西藏羊八井地区太阳短波辐照度特征及其短期预测模型对比分析.pdf

书书书第 卷 第期 年月地球物理学报 ，吴凌霄，王一楠，旺堆等 西藏羊八井地区太阳短波辐照度特征及其短期预测模型对比分析地球物理学报，（）：，：，犆 犺 犻 狀 犲 狊 犲犑犌 犲 狅 狆 犺 狔 狊（），（）：，：西藏羊八井地区太阳短波辐照度特征及其短期预测模型对比分析吴凌霄，王一楠，旺堆，李铭，次仁尼玛，陈天禄，宇宙线教育部重点实验室（西藏大学），拉萨 西藏大学生态环境学院，拉萨 中国科学院大气物理研究所中层大气和全球环境探测重点实验室，北京 摘要本研究利用西藏羊八井太阳短波辐照度观测数据分析了该地区 年的辐射时间序列分布特征，基于时间序列分析、随机森林（，）和 进行建模预测，通过对比研究探究三种模型在该地区的适用性以及提高模型预测精度的方法结果表明：该地区短波太阳辐照度呈“双峰”倒“”型分布的月变化和“单峰”倒“”型分布的日变化特征 在选用模型中最优，其标准化均方根误差（，）、决定系数犚分别为 和 小波变换去噪能提高各模型预测精度，降低 组合模型能提高预测精度，误差倒数权重组合模型的 较差分自回归滑动平均模型（，）和 分别下降 、预测时间步长差异也会影响预测效果，模型的预测误差随时间步长逐渐增大而减小因此，可利用 等机器学习模型在西藏地区进行太阳辐照度短期预测，通过小波变换、组合模型、预测时间步长等环节提高预测精度，以满足当地光伏发电对太阳辐照度的预测需求关键词太阳辐照度；短期预测；随机森林；羊八井 ：中图分类号 收稿日期 ，收修定稿基金项目第二次青藏高原综合科学考察研究任务六、人类活动与生存环境安全“大气成分垂直结构及其气候影响”（），国家重点研发计划（），国家自然科学基金（），西藏大学青年博士发展计划项目（），西藏大学 级博士研究生“高水平人才培养计划”项目（）共同资助第一作者简介吴凌霄，男，博士研究生，主要从事大气物理研究 ：通讯作者王一楠，男，高级工程师，博士，主要从事大气物理研究 ：陈天禄，男，教授，博士生导师，主要从事粒子天体物理研究 ：犛 狋 狌 犱 狔狅 狀狋 犺 犲 犮 犺 犪 狉 犪 犮 狋 犲 狉 犻 狊 狋 犻 犮 狊狅 犳 狊 狅 犾 犪 狉 狊 犺 狅 狉 狋 狑 犪 狏 犲 犻 狉 狉 犪 犱 犻 犪 狀 犮 犲犪 狀 犱犮 狅 犿 狆 犪 狉 犪 狋 犻 狏 犲犪 狀 犪 犾 狔 狊 犻 狊狅 犳 狊 犺 狅 狉 狋 狋 犲 狉 犿犻 狉 狉 犪 犱 犻 犪 狀 犮 犲狆 狉 犲 犱 犻 犮 狋 犻 狅 狀狅 犳犢 犪 狀 犵 犫 犪 犼 犻 狀 犵，犜 犻 犫 犲 狋 ，犓 犲 狔犔 犪 犫 狅 狉 犪 狋 狅 狉 狔狅 犳犆 狅 狊 犿 犻 犮犚 犪 狔 狊（犜 犻 犫 犲 狋犝 狀 犻 狏 犲 狉 狊 犻 狋 狔），犕 犻 狀 犻 狊 狋 狉 狔狅 犳犈 犱 狌 犮 犪 狋 犻 狅 狀，犔 犺 犪 狊 犪 ，犆 犺 犻 狀 犪犛 犮 犺 狅 狅 犾 狅 犳犈 犮 狅 犾 狅 犵 狔犪 狀 犱犈 狀 狏 犻 狉 狅 狀 犿 犲 狀 狋，犜 犻 犫 犲 狋犝 狀 犻 狏 犲 狉 狊 犻 狋 狔，犔 犺 犪 狊 犪 ，犆 犺 犻 狀 犪犓 犲 狔犔 犪 犫 狅 狉 犪 狋 狅 狉 狔狅 犳犕 犻 犱 犱 犾 犲犃 狋 犿 狅 狊 狆 犺 犲 狉 犲犪 狀 犱犌 犾 狅 犫 犪 犾犈 狀 狏 犻 狉 狅 狀 犿 犲 狀 狋 犪 犾犗 犫 狊 犲 狉 狏 犪 狋 犻 狅 狀，犐 狀 狊 狋 犻 狋 狌 狋 犲 狅 犳犃 狋 犿 狅 狊 狆 犺 犲 狉 犻 犮犘 犺 狔 狊 犻 犮 狊，犆 犺 犻 狀 犲 狊 犲犃 犮 犪 犱 犲 犿 狔狅 犳犛 犮 犻 犲 狀 犮 犲 狊，犅 犲 犻 犼 犻 狀 犵 ，犆 犺 犻 狀 犪犃 犫 狊 狋 狉 犪 犮 狋 ，期吴凌霄等：西藏羊八井地区太阳短波辐照度特征及其短期预测模型对比分析 ，（），“”“”“”“”，（）犚 ，（），犓 犲 狔 狑 狅 狉 犱 狊 ；（）；引言 年，中国提出“年碳达峰”和“年碳中和”，这对全球可持续发展具有重大意义电力系统脱碳是实现碳中和目标的关键，太阳能作为绿色清洁能源，其来源丰富，光伏发电在未来必将得到巨大发展西藏地区的太阳能极其丰富，年日照时长约在 