一种新型天气分型方法及其在光伏功率预测中的应用
A Novel Weather Classification Method and Its Application in Photovoltaic Power Prediction
责任编辑: 石易文
收稿日期: 2021-07-20
基金资助: |
|
Received: 2021-07-20
作者简介 About authors
李芬,女,副教授,电话(Tel.):021-35303155;E-mail:
为提高光伏功率预测准确率提出了一种新的天气分型方法,该方法首先按总云量大小区分晴天和云天,然后根据太阳被遮蔽的程度将云天进一步细分为三类.该方法能有效识别影响光伏出力的关键气象环境因子特征,并对其加权求和得到新型分类指标Sky Condition Factor(SCF).该方法物理意义明确,区分度较好且易于量化.对天气类型合理细分后,可消除众多气象环境因子之间的耦合关系,降低输入变量维度,易于统计建模.最后分别基于原理和统计方法进行建模验证,结果显示该方法可以有效提高光伏功率预测的准确率.
关键词:
To improve the accuracy of photovoltaic (PV) power prediction, this paper proposes a novel weather classification method. First, it distinguishs the clear days and cloudy days according to the total cloud cover. Then, it further classifies the cloudy days into three subtypes to investigate whether the sun is obscured by clouds. This method can effectively identify the characteristics of key meteorological environmental factors that affect PV output and form a new classification index sky condition factor (SCF) by weighted summation. This method has clear physical meanings, good discrimination, and easy quantification. The reasonable classification of weather types can eliminate the coupling relationship between many meteorological environmental factors and reduce the dimension of input variables, which makes it easy for statistical modeling. Based on the theoretical and the statistical approachs respectively, the modeling and verification are conducted and the results show that the method can effectively improve the accuracy of PV power prediction.
Keywords:
本文引用格式
李芬, 周尔畅, 孙改平, 白永清, 童力, 刘邦银, 赵晋斌.
LI Fen, ZHOU Erchang, SUN Gaiping, BAI Yongqing, TONG Li, LIU Bangyin, ZHAO Jinbin.
目前,我国能源消费结构正向着清洁低碳转型的目标稳步推进.2020年,我国能源消费总量49.8亿吨标准煤,其中,清洁能源消费占比为24.3%,比去年提升1.0%.2020年,我国光伏(PV)发电新增和累计装机容量保持世界首位.截至2020年,全国发电装机容量为2.201×109 kW,比去年增长9.5%,其中并网太阳能发电装机容量占比为11.52%,比去年增长24.1%,为应对气候变化和实现碳中和提供了重要支撑[1].近年来光伏发电成本持续降低,有望成为未来上网电价最低的供电方式[2].然而,光伏发电是一个受天气气候影响的多变量耦合的非线性随机过程.随着并网渗透率的提高,电力负荷曲线发生变化,呈现为“鸭子曲线”,系统调峰难度随之增加.此外,光伏出力固有的间歇性和不确定性给电网的安全可靠运行带来了巨大的挑战[3],因此迫切需要准确的太阳辐射及光伏功率预测技术为系统调度及平抑波动等提供指导.
光伏发电功率预测的方法主要分为原理预测法和统计预测法两类.原理预测法是基于物理过程的原理建模,将太阳辐照度预测值代入光电转换模型和逆变器效率模型[4]来预测光伏功率.其主要优点是不需要大量历史出力数据,适用于新建光伏电站,缺点则是模型相对复杂.统计预测法则不考虑复杂的物理过程,而是对历史数据进行统计建模分析来预测功率.统计预测法主要分为两种思路,第1种是考虑光伏功率的自相关性,采用时间序列法进行功率预测,如长短期记忆(LSTM)人工神经网络[5,6,7]、马尔科夫链、组合预测模型[8]等.时间序列法要在气象环境因素、光伏组件和逆变器工况不发生变化或者变化较小的前提下使用,否则会产生较大误差.统计预测法的第2种思路是考虑气象环境因子与光伏出力的互相关性.由于这种互相关性对天气变化比较敏感,所以有必要划分天气类型分别建模来提高预测准确率.文献[9,10]分别使用光伏功率和太阳辐照度划分天气类型.文献[11]则考虑太阳辐射在大气中的传输过程,以地表与地外水平面总辐照度的相关性划分天气类型.上述研究中分类指标单一,未充分考虑云和大气气溶胶等的影响.文献[12]则选择太阳辐照度、总云量和低云量3个指标使用自组织映射算法进行聚类,划分出3种天气类型,但未对云是否遮挡住太阳进行识别.
