使用神经网络预测太阳能发电量的新方法

能源与人工智能14（2023）100252使用深度神经网络从全球辐照度或达克斯湾马修斯夏威夷大学马诺阿分校，夏威夷自然能源研究所（HNEI），1680 East West Road，POST 109，Honolulu，96822，HI，USAG R A P H I C A L A B S T R A C TH I G H L I G H T S• 根据总日射强度计或PV功率数据估算浊度条件的新方法• 为太阳预报应用的晴空模型提供近实时信息的方法• 方法使用深度神经网络从来自全球辐照度或PV功率的大气衰减信息中提取浊度相关信号 数据A R T I C L E I N F O保留字：太阳能预测宽带大气浑浊度晴空模拟A B标准光伏技术为电网提供了巨大的容量，然而，资源的可变性和生产的不确定性使电力平衡和储备管理复杂化。预测太阳能发电量的一个关键步骤是确定晴空辐照度。晴空衰减可以使用宽带大气浊度因子建模，但模型精度取决于用于确定气溶胶负载和水蒸气含量的当前和未来状态的测量，这需要在时间和空间上进行近距离测量，以考虑浊度变化。然而，这种测量只能在有限的、数量不断减少的地点进行近实时本文提出了一种新的方法电子邮件地址：daxm@hawaii.edu。https://doi.org/10.1016/j.egyai.2023.100252接收日期：2022年12月7日;接收日期：2023年2月13日;接受日期：2023年3月10日2023年3月15日网上发售2666-5468/© 2023作者。出版社：Elsevier Ltd这是CC BY许可下的开放获取文章（http://creativecommons.org/licenses/by/4.0/）。可从ScienceDirect获取目录列表能源与AI期刊主页：www.elsevier.com/locate/egyaiD.K. 马修斯能源与人工智能14（2023）1002522用于从更容易获得的日射强度计或PV输出数据估计随时间变化的局部浊度条件。该方法采用了一个长期的短期记忆递归神经网络提取的浊度驱动的信号从全球辐照度（或全球辐照度驱动）的观察，尽管固有的阻尼问题。该方法被开发用于太阳预测应用的近实时操作。验证检查该方法能够（1）重现从晴空条件下光束辐照度的历史测量得出的浊度估计值;（2）以从日平均值生成1. 介绍1.1. 背景太阳能技术在2019年和2020年期间为美国电网提供了最多的新容量，根据太阳能行业协会（SEIA）2020年太阳能市场洞察报告[1]。2020年，新增光伏（PV）装机容量达到创纪录的43%。在未来10年，SEIA预测电网上的太阳能容量将翻两番，新增容量为324吉瓦持续的太阳能发电量增长对夏威夷尤为重要。该州消耗的能源大约是其生产的11倍，五分之四的发电量依赖进口石油。但是，充足的太阳能日照使夏威夷成为理想的太阳能市场，它是第一个达到光伏系统并网平价的州。 2019年，太阳能提供了夏威夷一半以上的可再生能源。2020年，太阳能提供了该州总发电量的17%以上。光伏系统的发电被认为是不可调度的电力，因为输出不受电网运营商的控制，而是直接相关的。到照射面板的辐射功率，或辐照度，定义为每平方米的辐射通量。在高穿透率下，由于辐照度变化导致的光伏生产的波动和不确定性会引发一系列影响功率平衡、电网稳定性和储备管理的问题。这些问题在夏威夷尤其严重，因为每个岛屿都有一个相对较小和孤立的电网。辐照度变化是由地球外和大气影响驱动的。在大气层以上，辐照度随日地几何关系和太阳活动周期而变化.然而，当下沉辐射穿过大气时，由于与空气分子、大气颗粒和微粒的相互作用，它通过一系列复杂的反射、反射和再发射而衰减[2]。 太阳能资源预测的主要任务是评估大气的状态[3，4]。估计到达地面的辐射的方法通常分别处理晴空的衰减和云层的衰减。从“晴空模式”（CSM）计算的晴空辐照度被用作由估计调制的基线信号云驱动的衰减。这种方法的能力直接关系到CSM的准确性晴空辐照度是在晴空条件下发生的辐照度，在本工作中定义为太阳能资源或由此产生的光伏发电不受云层影响的大气状态。晴空辐照度的衰减主要是调制的 根据气溶胶的状态，悬浮在大气中的颗粒物的尺寸范围从1 nm到5 nm [5]，以及大气水蒸气[6，7]。常见的气溶胶包括海气相互作用产生的盐、火灾排放的烟雾和烟尘、火山喷发的火山灰和灰尘、煤和石油燃烧产生的硫酸盐以及燃烧过程中释放的黑碳重石油。