中国高分辨率光伏资源估算成果实现新突破

本文转自：中国气象报

专家顾问：中国科学院大气物理研究所研究员夏祥鳌、副研究员施红蓉，国家卫星气象中心高级工程师高玲本报通讯员 李倩

碳中和目标背景下，加快发展光伏发电等可再生能源是我国构建清洁低碳、安全高效能源体系的重大举措，未来光伏等新能源在能源结构中的占比将显著增加。我国的太阳能总辐射资源丰富，高效利用太阳能资源离不开对其分布的准确评估。

中国科学院大气物理研究所联合哈尔滨工业大学和国家卫星气象中心，利用风云四号A星（FY-4A）光谱成像仪数据，基于机器学习方法和光伏模型链，首次估算了中国地区光伏有效辐射资源分布情况，为太阳能资源评估提供了新的技术手段。

风云四号气象卫星带来数据新突破

太阳能资源评估主要依赖太阳辐射数据。“目前，太阳辐射数据主要来源分为三类，包括地面气象站点观测数据、再分析资料和卫星遥感反演资料。”施红蓉介绍，地面站点可提供长期且精度较高的观测数据，但由于站点分布较稀疏，观测数据的空间覆盖严重缺失；再分析资料可提供时空覆盖完整的全球格点化数据，但时空分辨率不高，不能满足太阳能资源精细评估所要求的数据需求；太阳辐射数据效果最好的就是卫星遥感反演资料，它可以提供全球范围的数据，且时空分辨率较高。

我国新一代静止气象卫星风云四号的发射给太阳能监测和预报提供了新的观测手段。其中，风云四号卫星搭载的光谱成像仪显著提升了光谱、时间和空间分辨率，可反演获得公里/分钟级地表太阳辐射，完美解决了日本 葵 花 卫 星 Himawari-8和 欧 洲Meteosat-9在中国地区不完全覆盖和卫星观测边缘精度下降的问题。

机器学习推动技术新发展

当前，针对卫星遥感资料反演地面辐射的方法一般分为物理方法和经验方法，前者极度依赖气溶胶和云特征反演的准确性，后者则本质上为回归算法。机器学习方法近年来被广泛应用于回归问题，相比于传统回归算法，其能够挖掘更为复杂的回归关系。研究团队在进行机器学习时融合了中国气象局和中国科学院太阳辐射观测站点的数据，增大了机器学习的目标学习样本，这也是推动技术研发的一大特点。

高精度光伏资源地图助力资源开发利用

基于新数据采用机器学习的方法，研究团队最终获得了4公里-15分钟时空分辨率的中国光伏资源地图，为光伏资源开发利用和规划布局提供了全新的高精度产品。

当前，我国太阳能资源分布不均匀，总体呈“高原大于平原、西部干燥区大于东部湿润区”的特点。其中，青藏高原最为丰富，四川盆地光伏资源相对缺乏。从年平均光伏资源分布结果来看，在西部大部分地区，年平均有效辐照度超过1700千瓦时/平方米，其中西藏的年平均有效辐照度最高，约为2000千瓦时/平方米；东部地区的年有效辐照度仅为1300-1500千瓦时/平方米，太阳能资源最贫乏的地区是四川盆地，每年不足1100千瓦时/平方米。

太阳能短临预报面临新挑战

光伏太阳能的间接性和不稳定性是太阳能并网利用中的一道难题。到达地表的太阳光极易受到云等天气的影响，进而影响光伏输出功率，使其呈现显著波动。

除了发展新能源储能等技术之外，发展太阳能短临预报技术可以提供准确的太阳辐射预报，是提高太阳能利用率的有效途径。夏祥鳌介绍，研究团队前期通过风云四号光谱成像仪数据，建立了太阳辐射短临预报系统，其核心技术是通过预测云运动矢量，预报未来3小时内地表太阳辐射场。结果表明，预测值和观测值在时空分布较为接近，在华北地区具备良好的适用性。

风云气象卫星在太阳能资源评估和预报中的广阔应用前景，将促进我国光伏太阳能能源发展和利用。光伏太阳能资源估算技术也将依托卫星遥感技术提升时空分辨率，并融合卫星遥感、气象观测和数值模拟数据等不同数据源，获得更高精度的数据产品。