輻射數據缺失時TMY與逐時值生成方法分析

胡 堯，李紅蓮,，王賞玉，楊 柳

(1.西安建筑科技大學 信息與控制工程學院，西安 710055；2.西部綠色建筑國家重點實驗室(西安建筑科技大學)，西安 710055)

太陽輻射數據是建筑節能分析、太陽能集熱器、光伏發電，現代農業生產中應用廣泛的基礎參數[1]。在建筑節能分析領域中，輻射數據尤為重要，多種典型氣象年(Typical meteorological year，TMY)挑選方法輻射權重甚至達到1/2[2]，準確的TMY數據是建筑設備選型、負荷計算和建筑熱工設計的基礎計算依據[3]，且在建筑動態能耗模擬中，逐時輻射數據也是必不可少的氣象數據，其數據質量嚴重影響著建筑節能分析結果。然而由于輻射數據的記錄對設備儀器精度要求較高，檢查維修復雜等原因，在中國太陽輻射站的數量不能匹配一般地面氣象要素觀測站，全國2 000多個臺站只有近100個臺站記錄太陽輻射數據[4]。基礎太陽輻射數據的缺失造成了建筑節能設計和能耗模擬無數可依，同時也造成了定量化的建筑節能計算和能耗模擬工作無法順利開展的情況[5]。基于中國實際太陽輻射氣象數據記錄狀況下，如何生成一套完整的建筑能耗模擬用TMY及逐時太陽輻射數據是建筑節能分析亟需解決的問題。

現階段，建筑能耗模擬用TMY的挑選方法主要有Sandia國家實驗室法[6]，Danish方法[7]和Crow方法[8]等。由于挑選TMY的方法在國際領域里已經比較成熟，近年來，國際上對TMY的研究沒有特別突出的方法論的創新，主要的研究點集中于在原有方法的修正和氣象數據處理細節及其應用領域的適應性上, 其中以基于累積分布函數的Sandia挑選方法作為現階段TMY挑選的主流方法[9-10]。對于存在太陽輻射數據缺失的現狀，尋求相關性高且容易獲取的參數作為替代輻射參數是一種解決辦法。

對于獲取準確逐時太陽輻射數據主要有兩種方法：統計模型和人工智能模型的方法。統計模型中，主要有日值輻射數據轉化為逐時輻射數據的C-P&R模型[11]和根據逐時云量、溫度和濕度氣象參數估算的瞬時模型[12]，該方法計算過程相對簡單，參數獲取較容易，更易推廣使用，但前者需要準確的日值輻射數據，后者也存在著精度不夠高的現狀。隨著人工智能的發展，神經網絡模型也得到了廣泛的運用，但在太陽輻射數據預測研究中，主要集中在逐日太陽輻射的預測當中，逐時太陽輻射相關研究還相對較少[13]，且主要研究點在于算法的優化[14]，關鍵影響因素的提取[15]和選擇適應性數據進行訓練來提高預測精度[16]，但并未與相關建筑節能分析實際工程結合，其適用性還有待考證。

本文在上述研究的基礎上，以陜西省西安市為例，對于TMY挑選研究，選用2006—2017年西安涇河臺站日值氣象數據，通過各氣象參數相關性分析，確定了日照時數與太陽輻射相關性最高，于是將日照時數氣象參數運用到Sandia方法挑選TMY中，并與太陽輻射氣象參數挑選結果進行比較分析。對于逐時太陽輻射預測研究，選用2016—2017年西安建筑科技大學雁塔校區實測氣象數據，本文將誤差反向傳播(Back propagation,BP)神經網絡模型運用到逐時太陽輻射的預測當中，對于神經網絡算法優化，選擇常用的遺傳算法(Genetic algorithm,GA)對BP神經網絡進行權值和閾值參數優化，對于關鍵影響因素的參數的選取，選擇相關性高且便于測量的參數，對于選擇合適數據進行訓練，由于建筑能耗模擬需要一年8 760 h逐時數據，只要儀器記錄數據正常，記錄值都應在考察范圍內，再利用神經網絡高度泛化能力進行訓練，更有利于提高適用性及神經網絡算法在逐時太陽輻射數據的推廣。然后將得到的逐時輻射結果與瞬時模型和觀測數據對比分析，最后通過能耗模擬進行驗證，分別驗證了TMY挑選方法的準確性和逐時太陽輻射數據預測的準確性。