CSM分为两类：辐射传输模型和经验模型[6，8，9]。辐射传输模型通常能更好地估计晴空衰减，但需要很少可用的多光谱测量。经验模型通常用于实时应用，但需要从附近的操作仪器进行宽带束辐射测量[7，10部署的这类工具数量有限，而且越来越少由于仪器成本（3万美元）以及跟踪或阻挡太阳的移动部件的频繁维护和校准要求，另一方面，日射强度计相对便宜（1 - 5000美元），并且不包含需要频繁维护和校准的移动部件。因此，总日射强度计提供了大量现成的标准化太阳辐射数据，有许多实时来源。然而，日射强度计测量的是全球辐照度，与光束辐射测量相比，其灵敏度较低 浊度的变化。在全局辐照度测量中，由于直接和漫射分量对浊度变化的相反响应（漫射辐照度随浊度变化而变化，而直接辐照度随浊度相反地变化），浊度驱动的信号被抑制。这限制了总日射强度计数据用于量化浊度的使用。已经提出了一些方法，使用存档的日射强度计观测，但应用有限Polo等人提出了一种方法，利用GHI在太阳系的观测值估算月浊度值中午[17]。Hove等人提出了一种通过最小化观测到的全球辐照度与津巴布韦晴空模型输出之间的差异来估计月平均辐射量的方法[18]。Riveros-Rosas等人提出了类似的方法来估计墨西哥的月浊度值[19]。1.2. 目的、假设和验证本文的目的是提供一种新的方法，用于确定实时浊度条件，使用深度神经网络（DNN）技术和更容易获得的数据源，包括日射表，气象站，和监测光伏系统。DNN模型已经显示出在存在多个参数的情况下对非线性过程进行建模的能力。所提出的方法是基于这样的假设，即DNN可以被训练为从全球辐照度观测中提取阻尼浊度驱动信号，从而允许在晴朗天空条件下估计宽带浊度信息。使用Linke浊度系数量化宽带浊度L[20，21]，代表与研究中的实际大气辐射相当的清洁干燥大气的数量。经过训练的DNN用作分离模型，以根据来自气象站、日射强度计或监测的PV系统的信息以及可用的模型输出来预测漫辐射。这些信息包括大气衰减指数、环境条件、太阳位置和晴空分类。湍流度是使用直接辐照度估计的，直接辐照度是使用基于闭合的关系和反向直接辐照度模型从DNN漫射辐照度预测中得出的。如果这种方法是有效的，它可以提供一个框架，以产生更广泛和全面的浊度观测。与光束或漫射辐照度测量相比，日射表和气象站数据的可用性要高得多，并且通过共享服务（如pvoutput.org），分布式光伏系统的数据变得越来越可用。了解时间和空间浊度模式和变量，的能力，以及用于提供宽带浊度信息的CSM依赖于林克浊度因子建模衰减过程以外的瑞利散射业务太阳能预报 本地区在第2节中描述了所提出的方法，随后是大气衰减指数值、晴空模型、D.K. 马修斯能源与人工智能14（2023）1002523∑（−）=������1−���∑2=1第2.2节中的太阳几何模型;第2.3节中的晴空识别算法;第2.4节中的DNN分离模型，包括输入参数测试、DNN模型验证和相对模型性能检查;以及第2.5节中用于量化浊度的方法。方法验证，属于周转率估计，分两步进行：检查能力当忽略第4.2节中方法产生的浊度信息时，在第3节中重现观察值的方法，然后评价CSM准确度。方法的有效性进行了讨论的误差，表1分析中使用的四个时间序列的总结。 每个包含环境条件，漫射辐照度的观测，以及使用DNN集合模型估计漫射辐照度的观测。LAOLAKALAMEDBMEDB-PV位置La Ola，Lanai Kalaeloa，Oakland Kihei，Maui Kihei，Maui开始日期7月09日结束日期12月12日'10月11日' 9月18日'9月18日'纬度20. 8 <$21. 3 <$20. 8 <$20. 8 <$经度− 156. 9 <$− 158. 1 <$− 156. 4 <$− 156. 4 <$海拔381米4米59米59米个体误差，定义为预测值之间的差异������2019-10-20 00：00：00方位角180<$180<$194<$194<$������和相应的������������=������ −������,(1)通过漫射辐照度测量（或从所述测量导出的浊度值）提供。请注意，任何测量值都只是真实值的近似值，具有各种不确定性。 本工作中使用的术语为了简明起见，使用一些常规的总体统计量来量化方法误差，即平均偏倚误差（MBE）和均方根误差（RMSE），对于包含数据点的数据集，其定义为温度和相对湿度测量值来自Camp-Bell Scientific CS215探头。 