本文据此提出一种基于光伏出力气象影响因子的天气分型方法.该方法考虑多种气象环境要素,通过相关性分析和分两步分型降低或消除了部分要素之间的耦合关系和相互影响,分析了云对天空的遮蔽程度以及云和太阳的相对位置,划分出4种典型天气类型.本文从一般气象环境要素、辐射要素、光伏出力3个方面分析了该天气分型方法的物理意义,上述天气分型方法可用于改进常见的光伏出力预测方法.最后给出了该天气分型方法应用于原理预测法、统计预测法的具体流程,并进行了建模计算和误差分析.
1 基于光伏出力气象影响因子的天气分型方法
1.1 数据说明
本文气象数据来自国家基准观测站武汉站,同期辐射数据来自国家一级辐射观测站武汉站,同期历史光伏出力数据来自华中科技大学屋顶并网光伏电站,光伏阵列倾角为40°,朝向为南偏东9°.本文采用的所有数据资料均经过严格有效的质量控制和检查[16].本文使用6985个小时尺度的气象环境数据和光伏出力数据,随机选取 6413 个数据作为训练集,其余572个数据作为测试集.
1.2 天气分型
天气分型方法流程图如图1所示,其中:μSCF为新型分类指标Sky Condition Factor(SCF)值;ξi(i=1, 2, 3, 4)为不同天气类型中μSCF的取值上下限.本文提出的天气分型方法主要分为4步:第1步根据总云量划分出晴天及云天,将总云量低于或等于2成的部分归为晴天,即天气类型1,将总云量大于2成归为云天;第2步分析云天各变量与光伏出力的相关性,筛选出其中与光伏出力呈中高度相关的因子;第3步计算聚类指标天气类型指数 (SCF);第4步将SCF代入自组织映射(SOM)神经网络进行无监督聚类,将云天数据划分为天气类型2、3、4.
图1
1.2.1 变量标准化 选取约两年的小时尺度气象及辐射数据,并计算修正清晰度指数k'T、直射比Bd等.对以上变量进行0-1标准化,标准化公式如下:
式中: Z(x)为对变量x进行0-1标准化后的值; xmin和xmax分别为变量x的最小值和最大值.
表1 各变量与光伏出力的相关性分析
Tab.1
变量 | R |
---|---|
I | 0.868 |
Sp | 0.672 |
k'T | 0.657 |
Bd | 0.612 |
RH | -0.442 |
V | 0.378 |
T | 0.262 |
C | -0.254 |
W | 0.150 |
RA | -0.123 |
p | -0.007 |
1.2.3 计算SCF 将1.2.2节中选取的4个变量加权求和计算聚类指标SCF,具体表达式如下:
式中:ω1 、ω2 、ω3 、ω4 为权重系数,与4个对应变量与Pac的相关系数成比例且和为1.
1.2.4 SOM聚类 使用自组织映射神经网络SOM对μSCF进行聚类,指定聚类数目为3.聚类结果如表2所示.其中,天气类型2、3、4对应的μSCF取值范围不是固定不变的,可以根据实际数据进行合理化修正.
表2 SOM聚类结果
Tab.2
天气类型 | 个案数目 | μSCF取值范围 |
---|---|---|
2 | 1714 | ξ1<μSCF≤ξ2 |
3 | 1477 | ξ2<μSCF≤ξ3 |
4 | 2468 | ξ3<μSCF≤ξ4 |
1.3 聚类效果分析
1.3.1 常规气象要素 首先分析除太阳辐射外的气象要素在4种天气类型中的表现.为便于观察和比较,各要素进行归一化处理,结果如图2所示.
