黃晶 李銳海 王頌 張海鵬 李昊 張貴峰 趙林杰 黎振宇

摘 要：利用太陽能發(fā)電是降低碳排放，構建新型電力系統(tǒng)的有效途徑之一。太陽輻射受氣象因素影響明顯，利用氣象數據和相關方法對太陽輻射進行預報是提高新型電力系統(tǒng)穩(wěn)定性的重要手段。闡述了太陽輻射預報方法的分類，主要介紹了4種不同預報方法的基本預報原理及應用進展，并總結了各種預報方法的優(yōu)點和缺點。在實際預報過程中，需要綜合考慮各種預報方法的預報時效和優(yōu)、缺點，結合自身的預報需求，選取最為合適的方法對太陽輻射進行預報。以期為氣象行業(yè)及新能源行業(yè)從業(yè)者進行相關研究和開展業(yè)務提供參考。

關鍵詞：太陽輻射預報；氣象大數據；數值天氣預報；云圖；機器學習

中圖分類號：TM615 文獻標志碼：A

0? 引言

不斷增長的碳排放量引起的氣候變化是人類面臨的全球性問題，氣候變化導致的極端天氣事件增加、海平面上升、凍土融化等異?，F(xiàn)象對人類生存環(huán)境及地球安全等多方面構成了極大威脅[1-2]?；茉聪氖翘寂欧诺闹饕獊碓粗?，而電力是中國能源系統(tǒng)中的重要一環(huán)，也是中國碳排放中占比最大的單一行業(yè)之一。中國風能、太陽能等可再生能源豐富，開發(fā)潛力巨大。建設以風電、太陽能發(fā)電等新能源為主的新型電力系統(tǒng)，是中國落實國家戰(zhàn)略部署，實現(xiàn)碳達峰、碳中和目標的重要手段。在可再生能源中，太陽能被認為是最有希望大規(guī)模發(fā)電并網的清潔的可再生能源之一。

太陽輻射在到達地面被利用前會穿過大氣層，大氣中的云、水汽、氣溶膠等氣象要素的變化會對入射的太陽輻射產生非常大的影響[3]，比如局地云的變化會通過反射、散射等過程使當地太陽輻射發(fā)生變化。因此，受到氣象要素影響而到達地面的太陽輻射具有高波動性的特點[4]。利用氣象數據和相關方法對到達地面的太陽輻射進行預報是預估光伏發(fā)電能力的第一步，也是最重要的一步。根據現(xiàn)有行業(yè)標準，光伏陣列的輸出功率與光伏陣列斜面接收的總太陽輻照度有密切關系，而光伏陣列斜面接收的總太陽輻照度受到達地面的太陽輻射的影響，因此預報太陽輻射是預測光伏發(fā)電輸出功率必不可少的一環(huán)[5]。本文梳理了國內外的太陽輻射預報方法，對基于氣象大數據、基于數值天氣預報模式、基于云圖，以及混合模型預報方法的主要預報思路、優(yōu)缺點、關鍵步驟及應用進展進行總結和歸納。

1? 基于氣象大數據的太陽輻射預報方法

本文提到的氣象大數據主要是指海量的歷史氣象實況觀測數據，實況觀測數據可以來自不同的觀測設備。隨著氣象科學的發(fā)展和觀測設備的更新?lián)Q代，采集實況觀測數據的氣象站點遍布全球，僅在中國就有5萬個以上的地面自動觀測站，而觀測范圍可從幾千米的高空到地面，部分氣象要素觀測的時間間隔可達到分鐘級別。時間和空間的高分辨率，使氣象大數據的量級已經達到了PB級別。下文主要從傳統(tǒng)統(tǒng)計方法和機器學習方法兩方面闡述基于氣象大數據的太陽輻射預報方法。