之间，部分地区接近撒哈拉沙漠（，），所以在西藏地区开展光伏发电有着巨大的潜力但在光伏发电过程中存在着较大的波动性，使得对电网的短期负荷预测较为困难，可能给电网造成较大的经济损失，太阳辐射的瞬时波动会导致出现线路电压超限、输电断面过载等影响电网运行安全的现象（，）所以，对光伏发电做出精准的预测极其关键因为光伏发电输出功 率和 其组件 所接收 的 太 阳 辐 照 度 成 正 比（，），所以太阳短波辐照度的预测成为当前最具挑战的焦点之一对太阳辐照度的预测按时间长短分为短期、中期、长期预测短期预测能及时反映序列变化，为决策和调控提供依据，因此短期预测要求准确的预测结果太阳辐射序列作为一种时间序列，可用时间序列分析方法对太阳辐射历史数据进行模型识别、检验、优化，进而做出预测传统时间序列分析方法包括：滑动平均（，）、自回归（，）、自 回 归 滑 动 平均（，）、差分自回归滑动 平 均（，）等模型国内外的研究人员进行了大量研究 等（）对辐照度时序采用、模型进行预测，并与持久性模型、近邻模型和支持向量机模型进行比较，结果表明 模型是最佳拟合方法 （）构建了 和人工神经网络模型的混合模型，结果表明该模型能有效地提高两种模型单独使用时的预测精度随机森林（，）模型作为机器学习的常用模型因其较高的预测精度和较强的鲁棒性，被学者广泛应用于太阳辐射预测研究 等（）利用三个不同空气污染指数条件站点的气象、太阳辐射、空气污染指数数据，建立 模型，结果表明其拟合效果优于经验方法 等（）采用 模型，构建了中国逐日太阳辐射高密度网络，结果表明与全国各地实测结果吻合较好 等（）采用智能持续、人工神经网络和 三种方法对多种辐射量进行 预 测，结 果 表 明 是 最 有 效 的侯 宁 等（）利用辐射观测、气象观测资料，基于 建立地表短波辐射估算模型，构建了中国 年长时间序列地表短波辐射数据集，比已有数据集精度更高刘剑等（）经过特征工程筛选部地 球 物 理 学 报（）卷分变量建立了、多层前馈神经网络、支持向量机回归算法的辐照度预测模型，结果表明采用 模型效果更优 年，的研究人员提出了 模型，基于 模型在风速预测、光伏发电功率预测等很多领域都得到了应用，但在太阳辐射预测中还没有学者涉足本文的主要创新之一就是基于 模型进行太阳短波辐射预测基于数据驱动的太阳辐射预测建模可以在数据输入、模型训练、结果输出等环节提高模型精度（臧海祥等，）张雪松等（）对太阳辐射序列进行小波分解再单支重构，然后对重构序列建立神经网络和支持向量机模型，结果表明比原始序列建模精度有较大提高 和 （）基于经验小波变换，非线性自回归神经网络和 构建混合模型，实现太阳辐射多步预测，证明其具有较好的预测性能 和 （）将 和时延神经网络结合起来的混合模型获得更好的预测效果 和 （）等结合了 和非线性自回归模型构建的混合模型，证明混合模型是预测类似问题的一种很好的方法现有研究结果缺少在太阳能资源丰富的西藏地区开展基于时间序列分析、随机森林和 等方法的太阳辐照度短期预测的对比研究因此，本研究首先利用西藏羊八井地区的太阳总辐照度地基实测数 据 分 析 当 地 太 阳 辐 射 特 征；然 后 分 别 基 于 、对辐射时间序列进行建模预测，对模型的预测性能做对比研究；最后探究小波变换（，）、组合模型（，）等方法和预测时间步长差异对模型预测效果的影响，为这三种模型在西藏地区进行太阳短波辐照度短期预测的适用性研究提供参考 观测站概况和数据处理方法 观测站概况西藏自治区当雄县羊八井镇（，）位于西藏拉萨西北 处，念青唐古拉山以南，地处平均海拔 的高原盆地，周围山脉居多，盆地内地形平坦，属高原季风半干旱气候，春秋短暂，夏季温暖湿润，冬季寒冷漫长，全年天气晴朗，日照充足，年日照时间在 以上羊八井建有太阳能光伏电站，其装机总量（）居西藏首位当地还建有多个国家野外科学观测站，长期开展科学研究工作中国科学院大气物理研究所羊八井全大气层观测台站建立于 年月，自 年开始观测部署的 （多波段多大气成分主被动综合探测）系统，采用主被动遥感相结合的方式，涵盖从紫外到红外、从太赫兹到毫米波的探测波段，探测对象包括大气温室气体、大气污染气体、大气温度、湿度和风场、气溶胶、卷云和非降水云等，可实现对全大气层（近地面至 ）的高垂直分辨率（）、高时间分辨率（）、连续多要素的同时定量观测 数据及其处理方法本文对羊八井全大气层观测台站的四分量辐射计 探测的光谱范围为 的太阳短波总辐射数据进行研究，采样间隔为 ，单位为选取 年月日至 年 月 日共计 天的数据，对去除 后的 个样本进行奇异点检测，考虑到云（张志刚等，）、地形（，）和非局热力学平衡等因素的影响所导致的该地区时常出现太阳辐照度超太阳常数现象，将阈值取为 ，剔除相关数据后再按照小时均值进行重采样，并去除晚上辐照度为零的样本，只保留白天 间的数据在本次实验过程中，参考了光伏发电站功率预测系统技术要求（国家能源局，），并按照约 的比例划分训练集、验证集和测试集，选择 年月日至 年月日的时序数据为训练数据集（天），年月日至 月 日的时序数据为验证数据集（天），用于超参数调节和模型性能评估（，），预测未来天（年 月 日至 年 月 日）的太阳短波辐照度本研究采用 （）用于代码的编写、编译，以提前若干时间步长的太阳短波辐照度时间序列历史数据作为模型的输入变量，根据不同模型的特点，通过敏感性实验确定模型的合理参数，实现模型的训练、预测和评价具体模型参数详见 节 研究方法 模型差分自回归滑动平均模型（）是将非平稳时间序列转化为平稳时间序列后基于变量未来值与其自身的历史值、随机误差的历史值及现值的线性函数关系构建回归方程它由自回归（）、差分（）和移动平均（）组成，分别对应三个参数：自回归阶数（狆）、差分次数（犱）、移动平均阶数（狇）其期吴凌霄等：西藏羊八井地区太阳短波辐照度特征及其短期预测模型对比分析形式为犡犽犡犽 犡犽 狆犡犽狆犽犽 犽 狇犽狇，（）犻（犻，狆）为回归系数；犻（犻，狇）为滑动平均系数；狆、狇为模型的阶次；犽为误差建模步骤如下（易丹辉和王燕，）：（）平稳性检验图检验：其原理是平稳时序应具有常数均值和方差，而非平稳序列的时序图会显示出趋势或者周期性羊八井地区 年、年太阳辐照度时序图见图，均显示出一定的季节性周期变化但图检验有较强的主观性，所以再使用统计检验方法图羊八井地区太阳短波辐照度时序图（单位：）（）年；（）年 （：）统计检验：即单位根检验，其基本原理为 分解原理，平稳时序的所有特征根都应在单位圆内这里 对 太 阳 短 波 辐 照 度 时 序 使 用 增 广 检 验（），即 检验，结果见表，检验统计值为 ，小于显著性水平下的临界值，犘值接近，拒绝存在一个单位根的原假设，该时序平稳表羊八井地区太阳短波辐照度时序犃 犇 犉检验结果犜 犪 犫 犾 犲犛 犲 狇 狌 犲 狀 狋 犻 犪 犾犃 犇 犉狋 犲 狊 狋 狉 犲 狊 狌 犾 狋 狊狅 犳 狊 狅 犾 犪 狉 狊 犺 狅 狉 狋 狑 犪 狏 犲犻 狉 狉 犪 犱 犻 犪 狀 犮 犲 犻 狀犢 犪 狀 犵 犫 犪 犼 犻 狀 犵犪 狉 犲 犪检验统计值犘值检验统计量临界值（）检验统计量临界值（）检验统计量临界值（）平稳性处理：若序列没有经过平稳性检验，需对该序列采取对数变换、差分、移动平均等方法将其转化为平稳序列（）纯随机性检验即白噪声检验，由 定理，构造（和 ）统计量对太阳短波辐照度原始时序进行检验结果见表，犘值均小于 ，拒绝时序为纯随机序列的原假设，该太阳短波辐照度时序为非白噪声序列表羊八井地区太阳短波辐照度原始时间序列、残差时间序列纯随机性检验结果犜 犪 犫 犾 犲犘 狌 狉 犲狉 犪 狀 犱 狅 犿 狀 犲 狊 狊 狋 犲 狊 狋 狉 犲 狊 狌 犾 狋 狊狅 犳狅 狉 犻 犵 犻 狀 犪 犾 狋 犻 犿 犲 狊 犲 狉 犻 犲 狊犪 狀 犱狉 犲 狊 犻 犱 狌 犪 犾 狋 犻 犿 犲 狊 犲 狉 犻 犲 狊 狅 犳 狊 狅 犾 犪 狉 狊 犺 狅 狉 狋 狑 犪 狏 犲 犻 狉 狉 犪 犱 犻 犪 狀 犮 犲 犻 狀犢 犪 狀 犵 犫 犪 犼 犻 狀 犵 犪 狉 犲 犪延迟阶数原始序列纯随机性检验结果拟合模型残差序列纯随机性检验结果 检验统计量犘值 检验统计量犘值 （）模型识别即模型定阶过程，对其自相关阶数狆和偏相关阶数狇进行初步估计根据该太阳短波辐照度时序的自相关图与偏相关图所表现出的自相关系数与偏自相关系数都拖尾的特征，确定使用 模型，即 （，）、（，）、（，）、（，）（）参数估计对该时序的数值采用最小二乘法，对 