太阳辐射预报方法分类与评述

黄晶 李锐海 王颂 张海鹏 李昊 张贵峰 赵林杰 黎振宇

摘 要：利用太阳能发电是降低碳排放，构建新型电力系统的有效途径之一。太阳辐射受气象因素影响明显，利用气象数据和相关方法对太阳辐射进行预报是提高新型电力系统稳定性的重要手段。阐述了太阳辐射预报方法的分类，主要介绍了4种不同预报方法的基本预报原理及应用进展，并总结了各种预报方法的优点和缺点。在实际预报过程中，需要综合考虑各种预报方法的预报时效和优、缺点，结合自身的预报需求，选取最为合适的方法对太阳辐射进行预报。以期为气象行业及新能源行业从业者进行相关研究和开展业务提供参考。

关键词：太阳辐射预报；气象大数据；数值天气预报；云图；机器学习

中图分类号：TM615 文献标志码：A

0  引言

不断增长的碳排放量引起的气候变化是人类面临的全球性问题，气候变化导致的极端天气事件增加、海平面上升、冻土融化等异常现象对人类生存环境及地球安全等多方面构成了极大威胁[1-2]。化石能源消耗是碳排放的主要来源之一，而电力是中国能源系统中的重要一环，也是中国碳排放中占比最大的单一行业之一。中国风能、太阳能等可再生能源丰富，开发潜力巨大。建设以风电、太阳能发电等新能源为主的新型电力系统，是中国落实国家战略部署，实现碳达峰、碳中和目标的重要手段。在可再生能源中，太阳能被认为是最有希望大规模发电并网的清洁的可再生能源之一。

太阳辐射在到达地面被利用前会穿过大气层，大气中的云、水汽、气溶胶等气象要素的变化会对入射的太阳辐射产生非常大的影响[3]，比如局地云的变化会通过反射、散射等过程使当地太阳辐射发生变化。因此，受到气象要素影响而到达地面的太阳辐射具有高波动性的特点[4]。利用气象数据和相关方法对到达地面的太阳辐射进行预报是预估光伏发电能力的第一步，也是最重要的一步。根据现有行业标准，光伏阵列的输出功率与光伏阵列斜面接收的总太阳辐照度有密切关系，而光伏阵列斜面接收的总太阳辐照度受到达地面的太阳辐射的影响，因此预报太阳辐射是预测光伏发电输出功率必不可少的一环[5]。本文梳理了国内外的太阳辐射预报方法，对基于气象大数据、基于数值天气预报模式、基于云图，以及混合模型预报方法的主要预报思路、优缺点、关键步骤及应用进展进行总结和归纳。

1  基于气象大数据的太阳辐射预报方法

本文提到的气象大数据主要是指海量的历史气象实况观测数据，实况观测数据可以来自不同的观测设备。随着气象科学的发展和观测设备的更新换代，采集实况观测数据的气象站点遍布全球，仅在中国就有5万个以上的地面自动观测站，而观测范围可从几千米的高空到地面，部分气象要素观测的时间间隔可达到分钟级别。时间和空间的高分辨率，使气象大数据的量级已经达到了PB级别。下文主要从传统统计方法和机器学习方法两方面阐述基于气象大数据的太阳辐射预报方法。

1.1  传统统计方法

气象要素在某个时刻的变化与其前期的变化有关，即气象要素时间序列在短滞后的时间内，仍有较高的自相关性。到达地面的太阳辐射受到气象要素的影响也具有这样的特性，利用这种特性，可以建立统计模型来模拟太阳辐射随时间的变化规律并进行预报，这种预报方法称为传统统计方法。传统统计方法的优点在于计算方法简便，占用计算资源少；缺点在于对非线性较强的时间序列预报能力有限。

常用于太阳辐射预报的传统统计方法有自回归模型、滑动平均模型、自回归滑动平均模型，以及包含多种统计方法的组合模型等。Reikard[6]比较了自回归累计滑动平均模型、转换函数、神经网络、混合方法这几种方法对不同情况下太阳辐射的预报，结果显示：自回归累计滑动平均模型在预报未来24 h的太阳辐射时表现最好，其能比其他方法更有效地捕捉太阳辐射日循环的变化特征。David等[7]将两种统计预报模型结合，构建了ARMA-GARCH预报模型，该模型与机器学习预报模型都可以准确预报太阳辐射，但ARMA-GARCH预报模型具有使用简便、计算成本低的优势。

