基于机器学习的北欧网格化太阳辐射产品站点适配
应用物理
2022-08-12 v2 大气与海洋物理
摘要
网格化全球水平辐照度（GHI）数据库对于分析太阳能应用（尤其是光伏应用）的技术与经济层面至关重要。现今存在众多网格化 GHI 数据库，其质量已通过地基辐照度观测得到充分验证。然而，在纬度高于 65 处生成数据的数据库寥寥无几，且现有的那些网格化辐照度产品（无论是再分析还是基于极轨卫星，如 ERA5、COSMO-REA6 或 CM SAF CLARA-A2）通常比基于地球静止卫星的网格化辐照度产品质量更低或时间分辨率更粗。在高纬度网格化 GHI 数据库中，由瑞典气象水文研究所（SMHI）开发的 STR\r{A}NG 模型可能是最准确的一个，提供瑞典全境数据。为进一步提升产品质量，本文采用称为“站点适配”的校准技术来改进 STR\r{A}NG 数据集，该技术旨在基于短时期高质量辐照度观测来调整长时期低质量网格化辐照度估算值。本研究不同于传统统计方法，采用机器学习进行站点适配。我们分析并比较了九种机器学习算法与传统统计方法，以确定瑞典最适宜的站点适配技术。使用 SMHI 的三个气象站进行训练与验证。结果表明，由于模型性能存在时空异质性，无法识别出通用模型，这意味着站点适配是一个依赖于位置的过程。
引用
@article{arxiv.2208.04127,
title = {Site adaptation with machine learning for a Northern Europe gridded solar radiation product},
author = {Sebastian Zainali and Dazhi Yang and Tomas Landelius and Pietro E. Campana},
journal= {arXiv preprint arXiv:2208.04127},
year = {2022}
}