基于多因子拟合模型的大气气溶胶光学厚度估计方法
【专利摘要】本发明提出一种基于多因子拟合模型的大气气溶胶光学厚度估计方法，所述方法在采集PM2.5浓度、PM10浓度、大气气溶胶光学厚度(AOD)的实际样本的基础上，进行湿度修正、标高修正，运用最小二乘法建立大气气溶胶光学厚度(AOD)的多因子拟合模型，并利用该模型进行大气气溶胶光学厚度(AOD)估计，从而解决大气气溶胶光学厚度(AOD)反演精度不高、难以实时获取的问题。
【专利说明】
基于多因子拟合模型的大气气溶胶光学厚度估计方法
技术领域
[0001] 本发明涉及一种基于多因子拟合模型的大气气溶胶光学厚度估计方法，属于光伏 功率预测技术领域。
【背景技术】
[0002] 光伏发电功率预测对于保证电力系统的稳定运行具有重要意义，基于太阳辐射预 报的间接预测方法是常见的研究方法之一。大气气溶胶光学厚度(A0D)是进行太阳辐射传 输计算的重要参数，一般通过卫星观测与地基观测获取。卫星观测方式指基于遥感卫星搭 载的中分辨率成像光谱仪(M0DIS)监测数据反演A0D，其精度低于地基观测，且受卫星过境 时间与数据发布周期影响，反演的实时性较差。地基观测方式指利用光度计的测量数据反 演A0D，精度较高，但是标定工作颇为复杂。
[0003] 2012年以来，我国出现了大范围的雾霾天气。同时，国家相关部门开始实时发布空 气质量指数(AQI)以及其中的PM2.5浓度、PM10浓度等6项基本监测数据，至2015年1月2日， 已经覆盖367个城市。雾和霾分别指悬浮于大气中的细微水滴和灰尘颗粒，是大气气溶胶的 重要组成部分。雾霾通过直接削弱太阳辐射强度，对光伏发电功率具有显著影响。依据中国 气象局风能太阳能资源中心的最新观测实验，轻度雾霾可造成20%_30%的日发电量损失， 重度雾霾可造成近70%的日发电量损失。
[0004] 近年来，出于地面大气质量分析和预测目的，有不少学者开始研究卫星反演的A0D 与PM2.5浓度或者PM10浓度之间的关系，结果表明它们之间有较高的相关性。受这一结论启 发，鉴于大气气溶胶光学厚度(A0D)反演精度不高、难以实时获取，而地面空气质量监测站 可实时发布PM2.5浓度、PM10浓度等数据，且站点数量将不断增加，本发明提出一种基于多 因子拟合模型的大气气溶胶光学厚度估计方法，以更好的进行光伏发电功率的预测。
【发明内容】
[0005] 本发明涉及一种基于多因子拟合模型的大气气溶胶光学厚度估计方法，所述方法 在采集大量PM2.5浓度-PM10浓度-相对湿度-A0D-气溶胶标高的实际样本的基础上，建立 A0D的多因子拟合模型，并利用该模型进行A0D估计。该方法包括以下步骤：
[0006] a.收集数据构成A0D样本集：
[0007] 记录某一时刻k下的PM2.5浓度C〇、PM10浓度G、相对湿度h、大气气溶胶光学厚度 A0D以及该地区的大气气溶胶标高H，得到一个样本(CQ(k)，&(!〇，h(k)，A0D(k)，H(k));通过 收集多个不同AOD下的样本，形成样本集{((^(?Ο,?^?Ο,Μ?Ο,ΑΟΟα)，!^))};
[0008] b.建立A0D多因子拟合模型：
[0009] 利用样本集{((：〇〇〇，&(!〇，h(k)，A0D(k)，H(k))}建立多因子拟合模型，具体步骤 为：
[0010] ①对样本集中的PM2.5浓度C〇、PM10浓度&进行湿度修正，即
[0011] c〇* = C〇*f(h)
[0012] Ci* = Ci*f(h)
[0013] 其中，Co*为修正后的PM2.5浓度，CZ为修正后的PM10浓度值，f(h)为湿度修正因 子：
[0015]②对样本集中的气溶胶光学厚度A0D进行标高修正，即
[0017]其中，矿为气溶胶光学厚度A0D的标高修正值。
[0018]③以修正后的PM2.5浓度Co'PMlO浓度C，作为输入变量，以矿作为输出变量，建立 如下拟合模型：
[0019 ] β* = f (Co*, Cl*) = ao+aiCo*+a2Ci*
[0020] 其中80，&1，&2为模型参数。
[0021 ]④米用最小二乘法，确定模型参数ao，ai，a2:
[0022] 基于修正后的样本集{(〇)*(1〇，(^(1〇，矿〇〇)}，选择参数&()， &1，&2，使得汽0)*，(^) zaQ+mCV+as&WKGAkhCAk))}上的函数值与{矿⑴}的偏差的平方和最小，即
[0023]
[0024] 为最小，其中m为样本集中的样本个数。通过求解下述方程，得出模型参^)，&1，&2。