1.2  机器学习方法

相比于传统统计方法，机器学习方法可以更好地处理非线性较强、数据关系较为复杂及不完整的数据。太阳辐射具有较强的非线性变化，机器学习技术既可以对气象大数据进行训练和验证，也可以用于太阳辐射预报。机器学习方法的优点在于对非线性较强的太阳辐射时间序列拟合效果较好；缺点在于需要大量的样本数据进行训练和验证，并存在过拟合现象。

人工神经网络是众多机器学习方法中最常用于太阳辐射预报的方法。人工神经网络是由输入层、1个或多个隐藏层、输出层组成。输入层输入的数据包括气象、地理信息等；隐藏层由多个非线性处理单元（神经元）组成，其主要功能是计算和处理由输入层输入的数据；输出层接收分析得到的结果，并进行输出。Mellit等[8]将气温和太阳辐射数据输入人工神经网络，预报未来24 h的太阳辐射，该方法的预报结果与观测数据的相关系数超过0.94。Kemmoku等[9]提出了多阶段人工神经网络方法用于太阳辐射预报，每个阶段均利用人工神经网络对气象要素场进行预报并作为下一阶段的输入场，该方法预报的平均误差比单阶段人工神经网络降低了约10%。一些研究强调了气象要素在利用人工神经网络预报太阳辐射中的重要性。Sfetsos等[10]的研究表明：利用更多的气象参数，可以提高人工神经网络对太阳辐射的预报能力。Pedro等[11]發现微气候条件对人工神经网络预报模型最优参数的选择具有很大影响，不同微气候条件下，影响预报模型准确率的气象参数有所差异。

除人工神经网络方法外，其他机器学习方法也常用于太阳辐射预报中。Belaid等[12]基于大气温度数据，利用支持向量机方法构建了太阳辐射预报模型，结果表明：相比于人工神经网络方法，支持向量机方法的主要优势是输入较少的参数就能获得较高的预报精度。Mellit等[13]利用小波神经网络对太阳辐射进行预报，小波神经网络的预报效果与人工神经网络的相当，但计算速度比人工神经网络的更快；此外，小波神经网络还可用于填补气象数据库中缺失的数据。

2  基于数值天气预报模式的太阳辐射预报方法

数值天气预报模式是指在一定的初始值和边界条件下，通过数值计算，求解描写天气演变的大气运动方程组，并将方程组由当前的大气状态向前积分，从而预报未来一定时段大气运动状态的方法[14]。其不仅可以用于常规气象要素的预报，也可以通过输出太阳辐照度数据对太阳辐射进行预报。数值天气预报模式的优点在于预报时效较长，最多可预报未来15天的太阳辐射，适用多种应用场景；缺点在于计算量大，占用计算资源较多，且对初始场质量要求高。

2.1  数值天气预报模式的特点

下文从数值天气预报模式的关键步骤及其输出结果后的处理订正方面对数值天气预报模式的特点进行介绍。

2.1.1  关键步骤

气象观测数据存在来源不同、时空分布差异大、误差不一致等问题，并不能直接用于数值天气预报模式的初始场。将不同源的气象观测资料进行整合，为数值天气预报模式提供质量更高的初始场，这一过程称为资料同化[15]。数值天气预报模式中，云模拟的准确性对太阳辐射的预报起着至关重要的作用，将高质量的云数据同化到数值天气预报模式初始场是提高太阳辐射预报准确率的关键手段。一些学者尽可能收集云的观测资料，尝试将云数据同化到数值天气预报模式初始场中，结果表明：云数据的同化可在一定程度上减小模式模拟的误差，提高太阳辐射预报的精度[16-18]。

受数值天气预报模式分辨率的限制，该模式下的网格无法分辨一些小尺度天气系统或物理过程，因此采用经验或半经验的物理过程参数化方案来表示这些小尺度天气系统或物理过程。不同的参数化方案采用的假设及侧重点均有所不同，选取合适的物理过程参数化方案对太阳辐射的预报也很重要。Chen等[19]选用多种辐射参数化方案进行太阳辐射模拟，结果发现：不同的辐射参数化方案的模拟结果差别很大。Sosa-Tinoco等[20]将利用7种不同积云参数化方案得到的模拟结果与观测的太阳辐射进行对比，挑选出了最适合墨西哥索诺拉州南部地区太阳辐射模拟的积云参数化方案。