1 挑選典型氣象年

1.1 Sandia挑選方法

1978年，美國 Sandia國家實驗室Hall等[17]提出通過FS統計量來判斷一年和長期累積分布的接近程度，從而挑選典型氣象月(Typical meteorological month,TMM)。 FS統計量是考慮若干主要氣象參數在熱環境分析中所占權重確定的，分析的氣象要素是日值干球溫度、相對濕度、風速和水平面總輻射4個氣象要素，這一方法得到了業內認可，稱為Sandia法，許多TMY挑選方法相關研究都是基于此方法。1995年，美國國家可再生能源實驗室分析研究組NREL(National renewable energy laboratory’s analytic studies division)對TMY在挑選方法上進行了修訂，形成了新的典型年模型稱為 TMY2[6]，本文基于此權重因子對比所選月份的累積分布函數與長期累積分布函數的接近程度來確定TMY。其數學定義公式為

(1)

式中：Sn(x)為x處的累積分布值,n為總個數,k為序數。此公式用來計算各氣象要素長期累積分布值和逐年各個分析月的累積分布值。

各要素的逐年累積統計值為

(2)

式中：δi為各要素長期累積分布值與逐年各個分析月的累積分布差值,n為各分析月的天數。FS的大小表征了各氣象要素長期累年和逐年各個分析月接近程度。

WS=∑WFi·FSi

(3)

式中,WFi為各參數的權重因子。

WS表征各氣象要素總體特征，其值越小，表示所得結果就越接近長期平均分布情況。因此，選取WS值最小的年份為該TMM的年份，一般選取前5項中氣象數據較全的TMM組成TMY。

1.2 日照時數替代太陽輻射挑選方法

世界氣象組織(World meteorological organization，WMO)對于日照時數的定義是在給定時間內太陽直接輻射照度達到或者超過120 W·m-2的各段時間總和，一般以h為單位，所以在測量時對設備精度的要求沒有測量太陽輻射數據的精度要求高，只需要把滿足條件的時間記錄下來，且一般地面氣象站均有記錄，獲取較容易。日照百分率則是實際日照時間與可能日照時間(全天無云時應有的日照時數)之比。許多研究表明，太陽輻射強度與日照時數相關性高，王雅婕等[18]利用中國大陸1961—2003年氣象數據研究地表太陽總輻射變化趨勢，得出輻射量變化的72%可以用日照時數的變化來解釋。Karakoti等[19]利用統計的方法預測太陽輻射，得出與日照百分率相關關系大。鑒于此，本文采用Pearson相關系數法對西安涇河臺站2006—2017年日值氣象數據進行相關性分析，結果在0.01顯著性水平上的相關系數見表1，日照時數與太陽輻射相關性最高，達到了0.825，本文采用日照時數替代輻射的方法挑選TMY。Sandia方法與日照時數替代法各氣象參數的權重因子見表2所示。

表1 西安涇河臺站2006—2017年各日值氣象參數與太陽輻射的相關系數Tab.1 Correlation coefficient between daily meteorological parameters and solar radiation at Jinghe Station in Xi’an from 2006 to 2017

表2 Sandia方法與日照時數替代輻射方法不同氣象參數權重因子Tab.2 Weight factors of different meteorological parameters of Sandia method and the sushine duration instead of radiation method

1.3 挑選結果對比分析

TMY挑選實驗數據為西安涇河臺站2006—2017年的日值氣象數據，通過Sandia方法與日照時數替代輻射的方法挑選TMY，結果見表3、4，前5項挑選重合用加粗顯示，重合率為51.67%，其中有3個月排序第1項挑選結果完全一致。兩種方法TMY挑選結果干球溫度和太陽輻射與累年平均值對比分析如圖1(a)、(b)所示，Sandia方法和日照時數替代輻射的方法與累年平均值干球溫度的相對標準偏差分別為3.46%和3.91%，兩者偏差較小。太陽輻射相對標準偏差分別為5.59%和16.53%，由于選用了日照時數替代太陽輻射進行TMY的挑選，該方法并未直接使用輻射數據參與挑選，所以兩者具有一定偏差。而且相比于溫度，太陽輻射受外界云量、霧霾、周圍建筑遮陽等不確定影響因素較大，從而致使本身的波動較大。再者，在TMY挑選中，一般認定前5項結果都在選擇范圍內，根據數據的完整性可以進行選擇，通過前5項相對標準偏差計算，偏差在20%內為正常情況，所以相對偏差為16.53%在可接受范圍內。由圖1(c)、(d)累積分布圖可見，1月干球溫度和6月太陽輻射符合度都很高。經初步分析，日照時數替代太陽輻射的方法可以較準確的挑選TMY。