1.1? 傳統(tǒng)統(tǒng)計方法

氣象要素在某個時刻的變化與其前期的變化有關，即氣象要素時間序列在短滯后的時間內，仍有較高的自相關性。到達地面的太陽輻射受到氣象要素的影響也具有這樣的特性，利用這種特性，可以建立統(tǒng)計模型來模擬太陽輻射隨時間的變化規(guī)律并進行預報，這種預報方法稱為傳統(tǒng)統(tǒng)計方法。傳統(tǒng)統(tǒng)計方法的優(yōu)點在于計算方法簡便，占用計算資源少；缺點在于對非線性較強的時間序列預報能力有限。

常用于太陽輻射預報的傳統(tǒng)統(tǒng)計方法有自回歸模型、滑動平均模型、自回歸滑動平均模型，以及包含多種統(tǒng)計方法的組合模型等。Reikard[6]比較了自回歸累計滑動平均模型、轉換函數、神經網絡、混合方法這幾種方法對不同情況下太陽輻射的預報，結果顯示：自回歸累計滑動平均模型在預報未來24 h的太陽輻射時表現(xiàn)最好，其能比其他方法更有效地捕捉太陽輻射日循環(huán)的變化特征。David等[7]將兩種統(tǒng)計預報模型結合，構建了ARMA-GARCH預報模型，該模型與機器學習預報模型都可以準確預報太陽輻射，但ARMA-GARCH預報模型具有使用簡便、計算成本低的優(yōu)勢。

1.2? 機器學習方法

相比于傳統(tǒng)統(tǒng)計方法，機器學習方法可以更好地處理非線性較強、數據關系較為復雜及不完整的數據。太陽輻射具有較強的非線性變化，機器學習技術既可以對氣象大數據進行訓練和驗證，也可以用于太陽輻射預報。機器學習方法的優(yōu)點在于對非線性較強的太陽輻射時間序列擬合效果較好；缺點在于需要大量的樣本數據進行訓練和驗證，并存在過擬合現(xiàn)象。

人工神經網絡是眾多機器學習方法中最常用于太陽輻射預報的方法。人工神經網絡是由輸入層、1個或多個隱藏層、輸出層組成。輸入層輸入的數據包括氣象、地理信息等；隱藏層由多個非線性處理單元（神經元）組成，其主要功能是計算和處理由輸入層輸入的數據；輸出層接收分析得到的結果，并進行輸出。Mellit等[8]將氣溫和太陽輻射數據輸入人工神經網絡，預報未來24 h的太陽輻射，該方法的預報結果與觀測數據的相關系數超過0.94。Kemmoku等[9]提出了多階段人工神經網絡方法用于太陽輻射預報，每個階段均利用人工神經網絡對氣象要素場進行預報并作為下一階段的輸入場，該方法預報的平均誤差比單階段人工神經網絡降低了約10%。一些研究強調了氣象要素在利用人工神經網絡預報太陽輻射中的重要性。Sfetsos等[10]的研究表明：利用更多的氣象參數，可以提高人工神經網絡對太陽輻射的預報能力。Pedro等[11]發(fā)現(xiàn)微氣候條件對人工神經網絡預報模型最優(yōu)參數的選擇具有很大影響，不同微氣候條件下，影響預報模型準確率的氣象參數有所差異。

除人工神經網絡方法外，其他機器學習方法也常用于太陽輻射預報中。Belaid等[12]基于大氣溫度數據，利用支持向量機方法構建了太陽輻射預報模型，結果表明：相比于人工神經網絡方法，支持向量機方法的主要優(yōu)勢是輸入較少的參數就能獲得較高的預報精度。Mellit等[13]利用小波神經網絡對太陽輻射進行預報，小波神經網絡的預報效果與人工神經網絡的相當，但計算速度比人工神經網絡的更快；此外，小波神經網絡還可用于填補氣象數據庫中缺失的數據。

2? 基于數值天氣預報模式的太陽輻射預報方法

數值天氣預報模式是指在一定的初始值和邊界條件下，通過數值計算，求解描寫天氣演變的大氣運動方程組，并將方程組由當前的大氣狀態(tài)向前積分，從而預報未來一定時段大氣運動狀態(tài)的方法[14]。其不僅可以用于常規(guī)氣象要素的預報，也可以通過輸出太陽輻照度數據對太陽輻射進行預報。數值天氣預報模式的優(yōu)點在于預報時效較長，最多可預報未來15天的太陽輻射，適用多種應用場景；缺點在于計算量大，占用計算資源較多，且對初始場質量要求高。