2.1.2  输出结果后的处理订正

数值天气预报模式的预报结果存在固有的偏差，这种特性也表现在太阳辐射的预报方面。例如老一代的第5代中尺度（MM5）模式预报得到的太阳辐射较观测得到的结果偏低[21-22]；天气预报（weather research and forecasting，WRF） 模式是由美国多家科研和业务机构共同开发的新一代区域中尺度天气预报模式，由于该模式对云量的模拟较观测得到的结果偏少，导致其预报的太阳辐射较观测数据偏高[23-24]。

寻找数值天气预报模式得到的太阳辐射结果与观测资料之间的关系，并对预报模式输出结果进行订正的方法，称为模式输出统计（MOS） 方法。MOS方法可在一定程度上订正数值天气预报模式得到的太阳辐射结果的偏差，并考虑了局地的气候特征，提高了太阳辐射预报的准确率[25-26]。传统统计方法常用于MOS订正模型的构建。Verzijlbergh等[27]利用逐步回归的方法对数值天气预报模式输出结果建立MOS订正模型，结果表明：MOS订正模型订正后的太阳辐射预报误差比未订正时的太阳辐射预报误差降低了15%左右。Diagne等[28]利用卡尔曼滤波器对WRF模式输出的太陽辐射进行后处理，这种MOS订正模型的预报准确率与单纯的数值天气预报模式相比有了显著提高。机器学习技术也用于建立MOS订正模型。Marquez等[29]将云量、降水概率、气温作为订正因子，利用人工神经网络建立MOS订正模型，减小了太阳辐射预报的误差。Huva等 [30]利用随机森林方法在数值天气预报模式预报结果的基础上建立MOS订正模型，这种方法预报得到的太阳辐射结果均方根误差比单纯的数值天气预报模式有显著降低。

2.2  WRF-Solar模式

为了更好地预报太阳辐射，一种基于WRF模式框架的专门用于太阳辐射预报的模式WRF-Solar模式被开发[31]，其主要有以下优势：1）WRF-Solar模式考虑了云-气溶胶-太阳辐射之间的相互作用，其考虑了气溶胶对太阳辐射的吸收和散射（气溶胶的直接效应）的时空变化[32]，可以将观测到的高频变化的气溶胶光学特征值输入WRF-Solar模式中。气溶胶与云之间也存在相互作用（气溶胶的间接效应），会改变云的反照率和生命史，进而影响太阳辐射，WRF-Solar模式中也考虑了气溶胶的间接效应[33]。2） WRF-Solar模式中的浅层积云参数化方案考虑了无法识别的次网格尺度云对短波辐射的影响[34]。3）WRF-Solar模式更能满足工业界对太阳辐射预报的需求。相比于大气化学模式（例如WRF-Chem），WRF-Solar模式中云-气溶胶-太阳辐射之间相互作用过程的表达相对简化，节省了计算成本和时间，更符合工业界的需求。WRF-Solar模式不仅能输出总太阳辐射，还能输出太阳的直接辐射与散射辐射，满足了工业界某些技术的应用需要。WRF-Solar还提供了一种快速辐射传输算法，能以更高的频率输出太阳辐射的预报结果，以满足工业界对于太阳辐射预报的高频输出需求[35]。

基于以上改进，WRF-Solar模式对太阳辐射的预报能力有了较为明显的提升。WRF模式对太阳辐射预报的固有偏差在WRF-Solar模式中得到了一定程度的减小[31]。Jiménez等[36]发现WRF-Solar模式可以显著降低美国地区太阳辐射模拟的误差。Kim等[37]基于WRF-Solar模式开发了太阳能集合预报系统，考虑了每个集合成员预报的不确定性，提高了预报的准确性。