图2
图2
各天气类型下的气象要素分布
Fig.2
Distribution of meteorological features in each weather type
天气类型1中,k'T、Sp均处于较高的水平,表现出低气温、高气压的特点,因此天气类型1以晴天为主.天气类型2中, k'T、Sp同样处于较高水平,但气温较高、气压极低并存在一定的降水,总云量明显多于天气类型1,因此天气类型2可能以多云转晴、晴转多云等天气为主.天气类型3中,气温和总云量与天气类型2基本相似,但其Sp明显低于天气类型2.因此天气类型3以阴天为主.天气类型4中,k'T、Sp、T均处于极低的水平,总云量和降水较多,因此天气类型4以雨雪雾霾等恶劣天气为主.
图3
图3
各天气类型下的水平面直接辐照度、散射辐照度及Sp分布
Fig.3
Distribution of direct horizontal irradiance, diffuse horizontal irradiance and Bd in each weather type
天气类型3、4的I较小,Sp较小,其中天气类型4的直接辐照度几乎为0.由1.3.1节中的气象要素分析可知,这两种天气类型可能以阴天和恶劣天气为主,这样的气象条件下,大气中的悬浮尘埃、云滴、雨滴含量较高,容易使通过大气的太阳辐射发生散射,即当太阳辐射通过大气时,其中的部分入射能量会以上述粒子为中心向各个方向散射[18].另外,大气中的云层和大颗粒尘埃还会使太阳辐射中的部分入射能量反射至宇宙空间,云层的厚度越大,云的平均反射率越大.因此,这两种天气类型下的I和Sp较小.
图4
天气类型1、2的Pac明显高于其他两种天气类型.由1.3.1中的气象要素分析可知,这两种天气类型分别以晴天和多云转晴为主,大气透明程度较高,因此Pac较大.另外,天气类型1、2在时间分布上以中午时刻附近的时间居多.这是因为早晚的地外水平面辐射低于中午,且早晨易受到雾的影响,雾通常会在中午消散,因此中午的水平面总辐射一般高于早晨和傍晚.
天气类型3、4的Pac总体较低,在一天内不同时刻的分布范围较广,其中天气类型3的数据点较为稀疏.由1.3.1节中的气象要素分析可知,这两种天气类型下降水较多,大气透明度较差,此时气象环境呈现随机性和多变性,大气的光学性质多表现为散射,因此Pac波动性较大,分布范围较广.天气类型4中,Pac还呈现出低功率明显偏多的特点,这与1.3.2节中的辐射要素分析结果,即天气类型4的水平面总辐射最小的结论一致.
2 光伏功率预测方法
2.1 天气分型的原理预测法
原理预测法的基本流程主要包括斜面辐射模型、光伏组件或光伏阵列光电转换模型、逆变器效率模型3个部分.
2.1.1 斜面辐射模型 文献[19]首先对斜面辐射进行了描述,即倾斜面上小时尺度的太阳总辐照度由直接辐照度、散射辐照度和地面反射辐照度三部分组成:
式中:IT为斜面总辐照度;Rb为斜面与水平面直接辐照度的比值;β为光伏阵列倾角;ρ为地面反射率.式(3)右边的3个乘积项分别为直接辐照度、散射辐照度和反射辐照度分量.文献[19]还提出了太阳散射辐射在天空中呈各向同性的假设,该假设使得散射辐射的计算较为简单.
文献[20]提出了太阳散射辐射在天空中呈各向异性的假设,将其分为环日辐射和其余天空穹顶均匀分布(各向同性)的散射辐射两部分,计算模型为
式中:I0为地外水平面总辐照度.