原始测量值每隔3秒收集一次，在释放前平均1分钟[22]。漫射和全局辐照度数据均基于LI-COR LI-200，一个未过滤的硅光电二极管与扩散测量辐照度。应用了后处理软件，该软件考虑了硅检测器的有限光谱响应。测量不确定度应与一级热电堆日射强度计的测量不确定度接近，其值为±5%。第二个数据集，称为LAOLA，包括辐照度平均值。1∑√√1∑位于拉奈岛的1.5兆瓦La Ola太阳能发电场的仪器提供了可靠的数据NREL的MIDC也提供了这些数据������==1 （），���==1（注）2.���（二）SOLRMAP的一部分[22]。 数据集从09年7月12'. LAOLA测量值来自同一套仪器，MBE和RMSE也以归一化值表示为平均观测值（或观测衍生值）的百分比。最后，确定系数（表示为R2），定义为用于KALA数据集的那些，并且也在发布之前在3秒收集并平均到1分钟的 最终 两 数据集 包含 测量 从仪器22=1，（−）���������（三）位于毛伊岛西南海岸基黑镇的毛伊岛经济发展局（MEDB）办公室。夏威夷自然能源研究所（HNEI）在此建造了一个光伏试验台用于衡量方法复制观察到的结果的程度，基于方法输出解释的结果总变异的比例。一个“好"的模型也应该具有较低的RMSE值当MBE接近±0.请注意，方法性能是根据观测值或观测值导出的值进行评估的，这些值受观测误差和实验不确定性的影响，这会影响性能指标。四个数据集来自三个研究地点位于奥巴桑乔岛，拉奈岛和毛伊岛被用来测试和验证的方法（位置如图1所示）。为了确保用于DNN训练和验证的数据集尽可能独立，只使用一个数据集（KALA）进行训练，剩下三个数据集来验证该方法。每个数据集包含至少500天的测量结果，用于运行和验证方法。验证测量包括用于训练和验证DNN模型的漫射辐照度观测值，以及用于验证该方法的来自漫射辐照度观测值的浊度估计值。作为方法输入的测量值包括温度、湿度、风速和全球辐照度或PV功率数据。在每个测量时间步，包括太阳的位置、晴空辐照度和布尔标识符形式的晴空分类。数据集、研究中心和仪器如下所述（总结表1中的信息）。第一个数据集，被称为卡拉，包括来自位于奥帕提亚岛东南角的卡拉埃洛阿机场的仪器的辐照度测量。数据由计量部门提供 国家可再生能源实验室（NREL）内的仪器数据中心（MIDC），作为太阳能资源和气象评估项目（SOLRMAP）的一部分[22]。数据集的时间跨度为7月9日至11月12日。 漫射辐照度测量值来自MFR-7型多滤光片旋转阴影带辐射计（RSR），全局辐照度测量值来自LICOR LI-200日射强度计，该中心配备了各种仪器，用于高频太阳能资源和光伏输出监测。这两个数据集的时间跨度从4月16日到9月18日，包含来自Delta-T SPN 1阳光日射强度计的漫射辐照度测量值，以及来自Gill MetPak Pro气象站的温度和相对湿度。MEDB数据集包含来自Kipp Zonen SMP 21-A Pyranome- ter的全局辐照度测量值，而M edb-PV数据集包含来自DC测量盒的PV输出数据，该DC测量盒监测8个高效n型单晶面板的1.96 kW PV阵列。SMP21-A是二级标准日射强度计;测量不确定度应小于± 3%。请注意，安装SMP 21-A是为了测量光伏面板阵列平面（POA）中的辐照度，光伏面板的倾斜度为20度，方位角194度（从北向东测量）。 SPN1日射强度计使用一组七个热电堆传感器和基于软件的阴影模式来测量辐射的漫射分量。漫射辐照度测量不确定度应小于± 8%。2. 方法2.1. 概述和示例方法输入和输出的样本日如图所示。二、图A示出了由日射强度计测量的全局辐照度，以及在恒定浊度值3下来自CSM输出的全局辐照度。还指出了在晴空条件下确定的日射强度值（确定方法见第2.3节）。这些值的比率用于计算图B中的晴空衰减，与清晰度指数值一起显示（在第2.2节中进一步讨论）。指数值是大气衰减的度量，并作为DNN模型的主要输入（DNN输入特征在第2.4.3节中讨论）。DNN分离模型（见第2.4节）预测的漫射辐照度为D.K. 马修斯能源与人工智能14（2023）1002524⎪������如果PV功率测量，但是 ，如果PV功率测量。⎩Fig. 1. 研究中心位置。与测量值一起显示，用于训练，测试和验证DNN，如面板C所示。DNN测试和验证以及第2.4.4节中的相对性能讨论。图D显示了DNN导出的和观测导出的直接辐照度值，用于确定图E中的浊度估计值。