模型中未知参数的值进行估计，得到该模型的口径，如 （，）为地 球 物 理 学 报（）卷犡狋 犡狋 犡狋 犡狋 犡狋 犡狋 犡狋 犡狋 狋 狋 狋 狋 狋 狋 狋 狋 狋 狋 狋 ，（）（）模型检验参数的显著性检验：检验未知参数是否显著为零如 （，）的检验统计量的狆值均小于显著性水平（），拒绝原假设，表明该模型每一个参数均显著非零模型的显著性检验：即检验拟合模型的残差序列不含相关信息，同时需服从均值为零且方差为常数的正态分布先通过分位数图示法的图检验其残差序列是否服从正态分布；再观察残差序列的自相关图，如 （，）模型见图，大部分都在置信空间内，没有拖尾；最后进行（）统计量检验，如 （，）的结果见表，取显著性水平为 ，滞后 阶所有的狆值都大于 ，拒绝其残差序列为白噪声时序的原假设，太阳短波辐照度时序拟合模型的残差序列没有显著相关性，属于高斯白噪声序列，该拟合模型显著有效图太阳短波辐照度时序拟合模型残差序列自相关、偏自相关图（）残差序列自相关图；（）残差序列偏自相关图 （）；（）（）模型优化对通过检验的拟合模型再通过比较其赤池信息量，贝叶斯信息量与汉南奎因信息量等信息准则函数进行模型优化，三个值均最小的 （，）为相对最优模型（）模型预测基于 （，）模型对羊八井地区太阳短波辐照度时间序列建模预测，结果见 节通过比对，训练集的决定系数为 ，测试集的决定系数为 ，该模型没有过拟合 随机森林模型随机森林（）是机器学习中的一种集成学习方法，每棵决策树都是一个基础学习器，整片森林对应着集成学习随机森林通过采取多样性增强策略来降低方差，一是通过重抽样自举得到随机样本增加随机性扰动，二是通过从所有输入变量中随机选择若干输入变量构成随机子集实现分组变量的随机化（，）随机森林可用于时间序列预测具体步骤如下：（）数据转换通过滑动窗口将太阳短波辐照度时序数据转换为适用于随机森林的监督学习数据使用历史时间步长犡狋，犡狋，犡狋，犡狋狀作为输入变量并使用未来时间步长犡狋作为输出变量，通过重构数据将其转换为具有指定数量的输入和输出变量的监督学习问题（）参数调节时间序列的特点决定了不能使用如折交叉验证等随机化数据集的方法来调参，本实验设计了如下方法：第一，特征工程，确定前狀个时间步长作为输入变量即最大特征数将辐照度时序数据集拆分成训练集、验证集与测试集，然后分别使用前、，狀个时间步长作为模型输入变量，使用模型默认参数在训练集中训练，在验证集中验证，得到最佳输入变量数第二，采用滚动原点预测方法调参首先重新将数据集拆分为训练集和测试集，通过在训练集上进行训练并预测测试集中的第一步来评估模型；其次将测试集中的第一步真实观察结果添加到训练集中；然后基于新的训练集（训 练 集 样 本 量 不 变）重 新 训 练 拟 合 模型，并预测测试集中的第二步；最后对整个测试集重复此过程通过连续更新预测原点和训练集，并根据每个原点生成预测，可以获取时间序列的多个预测误差（，），以确保模型的稳定性，实现交叉验证的功能，并结合网格搜索进行超参数调节，其参数见表通过集成学习、特征选择、滚动原点预测等方法解决过拟合问题，经过比对，训练集的决期吴凌霄等：西藏羊八井地区太阳短波辐照度特征及其短期预测模型对比分析定系数为 ，测试集的决定系数为 ，该模型没有过拟合表随机森林模型参数犜 犪 犫 犾 犲犘 犪 狉 犪 犿 犲 狋 犲 狉 狊狅 犳 狉 犪 狀 犱 狅 犿犳 狅 狉 犲 狊 狋犿 狅 犱 犲 犾最大特征数弱学习器个数最大深度节点划分最小样本数叶子节点最小样本数 模型 模型通过使用 开源工具中的 （）进行函数的拟合（，）算法模型如下：狔（狋）犵（狋）狊（狋）犺（狋）（狋），（）犵（狋）是趋势项，反映时序在非周期上的变化趋势，可分别基于分段线性函数和逻辑回归函数进行计算；狊（狋）表示周期项，可以周、月或年为单位，使用傅里叶级数来模拟时序的周期性；犺（狋）为节假日项，反映非固定周期的节假日对预测的影响；（狋）即误差项，服从高斯分布（，）具体步骤如下：首先选择截断点，使用截断点前的历史数据进行训练；然后指定预测水平，选择初始训练期的大小和截断之间的间隔；最后利用网格搜索与交叉验证进行超参数调节，主要参数见表通过正则化和调节趋势项灵活度参数以解决过拟合问题，经过比对，训练集的决定系数为 ，测试集的决定系数为 ，该模型没有过拟合表犘 狉 狅 狆 犺 犲 狋模型参数犜 犪 犫 犾 犲犘 犪 狉 犪 犿 犲 狋 犲 狉 狊狅 犳狆 狉 狅 狆 犺 犲 狋犿 狅 犱 犲 犾突变点范围周期项灵活度参数趋势项灵活度参数突变点数量年周期季节项 基于小波变换的阈值去噪法受云量等因素影响，使辐照度曲线波动产生噪声，因而可在数据输入环节通过源于傅里叶变换的小波变换进行分离去噪其原理是太阳短波辐照度时序通过基于多分辨分析之一的 算法的小波变换后（，），将原始时间序列分解成高频细节信号与低频近似信号，对各细节信号进行阈值去噪，然后对各分量子信号小波重构，最终得到去噪后的太阳短波辐照度时序小波阈值去噪法的步骤：（）小波分解首先基于正交性、双正交性、对称性、紧支性、消失矩等特点从 、等小波基函数中选择出合适的函数，确定小波分解的层次犖层数犖增加，近似信号逐渐平滑并趋于稳定，其精准度也逐渐升高，但同时细节信号平稳性下降（张颖和陈卓，）根据羊八井地区太阳辐照度时间序列特点，结合多层分解拟合效果，选择具有近似对称性、消失矩为、支撑长度为 的 小波函数对太阳辐照度序列犡狋进行层分解计算（，），得到个细节信号犇犼（犼，）与个近似信号犃，见下式：犡狋犃犇犇犇（）图所示为羊八井地区太阳短波辐照度原始时序及分解结果，近似信号犃的波动幅度明显减少，趋于光滑，可以较准确地反映出原始时序的趋势变化；细节信号的波动幅度均较大，但系数总体变得更加平稳（）阈值处理阈值函数常用的是硬阈值与软阈值函数本文选择软阈值函数，对细节信号中偏小的系数设为零值，对偏大的系数收缩使之向零趋近，经过去噪后的时序是原始时序的近似最优估计实验结果及分析详见 节，本研究阈值取值范围为 ，取得了较明显的改进（）小波重构将近似信号和经阈值去噪后的各细节信号通过小波重构，最终获得去噪后的太阳短波辐照度时间序列 组合模型本文使用滚动原点预测方法，通过连续更新预测原点并生成预测，可以获取测试集的多个预测误差，因此可利用上一轮滚动预测的结果结合实测值计算各模型误差，将误差代入相应组合模型权重公式计算下一轮滚动预测各模型的权重（）平均权重法组合模型设有狀个模型，第犻个模型的权重表示如下：犻狀（犻，狀），（）设 犻为第犻个模型的预测值，则平均权重法组合模型的预测值 表示如下：狀犻犻 犻（）（）误差倒数权重法组合模型设 、分别为 、模 型 的 预 测 值，、分别为 、模型的平均地 球 物 理 学 报（）卷图羊八井地区太阳短波辐照度时序小波分解图（单位：）（）原始时序图；（）近似信号时序图；（）（）细节信号时序图 （：）（）；（）；（）（）绝对百分比误差，误差倒数权重法组合模型预测值 表示如下：，（）（）方差倒数加权组合模型设有狀个预测模型，犖个时刻，狔狋为第狋时刻的观测值，犳犻 狋为狋时刻第犻个模型预测值，则误差犲犻 狋狔狋犳犻 狋，犻，狀，狋，犖则第犻个模型的权重犻表示如下（岳艳春和黄廷祝，）：犈犻 犻犖狋犲犻 狋（狋，犖），（）犻犈犻 犻狀犻犈犻 犻（犻，狀）（）模型评价本文采用均方根误差（，）、标准化均方根误差（，）、决定系数犚来评估预测模型的性能，模型评价公式如下：犕犕狋（狔狋狔狋）槡，（）珔狔狋 ，（）犚犕狋（狔狋狔狋）犕狋（狔狋珔狔狋），（）狔狋、狔狋、珔狔狋分别表示实测值、预测值和实测均值，犕是样本数结果与分析 羊八井地区太阳短波辐照度特征 太阳短波辐照度月变化特征选取数据集中 年的数据进行分析，羊八井地区 年的逐时太阳辐照度的均值为 ，最大值出现在 年月 日 时，达到了 由图（，）和表可知，该地区 年、年太阳辐照度月变期吴凌霄等：西藏羊八井地区太阳短波辐照度特征及其短期预测模型对比分析图羊八井地区太阳短波辐照度箱线图（单位：）（）年月变化；（）年月变化；（）年日变化；（）年日变化 （：）（）；（）；（）；（）表 年、年羊八井地区太阳短波辐照度月变化犜 犪 犫 犾 犲犕 狅 狀 狋 犺 犾 狔狏 犪 狉 犻 犪 狋 犻 狅 狀狅 犳 狊 狅 犾 犪 狉 狊 犺 狅 狉 狋 狑 犪 狏 犲 犻 狉 狉 犪 犱 犻 犪 狀 犮 犲犻 狀犢 犪 狀 犵 犫 犪 犼 犻 狀 犵犪 狉 犲 犪犱 狌 狉 犻 狀 犵 犪 狀 犱 年（）年（）最大值平均值标准差最大值平均值标准差月 月 月 月 月 月 月 月 