| ≥ 5像素/分钟时,视为动态多云条件,启用基于CNN的“运动模型”。在模型训练阶段,研究人员提出了一种**每小时参数拟合方法**来计算晴空DNI模型中的Linke浑浊系数(TLI),从而更精确地获得训练数据中的DNI晴空指数。在预测阶段,则采用与Karout等人相同的方法计算晴空DNI。对于运动模型,其输入融合了两类图像:一是根据云运动预测的太阳可能被遮挡区域定义的感兴趣区域(ROI)图像;二是经过畸变校正和降采样的全天空图像。两者融合为一个6通道张量,输入到一个包含4个卷积层(每层后接ReLU激活和最大池化)和2个全连接层的CNN架构中,最终输出DNI晴空指数,再乘以晴空DNI得到最终预测值。
#### 研究结果
**3. 结果**
研究人员使用归一化平均绝对误差(nMAE)、归一化均方根误差(nRMSE)和斜坡检测指数(Ramp Detection Index, RDI)评估模型性能。
* **整体预测误差**:在整个测试数据集上,nMAE和nRMSE随着预测时域(H)的增加而单调上升,从H=5分钟时的9.1%和18.4%分别增加到H=30分钟时的16.2%和28.1%。
* **不同天气条件下的表现**:
* 在按Karout等人标准划分的晴空/阴天情况下,模型表现最佳,nMAE和nRMSE最低(H=30分钟时分别为3.1%和5.0%),这主要归功于直接应用晴空DNI模型或持续性模型。
* 在模型自身定义的|??
max| < 5的情况下(对应云层运动缓慢),误差次之。
* 在混合天气情况(模型的主要应用场景)下,nMAE和nRMSE从H=5分钟时的14.7%和26.6%增加到H=30分钟时的25.9%和40.8%。
* 在最具挑战性的动态多云条件(|??
max| ≥ 5)下,误差值最高。
* **与现有方法的比较**:在H=10分钟时,本研究提出的模型nMAE和nRMSE分别为10.8%和20.7%,优于近期研究中的模型。与Karout等人提出的先进混合模型相比,本模型在H=15分钟时的nRMSE从约56.3%显著降低至约32.2%。
* **斜坡检测能力**:在混合情况下,对于主要辐照度斜坡(RM > 0.5),模型在H=10分钟时的RDI达到89.2%,显著高于Chu等人模型的结果(75.1%)。RDI随着斜坡幅度(RM)的增大而提高,表明模型对可能造成更大接收器损坏的大幅度DNI突变预测更准。然而,在H=5分钟的短时预测下,模型的RDI(72.8%)略低于Karout等人的模型(80%)。
#### 讨论与结论
**4. 讨论**
研究人员分析了其模型性能优于Karout等人模型的主要原因:
1. **数据划分与训练策略**:仅使用|??
max| ≥ 5的数据训练运动模型,避免了低动态晴空/阴天数据引入的无关噪声,降低了模型特征学习的复杂度。
2. **晴空模型参数拟合**:在训练阶段采用每小时拟合TLI参数的方法,减少了DNI晴空指数的计算误差,从而提高了运动模型对晴空指数的预测精度。
3. **ROI处理与不确定性管理**:本模型的ROI大小与太阳区域相同,并通过在输入张量中加入缩放后的全天空图像通道来应对云速估计的不确定性;而Karout等人则通过扩大ROI面积来缓解不确定性。研究人员认为前两个区别是性能差异的主因。
模型也存在局限性:密集光流估计算法对照明变化和图像噪声敏感,可能影响云运动检测精度;模型对太阳盘面附近云的检测能力相对较弱,导致短时预测(H=5分钟)的RDI较低。在动态变化的多云条件下,H=30分钟时的nMAE可能高达45%。
**5. 结论**
本研究提出了一种用于CSP系统的混合短期DNI预测模型,该模型根据Farneb?ck密集光流算法计算的最大云像素速度自适应地采用两个子模型。实验验证表明,该模型在不同天气条件下均实现了优异的预测精度。其性能主要创新点体现在两方面:一是提出了基于云速的数据划分策略,仅使用最大云像素速度≥5像素/分钟的数据集训练运动模型,显著提高了动态多云条件下的预测精度;二是在训练阶段采用了晴空DNI模型的每小时参数拟合方法,有效降低了DNI晴空指数的计算误差。尽管模型在整体上表现优异,但在实际应用中仍存在一定局限性,例如对太阳盘面附近云的检测能力较弱,以及在动态变化的多云条件下长时预测误差较大。
作为一个为CSP系统量身定制的高精度短期DNI预测方案,该模型有效弥补了传统模型在预测云层运动引起的辐照度突变方面的不足。该模型能够准确预测动态云层运动引起的DNI突变,对于缓解CSP系统中心接收器的热冲击、降低接收器组件老化和非计划停机的风险,以及进一步提高CSP技术的运行稳定性、效率和整体市场竞争力具有重要的现实意义。