[0026] c.利用建立的多因子拟合模型进行大气气溶胶浓度A0D的估计，即收集某一时刻i 下的PM2.5浓度CQ(i)、PM10浓度(M i)、相对湿度h(i)以及该地区的大气气溶胶标高H(i)，首 先对PM2.5浓度CQ( i)、PM10浓度&(i)进行湿度修正，即
[0027] c〇*(i)=C〇(i)*f(h(i))
[0028] Ci*(i)=Ci(i)*f(h(i))
[0029] 然后将(^(υ、(^(?)作为多因子拟合模型输入，模型输出为标高修正后的气溶胶 光学厚度r(i)
[0030] β* (i) = a〇+ai*C〇* (i) +a2*Ci* (i)
[0031 ]进一步计算出该时刻的气溶胶光学厚度A0D的估计值A0D0为
[0033]本发明的有益效果在于：
[0034] (1)由多因子拟合修正模型对A0D进行直接估计，与现有的卫星观测法与地基观测 法相比，省去了其中的复杂反演过程，并且能保证估计的实时性。
[0035] (2)拟合过程中进行了湿度修正和标高修正，并采用最小二乘法优化模型参数，能 够有效的提高模型的估计精度。
【附图说明】
[0036]下面结合附图对本发明作进一步详述。
[0037]图1为利用多因子拟合模型进行A0D估计的示意图；
[0038]图2为多因子拟合修正模型在检验样本上的估计精度。
[0039]下面结合附图，对优选实施例作详细步骤说明。应该强调的是下述说明仅仅是示 例性的，而不是为了限制本发明的范围及其应用。
【具体实施方式】
[0040]本发明涉及一种基于多因子拟合模型的大气气溶胶光学厚度估计方法，所述方法 在采集大量PM2.5浓度-PM10浓度-湿度-A0D-气溶胶标高的实际样本的基础上，建立A0D的 多因子拟合模型，并利用该模型进行A0D估计。该方法包括以下步骤：
[0041 ] a.收集数据构成A0D样本集：
[0042] 记录某一时刻k下的PM2.5浓度Co、PM10浓度C!、相对湿度h、大气气溶胶光学厚度 A0D以及该地区的大气气溶胶标高H，得到样本(C〇(k)，&(k)，h(k)，A0D(k)，H(k));通过收集 多个不同AOD下的样本，形成样本集{(C〇(k)，(Mk)，h(k)，A0D(k)，H(k))};优选实例中，收集 武汉地区2008年至2009年的250组样本，形成样本集。
[0043] b.建立A0D多因子拟合模型
[0044]利用样本集{(0)〇〇，(：1(1〇，11(1〇4〇0(1〇，!1(1〇)}建立多因子拟合模型，具体步骤 为：
[0045] ①对样本集中的PM2.5浓度Co、PM10浓度&进行湿度修正。
[0046] 测定PM2.5、PM10浓度时，通常会有干燥处理过程，结果代表某一固定相对湿度环 境条件下的PM2.5、PM10浓度情况，而反演气溶胶光学厚度是在某一相对湿度环境背景下进 行的，气溶胶颗粒物的消光系数受相对湿度影响较大，在相对湿度较高的情况下，水溶性气 溶胶颗粒吸湿膨胀，消光系数可增大数倍，所以需要对PM2.5、PM10进行湿度修正，这一湿度 修正因子与相对湿度的关系可以表示为：
[0047] Co* = Co*f(h)
[0048] Ci* = Ci*f(h)
[0049] 其中，Co*为修正后的PM2.5浓度，CZ为修正后的PM10浓度值，f(h)为湿度修正因 子：
[0051 ]②对样本集中的气溶胶光学厚度A0D进行标高修正。
[0052]考虑到地面消光系数与PM2.5浓度、PM10浓度具有较高的相关性，而A0D是消光系 数在大气层垂直方向上的积分，所以要将A0D除以气溶胶标高以获得地面消光系数。通常情 况下，假定气溶胶消光系数在垂直方向上，随高度z递增呈指数衰减：
[0054] 其中，Η为气溶胶标高，因不同地区，不同季节而取不同数值。优选实例中，武汉地 区按照春、夏、秋、冬分别取标高为1.97km，2.23km，1.34km，1.03km。
[0055] 因为气溶胶光学厚度AOD是消光系数垂直方向上的积分，故可得：
[0059] 其中，矿为气溶胶光学厚度A0D的标高修正值(即地面消光系数）。
[0060] ③以修正后的PM2.5浓度Co'PMlO浓度C，作为输入变量，以矿作为输出变量，建立 如下拟合模型：
[0061 ] β* = f (Co*，&*) = 其中 ao，ai，a2 为模型参数。
[0062]④米用最小二乘法，确定模型参数ao，ai，a2:
[0063] 基于修正后的样本集{(〇)*(1〇，(^(1〇，矿〇〇)}，选择参数&()，&1， &2，使得汽0)*，(^) zaQ+mCV+as&WKGAkhCAk))}上的函数值与{矿⑴}的偏差的平方和最小，即
