随着传统化石能源不断消耗及其使用造成的环境污染和全球气候变暖加剧,资源丰富且清洁的太阳能越来越受到大家的关注。近年来,全球太阳能使用发展迅猛,在电网中所占的比例不断增加。但太阳能发电具有间歇性和不稳定性,如果不能准确预测太阳能电站发电量,其在电网中所占比例越大,对电网的冲击也就越大,这将严重限制其应用以及在电网中所占比例。太阳辐射是造成太阳能电站发电不稳定的最主要因素,因此,准确预测太阳能电站发电量首先要实现太阳辐射的准确预测。太阳辐射预测是太阳能系统设计和运作的必要需求,是电网调度决策的前提,也是保障电网安全稳定的重要基础。实现区域性、高精度、全时域的太阳辐射预测,是太阳能发电并网的一个迫在眉睫的任务,建立太阳辐射预测系统对推动新能源发电具有重大意义,很大程度上提高太阳能发电的市场竞争力。本文主要研究内容可归纳为如下五个方面:(1)从太阳辐射传输过程,统计分析了 CERES数据库中全球月平均太阳直接辐照度数据,研究了太阳直接辐射时空分布特性,为后续建立太阳直接辐射预测模型提供数据选择依据。同时,从大气科学领域气候反馈角度,提出了基于神经网络的辐射反馈估计方法,定量分析了不同气象变量对辐射的影响,克服了大气科学领域现有的Kernel方法无法直接估计云反馈和反馈中非线性关系的缺陷,实现了较准确的辐射反馈计算和分解。实验结果表明,对于不同观测站点,气象变量对辐射的作用不同;晴空下气溶胶对地表太阳直接辐射起主要作用,而全天空下云起主要作用,且不同成分组成的云对太阳辐射的作用也不同。(2)针对现有太阳直接辐照度晴空模型精度和灵活性不平衡问题,提出了自适应半经验混合晴空模型。根据观测站点可获得的气象变量调整模型输入,并通过历史测量数据修正模型参数,从而减少了模型使用的限制条件,同时改善了模型的计算精度。通过对美国五个观测站点测量数据进行实验验证,结果表明自适应半经验晴空模型可计算各气候环境下的晴空太阳直接辐照度,且计算精度优于现有的晴空模型,为后续的云识别与分类和全天空太阳辐射预测提供了准确的理论参数。(3)鉴于云对全天空太阳直接辐射变化的主导作用,通过全天空成像仪(TSI-880)拍摄的地基云图获取天空中云的信息,将云这一关键因素增加到太阳直接辐射的超短期预测中。针对地基云图特性和光伏发电预测需求,提出了一套地基云图预处理方法,解决了地基云图因拍摄设备造成的遮挡和畸变问题、以及因拍摄对象天空中存在太阳这一强光源而引起的过度曝光问题。通过分析地基云图不同区域云的特性,提出了局部阈值分割法,实现了各类天气状况下的云识别,并取得了优于传统阈值方法的识别精度。通过对地基云图的预处理和云识别,有效还原了天空中云的分布情况,实现了云的准确识别,为基于地基云图的太阳辐射预测提供了有效的研究资源。(4)针对不同成分组成的各类云对太阳辐射的不同衰减作用,提出了基于云分类的全天空太阳直接辐照度预测模型(CC-SVM模型)。首先,根据云的物理特性和对辐射衰减程度,设计了神经网络分类器,将当前天空分为五类:晴空、卷云、层云、积云以及雨云(雨层云与积雨云);然后结合历史数据,构建每类天空下的太阳辐射预测子模型,并采用交叉验证法获得预测模型参数。采用NREL公开数据库中数据进行实验验证,结果表明通过云分类有助于提高太阳直接辐照度预测精度,且CC-SVM模型取得优于现有方法的预测精度。(5)针对上述CC-SVM模型中,人为设计图像特征合理性难以衡量的问题、以及不同类别云之间相互转化的问题,提出了基于深度学习的太阳直接辐照度超短期预测模型(CNN-RBF模型)。利用深度学习算法的自主学习能力,通过卷积、正则化、池化等操作自动提取地基云图的图像特征,并采用全连接融合图像特征和历史数值数据,解决了“图像-数值”多类型数据对预测模型性能影响的问题。实验结果表明,CNN-RBF模型相比CC-SVM模型进一步提高了预测精度,实现了各类天气状况下太阳直接辐照度的准确预测。