3  基于云图的太阳辐射预报方法

云图是反映天空中云的尺度、结构、分布等特征的图像，基于云图图像序列，通过一定的算法获取云运动矢量，包括云位移的大小和方向，将云运动矢量进行外推，可以计算出未来一段时间内云的运动情况及某一区域内云量的大小，进而可以对该区域内的太阳辐射进行预报[38]。基于云图的太阳辐射预报方法的关键在于如何计算云运动矢量，最常用的是利用最大交叉相关法从连续云图中计算出选定要素的位移向量[39]。此种预报方法的优点在于能够观测到尺度较小的云，对局地太阳辐射的预报效果较好；缺点在于预报时效较短，且对非线性较强的过程的预报能力有限。

3.1  基于卫星云图

利用卫星云图可以识别云的变化特征，尤其是对于沙漠、高原等缺少地面气象观测台站地区的云，这种方法可以预报未来1～24 h的太阳辐射变化。Perez等[40]利用GOES静止气象卫星提供的云图，预报美国地区未来数小时的太阳辐射；结果表明：基于卫星云图的太阳辐射预报方法在小时时间尺度上的预报效果要好于数值天气预报模式。Nonnenmacher等[41]利用地面气象数据改进卫星图像序列生成的云运动矢量，然后对美国圣地亚哥地区的太阳辐射进行预报，这种方法得到的预报结果误差比传统统计方法得到的预报结果误差低约13.7%。Cros等[42]发现天气系统对云运动矢量的影响很大，在大西洋上空高压脊附近云运动矢量的预报结果均方根误差最大，而在斯堪的纳维亚半岛上空的阻塞高压附近云运动矢量的预报结果均方根误差最小。

3.2  基于地基天空成像仪云图

安装在地面的全天空成像仪（地基天空成像仪）獲取的云图与卫星云图相比有更高的时空分辨率，可以提供分钟级别的1 km内分辨率的云图，填补了小时内太阳辐射预报的空白。地基天空成像仪对云图高时空分辨率的识别为预报太阳辐射分钟级别的突然变化提供了可能性。Chow等[43]对每30 s一次的地基天空成像仪拍摄的云图进行处理，以确定云的覆盖情况；通过互相关联的连续的云图来生成云运动矢量，提前5 min预报太阳辐射。Fu等[44]通过对地基天空成像仪获取的云图的特征进行分析，选取了与期望预测目标相关性较高的特征，包括云像素数的平均值和方差、亮度平均值等，之后利用所选特征训练回归模型对未来5～15 min的太阳辐射进行预报。

4  混合模型预报方法

两种或两种以上预报方法的组合称为混合模型预报方法，其利用了每个单一预报模型的优点，是突破单一预报模型预报缺陷、提高预报准确率的有效方法。将传统统计方法和机器学习方法混合是最为常见的混合模型预报方法。这种混合模型预报方法的基本思路是利用傅里叶变换、小波分解等时间序列分解方法对与太阳辐射相关的时间序列进行预处理，将数据序列分解为不同时间尺度的分量，然后根据分量的特点，将不同的预报模型应用在分量上，形成混合模型预报方法。虽然混合模型预报方法结合了不同预报方法的优势，可以提升预报准确性，但其将多种模型混合，计算过程相对复杂，计算量比单一预报模型有所增加。Zhu等[45]利用小波分解对晴空指数进行分解，将回归模型和支持向量机模型分别应用于长波和短波分量，形成混合模型预报方法；这种预报方法对于太阳辐射的预报误差要显著低于单一自回归模型或单一支持向量机模型的预报误差。Deo等[46]在用支持向量机对太阳辐射进行预报前，利用离散小波变换对太阳辐射时间序列进行分解，并将日照时数、风速、蒸发量、降水量、最高温度、最低温度作为预报因子进行太阳辐射预报；多种误差指标的计算结果表明：这种混合模型预报方法的预报精度高于单一的支持向量机方法。

除了常见的将传统统计方法和机器学习模型混合，还有其他混合模型预报方法用于太阳辐射预报。Dong等[47]利用自组织映射网络对卫星云图进行处理，得到分类的云覆盖指数；并基于当前云覆盖指数，利用指数平滑状态空间模型和后向多层感知机，预报下一时刻的云覆盖指数和太阳辐射；这种新方法对于太阳辐射的预报效果优于多种传统统计方法的预报效果。Zemouri等[48]提出了一种多模型太阳辐射集合预报方法，利用自回归模型、神经网络模型、支持向量机模型等不同模型分别对太阳辐射进行预报，将多种预报模型进行线性组合，得到多模型集合预报，该方法对于太阳辐射的预报效果优于集合中任何一个单一模型的预报效果。

