编者语：太阳能在人类历史时间范围内取之不尽、用之不竭，被公认为是未来最具竞争力的新能源之一。然地表太阳能受太阳辐照强度与气象状况的影响，输出功率呈现出间断性和随机性等特征，属于间歇性能源。因而实际应用中，需对其辐射强度和发电功率进行准确预测，以减少对电网系统的冲击，满足电力系统的要求。近年来，随着光伏产业投资的攀升，并网光伏电站装机容量不断增加，发电量波动对电网稳定性造成的影响也逐步加大。研究表明，当光伏电站装机容量在电力系统中所占比例超过15% 时，其波动可能会引起电网系统的瘫痪。因此，光伏系统发电量的短期精准预测对提升光伏发电并网效率、保护光伏电站资产、区域光伏投资潜力评估等具有重大意义。

本期讲座中，加州大学圣地亚哥分校的Jan Kleissl教授从提升太阳辐射量预测水平的意义、太阳能预测技术的研究和应用概况以及发展展望等三个方面进行了报告。

4月23日下午，应中欧绿色能源金融研究所邀请，美国加州大学圣地亚哥分校Jan Kleissl教授做客“绿色金融与新能源投融资创新大讲堂”，以“Solar Energy Forecasting Advances and Impacts on Grid Integration”为题分享了其在太阳辐射量预测方面的一些研究经验和思考。本次讲座邀请了我校中欧能源学院、能源与动力工程学院、人工智能与自动化学院的导师及学生前来交流，中欧绿色能源金融研究所李爱军、杨晴、龙妍及李之添也参与。

作为太阳能辐射量预测技术领域的知名学者，Jan Kleissl教授通过细致的讲解，为听众呈现了当前该领域的发展动态及未来发展趋势。此次报告内容可分为：提升太阳能辐射量预测水平的意义、太阳能预测技术的概况以及发展展望三个部分。

一、提升太阳能辐射量预测水平的意义

Kleissl教授以提升日前（day-ahead）太阳能预测水平带来的经济价值为例，生动阐述了太阳能预测的意义。我们知道，太阳辐照度波动是影响太阳能大规模并网运行的强不确定性因素，在不影响电网可靠性或增加成本的前提下，准确预测短期和长期太阳辐照度是最有希望实现高太阳能集成。他总结道，根据太阳能穿透水平的不同情况，可以实现日前预测25%~100%改进。而改进的方面主要包括:

1. 随着光伏系统发电量预测的改善提升，以天然气、石油为燃料的响应较快但效率较低的发电站的发电量可以有效减少。这对于节能减排具有正向影响；

2. 减少启停成本及对太阳能资源的浪费；

3. 最大化发电系统年度经济效益。

二、太阳能辐射量预测技术的概况

随后通过具体的例子，Kleissl教授向大家介绍了太阳能辐射量预测技术当前的研究和应用情况。在一个不包含以预测和储能技术作为缓冲的光伏系统中，发电量一分钟内最大的波动斜率可达400w/kw，而在以预测和储能来平滑化光伏系统输出功率的系统相应数据则只有10w/kw，表明通过增加缓冲的光伏系统可得到更平滑的光伏输出曲线。而在实际应用中，太阳能辐射量预测技术可以帮助我们减少辐照强度剧烈变化对光伏系统造成的冲击与损害。

从研究的角度看，他指出目前针对单一发电站的研究要多于针对区域发电站的研究，而确定性研究要多于可能性研究；实际的技术方面，人工神经网络(Artificial Neural Network即ANN)应用占比达到了24%，其次的是支持向量回归(support vector regression即SVR)，达到了18%。随后，他也对具体的技术做了一些讲解：

1. 利用机器学习技术的简单后期加工

用机器学习来做预测的基本技术路径是，先是利用支持向量机(Support Vector Machine, SVM)将气象条件分类为低太阳直射辐照值波动期(low Direct Normal Irradiance variance ,lv)和高太阳直射辐照值波动期(high Direct Normal Irradiance variance, hv)，再用ANN来处理Iv和hv数据。之后通过SVM对测试集的hv和lv部分做出评价（打分），从而得到90%置信区间下，5-20分钟区间的太阳辐射量预测。