文献[21]在学者Temps和Coulson建立的各向异性晴天斜面辐射模型的基础上,得到了晴天阴天通用模型,其认为阴天时使用各向同性模型较为合适,因此引入了调节系数F以调整散射辐射在总辐射中的占比,其表达式如下:
2.1.2 光电转换模型 光电转换环节[25]主要是太阳辐射经过光伏电池或光伏阵列转化为输出直流功率的物理过程,则有:
式中:Pdc为直流发电功率;ηpv为光电转换效率;A为光伏阵列有效面积;K1为直流回路损失系数.
2.1.3 逆变器效率模型 逆变器转化效率ηinv表示逆变器输出的交流发电功率与光伏阵列输出最大直流发电功率的比值,表达式如下:
表3 非线性回归模型
Tab.3
模型名称 | 表达式 | RSS | R2 |
---|---|---|---|
Metcherlich | 3.140 | 0.983 | |
Johnson-Schumacher | 1.376 | 0.992 | |
Morgen-Mercer-Florin | 1.372 | 0.992 | |
Peal-Reed | 1.807 | 0.990 | |
Richards | $y=b_{1}/\{[1+b_{3}exp(-b_{2}P)]^{1/b_{4}}\}$ | 1.470 | 0.992 |
2.1.4 不同天气类型下斜面辐射模型的精度比较 由于斜面辐射模型在不同天气类型下的精度表现不同,所以有必要分天气类型选择精度较高的斜面辐射模型.首先对训练集数据进行天气分型,分别使用Perez、Hay、Reindl、Klucher和Liu & Jordan模型计算斜面辐射,随后根据光电转换模型和逆变器效率模型计算出光伏出力预测值并进行误差分析,选用MAPE及标准均方根误差(NRMSE)作为误差指标,结果如表4所示,其中加粗的为同一列的最小值.
表4 不同斜面辐射模型预测结果
Tab.4
模型 | 天气类型1 | 天气类型2 | 天气类型3 | 天气类型4 | |||||||
---|---|---|---|---|---|---|---|---|---|---|---|
MAPE/% | NRMSE/% | MAPE/% | NRMSE/% | MAPE/% | NRMSE/% | MAPE/% | NRMSE/% | ||||
Perez | 24.87 | 36.32 | 23.32 | 29.95 | 38.28 | 52.57 | 52.68 | 88.86 | |||
Hay | 27.73 | 39.95 | 26.23 | 33.62 | 38.20 | 52.67 | 52.51 | 88.71 | |||
Reindl | 27.64 | 39.88 | 26.03 | 33.49 | 38.16 | 52.55 | 52.38 | 88.59 | |||
Klucher | 27.55 | 39.24 | 25.90 | 33.06 | 43.16 | 55.78 | 59.49 | 89.50 | |||
Liu & Jordan | 25.05 | 36.48 | 23.54 | 30.07 | 37.14 | 51.08 | 20.72 | 32.91 |
由表4可知,天气类型1、2中Perez模型的误差最小,天气类型3、4中Liu & Jordan模型的误差最小.天气类型1、2 分别以晴天和多云转晴为主,天空中太阳散射辐射的分布趋近各向异性,因此选用Perez模型较为合适.而天气类型3、4大气的透明程度较差,天空中太阳散射辐射的分布趋近各向同性,因此选用Liu & Jordan模型较为合适.
2.1.5 光伏功率预测流程 天气分型的原理预测法的具体实施步骤如图5所示.
图5
图5
天气分型的原理预测法
Fig.5
Physical approach of PV power prediction based on weather classifications
2.2 天气分型的统计预测法
天气分型的统计预测法基本流程主要包括输入变量筛选、统计模型筛选、模型训练与预测3个部分.