混合模型预报方法还有一种类型，即利用统计方法或机器学习方法对数值天气预报模式输出结果进行订正后处理。

5  不同太阳辐射预报方法的优缺点

由于各种太阳辐射预报方法的原理有所差异，不同预报方法的预报时效也有所不同。对不同太阳辐射预报方法的预报时效、优缺点进行汇总，具体如表1所示。

6  结论

本文对国内外太阳辐射预报方法的研究进行了回顾，主要介绍了基于气象大数据的太阳辐射预报方法、基于数值天气预报模式的太阳辐射预报方法、基于云图的太阳辐射预报法和混合模型预报方法这4种不同预报方法的基本预报原理及应用进展，并总结了各种预报方法的优点和缺点。其中，基于气象大数据的太阳辐射预报方法包括传统统计方法和机器学习方法，基于云图的太阳辐射预报方法包括基于地基天空成像仪云图的预报方法和基于卫星云图的预报方法。

传统统计方法和基于地基天空成像仪云图的预报方法的预报时效较短，可以预报未来10 min至几小时的太阳辐射；机器学习方法、基于卫星云图的预报方法、混合模型预报方法的预报时效相当，可以预报未来1～24 h的太阳辐射；基于数值天气预报模式的太阳辐射预报方法的预报时效最长，可以预报未来6 h～15天的太阳辐射。在实际的太阳辐射预报中，需要综合考虑各预报方法的预报时效、优势和不足，结合自身的预报需求及预报区域的气候背景、地理特点等因素，选取最为合适的方法对太阳辐射进行预报。

[参考文献]

[1] 秦大河，丁一汇，苏纪兰，等.中国气候与环境演变评估（Ⅰ）：中国气候与环境变化及未来趋势[J]. 气候变化研究进展，2005（1）：4-9.

[2] 秦大河. 气候变化科学与人类可持续发展[J]. 地理科学进展，2014（7）：874-883.

[3] 申彦波，赵宗慈，石广玉. 地面太阳辐射的变化，影响因子及其可能的气候效应最新研究进展[J]. 地球科学进展，2008，23（9）：915-924.

[4] LORENZ E N. Deterministic nonperiodic flow[J]. Journal of atmospheric sciences，1963，20（2）：130-141.

[5] 全國气候与气候变化标准化技术委员会风能太阳能气候资源分技术委员会.太阳能光伏发电功率短期预报方法：QX/T 244——2014[S]. [S.l.：s.n.]，2014.

[6] REIKARD G. Predicting solar radiation at high resolutions：a comparison of time series forecasts[J]. Solar energy，2009，83（3）：342-349.

[7] DAVID M，RAMAHATANA F，TROMBE P J，et al. Probabilistic forecasting of the solar irradiance with recursive ARMA and GARCH models[J]. Solar energy，2016，133：55-72.

[8] MELLIT A，PAVAN A M. A 24-h forecast of solar irradiance using artificial neural network：application for performance prediction of a grid-connected PV plant at Trieste，Italy[J]. Solar energy，2010，84（5）：807-821.

[9] KEMMOKU Y，ORITA S，NAKAGAWA S，et al. Daily insolation forecasting using a multi-stage neural network[J]. Solar energy，1999，66（3）：193-199.

[10] SFETSOS A，COONICK A H. Univariate and multivariate forecasting of hourly solar radiation with artificial intelligence techniques[J]. Solar energy，2000，68（2）：169-178.

[11] PEDRO H T C，COIMBRA C F M. Short-term irradiance forecastability for various solar micro-climates[J]. Solar energy，2015，122：587-602.

[12] BELAID S，MELLIT A. Prediction of daily and mean monthly global solar radiation using support vector machine in an arid climate[J]. Energy conversion and management，2016，118：105-118.

[13] MELLIT A，BENGHANEM M，KALOGIROU S A. An adaptive wavelet-network model for forecasting daily total solar-radiation[J]. Applied energy，2006，83（7）：705-722.

[14] CHARNEY J G，FJ?RTOFT R，NEUMANN J. Numerical integration of the barotropic vorticity equation[J]. Tellus，1950，2（4）：237-254.