月 月 月 月 化趋势基本相同，均呈“双峰”倒“”型分布其月均值都在月达到峰值，分别为 、；月都达到一年的最小值，分别为 、；在月峰值之后的下降过程均出现了一次“次峰值”的现象，分别出现在月和月总体来看，由于地球公转所导致的太阳高度角与日照时长变化，夏季辐照度最强，春季次之，冬季最弱，具有明显的季节变化特征，年、年季节变化幅度分别为 、年、年太阳短波辐照度的标准差最大值分别发生在月、月，最小值均发生在 月，表明夏季的太阳辐照度波动较大（与云直接相关），冬季波动较小（晴天较多），比较稳定，这与夏季降雨量较多导致天气变化频繁，而冬季天气比较稳定有关（郝玉珠等，）太阳短波辐照度日变化特征选取 数 据 集中 年 的 数 据 进 行 分析，从图（，）和表可知，羊八井地区 年与表 年、年羊八井地区太阳短波辐照度日变化犜 犪 犫 犾 犲犜 犺 犲犱 犪 犻 犾 狔狏 犪 狉 犻 犪 狋 犻 狅 狀狅 犳 狊 犺 狅 狉 狋 狑 犪 狏 犲 狊 狅 犾 犪 狉 犻 狉 狉 犪 犱 犻 犪 狋 犻 狅 狀犻 狀犢 犪 狀 犵 犫 犪 犼 犻 狀 犵犪 狉 犲 犪犱 狌 狉 犻 狀 犵 犪 狀 犱 年（）年（）最大值平均值标准差最大值平均值标准差时 时 时 时 时 时 时 时 时 时 时 时 时 地 球 物 理 学 报（）卷 年太阳短波辐照度日变化位相基本相同，均呈“单峰”倒“”型分布 时，太阳辐照度小时均值都达到最大值，分别为 、总体来看，由于地球的自转，受太阳高度角变化影响，时辐照度较强，具有明显的周期变化 年、年太阳辐照度的标准差最大值分别出现在 时、时，最小值均出现在时，表明中午的太阳短波辐照度波动大，早晨波动小，比较稳定值得注意的是，时辐照度极大值区常出现辐照度远低于均值、而时和 时辐照度极小值区常出现辐照度远高于均值的现象，这可能与陆地上的低云的发生频率主要在午后达到峰值有关 模型预测结果分析 模型预测结果由图的 、和 模型预测值的箱线图可知，模型的箱体形状与实测值 最相似，其数据分布差异最小由图（）可知，三个模型回归线的斜率均小于，可见其预测值均较实测值偏低，模型的决定系数犚最大，达到 ，模型拟合度最高由图可知，、和 模型的预测值曲线与实测值 曲线的趋势变化相似，均能准确表现出太阳短波辐射强度的日变化规律，但当太阳辐照度发生较大波动时，三个模型都不能准确预测在辐照度平稳或波动较大时，模型的预测数据曲线均与实测数据曲线更接近，预测误差最小，其 和 分别是 、，而 与实测数据曲线相差最大，预测误差最大，其 和 分别达 、，这是由于 较难捕捉到数据的非线性，见表根据 和 （）的研究，在小时时间尺度上表现最好的模型在晴朗天气条件下的 是，在多云天气条件为 因此，随机森林 模型在西藏地区太阳短波辐照度短期预测中具有其适用性表羊八井地区太阳短波辐照度时序模型预测值和实测值之间误差分析犜 犪 犫 犾 犲犃 狀 犪 犾 狔 狊 犻 狊狅 犳 犲 狉 狉 狅 狉 狊犫 犲 狋 狑 犲 犲 狀狆 狉 犲 犱 犻 犮 狋 犲 犱犪 狀 犱犿 犲 犪 狊 狌 狉 犲 犱狊 狅 犾 犪 狉 犻 狉 狉 犪 犱 犻 犪 狀 犮 犲 狋 犻 犿 犲 狊 犲 狉 犻 犲 狊犿 狅 犱 犲 犾 犻 狀犢 犪 狀 犵 犫 犪 犼 犻 狀 犵犪 狉 犲 犪模型小波变换去噪处理的模型权重组合模型 （）犚 图羊八井地区太阳短波辐照度实测值与预测值箱线图（单位：）（：）小波变换去噪模型预测结果对通过小波基函数为近似对称的紧支集正交小波 、阈值为 的小波变换分解重构后的太阳 辐 照 度 序 列，基 于 建 模 预 测，其 较小波变换前下降了 ；对通过小波基函数为 、阈值为 的小波变换分解重构后的时序基于随机森林 建模预测，下降了 ；对通过小波基函数为 、阈值为 的小波变换分解重构后的时序，基于 建模预测，下降了 ，见图和表所以，通过选择合适的小波基函数利用小波变换去噪能够降低模型预测误差，有效提高模型精度期吴凌霄等：西藏羊八井地区太阳短波辐照度特征及其短期预测模型对比分析图羊八井地区太阳短波辐照度时序模型预测值与实测值散点图（单位：）（）；（）；（）；（）小波变换（）；（）小波变换（）；（）小波变换（）；（）平均权重法组合模型（）；（）误差倒数权重法组合模型（）；（）方差倒数加权组合模型（）（：）（）；（）；（）；（）（）；（）（）；（）（）；（）（）；（）（）；（）（）图模型预测值（单位：）（：）地 