表3 TMY挑選結果(Sandia挑選方法)Tab.3 Selection results of TMY (Sandia selection method)

表4 TMY挑選結果(日照時數替代輻射挑選方法)Tab.4 Selection results of TMY (selection method of sunshine duration instead of radiation)

圖1 TMY挑選結果干球溫度和太陽輻射對比分析圖Fig.1 Comparison of dry bulb temperature and solar radiation of TMY selection results

2 逐時太陽輻射數據預測

2.1 瞬時模型

張晴原等[20]采用國際地面氣象觀測數據庫和太陽輻射數據庫24個省會城市1995—2005年氣象數據建立了一套模型來推定水平面總輻射，同時討論了這套模型的推定誤差。該模型選用云量、溫度上升值(某時刻和3 h以前的氣溫差)、相對濕度作為描述水平面太陽輻射的變量。采用最小二乘法得到回歸式為

C3·(θn-θn-3)+C4φ-C5]}/k

(4)

式中:I0為太陽常數，W·m-2；Ih為水平面太陽總輻射照度逐時值，W·m-2；h為太陽高度角，°；CC為云量，取值為0,1,2，…,10；θn，θn-3為某時刻和3 h前的氣溫，℃；φ為相對濕度，%；C0,…,C5以及k分別為常數。

2.2 神經網絡模型

BP學習算法主要思想是通過不斷訓練輸入樣本與輸出樣本，用網絡的實際輸出與期望輸出之間的誤差來調整權值，使其達到最優輸出。網絡結構包括輸入層、隱含層和輸出層，通過訓練一組已知輸入輸出數據，從訓練模式中進行數據關系的學習與概括，進而形成有效的泛化能力。

在實際應用中，BP網絡通常在訓練過程中也可能找不到某個具體問題的解，比如在訓練過程中陷入局部較小的情況。GA是模仿自然界生物進化論發展而來的一個高度并行，自適應檢測算法。GA能夠在數據空間進行全局尋優，而且高度的收斂，對于BP神經網絡的設置，權值和閥值的設置尤為關鍵，基于其可調的原理，采用GA-BP網絡的權值和閥值以達到提高精度的目的[21]。

本文采用BP網絡和GA-BP神經網絡模型，由表1可知，太陽輻射強度除了與日照時數相關性強之外，還與溫度、濕度、云量等相關，這與瞬時模型提出的結論一致,太陽輻射相關關系如圖2所示。室外氣溫升高的主要原因是太陽輻射和氣溫上升值之間存在某種關系，所以選擇溫度上升值作為預測條件。太陽高度角是太陽光線與地平面的夾角，也影響著太陽輻射強度。日照時數統計量一般為日值，云量也能較好的反映太陽輻射強度，于是選用的輸入量為溫度、溫度上升值、相對濕度、云量和太陽高度角，輸出量為逐時太陽總輻射，采用5-8-1網絡結構(5個輸入參數，8個隱含層和1個輸出層)，網絡結構如圖3所示。逐時輻射觀測數據為西安建筑科技大學雁塔校區2016—2017年觀測數據。為剔除偶然性(一年當中各月輻射量有差異)，選取2016年每個月16日逐時數據作為測試集，2016年其余數據作為訓練集，最后得到預測結果如圖4所示，BP模型與GA-BP模型的均方根誤差(Root-mean-square error，RMSE)分別為68.27、63.21 W·m-2，決定系數R2分別為0.927、0.938。預測結果與實際結果吻合性基本一致，優化后的模型預測效果略優于普通模型。

圖2 太陽輻射影響因素關系圖Fig.2 Relation diagram of influencing factors of solar radiation

圖3 BP神經網絡結構圖Fig.3 BP neural network structure diagram

圖4 神經網絡訓練結果Fig.4 Results of neural network training

決定系數的計算公式為

(5)

均方根誤差計算公式為

(6)

2.3 逐時化結果對比分析

采用瞬時模型和兩種神經網絡訓練后的模型對觀測地點2017年逐時輻射數據進行預測分析，并與觀測對比，其對比結果如圖5(a)～圖5(c)所示，通過RMSE和R2計算，神經網絡模型明顯優于瞬時模型，可以看出兩種神經網絡模型都能很好的預測逐時太陽輻射數據，但優化后的神經網絡模型相較于普通模型對2017年的預測并無明顯變化，基本網絡結構便可以滿足預測需求，提高預測精度可以在提高預測條件數據的準確性上，如加入衛星云圖等高精度數據。