用于确定这些值的方法见第2.5节。2.2. 晴朗和晴空指数大气衰减使用日射强度计或PV功率数据使用归一化指数值进行量化。Black等人首先提出使用完全透明的大气层，通过晴空潜力将太阳辐射测量标准化[23]。随后是“晴朗指数”的概念， Engerer等人引入了“修正晴空指数”的概念这项工作建立在这些想法的基础上，使用“清晰度指数”， ���使用“晴空指数”表示测得的辐照度与预期晴空辐照度的比值，或测得的光伏功率输出与预期晴空条件下的光伏功率输出的比值���������������������������������但是，如果辐照度测量0根据地球轨道的偏心率太阳的位置由SGM给出，以高计算速度和高精度（最大误差为0.0027）而闻名[27]，由太阳天顶角（），太阳赤经角（）和小时角（）描述。���使用Ineichen-Perez CSM [ 10 ]确定水平直接和全球晴空辐照度L定义为使用清洁和干燥大气的理论光学厚度再现观察到的衰减所需的清洁干燥大气的数量[20，21]。原始公式在恒定的气溶胶光学厚度下表现出日变化，Ineichen-Perez公式校正了该日变化，使得浊度在一天中保持稳定。倾斜平面上的全球晴空辐照度是通过使用天空视图因子调整晴空漫射辐照度并假设各向同性天空，使用反射系数或地面反射系数[28]解释地面反射辐照度并重新应用闭合方程来确定的。陆地表面的典型Escudo值范围为0.1光伏系统的晴空和地外功率输出，由模块参数（尺寸、面板类型、安装类型和方向）描述，由晴空辐照度和光伏模拟模型（PVM）确定。PVM是根据NREL的PVWatts版本5制定的PVM使用经验热模型解释温度相关的效率损失，并使用多项式校正解释反射损失[30]。热模型是由气象站仪器提供的环境条件观测数据驱动的。为了提供宽带浊度变化与晴空指数中量化的大气衰减变化之间的一致关系，使用浊度和���������在恒定浊度条件（L= 3）下计算的浊度为了在后面的讨论中清楚起见，这个模型的公式用于��� =100、但是，如果辐照度测量（四）标准化辐照度和PV功率观察结果将参考用的是一种新的方法。2.3. 晴空识别������=���������������������（五）在晴朗的天空条件下，辐照度变化平稳。 时期 的利用傅里叶级数确定地外辐射为了调节太阳常数，平均日地距离处的平均地外太阳红外辐射使用一系列阈值测试来识别晴空条件，将观测的平滑度、形状和幅度与移动窗口内相应的晴空值进行这种方法D.K. 马修斯能源与人工智能14（2023）1002525图二. 采样日期：（A）方法输入观测、CSM模型输出和晴空分类;（B）推导出的大气衰减指数;（C）DNN推导出的和观测到的漫射辐照度;（D）DNN推导出 的 和观测到的 直接辐照度;以及（E）晴 空 条 件 下 方法推导出 的 和观测到的 浊度估计值。重新制定了由Reno等人[31]开发的算法，以根据总日射强度计或PV功率数据识别晴空条件如果晴空指数在阈值范围内，则满足第一个测试，以确保观测结果与其晴空对应物在量级上相似然后使用11 min的移动窗口计算斜率和变异性度量。第二个测试将移动窗口内的观测值的平均斜率与相应晴空对应物的平均斜率进行第三个测试比较了从观测中得出的变率指数（VI）[32]与晴空值的VI。最后一个测试将移动窗口内观测值的标准差为了将观测识别为在晴朗天空条件下发生，必须通过所有阈值测试。请注意，任何相邻观测数量不足的观测都被视为受云影响。初始阈值参数基于[31]中建议的参数，然后量化优化的成功或准确性晴空识别算法的定性演示并不简单，因此在图3中使用来自LAOLA数据集的不同天空条件下的连续12天给出了该算法的定性演示。确定在晴空条件下发生的日射强度计观测应表明时间变率降低，震级和斜率类似于来自太阳黑子的震级和斜率。这在2009年12月8日和12月9日最为明显，主要是晴空条件。2.4. DNN分离模型早期的分离模型是针对低分辨率应用（每小时或更长时间）开发的，使用的是全球、漫射和地外辐照度之间的经验关系。 从那时起，小时模型使用来自额外预测器的信息而变得越来越复杂。虽然已经表明，许多小时模型可以应用于在更高的分辨率[9]，最近的发展集中在估计D.K. 马修斯能源与人工智能14（2023）1002526图三. 来自LAOLA数据集的观测到的全球水平辐照度的时间序列示例，其中测量值被确定为在晴朗天空条件下发生（蓝色）。 (For对本图图例中所指颜色的解释，读者可参考本文的网络版分辨率为1分钟。