球 物 理 学 报（）卷 组合模型预测结果由图的平均权重组合模型（）、误差倒数权重组合模型（）、方差权重组合模型（）的箱线图可知，误差倒数权重组合模型（）的箱体形状与实测值最相似，其数据分布差异最小由图（）可知，三个模型回归线的斜率均小于，可见其预测值均低估，误差倒数权重组合模型（）的决定系数犚最大，达到 ，模型的拟合度优于其他两个组合模型，同时也优于 和 模型，但低于 模型由图可知三个组合模型的预测值曲线与实测值 曲线的趋势变化相似，均能准确表现出该地区太阳短波辐照度的日变化规律，但当太阳辐照度发生较大波动时，三个模型都不能准确预测其中误差倒数权重组合模型（）的预测值曲线和实测值曲线最为接近，精度最高，其 、分别为 、，而平均权重组合模型（）精度最低，其、分别为 、，见表，这与 等（）的结论一致图组合模型预测值（单位：）（：）在三个组合模型中，误差倒数组合权重模型（）的精度最高，由于三个单一模型预测精度差距较大，导致组合模型预测精度低于精度最高的 模型，但它仍较 和 的精度分别提高了 、因此，即使组合模型在预测方面并不总是具有最好的性能，但它能较大程度改善效果较差模型的预测精度，较高水平保持模型性能的稳定性和准确性（，）不同预测时间步长预测结果对太阳辐照度原始数据进行预处理后，分别按照小时均值（）、小时均值（）、小时均值（）进行重采样，得到三个不同时间步长的太阳辐照度时序数据，分别基于 、建模预测，结果见表，可见对相同的数据采用不同预测时间步长，其预测性能存在差异，随着时间步长变长，三个模型的预测误差均逐渐变小，这与 等（）以及 和 （）的研究结果一致 结论本研究首先基于羊八井地区监测的太阳辐照度表不同预测时间步长太阳短波辐照度时序模型预测值与实测值之间误差分析犜 犪 犫 犾 犲犃 狀 犪 犾 狔 狊 犻 狊狅 犳 犲 狉 狉 狅 狉 狊犫 犲 狋 狑 犲 犲 狀狆 狉 犲 犱 犻 犮 狋 犲 犱狏 犪 犾 狌 犲犪 狀 犱犿 犲 犪 狊 狌 狉 犲 犱狏 犪 犾 狌 犲狅 犳 狊 狅 犾 犪 狉 狊 犺 狅 狉 狋狑 犪 狏 犲 犻 狉 狉 犪 犱 犻 犪 狀 犮 犲狑 犻 狋 犺犱 犻 犳 犳 犲 狉 犲 狀 狋 狊 犲 狇 狌 犲 狀 犮 犲犿 狅 犱 犲 犾 （）（）（）（）（）（）数据探究该地区太阳辐射特征；然后基于 、模型对该地区的太阳辐照度进行短期预测，对不同模型预测性能进行对比研究；最后，从数据输入环节采取小波变换去噪，在结果输出环节采取组合模型，以及通过预测时间步长的差异化来探究如何提高模型预测精度主要结论如下：（）羊八井地区的太阳短波辐照度月变化呈“双峰”倒“”型分布，分别在月和 月达到最大值和最小值；日变化则呈“单峰”倒“”型分布，于 时达到峰值期吴凌霄等：西藏羊八井地区太阳短波辐照度特征及其短期预测模型对比分析（）在羊八井地区基于 、模型进行建模预测，对比发现 模型效果最优，次之，最差（）通过选择合适的小波基函数，小波变换阈值去噪法能有效提高模型预测精度（）选用的三种组合模型中，误差倒数权重组合的预测精度最高；但在基础模型之间预测精度相差较大的情况下，组合模型不一定优于每个基础模型（）预测时间步长的差异会对模型预测效果产生影响，随着时间步长变长（一定范围内），模型的预测误差均逐渐变小本文通过三种模型的对比研究验证了随机森林 模型在西藏地区进行太阳辐照度短期预测的适用性，且可通过小波变换、组合模型、时间步长等方法提高预测精度，为类似模型在西藏地区进行太阳辐照度短期预测的对比研究和适用性研究提供参考在短期预测中，最大误差主要出现在多云的午后，云是太阳辐照度短期预测的最大影响因素，未来将考虑结合地基云图来进一步改善模型短期预测的效果致谢本文所用太阳短波辐照度数据由中科院大气物理研究所羊八井全大气层观象台提供，感谢中国科学院大气物理研究所中层大气和全球环境探测重点实验室的支持犚 犲 犳 犲 狉 犲 狀 犮 犲 狊 ，：，犚 犲 狀 犲 狑 犪 犫 犾 犲犈 狀 犲 狉 犵 狔，：，：，犜 犺 犲 狅 狉 犲 狋 犻 犮 犪 犾 犪 狀 犱犃 狆 狆 犾 