圖5 3種模型2017年逐時太陽輻射預測結果分析Fig.5 Analysis of hourly solar radiation prediction results of three models in 2017

3 建筑能耗模擬分析

3.1 模型建立

建筑能耗模擬是在建筑設計初期或既有建筑節能改造方案中，利用TMY進行能耗分析計算，使建筑在整個生命周期內高效運行。建筑能耗包括供暖、制冷、熱水供應、烹飪、家用電器等。其中，室外氣象參數對建筑能耗的影響最明顯的是采暖和制冷能耗。中國的公共建筑種類繁多，包括商業建筑、醫院建筑、辦公樓、學校建筑等。影響建筑能耗的因素有外形系數、窗墻比、圍護結構等，需要根據不同地區設置，本文參照GB50189—2019《公共建筑節能設計規范》[22]對辦公建筑能耗進行分析，其中辦公建筑具有很高的代表性。本文使用的建筑為12層辦公樓，尺寸為：標準層為40 m×40 m，高度為3.5 m，總建筑面積為19 200 m2，建筑基本參數設置見表5。

表5 辦公建筑圍護結構和室內參數設置信息Tab.5 Setting information of office building envelopes and indoor parameters

3.2 模擬結果

利用EnergyPlus能耗模擬軟件進行建筑能耗模擬。2006—2017年、TMY挑選結果以及觀測點2017年不同模型輻射數據來源的采暖、制冷、采暖制冷總能耗模擬和各項結果偏差情況見表6～8所示，可以看出不同年份能耗情況具有一定差異，且采暖能耗有減少趨勢，制冷能耗有增加的趨勢，所以TMY的合理挑選有助于評價一個地區的天氣情況。

表6 能耗模擬結果(TMY挑選分析)Tab.6 Simulation results of energy consumption (TMY selection and analysis) (kW·hm-2)

表7 TMY挑選結果相對偏差分析Tab.7 Analysis of relative deviation of TMY selection results

表8 能耗模擬結果(逐時太陽輻射預測分析)Tab.8 Simulation results of energy consumption(hourly solar radiation prediction and analysis)

計算TMY與長期平均值能耗模擬值相對偏差，Sandia方法能耗模擬結果采暖，制冷相對偏差分別為-16.30%，-1.80%，日照時數替代輻射的方法能耗模擬結果采暖，制冷相對偏差分別為-13.40%，4.40%。日照時數替代法與Sandia方法的相對偏差為3.36%和6.28%。通過上述數據可以看出日照時數替代輻射的TMY挑選方法能耗模擬結果差異不大，可以較為準確的進行TMY挑選。

計算太陽輻射各逐時化模型與觀測點太陽輻射數據能耗模擬結果相對偏差，瞬時模型采暖制冷偏差分別為-20.67%，7.89%，BP神經網絡模型采暖制冷偏差分別為1.41%，-0.64%，GA-BP神經網絡模型采暖制冷偏差分別為1.93%，-0.43%。通過上述數據可以看出神經網絡模型預測的逐時太陽輻射數據能耗模擬結果與觀測數據模擬結果差異很小，可以精準的運用到建筑能耗模擬。

對于TMY挑選能耗模擬結果與逐時輻射預測結果分析選用的數據分別為西安涇河臺站和西安建筑科技大學雁塔校區氣象數據，由于涇河臺站處于郊區，而雁塔校區處于鬧市區，具有一定的城市熱島現象，且2017年涇河臺站能耗模擬結果采暖制冷能耗已達相當水平，所以觀測點制冷能耗略大于采暖能耗。

4 結 論

1)依托于日照時數氣象參數易于獲取且與太陽輻射數據相關性最強的特點，采用該參數替代太陽輻射進行典型氣象年挑選，雖然在夏季輻射強度大的個別月份有一定差異，但整體與累年平均值接近度高，在輻射數據缺失的情況下可以采用此方法較為準確的挑選TMY。

2)分別采用統計模型和神經網絡模型對8 760逐時太陽輻射數據進行預測分析，結果顯示神經網絡模型準確性更高，更適合于對數據精度要求較高的建筑節能領域。采用遺傳算法優化BP神經網絡，在2016年網絡訓練、測試中具有一定的優化效果，但將該模型具體應用到2017年預測時，效果并不明顯。

3)通過關于TMY和逐時太陽輻射建筑能耗模擬驗證分析，太陽輻射的變化對建筑采暖影響較大，且在西安地區也存在一定的城市熱島效應。