虽然几个1分钟模型已经证明了基于机器学习的方法的好处[33-最近的建模工作报告漫射分量的nRMSE为20%所提出的方法采用DNN模型作为1分钟预测漫射辐照度的分离模型。具体来说，该方法采用了长短期记忆（LSTM）模型，这是一种递归DNN。LSTM通过使用长期和短期记忆反馈连接来学习时间步长之间的长期依赖关系，而不增加网络的维度[40]。这种方法允许模型适应在一系列时间尺度上具有可变性的过程。DNN模型使用MATLAB实现，利用深度学习工具箱中的函数2.4.1. 模型架构DNN架构包括一个初始输入层，然后是6个包含100个隐藏单元的LSTM层，最后是一个带有回归输出层的全连接层。每个LSTM层都与尾随的dropout层（设置为10%）配对。辍学，或随机在训练过程中丢弃节点，已被证明是一种计算成本低且有效的正则化方法，可以减少过拟合并改善泛化误差[412.4.2. 模型训练使用Adam优化算法进行模型训练，该算法是随机梯度下降法的扩展，允许每个参数的可变学习率[44]。 使用标准化对训练数据进行标准化，以补偿输入和目标数据的不同尺度。DNN结构和超参数设置是通过广泛的试验和错误测试确定的。每个模型的训练都是使用Kala数据集的前半部分进行的，大约有140，000个数据点，跨越8个月。训练在200个时期后结束。然后使用完整的3年LAOLA数据集（超过570k个点）和使用确定为在晴朗天空条件下发生的LAOLA数据集的周期（超过128k个点）量化每个模型的性能。D.K. 马修斯能源与人工智能14（2023）1002527表2DNN分离模型的测试配置输入ID清晰度指数0晴空指数1温度2湿度3晴空四级SZAzS0zS1zXXXXS01zS02zS12zXXXXXXXXXS012zS13zS013zXXXXXXXXXXS0123zXXXXXS01234zS04zS14zXXXXXXXXXXXXS014zXXXX表3输入功能测试期间的DNN模型性能指标使用57 082个数据点计算完整数据集指标，并使用平均值计算归一化值185.06W scinm2，使用12 880个点计算晴空指标，并使用67.62 W scinm2的平均值进行归一化。DNN模型完整数据集晴空条件RMSE [W闪烁2]rRMSE [%]MBE [W闪烁2]rMBE [%]2RMSE [W闪烁2]rRMSE [%]MBE [W闪烁2]rMBE [%]2S0z56.8230.7−14.4-7.780.8225.8638.16-13.66-20.19−0.11S1z 49.02 26.49 −3.5 −1.89 0.87 21.65 31.53 −5.31 −7.78 −0.12S01z 53.12 28.71 −12.23 −6.61 0.85 24.91 36.58 −8.04 −11.9 −0.03S02z 57.33 30.98 −15.51 −8.38 0.81 33.56 49.35 −15.19 −22.34 −1.48S12z 54.62 29.52 −13.21 −7.14 0.84 32.97 48.49 −13.22 −19.44 −1.86S012z 49.21 26.59 −9.51 −5.14 0.87 28.52 41.84 −12.39 −18.31 −1.35S13z 51.97 28.08 −15.6 −8.43 0.85 42.79 63.22 −26.79 −39.64 −2.03S013z 58.72 31.78 −16.06 −8.68 0.81 50.43 74.53 −25.58 −37.83 −3.21S0123z 61.97 33.49 −23.58 −12.74 0.79 62.62 92.45 −33.45 −49.44 −5.49S01234z 52.11 28.16 −12.7 −6.06 0.85 26.83 39.47 −14.24 −21.06 −0.19粤ICP备16036888号-1S14z 44.57 24.09 3.39 1.83 0.89 16.01 23.5 −3.61 −5.28 0.58S014z 43.18 23.33 2.9 1.57 0.9 15.43 22.27−1.51−2.24 0.612.4.3. 输入特性测试在该方法的早期开发过程中，对一系列输入数据类型进行了试验。那些被认为没有益处的被排除在进一步评价之外。