2.2.1 相关性分析 在不同天气类型下,输入变量对光伏出力的影响程度不同.因此,有必要区分天气类型进行相关性分析,筛除其中与光伏出力低度相关或不相关的变量.相关性分析结果如表5所示,其中加粗的为绝对值小于0.3的数据.
表5 不同天气类型下各变量与光伏出力的相关性分析
Tab.5
变量名 | 与Pac的相关系数 | |||
---|---|---|---|---|
天气类型1 | 天气类型2 | 天气类型3 | 天气类型4 | |
I | 0.884 | 0.736 | 0.748 | 0.690 |
Ib | 0.820 | 0.668 | 0.523 | 0.194 |
Id | 0.604 | 0.425 | 0.664 | 0.690 |
Bd | 0.598 | 0.311 | -0.045 | -0.092 |
Sp | 0.581 | 0.368 | 0.258 | 0.112 |
k'T | 0.536 | 0.502 | 0.331 | 0.007 |
V | 0.385 | 0.152 | 0.233 | 0.200 |
W | 0.341 | 0.166 | 0.080 | -0.031 |
RH | -0.247 | -0.283 | -0.307 | -0.348 |
T | 0.119 | 0.087 | 0.249 | 0.308 |
C | -0.052 | 0.046 | -0.008 | -0.072 |
R | -0.041 | 0.007 | -0.126 | -0.119 |
2.2.2 不同天气类型下统计模型的精度比较 同一统计模型在不同的天气类型下预测光伏出力的性能是不同的,因此有必要根据误差最小的原则选择每种天气类型下的最优统计模型.本文选取多元线性回归(LR)、高斯过程回归(GPR)、支持向量回归(SVR)及Adaboost集成树模型进行误差分析,结果如表6所示,其中加粗的为同一列的最小值.
表6 不同天气类型下各统计模型的误差分析
Tab.6
模型 | 天气类型1 | 天气类型2 | 天气类型3 | 天气类型4 | |||||||
---|---|---|---|---|---|---|---|---|---|---|---|
MAPE/% | NRMSE/% | MAPE/% | NRMSE/% | MAPE/% | NRMSE/% | MAPE/% | NRMSE/% | ||||
LR | 20.06 | 25.11 | 18.87 | 22.30 | 33.43 | 58.09 | 47.50 | 70.39 | |||
GPR | 13.18 | 19.73 | 15.78 | 18.47 | 32.94 | 58.93 | 34.73 | 61.58 | |||
SVR | 14.52 | 20.40 | 14.30 | 16.94 | 33.87 | 58.33 | 31.56 | 54.50 | |||
Adaboost | 16.61 | 24.15 | 19.38 | 23.42 | 31.02 | 52.56 | 42.94 | 66.29 |
根据表6的结果选取每种天气类型中误差最小的统计模型,天气类型1、3分别选用GPR、Adaboost模型,天气类型2、4选用SVR模型.
2.2.3 光伏功率预测流程 天气分型的统计预测法的实施步骤如图6所示.
图6
图6
天气分型的统计预测法
Fig.6
Statistic approach of PV power prediction based on weather classification
3 光伏功率预测效果检验
本部分使用训练集数据确定天气类型2、3、4中μSCF的取值范围.以相同测试集作为预测样本,预测时间尺度为1 d,比较天气分型前后光伏功率预测方法的误差,以及基于SCF的天气分型方法与现有其他分型方法对光伏功率预测的改善效果.
3.1 单一统计模型的预测效果对比
表7 不同斜面辐射模型预测结果
Tab.7
模型 | 误差指标 | |
---|---|---|
MAPE/% | NRMSE/% | |
LR | 21.58 | 33.74 |
GPR | 19.78 | 31.83 |
SVR | 21.39 | 33.73 |
Adaboost | 19.72 | 31.60 |
3.2 天气分型前后的光伏功率预测效果对比
比较天气分型前后原理预测法及统计预测法的功率曲线,其中未天气分型的原理预报法使用Perez斜面辐射模型,未天气分型的统计预测法选用Adaboost集成树模型.由于夜晚的光伏功率曲线趋近或等于0,因此仅对日出至日落之间的功率曲线进行对比,结果如图7所示.