2.1? 數值天氣預報模式的特點

下文從數值天氣預報模式的關鍵步驟及其輸出結果后的處理訂正方面對數值天氣預報模式的特點進行介紹。

2.1.1? 關鍵步驟

氣象觀測數據存在來源不同、時空分布差異大、誤差不一致等問題，并不能直接用于數值天氣預報模式的初始場。將不同源的氣象觀測資料進行整合，為數值天氣預報模式提供質量更高的初始場，這一過程稱為資料同化[15]。數值天氣預報模式中，云模擬的準確性對太陽輻射的預報起著至關重要的作用，將高質量的云數據同化到數值天氣預報模式初始場是提高太陽輻射預報準確率的關鍵手段。一些學者盡可能收集云的觀測資料，嘗試將云數據同化到數值天氣預報模式初始場中，結果表明：云數據的同化可在一定程度上減小模式模擬的誤差，提高太陽輻射預報的精度[16-18]。

受數值天氣預報模式分辨率的限制，該模式下的網格無法分辨一些小尺度天氣系統(tǒng)或物理過程，因此采用經驗或半經驗的物理過程參數化方案來表示這些小尺度天氣系統(tǒng)或物理過程。不同的參數化方案采用的假設及側重點均有所不同，選取合適的物理過程參數化方案對太陽輻射的預報也很重要。Chen等[19]選用多種輻射參數化方案進行太陽輻射模擬，結果發(fā)現(xiàn)：不同的輻射參數化方案的模擬結果差別很大。Sosa-Tinoco等[20]將利用7種不同積云參數化方案得到的模擬結果與觀測的太陽輻射進行對比，挑選出了最適合墨西哥索諾拉州南部地區(qū)太陽輻射模擬的積云參數化方案。

2.1.2? 輸出結果后的處理訂正

數值天氣預報模式的預報結果存在固有的偏差，這種特性也表現(xiàn)在太陽輻射的預報方面。例如老一代的第5代中尺度（MM5）模式預報得到的太陽輻射較觀測得到的結果偏低[21-22]；天氣預報（weather research and forecasting，WRF） 模式是由美國多家科研和業(yè)務機構共同開發(fā)的新一代區(qū)域中尺度天氣預報模式，由于該模式對云量的模擬較觀測得到的結果偏少，導致其預報的太陽輻射較觀測數據偏高[23-24]。

尋找數值天氣預報模式得到的太陽輻射結果與觀測資料之間的關系，并對預報模式輸出結果進行訂正的方法，稱為模式輸出統(tǒng)計（MOS） 方法。MOS方法可在一定程度上訂正數值天氣預報模式得到的太陽輻射結果的偏差，并考慮了局地的氣候特征，提高了太陽輻射預報的準確率[25-26]。傳統(tǒng)統(tǒng)計方法常用于MOS訂正模型的構建。Verzijlbergh等[27]利用逐步回歸的方法對數值天氣預報模式輸出結果建立MOS訂正模型，結果表明：MOS訂正模型訂正后的太陽輻射預報誤差比未訂正時的太陽輻射預報誤差降低了15%左右。Diagne等[28]利用卡爾曼濾波器對WRF模式輸出的太陽輻射進行后處理，這種MOS訂正模型的預報準確率與單純的數值天氣預報模式相比有了顯著提高。機器學習技術也用于建立MOS訂正模型。Marquez等[29]將云量、降水概率、氣溫作為訂正因子，利用人工神經網絡建立MOS訂正模型，減小了太陽輻射預報的誤差。Huva等 [30]利用隨機森林方法在數值天氣預報模式預報結果的基礎上建立MOS訂正模型，這種方法預報得到的太陽輻射結果均方根誤差比單純的數值天氣預報模式有顯著降低。