随后的测试集中在以下数据类型：相对湿度、环境温度、晴朗指数、晴朗天空指数、布尔标识符形式的晴朗天空分类和SZA。 请注意，晴朗度和晴朗天空指数值是根据测量值与理论上的地外和晴朗天空值之比计算出来的。为了寻找输入参数的最佳组合，训练了13个不同的DNN模型，并评估了它们预测漫射辐照度的能力。 表2中列出了每个模型使用的输入参数以及模型命名约定信息。性能指标是从预测和观察到的辐照度之间的差异计算的。结果列于表3中。在整个LAOLA数据集中存在的受云影响和晴朗天空条件下，所有DNN模型都表现出良好的性能，RMSE值范围为43.2至62 W scinm2，对应于23.3至33.5%的归一化值大多数模特都表现出其输入特征包括晴朗指数、晴空指数、晴空分类和SZA。请注意，没有进行额外的培训2.4.4. 相对性能DNN分离模型的相对性能通过与六个标准分离模型进行比较来评估（总结在表4中）。ErBS、LOUCHE、OH、REINDL 1和REINDL 2是基于清晰度指数信息的单个DISC模式是一个基于清晰度指数和气团信息的双预报模式。 D irnT模型建立在DISC公式的基础上，增加了露点温度和时间变化性信息，通过使用“变化性指数”进行量化。所有模型都提取了辐照度的直接分量，从中使用观测到的全球测量和闭合方程计算漫射辐照度，������������������=其中，λ表示全局水平辐照度， 是直接的-���负偏差，表明DNN高估偏见问题是法向辐照度，λ是太阳天顶角（SZA），λ是太阳辐射强度。是���在使用环境条件训练的模型中，漫射辐照度也发现降低模式的性能，特别是在晴朗的天空条件所有13个模型均重现了高百分比的观察到的方差，其中2个值范围为0.79至0.9。在晴空条件下，模式性能的范围更大。两个模型从该组中脱颖而出，显示出显着较低的误差和较高水平的方差解释。发现S14 z和S014 z是rRMSE值低于30%的唯一模型，同时也显示出最小偏倚和最高2个值。这些模型是仅有的四个具有正2值的模型中的两个，并且是仅有的两个具有高于0.5的2在这两个模型中，S014z在完整数据集和晴朗天空条件测试中的表现略优于S14i，因此被选为DNN分离模型的配置与前一节一样，LAOLA数据集用于量化在完整数据集和晴朗天空条件下发现的所有条件下的分离模型误差。结果在表5中给出。在测试的标准模型中，四个预测因子D irnT模型在完整数据集和晴朗天空条件测试中都产生了最好在所有条件下，DNN分离模型性能超过所有标准方法，尽管标准方法表现相当好。D irnT模型估计漫射辐照度的RMSE为73.64，对应于rRMSE为39.79%，MBE为12.8 W scinm2，对应于rMBE为6.91%。所有六个标准模型都再现了观察到的大部分变异性，D.K. 马修斯能源与人工智能14（2023）1002528但是，如果PV功率测量⎩���������科索������⋅������−���科索表4图四、观测值和DNN值的每周平均值和2���次 浊度分布。MBE降低53.7 ~ 94.4%。没有测试的标准方法描述用于评估DNN性能的分离模型。模型的基础是全球和直接清晰度指数之间的经验关系。首字母缩略词作者预测器产生正2值，表明未能模拟观察值（在前一节测试的11个DNN模型中，也发现了8个模型）。埃尔布斯·卢什[45]晴空指数[46]晴空指数OH[47]透明指数2.5. 浊度估算RE I ndL1 RE IndL2DISC DirnT[48]清晰度指数[48]晴空指数[49]清晰度指数和A[50]洁净度指数、露点温度、变率指数和SZA所提出的方法被制定为摄取日射强度计或PV功率数据，因此直接辐照度使用以下形式的修改的闭合方程来估计：���如果辐照度测量，辐照度的RMSE范围从44.4%到58.4%低于标准方法，MBE的77.3%到90.5%低，2范围从0.2到0.49。在晴朗的天空条件下，DNN分离模型的性能显着超过所有标准方法，这些方法表现出相当差的性能。DNN分离模型估计的弥散性辐射比标准方法的它依赖于晴空指数和.然后使用Ineichen-Perez晴空模型的反演（遵循[ 51，52 ]的工作）和假设Ineichen-Perez浊度公式不随统一形式的气溶胶负载而变化来估计浊度在无云的天空下，在任何气团中获得反演���范围为0.41至0.7。 DNN分离模型估计扩散=（七D.K. 马修斯能源与人工智能14（2023）1002529L表5DNN分离模型性能指标与六种标准方法的比较表 3中 给 出 了 点数和平均归一化值。