图7
由表7可知,增加天气分型环节后,原理预测法和统计预测法的预测效果均有改善,其中统计预测法的改善程度比原理预测法更显著.未进行天气分型的预测方法在晴天的误差明显小于恶劣天气和转折天气,而天气分型后恶劣天气及转折天气下的误差有所减小.统计预测法的误差小于原理预测法.与统计预测法相比,原理预测法在中午时刻的误差偏大,对天气状况的变化不够敏感.
为了进一步验证天气分型后光伏功率预测方法的鲁棒性和有效性,分5次随机选取样本容量为572的测试集,其余数据作为训练集,再次比较天气分型前后原理预测法及统计预测法的误差,结果如表8所示.
表8 5个不同测试集的光伏功率预测误差
Tab.8
测试集序号 | 原理预测法 | 统计预测法 | |||||||||
---|---|---|---|---|---|---|---|---|---|---|---|
天气未分型 | 天气分型 | 天气未分型 | 天气分型 | ||||||||
MAPE/% | NRMSE/% | MAPE/% | NRMSE/% | MAPE/% | NRMSE/% | MAPE/% | NRMSE/% | ||||
1 | 45.39 | 30.60 | 26.80 | 41.90 | 22.56 | 34.73 | 20.55 | 32.89 | |||
2 | 29.33 | 43.38 | 25.89 | 40.16 | 22.67 | 34.71 | 15.92 | 24.27 | |||
3 | 30.99 | 46.12 | 27.22 | 42.18 | 25.47 | 39.19 | 17.99 | 28.27 | |||
4 | 34.10 | 52.17 | 29.21 | 47.24 | 27.44 | 41.77 | 19.50 | 30.63 | |||
5 | 31.39 | 45.45 | 28.15 | 42.89 | 25.47 | 38.98 | 17.56 | 27.29 |
从验证结果来看,天气分型后5个测试集的光伏功率预测误差均小于分型前,这说明天气分型后的光伏功率预测方法具有一定的鲁棒性.
3.3 不同天气分型方法对光伏功率预测准确率的
影响 比较本文提出的基于SCF的天气分型与现有其他3种天气分型方法对光伏功率预测的改善效果,结果如表9所示.
表9 应用不同天气分型方法的光伏功率预测误差对比
Tab.9
预测方法 | 天气分型指标 | 预测误差 | 与天气未分型相比的误差相对变化 | |||
---|---|---|---|---|---|---|
MAPE/% | NRMSE/% | MAPE/% | NRMSE/% | |||
原理预测法 | μSCF | 26.80 | 41.90 | -7.69 | -12.41 | |
I | 27.06 | 42.28 | -6.85 | -11.56 | ||
k'T | 27.33 | 42.67 | -6.01 | -10.69 | ||
I、C | 27.14 | 42.33 | -6.75 | -11.30 | ||
统计预测法 | μSCF | 17.25 | 26.94 | -12.52 | -14.74 | |
I | 18.88 | 28.19 | -4.28 | -10.80 | ||
k'T | 18.51 | 27.86 | -6.16 | -11.83 | ||
I、C | 18.57 | 28.80 | -5.85 | -8.87 |
由表9可知,与其他天气分型方法相比,基于SCF的天气分型方法对光伏功率预测的改善效果最佳,与天气未分型相比误差减小的程度最大.
4 结论
本文提出了一种基于光伏出力气象影响因子的天气分型方法,该方法可以用于原理预测法和统计预测法两类常用的光伏功率预测方法.现将本文的结论总结如下.
(1) 从气象环境要素分布、水平面辐射分布及光伏出力分布3个方面看,新的天气分型方法具有良好的区分度.