2.2? WRF-Solar模式

為了更好地預報太陽輻射，一種基于WRF模式框架的專門用于太陽輻射預報的模式WRF-Solar模式被開發(fā)[31]，其主要有以下優(yōu)勢：1）WRF-Solar模式考慮了云-氣溶膠-太陽輻射之間的相互作用，其考慮了氣溶膠對太陽輻射的吸收和散射（氣溶膠的直接效應）的時空變化[32]，可以將觀測到的高頻變化的氣溶膠光學特征值輸入WRF-Solar模式中。氣溶膠與云之間也存在相互作用（氣溶膠的間接效應），會改變云的反照率和生命史，進而影響太陽輻射，WRF-Solar模式中也考慮了氣溶膠的間接效應[33]。2） WRF-Solar模式中的淺層積云參數化方案考慮了無法識別的次網格尺度云對短波輻射的影響[34]。3）WRF-Solar模式更能滿足工業(yè)界對太陽輻射預報的需求。相比于大氣化學模式（例如WRF-Chem），WRF-Solar模式中云-氣溶膠-太陽輻射之間相互作用過程的表達相對簡化，節(jié)省了計算成本和時間，更符合工業(yè)界的需求。WRF-Solar模式不僅能輸出總太陽輻射，還能輸出太陽的直接輻射與散射輻射，滿足了工業(yè)界某些技術的應用需要。WRF-Solar還提供了一種快速輻射傳輸算法，能以更高的頻率輸出太陽輻射的預報結果，以滿足工業(yè)界對于太陽輻射預報的高頻輸出需求[35]。

基于以上改進，WRF-Solar模式對太陽輻射的預報能力有了較為明顯的提升。WRF模式對太陽輻射預報的固有偏差在WRF-Solar模式中得到了一定程度的減小[31]。Jiménez等[36]發(fā)現(xiàn)WRF-Solar模式可以顯著降低美國地區(qū)太陽輻射模擬的誤差。Kim等[37]基于WRF-Solar模式開發(fā)了太陽能集合預報系統(tǒng)，考慮了每個集合成員預報的不確定性，提高了預報的準確性。

3? 基于云圖的太陽輻射預報方法

云圖是反映天空中云的尺度、結構、分布等特征的圖像，基于云圖圖像序列，通過一定的算法獲取云運動矢量，包括云位移的大小和方向，將云運動矢量進行外推，可以計算出未來一段時間內云的運動情況及某一區(qū)域內云量的大小，進而可以對該區(qū)域內的太陽輻射進行預報[38]?；谠茍D的太陽輻射預報方法的關鍵在于如何計算云運動矢量，最常用的是利用最大交叉相關法從連續(xù)云圖中計算出選定要素的位移向量[39]。此種預報方法的優(yōu)點在于能夠觀測到尺度較小的云，對局地太陽輻射的預報效果較好；缺點在于預報時效較短，且對非線性較強的過程的預報能力有限。

3.1? 基于衛(wèi)星云圖

利用衛(wèi)星云圖可以識別云的變化特征，尤其是對于沙漠、高原等缺少地面氣象觀測臺站地區(qū)的云，這種方法可以預報未來1～24 h的太陽輻射變化。Perez等[40]利用GOES靜止氣象衛(wèi)星提供的云圖，預報美國地區(qū)未來數小時的太陽輻射；結果表明：基于衛(wèi)星云圖的太陽輻射預報方法在小時時間尺度上的預報效果要好于數值天氣預報模式。Nonnenmacher等[41]利用地面氣象數據改進衛(wèi)星圖像序列生成的云運動矢量，然后對美國圣地亞哥地區(qū)的太陽輻射進行預報，這種方法得到的預報結果誤差比傳統(tǒng)統(tǒng)計方法得到的預報結果誤差低約13.7%。Cros等[42]發(fā)現(xiàn)天氣系統(tǒng)對云運動矢量的影響很大，在大西洋上空高壓脊附近云運動矢量的預報結果均方根誤差最大，而在斯堪的納維亞半島上空的阻塞高壓附近云運動矢量的預報結果均方根誤差最小。