[15] TALAGRAND O. Assimilation of observations，an introduction （gtSpecial IssueltData assimilation in meteology and oceanography：theory and practice）[J]. Journal of the meteorological society of Japan，1997，75（1B）：191-209.

[16] BAYLER G M，AUNE R M，RAYMOND W H. NWP cloud initialization using GOES sounder data and improved modeling of nonprecipitating clouds[J]. Monthly weather review，2000，128（11）：3911-3920.

[17] CHEN Y，WANG H，MIN J，et al. Variational assimilation of cloud liquid/ice water path and its impact on NWP[J]. Journal of applied meteorology and climatology，2015，54（8）：1809-1825.

[18] KURZROCK F，NGUYEN H，SAUER J，et al. Evaluation of WRF-DART （ARW v3.9.1.1 and DART Manhattan release） multiphase cloud water path assimilation for short-term solar irradiance forecasting in a tropical environment[J]. Geoscientific model development，2019，12（9）：3939-3954.

[19] CHEN W D，CUI F，ZHOU H，et al. Impacts of different radiation schemes on the prediction of solar radiation and photovoltaic power[J]. Atmospheric and oceanic science letters，2017，10（6）：446-451.

[20] SOSA-TINOCO I，OTERO-CASAL C，PERALTA-JARAMILLO J，et al. Sensitivity analysis of cumulus parameterizations for an irradiation simulation case[J]. Sustainable energy technologies and assessments，2018，28：1-13.

[21] HAUPT S E，COPELAND J，CHENG W Y Y，et al. A method to assess the wind and solar resource and to quantify interannual variability over the United States under current and projected future climate[J]. Journal of applied meteorology and climatology，2016，55（2）：345-363.

[22] ZAMORA R J，DUTTON E G，TRAINER M，et al. The accuracy of solar irradiance calculations used in mesoscale numerical weather prediction[J]. Monthly weather review，2005，133（4）：783-792.

[23] LARA-FANEGO V，RUIZ-ARIAS J A，POZO-V?ZQUEZ D，et al. Evaluation of the WRF model solar irradiance forecasts in Andalusia （southern Spain）[J]. Solar energy，2012，86（8）：2200-2217.

[24] RUIZ-ARIAS J A，ARBIZU-BARRENA C，SANTOS-ALAMILLOS F J，et al. Assessing the surface solar radiation budget in the WRF model：a spatiotemporal analysis of the bias and its causes[J]. Monthly weather review，2016，144（2）：703-711.

[25] GLAHN H R，LOWRY D A. The use of model output statistics （MOS） in objective weather forecasting[J]. Journal of applied meteorology and climatology，1972，11（8）：1203-1211.

[26] 何曉凤，周荣卫，申彦波，等. 基于 WRF 模式的太阳辐射预报初步试验研究[J]. 高原气象，2015，34（2）：463-469.

[27] VERZIJLBERGH R A，HEIJNEN P W，DE ROODE S R，et al. Improved model output statistics of numerical weather prediction based irradiance forecasts for solar power applications[J]. Solar energy，2015，118：634-645.

[28] DIAGNE M，DAVID M，BOLAND J，et al. Post-processing of solar irradiance forecasts from WRF model at Reunion Island[J]. Solar energy，2014，105：99-108.

[29] MARQUEZ R，COIMBRA C F M. Forecasting of global and direct solar irradiance using stochastic learning methods，ground experiments and the NWS database[J]. Solar energy，2011，85（5）：746-756.

[30] HUVA R，VERBOIS H，WALSH W. Comparisons of next-day solar forecasting for Singapore using 3DVAR and 4DVAR data assimilation approaches with the WRF model[J]. Renewable energy，2020，147：663-671.

[31] JIMENEZ P A，HACKER J P，DUDHIA J，et al. WRF-Solar：description and clear-sky assessment of an augmented NWP model for solar power prediction[J]. Bulletin of the American meteorological society，2016，97（7）：1249-1264.

[32] RUIZ-ARIAS J A，DUDHIA J，GUEYMARD C A. A simple parameterization of the short-wave aerosol optical properties for surface direct and diffuse irradiances assessment in a numerical weather model[J]. Geoscientific model development，2014，7（3）：1159-1174.