(2) 从建模计算结果看,将新的天气分型方法应用于原理预测法和统计预测法后,光伏功率预测误差均有所减小.天气分型方法的应用可以增强原有光伏功率预测方法对不同天气状况的适应能力,改善预测效果.
(3) 原理预测法对气象条件的影响不敏感,适用于气象条件复杂多变的地区;统计预测法与天气类型密切相关,对天气进行合理识别建模可提高预测准确率.
参考文献
中华人民共和国2020年国民经济和社会发展统计公报
[EB/OL].(
2020 statistical bulletin on national economic and social development of the People’s Republic of China
[EB/OL].(
A simplified skyline-based method for estimating the annual solar energy potential in urban environments
[J]. ,DOI:10.1038/s41560-018-0318-6 URL [本文引用: 1]
Short-term solar power forecasting based on weighted Gaussian process regression
[J]. ,DOI:10.1109/TIE.2017.2714127 URL [本文引用: 1]
Forecast modeling and performance assessment of solar PV systems
[J]. ,
Accurate photovoltaic power forecasting models using deep LSTM-RNN
[J]. ,DOI:10.1007/s00521-017-3225-z URL [本文引用: 1]
Forecasting day-ahead hourly photovoltaic power generation using convolutional self-attention based long short-term memory
[J]. ,DOI:10.3390/en13154017 URL [本文引用: 1]
基于VMD和双重注意力机制LSTM的短期光伏功率预测
[J]. ,
Short-term photovoltaic power prediction based on variational mode decomposition and long short term memory with dual-stage attention mechanism
[J].
基于改进BP-SVM-ELM与粒子化SOM-LSF的微电网光伏发电组合预测方法
[J]. ,
Combined forecasting of photovoltaic power generation in microgrid based on the improved BP-SVM-ELM and SOM-LSF with particlization
[J].
计及天气类型指数的光伏发电短期出力预测
[J]. ,
Short-term power forecasting for photovoltaic generation considering weather type index
[J].
基于相似样本及PCA的光伏输出功率预测
[J]. ,
Prediction of output power of photovoltaic based on similar samples and principal component analysis
[J].
基于天气状态模式识别的光伏电站发电功率分类预测方法
[J]. ,
A classified forecasting approach of power generation for photovoltaic plants based on weather condition pattern recognition
[J].
Online 24-h solar power forecasting based on weather type classification using artificial neural network
[J]. ,DOI:10.1016/j.solener.2011.08.027 URL [本文引用: 1]
A new methodology to optimise solar energy extraction under cloudy conditions
[J]. ,DOI:10.1016/j.renene.2009.10.018 URL [本文引用: 1]
Evaluation of different models to estimate the global solar radiation on inclined surfaces
[J]. ,DOI:10.1016/j.renene.2012.07.031 URL [本文引用: 1]
Novel models to estimate hourly diffuse radiation fraction for global radiation based on weather type classification
[J]. ,DOI:10.1016/j.renene.2020.05.080 URL [本文引用: 1]
The interrelationship and characteristic distribution of direct, diffuse and total solar radiation
[J]. ,
Calculation of monthly mean solar radiation for horizontal and inclined surfaces
[J]. ,DOI:10.1016/0038-092X(79)90123-3 URL [本文引用: 2]
Evaluation of models to predict insolation on tilted surfaces
[J]. ,DOI:10.1016/0038-092X(79)90110-5 URL [本文引用: 2]
An anisotropic hourly diffuse radiation model for sloping surfaces: Description, performance validation, site dependency evaluation
[J]. ,DOI:10.1016/0038-092X(86)90013-7 URL [本文引用: 1]
Evaluation of hourly tilted surface radiation models
[J]. ,DOI:10.1016/0038-092X(90)90061-G URL [本文引用: 2]
Evaluation index system for photovoltaic systems statistical characteristics under hazy weather conditions in central China
[J]. ,DOI:10.1049/rpg2.v11.14 URL [本文引用: 1]
/
〈 | 〉 |