3.2? 基于地基天空成像儀云圖

安裝在地面的全天空成像儀（地基天空成像儀）獲取的云圖與衛(wèi)星云圖相比有更高的時空分辨率，可以提供分鐘級別的1 km內分辨率的云圖，填補了小時內太陽輻射預報的空白。地基天空成像儀對云圖高時空分辨率的識別為預報太陽輻射分鐘級別的突然變化提供了可能性。Chow等[43]對每30 s一次的地基天空成像儀拍攝的云圖進行處理，以確定云的覆蓋情況；通過互相關聯(lián)的連續(xù)的云圖來生成云運動矢量，提前5 min預報太陽輻射。Fu等[44]通過對地基天空成像儀獲取的云圖的特征進行分析，選取了與期望預測目標相關性較高的特征，包括云像素數的平均值和方差、亮度平均值等，之后利用所選特征訓練回歸模型對未來5～15 min的太陽輻射進行預報。

4? 混合模型預報方法

兩種或兩種以上預報方法的組合稱為混合模型預報方法，其利用了每個單一預報模型的優(yōu)點，是突破單一預報模型預報缺陷、提高預報準確率的有效方法。將傳統(tǒng)統(tǒng)計方法和機器學習方法混合是最為常見的混合模型預報方法。這種混合模型預報方法的基本思路是利用傅里葉變換、小波分解等時間序列分解方法對與太陽輻射相關的時間序列進行預處理，將數據序列分解為不同時間尺度的分量，然后根據分量的特點，將不同的預報模型應用在分量上，形成混合模型預報方法。雖然混合模型預報方法結合了不同預報方法的優(yōu)勢，可以提升預報準確性，但其將多種模型混合，計算過程相對復雜，計算量比單一預報模型有所增加。Zhu等[45]利用小波分解對晴空指數進行分解，將回歸模型和支持向量機模型分別應用于長波和短波分量，形成混合模型預報方法；這種預報方法對于太陽輻射的預報誤差要顯著低于單一自回歸模型或單一支持向量機模型的預報誤差。Deo等[46]在用支持向量機對太陽輻射進行預報前，利用離散小波變換對太陽輻射時間序列進行分解，并將日照時數、風速、蒸發(fā)量、降水量、最高溫度、最低溫度作為預報因子進行太陽輻射預報；多種誤差指標的計算結果表明：這種混合模型預報方法的預報精度高于單一的支持向量機方法。

除了常見的將傳統(tǒng)統(tǒng)計方法和機器學習模型混合，還有其他混合模型預報方法用于太陽輻射預報。Dong等[47]利用自組織映射網絡對衛(wèi)星云圖進行處理，得到分類的云覆蓋指數；并基于當前云覆蓋指數，利用指數平滑狀態(tài)空間模型和后向多層感知機，預報下一時刻的云覆蓋指數和太陽輻射；這種新方法對于太陽輻射的預報效果優(yōu)于多種傳統(tǒng)統(tǒng)計方法的預報效果。Zemouri等[48]提出了一種多模型太陽輻射集合預報方法，利用自回歸模型、神經網絡模型、支持向量機模型等不同模型分別對太陽輻射進行預報，將多種預報模型進行線性組合，得到多模型集合預報，該方法對于太陽輻射的預報效果優(yōu)于集合中任何一個單一模型的預報效果。

混合模型預報方法還有一種類型，即利用統(tǒng)計方法或機器學習方法對數值天氣預報模式輸出結果進行訂正后處理。

5? 不同太陽輻射預報方法的優(yōu)缺點

由于各種太陽輻射預報方法的原理有所差異，不同預報方法的預報時效也有所不同。對不同太陽輻射預報方法的預報時效、優(yōu)缺點進行匯總，具體如表1所示。

6? 結論

本文對國內外太陽輻射預報方法的研究進行了回顧，主要介紹了基于氣象大數據的太陽輻射預報方法、基于數值天氣預報模式的太陽輻射預報方法、基于云圖的太陽輻射預報法和混合模型預報方法這4種不同預報方法的基本預報原理及應用進展，并總結了各種預報方法的優(yōu)點和缺點。其中，基于氣象大數據的太陽輻射預報方法包括傳統(tǒng)統(tǒng)計方法和機器學習方法，基于云圖的太陽輻射預報方法包括基于地基天空成像儀云圖的預報方法和基于衛(wèi)星云圖的預報方法。