2.天空成像仪的预测

Kleissl教授指出，当只有1个成像仪时，由于几何问题无法完整对气象条件建模，往往会导致较低的预测精度。为了获得较好的预测精确度，往往会使用多个成像仪，利用三维断层技术(3D Tomography)对气象条件进行建模，结果发现可以取得较好的预测精度。不过，他同时介绍这种方法由于计算量巨大，往往一天时间才能得出预测的太阳能辐照值，但在实际应用中，2-3分钟内做出预测才能满足需求。

3.基于卫星图像的太阳能辐射量预测

以人造卫星为传感器平台，通过勘测地球大气系统发射或反射的电磁辐射而实现辐射量的预测。Kleissl教授指出，这项技术可以将高空间分辨率图像数据和地理信息系统紧密结合，并为太阳辐射预测提供了可靠依据。如2017年发射的GOES-R卫星，预测结果优于全天空成像仪，目前正在开发混合物理-机器学习方法。这种方法随着近年卫星技术的不断进步，也在取得越来越好的预测效果。

4.数值天气预报（Numerical Weather Prediction, NWP）

这种技术的一般路径是根据大气实际情况，在一定的初值和边值条件下，通过大型计算机作数值计算，来预测未来一定时段的大气运动状态和天气现象。

三、太阳能辐射量预测技术的发展展望

在太阳能辐射量预测技术的发展展望方面，Kleissl教授的基本判断是，在数值天气预测技术的发展中，大涡流模拟技术(large- eddy simulation, LES)将会是解决云层波动的重要手段。此外，将多种预测技术整合起来进行预测也是一个很重要的发展方向，这方面的一个具体实例就是SolarAnywhere的应用。总结来看，将全球范围内的模型,如美国国家环境预报中心的全球模式(NCEP-GFS)与欧洲中期天气预报中心(ECMWF)、大陆模型（NAM）和高分辨同化模型（RAP、HRRR）的优点集于一身，能帮助我们更好地进行太阳能辐照强度的预测。

从2010年到2018年太阳能预测进展概览

在问答环节，Jan Kleissl教授就听众提出的“太阳能预测对储能系统有什么影响”、“太阳能预测相关技术能否用于风能预测”等相关问题进行了详细回答，并鼓励有兴趣的同学多了解这方面的相关知识。

作者：张毓、陈英祺

摄像及编辑：李之添

绿色金融与新能源投融资创新大讲堂简介

“绿色金融与新能源投融资创新大讲堂”，由华中科技大学中欧绿色能源金融研究所主办。大讲堂作为研究所重要专业交流平台之一，希望能把握全球和中国绿色发展的大趋势大战略，促进绿色能源金融领域行业内外交流及促进“技术”与“资本”创新合作，特别是通过邀请业界杰出人士为华中地区相关领域学者与机构、高校学生讲授绿色金融与新能源领域的前沿理论知识与实践经验，促进决策者、学界和业界的交流，努力将此大讲堂打造为覆盖绿色金融全产业链不同环节的国际化的高端专业交流合作平台。

往期绿色金融与新能源投融资创新大讲堂回顾

第一期：点绿成金：绿色金融的实践与思考（点击链接访问新闻，下同）

主讲人：唐斌，深圳前海金融资产交易所总经理

第二期：Roads to a sustainable future: from urban to global perspectives

主讲人：Dr. Klaus Hubacek，Professor of University ofMaryland

薛进军，Professor of Nagoya University

陈彬，北京师范大学环境学院教授

第三期：工业园区能源供应绿色之路

主讲人：丁振华，东方电子股份有限公司董事长

第四期：国内外绿色债券发展现状及趋势

主讲人：周沅帆，中债信息服务有限公司董事长

第五期：绿色信托创新发展实践与探索

主讲人：中航信托股份有限公司董事长

第六期：美国绿色能源发展现状与应用前景

主讲人：刘广一，国家电网公司全球能源互联网美国研究院技术总监