[0065]为最小，其中m为样本集中的样本个数。优选实施例中，m = 250。通过求解下述方 程，得出模型参数 a〇 = 0 · 2949，ai = 0 · 0004624，a2 = -0 · 0003878。
[0066]
[0067] c.利用建立的多因子拟合模型进行大气气溶胶浓度A0D的估计，如图1所示，即收 集某一时刻i下的PM2.5浓度CQ( i)、PM10浓度&(i)、相对湿度h( i)以及该地区的大气气溶胶 标高H( i)，首先对PM2.5浓度CQ( i)、PM10浓度&(i)进行湿度修正，即
[0068] C〇*(i)=C〇(i)*f(h(i))
[0069] Ci*(i)=Ci(i)*f(h(i))
[0070]然后将C，(i)、C，(i)作为多因子拟合模型输入，模型输出为标高修正后的气溶胶 光学厚度if(i)
[0071 ] β* (i) = ao+ai*Co* (i) +a2*Ci* (i)
[0072 ]进一步计算出该时刻的气溶胶光学厚度AOD的估计值A0D ω为
[0074] 优选实施例中，为了验证所提多因子拟合模型的估计精度，另外选取50组样本作 为检验样本集{(0)(!〇，&(!〇，h(k)，A0D(k)，H(k))}，测试所提多因子拟合模型在该检验样 本集上的估计精度，结果如图2所示，可知模型具有较高的估计精度。
[0075] 以上所述，仅为本发明较佳的【具体实施方式】，但本发明的保护范围并不局限于此， 任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可推想到的变化或替换，都 应涵盖在本发明的保护范围之内。
【主权项】
1. 一种基于多因子拟合模型的大气气溶胶光学厚度AOD估计方法，其特征是该方法包 括W下步骤： a. 收集数据构成A0D样本集： 记录某一时刻k下的PM2.5浓度C〇、PM10浓度Cl、相对湿度h、大气气溶胶光学厚度A0DW 及该地区的大气气溶胶标高H，得到一个样本(Co化），Ci化），h化），A0D化），H化））；通过收集 多个不同A0D下的样本，形成样本集{(Co化），Ci化），Kk)，A0D化），H化））}; b. 建立AOD多因子拟合模型： 利用样本集{(Co化），Ci化），Mk)，A0D化），H化））}建立多因子拟合模型，具体步骤为： ① 对样本集中的PM2.5浓度C〇、PM10浓度Cl进行湿度修正，即 Co*=Co*f 化） Ci*=Ci*f 化） 其中，Co*为修正后的PM2.5浓度，打*为修正后的PM10浓度值，f化)为湿度修正因子：② 对样本集中的气溶胶光学厚度A0D进行标高修正，即其中，护为气溶胶光学厚度A0D的标高修正值； ③ W修正后的PM2.5浓度C〇*，PM10浓度Cl*作为输入变量，W护作为输出变量，建立如下 拟合模型：其中曰日，曰1，曰2为模型参数； ④ 义用最小二乘法，确定模型参数曰日，曰1，曰2 : 基于修正后的样本集{(C日*(k)，CA k)，护化））}，选择参数日日，ai，日2，使得f (C日*，Cl*) = ao+ aiCo*+a2Ci嘴{(Co*化），CAk))让的函数值与{护化）}的偏差的平方和最小，即为最小，其中m为样本集中的样本个数。通过求解下述方程，得出模型参数曰日，曰1，曰2;C.利用建立的多因子拟合模型进行大气气溶胶浓度A0D的估计，即收集某一时刻i下的 PM2.5浓度Co(i)、PM10浓度Cl(i)、相对湿度h(i似及该地区的大气气溶胶标高H( i)，首先对 PM2.5浓度Cq( i)、PM10浓度Cl(i)进行湿度修正，即 Co*(i) = Co(i)*f (h(i)) Ci*(i) = Ci(i)*f(h(i)) 然后将Co^i)、Ci^i)作为多因子拟合模型输入，模型输出为标高修正后的气溶胶光学 厚度护(i) 护（i) =ao+ai*Co*( i )+a2*Ci*( i) 进一步计算出该时刻的气溶胶光学厚度AOD的估计值A0DW为〇
【文档编号】G06F19/00GK106096247SQ201610389672
【公开日】2016年11月9日
【申请日】2016年6月6日 公开号201610389672.5, CN 106096247 A, CN 106096247A, CN 201610389672, CN-A-106096247, CN106096247 A, CN106096247A, CN201610389672, CN201610389672.5
【发明人】李静, 熊峰, 林永君, 刘卫亮, 刘长良, 陈文颖, 马良玉, 李金拓
【申请人】华北电力大学（保定）