傳統(tǒng)統(tǒng)計方法和基于地基天空成像儀云圖的預報方法的預報時效較短，可以預報未來10 min至幾小時的太陽輻射；機器學習方法、基于衛(wèi)星云圖的預報方法、混合模型預報方法的預報時效相當，可以預報未來1～24 h的太陽輻射；基于數值天氣預報模式的太陽輻射預報方法的預報時效最長，可以預報未來6 h～15天的太陽輻射。在實際的太陽輻射預報中，需要綜合考慮各預報方法的預報時效、優(yōu)勢和不足，結合自身的預報需求及預報區(qū)域的氣候背景、地理特點等因素，選取最為合適的方法對太陽輻射進行預報。

[參考文獻]

[1] 秦大河，丁一匯，蘇紀蘭，等.中國氣候與環(huán)境演變評估（Ⅰ）：中國氣候與環(huán)境變化及未來趨勢[J]. 氣候變化研究進展，2005（1）：4-9.

[2] 秦大河. 氣候變化科學與人類可持續(xù)發(fā)展[J]. 地理科學進展，2014（7）：874-883.

[3] 申彥波，趙宗慈，石廣玉. 地面太陽輻射的變化，影響因子及其可能的氣候效應最新研究進展[J]. 地球科學進展，2008，23（9）：915-924.

[4] LORENZ E N. Deterministic nonperiodic flow[J]. Journal of atmospheric sciences，1963，20（2）：130-141.

[5] 全國氣候與氣候變化標準化技術委員會風能太陽能氣候資源分技術委員會.太陽能光伏發(fā)電功率短期預報方法：QX/T 244——2014[S]. [S.l.：s.n.]，2014.

[6] REIKARD G. Predicting solar radiation at high resolutions：a comparison of time series forecasts[J]. Solar energy，2009，83（3）：342-349.

[7] DAVID M，RAMAHATANA F，TROMBE P J，et al. Probabilistic forecasting of the solar irradiance with recursive ARMA and GARCH models[J]. Solar energy，2016，133：55-72.

[8] MELLIT A，PAVAN A M. A 24-h forecast of solar irradiance using artificial neural network：application for performance prediction of a grid-connected PV plant at Trieste，Italy[J]. Solar energy，2010，84（5）：807-821.

[9] KEMMOKU Y，ORITA S，NAKAGAWA S，et al. Daily insolation forecasting using a multi-stage neural network[J]. Solar energy，1999，66（3）：193-199.

[10] SFETSOS A，COONICK A H. Univariate and multivariate forecasting of hourly solar radiation with artificial intelligence techniques[J]. Solar energy，2000，68（2）：169-178.

[11] PEDRO H T C，COIMBRA C F M. Short-term irradiance forecastability for various solar micro-climates[J]. Solar energy，2015，122：587-602.

[12] BELAID S，MELLIT A. Prediction of daily and mean monthly global solar radiation using support vector machine in an arid climate[J]. Energy conversion and management，2016，118：105-118.

[13] MELLIT A，BENGHANEM M，KALOGIROU S A. An adaptive wavelet-network model for forecasting daily total solar-radiation[J]. Applied energy，2006，83（7）：705-722.

[14] CHARNEY J G，F(xiàn)J?RTOFT R，NEUMANN J. Numerical integration of the barotropic vorticity equation[J]. Tellus，1950，2（4）：237-254.

[15] TALAGRAND O. Assimilation of observations，an introduction （gtSpecial IssueltData assimilation in meteology and oceanography：theory and practice）[J]. Journal of the meteorological society of Japan，1997，75（1B）：191-209.

[16] BAYLER G M，AUNE R M，RAYMOND W H. NWP cloud initialization using GOES sounder data and improved modeling of nonprecipitating clouds[J]. Monthly weather review，2000，128（11）：3911-3920.