全时间序列晴空条件RMSE [W闪烁2]rRMSE [%]MBE [W闪烁2]rMBE [%]R2RMSE [W闪烁2]rRMSE [%]MBE [W闪烁2]rMBE [%]R2Erbs90.6448.9820.9511.320.5548.0671.06-42.49-62.86-2.82卢什103.81 56.09 30.69 16.58 0.41 33.63 49.72 −27.94 −41.34 −0.87俄亥俄州88.34 47.74 11.89 6.43 0.57 62.25 92.06 −55.46 −82.04 −5.42雷因德尔1 95.52 51.62 22.12 11.95 0.50 59.05 87.32 −51.65 −76.4 −4.77赖因德尔2 85.58 46.24 −12.05 −6.51 0.60 71.72 106.08 −64.36 −95.23 −7.52DISC 82.88 44.79 17.23 9.31 0.62 50.86 75.23 −21.28 −31.42 −3.30方向73.64 39.79 12.8 6.91 0.7 33.05 48.87 −7.73 −11.4 −0.81DNN 43.18 23.33 2.9 1.57 0.9 15.43 22.27−1.51−2.24 0.61表61分钟分辨率下的DNN衍生浊度性能指标RMSE rRMSE [%] MBE rMBE [%] R23.2. 每周产品验证调节大气浊度的主要驱动因素是当地的emis-KALALAOLAMEDB0.01 0.2 0.550.28 9.19 −0.06 −1.88 0.440.26 8.37 0.02风、大气温度和大气中尺度环流[53]。以下内容评估了MEDB-PV0.35 10.98 0 −0.01 0.04配制为大气环流驱动的浊度波动的再现方法。7-根据第3.1节中验证的1 min分离度数据生成日平均产品，并进行比较。这一分辨率对应于1980年至2000年大气环流的主要时间尺度。=11.1μ ln一空气质量，���⋅0���+1。（八）热带，从5到10天不等[54]，捕捉季节效应，并确保每个分布包括足够的数据用于统计显著性。一般来说，RMSE值减小，2值增大从A和地外辐照度，��������� 而λ是根据场地标高确定的，λ：具有增加的时间分辨率平均。与1分钟数据生成的值相比，每日估计值的RMSE降低了3%���0.664 +0.163���−ℎ∕8000（九）平均值和2���个浊度估计值分布以每周分辨率的时间序列显示在图1中。四、显示的2值该方法用于根据DNN或观察值（用于验证）的漫射辐照度估计浊度。3. 结果现在的重点转移到方法浊度估计值的验证。使用DNN衍生的浊度估计值和观测衍生的估计值之间的差异来量化方法误差。3.1. 高频验证为了评估该方法再现观测值的能力，以输入数据的分辨率（1 min）计算性能指标。通过比较数据集误差来评估输入类型对方法准确度的影响。结果在表6中给出。正如人们所预期的那样，DNN衍生的浊度估计对于用于训练DNN模型的数据集KALA（包含超过47k个数据晴空数据点）是最准确的。DNN导出的浊度估计值重现了观测导出的值，RMSE为0.26，解释了55%的方差。 LAOLA数据集（包含超过128k个晴朗天空数据点）的DNN衍生浊度估计值显示出略高的误差，RMSE为0.28，解释的方差，2值为0.44。对于MEDB数据集（包含超过115k晴空数据点）的方法误差类似于KALA数据，但2值是基于日射强度计的数据集中最低的，为0.36。对于包含超过97 k晴空数据点的M edb-PV数据集，发现方法误差是四个数据集中最高的，为0.35 RMSE，相对于KALA数据增加了近35%。0.04的2值还表明，很少解释观测导出的浊度方差。减少 在第4.1节中更详细地探讨了使用PV数据的方法性能。总体而言，所有数据集的归一化RMSE均低于11%，归一化MBE小于2%。表示数值的5%-95%百分位数范围。每周的分布主要在2-4范围内，有一些分散的时段浊度增加。由观测导出值和DNN导出值捕获的季节性波动在MEDB和M edb-PV数据集中更为明显，夏季月份的值更高。来自观测值和DNN估计值的每周平均值在定性上一致，尽管来自观测值的估计值始终高于DNN估计值。