基于WRF-Solar模式的辐照度模拟与订正研究

作     者：商永朋 

作者单位：华北电力大学(北京) 

学位级别：硕士

导师姓名：李薇;李亚楼

授予年度：2023年

学科分类：08[工学] 0807[工学-动力工程及工程热物理] 

主      题：WRF-Solar 辐照度 订正 逐步聚类分析 多层感知神经网络 

摘      要：光伏发电具有清洁、可持续的优点,随着“双碳目标的提出,光伏产业得到了快速发展。辐照度是影响光伏发电出力的最主要因素,精准的辐照度预报是保证光伏上网电量稳定的必要前提。但辐照度的大小受天气条件影响具有突变性、随机性、间歇性等特点。本文选取了某光伏电站作为研究对象,基于WRF-Solar区域气候模型,通过敏感性分析确定了最优的辐照度模拟物理参数方案,完成了区域的辐照度动力降尺度模拟实验。同时,使用了两种人工智能算法,建立了不同天气类型条件下的辐照度订正模型,对WRF-Solar模式输出的预报结果进行了订正。结果显示,WRF-Solar的初始结果在晴天、晴转多云(多云转晴)、阴雨天气的预报误差分别为16.00%、33.33%、64.03%,预报效果较差。逐步聚类(SCA)和多层感知(MLP)神经网络订正模型大幅提高了 WRF-Solar模式预报的准确性,两种模型在晴天订正效果最好,相对百分比误差分别为11.91%、11.11%,MLP神经网络的表现略优于SCA模型。在晴转多云(多云转晴)条件下,SCA模型的订正效果好于MLP神经网络,订正后的误差分别为14.03%、18.01%。WRF-Solar模式在阴雨天气条件下输出的辐照度误差较大,通过两个模型订正后,误差从192.77W/m2分别降低到了 73.79 W/m2、71.51 W/m2。此外,相对于WRF-Solar模式的初始结果,在峰值模拟上,SCA比MLP的订正结果表现更好。从日内变化上看,两种模型的订正值和实测值的偏差多数出现在中午时间段(如0到61时刻),SCA的订正结果高于MLP神经网络,因此其在中午时间段的模拟准确率略低。在阴雨天气条件下提高辐照度模拟精度仍存在一定的挑战,虽然SCA的订正结果大致模拟出了日内的波动和突变过程,但仍存在较大偏差,未来可通过增加训练样本和优化订正模型来进行改进。