[17] CHEN Y，WANG H，MIN J，et al. Variational assimilation of cloud liquid/ice water path and its impact on NWP[J]. Journal of applied meteorology and climatology，2015，54（8）：1809-1825.

[18] KURZROCK F，NGUYEN H，SAUER J，et al. Evaluation of WRF-DART （ARW v3.9.1.1 and DART Manhattan release） multiphase cloud water path assimilation for short-term solar irradiance forecasting in a tropical environment[J]. Geoscientific model development，2019，12（9）：3939-3954.

[19] CHEN W D，CUI F，ZHOU H，et al. Impacts of different radiation schemes on the prediction of solar radiation and photovoltaic power[J]. Atmospheric and oceanic science letters，2017，10（6）：446-451.

[20] SOSA-TINOCO I，OTERO-CASAL C，PERALTA-JARAMILLO J，et al. Sensitivity analysis of cumulus parameterizations for an irradiation simulation case[J]. Sustainable energy technologies and assessments，2018，28：1-13.

[21] HAUPT S E，COPELAND J，CHENG W Y Y，et al. A method to assess the wind and solar resource and to quantify interannual variability over the United States under current and projected future climate[J]. Journal of applied meteorology and climatology，2016，55（2）：345-363.

[22] ZAMORA R J，DUTTON E G，TRAINER M，et al. The accuracy of solar irradiance calculations used in mesoscale numerical weather prediction[J]. Monthly weather review，2005，133（4）：783-792.

[23] LARA-FANEGO V，RUIZ-ARIAS J A，POZO-V?ZQUEZ D，et al. Evaluation of the WRF model solar irradiance forecasts in Andalusia （southern Spain）[J]. Solar energy，2012，86（8）：2200-2217.

[24] RUIZ-ARIAS J A，ARBIZU-BARRENA C，SANTOS-ALAMILLOS F J，et al. Assessing the surface solar radiation budget in the WRF model：a spatiotemporal analysis of the bias and its causes[J]. Monthly weather review，2016，144（2）：703-711.

[25] GLAHN H R，LOWRY D A. The use of model output statistics （MOS） in objective weather forecasting[J]. Journal of applied meteorology and climatology，1972，11（8）：1203-1211.

[26] 何曉鳳，周榮衛(wèi)，申彥波，等. 基于 WRF 模式的太陽輻射預報初步試驗研究[J]. 高原氣象，2015，34（2）：463-469.

[27] VERZIJLBERGH R A，HEIJNEN P W，DE ROODE S R，et al. Improved model output statistics of numerical weather prediction based irradiance forecasts for solar power applications[J]. Solar energy，2015，118：634-645.

[28] DIAGNE M，DAVID M，BOLAND J，et al. Post-processing of solar irradiance forecasts from WRF model at Reunion Island[J]. Solar energy，2014，105：99-108.

[29] MARQUEZ R，COIMBRA C F M. Forecasting of global and direct solar irradiance using stochastic learning methods，ground experiments and the NWS database[J]. Solar energy，2011，85（5）：746-756.

[30] HUVA R，VERBOIS H，WALSH W. Comparisons of next-day solar forecasting for Singapore using 3DVAR and 4DVAR data assimilation approaches with the WRF model[J]. Renewable energy，2020，147：663-671.

[31] JIMENEZ P A，HACKER J P，DUDHIA J，et al. WRF-Solar：description and clear-sky assessment of an augmented NWP model for solar power prediction[J]. Bulletin of the American meteorological society，2016，97（7）：1249-1264.

[32] RUIZ-ARIAS J A，DUDHIA J，GUEYMARD C A. A simple parameterization of the short-wave aerosol optical properties for surface direct and diffuse irradiances assessment in a numerical weather model[J]. Geoscientific model development，2014，7（3）：1159-1174.

[33] THOMPSON G，EIDHAMMER T. A study of aerosol impacts on clouds and precipitation development in a large winter cyclone[J]. Journal of the atmospheric sciences，2014，71（10）：3636-3658.