���图图5示出了以每周分辨率的观测导出的和DNN导出的差异的时间序列。平均值主要在±0.4范围内，未显示系统性 bias. 2��� 每个数据集的值主要在±1范围内，尽管与M edb-PV数据集的差异始终高于其他数据集。依赖于Linke浊度系数的CSM通常将依赖于 在缺乏近实时信息的情况下，对气候浊度产品的影响，这已被证明限制了模式的准确性[52]。太阳辐射数据（SoDa）服务是一种比较常用的产品，它是一套每月定期发布的全球浊度图。10公里网格[55]。SoDa气候学产品和观测导出的浊度估计值之间的差异以每周分辨率显示，以及观测导出/DNN导出的差异，以供比较。五、从SoDa气候学中提取的湍流值在所有三个研究地点都显示出一致的偏倚。 在拉奈岛和毛伊岛（LAOLA和MEDB）的东部试验点，偏差相对较小。SoDa值平均比LAOLA的观测值高0.21，比MEDB高0.3。然而，L aola的2���值始终高于M EDB，分布范围超过±2。SoDa气候学中发现的Oakland岛上的KALA数据集的偏差要显著得多。在这里，SoDa浊度值平均比观测值高1.4，每周2次的差值分布超过-3。D.K. 马修斯能源与人工智能14（2023）100252104. 讨论4.1. 光伏发电图五、DNN 导出 值和SoDa 气候 学的每周平均值和2���个 浊度误差分布。面板约为15米。由于偏差的形状和规律性，从2016年底下午开始的晴朗天空指数MBE的增加归因于附近建筑的阴影效应当输入来自PV功率数据时，有多种可能的原因导致方法性能降低。主要问题是由于2016年底开始在光伏系统附近的地块上进行建筑施工而产生的阴影所导致的误差，以及由于污染而导致的误差，由于光伏电池板和日射强度计的表面积差异，这更有可能影响光伏功率输出而不是测量的辐照度。总日射计得出的晴空指数值和PV功率得出的晴空指数值之间的差异用于确定PV相关问题可能影响方法性能的时间段。 图的顶部面板。图6显示了根据晴空指数差异计算的MBE，该指数按日期和一天中的时间分组，使用跨度为5天30分钟的分组。图6示出了从来自Medb-PV数据集的观测导出的和DNN导出的漫射辐照度差异只有当总日射计在阴影中而光伏板不在阴影中时，阴影效应才会在晴空指数差异中明显，反之亦然;请注意，从总日射计到光伏板的距离大的正偏置指示PV板被遮蔽，而日射强度计是畅通的。发现偏见的急剧增加， 2017年的春天归功于建设的进展。 到第二年冬天，施工已经完成，在下午的时间里，完成的建筑物的光伏遮阳效果明显，持续了4个多月。在2017年12月的高峰期，光伏遮阳在中午之后开始。观测导出的和DNN导出的漫射辐照度的增加的差异对应于可能的PV遮蔽的日期和时间。分离模型误差达到近当PV遮蔽最大时，25 W闪烁2当不受阴影影响时，可以看到晴空指数差异的明显趋势。2016年发现的主要负偏差在2018年4月之后的所有日期/时间箱中转变为正偏差，这与光伏发电输出减少的趋势相对应。光伏发电量的减少可能源于系统老化导致的硬件问题以及太阳能电池板上灰尘和污垢的积累。2018年偏见的加速增加与4月开始的夏威夷岛大规模火山爆发相D.K. 马修斯能源与人工智能14（2023）10025211见图6。 光伏发电相关问题的可视化：（上）根据日射强度计和光伏发电差异计算的晴空指数MBE;（中）漫射辐照度根据光伏功率DNN导出和观测差异计算MBE;根据光伏功率DNN导出和观测计算（较低）漫射辐照度和浊度RMSE，或者说是观察得出的差异。2018年18日。在此期间，信风将火山气体和火山灰带到夏威夷其他岛屿，影响空气质量。在图的下面板中。显示了漫射辐照度和浊度的6个20天分辨率RMSE值。漫射RMSE是使用完整的Medb-PV数据集从观测导出和DNN导出的差异计算的，而浊度RMSE是在晴朗天空条件下从数据集的观测导出和DNN导出的差异计算的。PV阴影问题对应于漫射辐照度误差的增加，但不会转化为浊度估计误差的增加，因为阴影值被识别为受云影响。然而，增加的浊度估计误差确实对应，并且可能由PV污染相关问题驱动4.2. 太阳能预测所提出的方法的目的是在近实时操作，为太阳能预测应用提供有用的信息在这在第一节中，通过比较所得到的模型准确度，评估了该方法在预测情景（指定为Ineichen-Perez CSM）中向Ineichen-Perez CSM提供输入的能力������������为了将浊度的影响放在光伏发电的背景下，在晴朗的天空条件下生成合成光伏曲线，但具有不同的浊