[33] THOMPSON G，EIDHAMMER T. A study of aerosol impacts on clouds and precipitation development in a large winter cyclone[J]. Journal of the atmospheric sciences，2014，71（10）：3636-3658.

[34] DENG A，SEAMAN N L，KAIN J S. A shallow-convection parameterization for mesoscale models. Part I：submodel description and preliminary applications[J]. Journal of the atmospheric sciences，2003，60（1）：34-56.

[35] XIE Y，SENGUPTA M，DUDHIA J. A fast all-sky radiation model for solar applications （FARMS）：algorithm and performance evaluation[J]. Solar energy，2016，135：435-445.

[36] JIM?NEZ P A，ALESSANDRINI S，HAUPT S E，et al. The role of unresolved clouds on short-range global horizontal irradiance predictability[J]. Monthly weather review，2016，144（9）：3099-3107.

[37] KIM J H，MUNOZ P A J，SENGUPTA M，et al. The WRF-solar ensemble prediction system to provide solar irradiance probabilistic forecasts[J]. IEEE journal of photovoltaics，2022，12：141-144.

[38] MARCELLO J，EUGENIO F，MARQU?S F. Cloud motion estimation in SEVIRI image sequences[C]//IEEE. 2009 IEEE International Geoscience and Remote Sensing Symposium，July 12-17，2009，Cape Town，South Africa.

[39] ALONSO-MONTESINOS J，BATLLES F J，PORTILLO C. Solar irradiance forecasting at one-minute intervals for different sky conditions using sky camera images[J]. Energy conversion and management，2015，105：1166-1177.

[40] PEREZ R，KIVALOV S，SCHLEMMER J，et al. Validation of short and medium term operational solar radiation forecasts in the US[J]. Solar energy，2010，84（12）：2161-2172.

[41] NONNENMACHER L，COIMBRA C F M. Streamline-based method for intra-day solar forecasting through remote sensing[J]. Solar energy，2014，108：447-459.

[42] CROS S，BADOSA J，SZANTA? A，et al. Reliability predictors for solar irradiance satellite-based forecast[J]. Energies，2020，13（21）：5566.

[43] CHOW C W，URQUHART B，LAVE M，et al. Intra-hour forecasting with a total sky imager at the UC San Diego solar energy testbed[J]. Solar energy，2011，85（11）：2881-2893.

[44] FU C L，CHENG H Y. Predicting solar irradiance with all-sky image features via regression[J]. Solar energy，2013，97：537-550.

[45] ZHU T，WEI H，ZHAO X，et al. Clear-sky model for wavelet forecast of direct normal irradiance[J]. Renewable energy，2017，104：1-8.

[46] DEO R C，WEN X，QI F. A wavelet-coupled support vector machine model for forecasting global incident solar radiation using limited meteorological dataset[J]. Applied energy，2016，168：568-593.

[47] DONG Z，YANG D，REINDL T，et al. Satellite image analysis and a hybrid ESSS/ANN model to forecast solar irradiance in the tropics[J]. Energy conversion and management，2014，79：66-73.

[48] ZEMOURI N，BOUZGOU H，GUEYMARD C A. Multimodel ensemble approach for hourly global solar irradiation forecasting[J]. The European physical journal plus， 2019， 134（12）：594.

Classification and Review of Methods in

Solar Radiation PREDICTION

Huang Jing，Li Ruihai，Wang Song，Zhang Haipeng，Li Hao，

Zhang Guifeng，Zhao Linjie，Li Zhenyu

（CSG Electric Power Research Institute，Guangzhou 510700，China）

Abstract：Solar power generation is one of the effective ways to reduce carbon emissions and build a new power system. Solar radiation is obviously affected by meteorological factors. Using meteorological data and related methods to predict solar radiation is an important means to improve the stability of new power systems. This paper describes the classification of solar radiation prediction methods，mainly introduces the basic prediction principles and application progress of four different prediction methods，and summarizes the advantages and disadvantages of each prediction method. In the actual prediction process，it is necessary to comprehensively consider the prediction timeliness，advantages and disadvantages of various prediction methods，and select the most appropriate method to prediction solar radiation in combination with its own forecast needs. It is expected to provide references for practitioners in the meteorological industry and the new energy industry to carry out relevant research and carry out business.

Keywords：solar radiation prediction；meteorological big data；numerical weather prediction；cloud chart； machine learning