关于短期太阳辐射预测中清晨模型的重要性

清晨模型在太阳能领域的众多应用中广泛使用，包括质量控制、资源评估、卫星基 irradiance 估计和预测。然而，其在预测和 nowcasting 中存在诸多挑战。同步错误、依赖清晨指数（全局水平辐射与其无云对应值的比值）以及在低太阳仰角时对气溶胶光度误差高度敏感，限制了其在实时应用中的增值作用。本文探讨了在不依赖清晨模型的情况下进行短期预测的可行性。我们提出了一种基于极端学习机（ELM）模型的清晨模型自由预测方法。ELM 直接从原始全局水平辐射（GHI）数据中学习日周期性和局部变异性，消除清晨标准化的需求，简化了预测过程并提高了可扩展性。我们的做法是一种非线性自适应统计方法，隐式地学习无云条件下的辐射，无需清晨模型及其相关的运营问题。与传统基准方法（包括基于 McClear 生成的清晨数据的 ARMA 模型和用于概率预测的分位数回归）进行确定性和概率结果的比较。ELM 与或超过这些方法，提供准确的预测和稳健的不确定性量化。该方法为实时太阳预测提供了一个简单、高效的解决方案。通过克服基于常用乘法方案清晨模型的平稳性过程限制，为现代能源系统提供了一个灵活可靠的框架。