[34] DENG A，SEAMAN N L，KAIN J S. A shallow-convection parameterization for mesoscale models. Part I：submodel description and preliminary applications[J]. Journal of the atmospheric sciences，2003，60（1）：34-56.

[35] XIE Y，SENGUPTA M，DUDHIA J. A fast all-sky radiation model for solar applications （FARMS）：algorithm and performance evaluation[J]. Solar energy，2016，135：435-445.

[36] JIM?NEZ P A，ALESSANDRINI S，HAUPT S E，et al. The role of unresolved clouds on short-range global horizontal irradiance predictability[J]. Monthly weather review，2016，144（9）：3099-3107.

[37] KIM J H，MUNOZ P A J，SENGUPTA M，et al. The WRF-solar ensemble prediction system to provide solar irradiance probabilistic forecasts[J]. IEEE journal of photovoltaics，2022，12：141-144.

[38] MARCELLO J，EUGENIO F，MARQU?S F. Cloud motion estimation in SEVIRI image sequences[C]//IEEE. 2009 IEEE International Geoscience and Remote Sensing Symposium，July 12-17，2009，Cape Town，South Africa.

[39] ALONSO-MONTESINOS J，BATLLES F J，PORTILLO C. Solar irradiance forecasting at one-minute intervals for different sky conditions using sky camera images[J]. Energy conversion and management，2015，105：1166-1177.

[40] PEREZ R，KIVALOV S，SCHLEMMER J，et al. Validation of short and medium term operational solar radiation forecasts in the US[J]. Solar energy，2010，84（12）：2161-2172.

[41] NONNENMACHER L，COIMBRA C F M. Streamline-based method for intra-day solar forecasting through remote sensing[J]. Solar energy，2014，108：447-459.

[42] CROS S，BADOSA J，SZANTA? A，et al. Reliability predictors for solar irradiance satellite-based forecast[J]. Energies，2020，13（21）：5566.

[43] CHOW C W，URQUHART B，LAVE M，et al. Intra-hour forecasting with a total sky imager at the UC San Diego solar energy testbed[J]. Solar energy，2011，85（11）：2881-2893.

[44] FU C L，CHENG H Y. Predicting solar irradiance with all-sky image features via regression[J]. Solar energy，2013，97：537-550.

[45] ZHU T，WEI H，ZHAO X，et al. Clear-sky model for wavelet forecast of direct normal irradiance[J]. Renewable energy，2017，104：1-8.

[46] DEO R C，WEN X，QI F. A wavelet-coupled support vector machine model for forecasting global incident solar radiation using limited meteorological dataset[J]. Applied energy，2016，168：568-593.

[47] DONG Z，YANG D，REINDL T，et al. Satellite image analysis and a hybrid ESSS/ANN model to forecast solar irradiance in the tropics[J]. Energy conversion and management，2014，79：66-73.

[48] ZEMOURI N，BOUZGOU H，GUEYMARD C A. Multimodel ensemble approach for hourly global solar irradiation forecasting[J]. The European physical journal plus， 2019， 134（12）：594.

Classification and Review of Methods in

Solar Radiation PREDICTION

Huang Jing，Li Ruihai，Wang Song，Zhang Haipeng，Li Hao，

Zhang Guifeng，Zhao Linjie，Li Zhenyu

（CSG Electric Power Research Institute，Guangzhou 510700，China）

Abstract：Solar power generation is one of the effective ways to reduce carbon emissions and build a new power system. Solar radiation is obviously affected by meteorological factors. Using meteorological data and related methods to predict solar radiation is an important means to improve the stability of new power systems. This paper describes the classification of solar radiation prediction methods，mainly introduces the basic prediction principles and application progress of four different prediction methods，and summarizes the advantages and disadvantages of each prediction method. In the actual prediction process，it is necessary to comprehensively consider the prediction timeliness，advantages and disadvantages of various prediction methods，and select the most appropriate method to prediction solar radiation in combination with its own forecast needs. It is expected to provide references for practitioners in the meteorological industry and the new energy industry to carry out relevant research and carry out business.

Keywords：solar radiation prediction；meteorological big data；numerical weather prediction；cloud chart； machine learning