犻 犲 犱犆 犾 犻 犿 犪 狋 狅 犾 狅 犵 狔，（）：，：犕 犪 犮 犺 犻 狀 犲犔 犲 犪 狉 狀 犻 狀 犵，：，：犜 犲 狀犔 犲 犮 狋 狌 狉 犲 狊狅 狀 犠 犪 狏 犲 犾 犲 狋 狊，犑 狅 狌 狉 狀 犪 犾 狅 犳犃 狆 狆 狉 狅 狓 犻 犿 犪 狋 犻 狅 狀犜 犺 犲 狅 狉 狔，（）：，：，：，：，犃 犮 狋 犪犈 狀 犲 狉 犵 犻 犪 犲犛 狅 犾 犪 狉 犻 狊犛 犻 狀 犻 犮 犪（），（）：，：，犃 犮 狋 犪犈 狀 犲 狉 犵 犻 犪 犲犛 狅 犾 犪 狉 犻 狊犛 犻 狀 犻 犮 犪（），（）：，：，犑 狅 狌 狉 狀 犪 犾 狅 犳犆 犲 狀 狋 狉 犪 犾犛 狅 狌 狋 犺犝 狀 犻 狏 犲 狉 狊 犻 狋 狔，（）：，：，犛 狅 犾 犪 狉犈 狀 犲 狉 犵 狔，（）：，：犃 狀 狋 犪 狉 犮 狋 犻 犮犛 犮 犻 犲 狀 犮 犲，（）：，犈 犪 狉 狋 犺犪 狀 犱犘 犾 犪 狀 犲 狋 犪 狉 狔犘 犺 狔 狊 犻 犮 狊，：，：，犈 狀 犲 狉 犵 狔犘 狅 犾 犻 犮 狔，：，：，犆 狅 狀 狋 狉 狅 犾 犈 狀 犵 犻 狀 犲 犲 狉 犻 狀 犵狅 犳犆 犺 犻 狀 犪（），（）：，：，犚 犲 狀 犲 狑 犪 犫 犾 犲犈 狀 犲 狉 犵 狔，：，：（）：，犈 狀 犲 狉 犵 狔，：，：，犈 狀 犲 狉 犵 狔犆 狅 狀 狏 犲 狉 狊 犻 狅 狀犪 狀 犱犕 犪 狀 犪 犵 犲 犿 犲 狀 狋，：，：犐 狀 狋 犲 狉 狀 犪 狋 犻 狅 狀 犪 犾犑 狅 狌 狉 狀 犪 犾狅 犳犉 狅 狉 犲 犮 犪 狊 狋 犻 狀 犵，（）：，：（），犜 犺 犲犃犿 犲 狉 犻 犮 犪 狀犛 狋 犪 狋 犻 狊 狋 犻 犮 犻 犪 狀，（）：，：，犛 狅 犾 犪 狉 犈 狀 犲 狉 犵 狔，：，：地 球 物 理 学 报（）卷 ，（）犗 狆 犲 狀犠 犪 狋 犲 狉，（）：，（）：，犑 狅 狌 狉 狀 犪 犾 狅 犳犝 狀 犻 狏 犲 狉 狊 犻 狋 狔 狅 犳犈 犾 犲 犮 狋 狉 狅 狀 犻 犮犛 犮 犻 犲 狀 犮 犲 犪 狀 犱犜 犲 犮 犺 狀 狅 犾 狅 犵 狔狅 犳犆 犺 犻 狀 犪（），（）：，犃 狌 狋 狅 犿 犪 狋 犻 狅 狀狅 犳犈 犾 犲 犮 狋 狉 犻 犮犘 狅 狑 犲 狉犛 狔 狊 狋 犲 犿 狊（），（）：，：，：犈 犪 狉 狋 犺犪 狀 犱犛 狆 犪 犮 犲犛 犮 犻 犲 狀 犮 犲，（）：，：犖 犲 狌 狉 狅 犆 狅 犿 狆 狌 狋 犻 狀 犵，：，：（），犚 犲 狀 犲 狑 犪 犫 犾 犲犪 狀 犱犛 狌 狊 狋 犪 犻 狀 犪 犫 犾 犲犈 狀 犲 狉 犵 狔犚 犲 狏 犻 犲 狑 狊，：，：，犈 犪 狉 狋 犺犪 狀 犱犘 犾 犪 狀 犲 狋 犪 狉 狔犘 犺 狔 狊 犻 犮 狊，（）：，：，犑 狅 狌 狉 狀 犪 犾 狅 犳犃 狉 犻 犱犔 犪 狀 犱犚 犲 狊 狅 狌 狉 犮 犲 狊犪 狀 犱犈 狀 狏 犻 狉 狅 狀 犿 犲 狀 狋（），（）：，：，犆 狅 犿 狆 狌 狋 犲 狉犈 狀 犵 犻 狀 犲 犲 狉 犻 狀 犵犪 狀 犱犇 犲 狊 犻 犵 狀（），（）：，：，犘 犾 犪 狋 犲 犪 狌犕 犲 狋 犲 狅 狉 狅 犾 狅 犵 狔（），（）：附中文参考文献国家能源局 光伏发电站功率预测系统技术要求北京：新华出版社郝玉珠，李兴华，胡亚男等 内蒙古 年太阳能资源变化规律及影响因子太阳能学报，（）：，：侯宁，张晓通，魏瑜等 基于随机森林方法的中国地表短波辐射估算太阳能学报，（）：，：刘剑，曹美燕，高治军等 一种基于随机森林的太阳能辐射预测模型控制工程，（）：，：易丹辉，王燕 应用时间序列分析 版北京：中国人民大学出版社岳艳春，黄廷祝 误差倒数变权组合预测方法电子科技大学学报，（）：臧海祥，程礼临，刘玲等 基于数据驱动的太阳辐射估计和预测研究与展望电力系统自动化，（）：，：张雪松，朱想，赵波等 基于 的太阳辐射短期预测干旱区资源与环境，（）：，：张颖，陈卓 改进 模型在医药需求预测中的研究计算机工程与设计，（）：，：张志刚，秦翔，何立富等 年春末夏初珠穆朗玛峰地区辐射特征分析高原气象，（）：（本文编辑胡素芳）