光伏

光伏功率预测的气象输入详解：GHI/DNI/DHI 三分量与组件温度修正

2022-11-10 · 南京运梦科技算法团队 · 评审算法负责人

做光伏功率预测，模型再花哨，喂进去的气象输入不对，结果一定是错的。很多团队上来就堆 LSTM、Transformer，却没把最基础的一件事想清楚：光伏出力的物理驱动量到底是什么、它们从哪里来、又会被哪些现场因素一层层削掉。这篇文章不讲模型结构，专门讲清楚「特征侧」——辐照三分量 GHI/DNI/DHI 的物理意义与获取、用气温做组件温度修正、把水平辐照转到组件倾斜面的转置计算、污渍与衰减对实际出力的扣减，以及最后怎么把这些量组织成一组干净的输入特征。读者对象是新能源行业的算法、工程与运营同行。

关键要点

辐照必须拆成三分量：GHI = DNI × cos(θz) + DHI，三者代入若明显不闭合，说明数据源、单位或时区对齐有问题，应先查清再建模。
历史回测用 ERA5（CF 字段 rsds 对应 GHI、dni、dhi），做未来预测要换预报源（德国气象局预报数据 DWD，覆盖未来约 7 天），字段口径保持一致以复用同一套管线。
组件温度修正不能直接用气温：晶硅功率温度系数约 −0.35%/℃ 到 −0.45%/℃，需用 Faiman 或 NOCT 模型结合 tas、倾斜面辐照与风速 ws 协同估算。
水平辐照要经转置（transposition）算到组件倾斜面 POA，散射分量推荐 Hay-Davies 或 Perez 各向异性模型，并叠加按反照率 albedo 的地面反射分量。
污渍（5%–15%）与逐年衰减（约 0.5%–0.8%/年）等现实折扣不在气象输入里，须显式建模，否则系数失真、跨季节泛化崩坏。

一、为什么辐照要拆成三分量

到达地表的太阳辐射不是一个标量，而是由几何关系决定的三个分量。GHI（Global Horizontal Irradiance，地表水平总辐射） 是水平面单位面积接收到的全部短波辐射，是最常被引用、也最容易拿到的量。但 GHI 本身不能直接决定一块倾斜安装的组件接收多少能量，因为它把方向信息抹平了。

真正承载方向信息的是另外两个分量。DNI（Direct Normal Irradiance，法向直接辐射） 是在垂直于太阳光线的平面上测到的直射分量，它对组件朝向、跟踪系统和遮挡极其敏感——一片云飘过，DNI 可能瞬间掉到接近零。DHI（Diffuse Horizontal Irradiance，散射水平辐射） 是经大气分子、气溶胶和云层散射后从天空各方向漫射下来的部分，阴天时它几乎是出力的全部来源。

三者满足一个基本几何恒等式：GHI = DNI × cos(θz) + DHI，其中 θz 是太阳天顶角。这个关系是后面所有转置计算的出发点，也是数据质检的第一道闸门：如果你拿到的三分量代入后明显不闭合（偏差远超 cos(θz) 的数值误差），说明数据源、单位或时区对齐出了问题，必须先查清楚再建模。

二、从 ERA5 拿 rsds / dni / dhi

历史回测与资源评估阶段，最常用的辐照来源是 ERA5——ECMWF 的第五代再分析数据集，全球覆盖、逐时、时序连续，对没有现场观测的站点尤其有价值。在 CF（Climate and Forecast）命名约定下，对应字段是：rsds 即地表下行短波辐射，承担 GHI 的角色；dni 为法向直接辐射；dhi 为散射水平辐射。三者在同一套 CF 命名下对齐，跨数据源迁移时口径不会乱。

用 ERA5 做辐照有三个工程上必须知道的权衡。第一，时间标签的累积口径。再分析的辐射量本质是通量的时段累积或平均，逐时序列代表的是该小时的平均功率密度（W·m⁻²），不是瞬时快照；做日内 15 分钟级建模时，需要明确这是小时平均，避免和高频实测对齐时引入系统性相位错位。第二，云的平滑效应。再分析对积云这类小尺度、快变过程刻画偏平滑，晴空段精度不错，但对快速穿云的强波动会低估方差，DNI 受影响最大。第三，做预报要换数据源。ERA5 是历史再分析，只覆盖到过去；做未来出力预测时应使用预报数据源（德国气象局预报数据 DWD，覆盖未来约 7 天），两者字段口径保持一致，便于把历史训练与在线预测的特征拼到同一套管线里。

三、用 tas 做组件温度修正

辐照决定能进来多少光，温度决定有多少光能变成电。晶硅组件的功率温度系数通常约 −0.35%/℃ 到 −0.45%/℃，意味着组件温度每升高 1℃，输出功率下降约零点三到零点四个百分点。夏季正午组件背板温度常比环境气温高出 25℃ 以上，对应的出力扣减可达百分之十量级——这是绝不能省的修正项。

工程上不要直接用气温当组件温度。气温（CF 字段 tas，即 2 米气温）只是输入之一，组件温度还取决于辐照强度与散热条件。一个被广泛采用的经验式是 Faiman 模型：T_组件 = T_气温 + G_POA /（U0 + U1 × 风速），其中 G_POA 是组件倾斜面接收的辐照，U0、U1 是与组件安装方式相关的散热系数（典型量级 U0≈25、U1≈6.8）。另一个更轻量的是 NOCT 模型：T_组件 = T_气温 +（NOCT − 20）/800 × G_POA。两者都说明同一件事——组件温度修正需要 tas、倾斜面辐照、风速三者协同，单靠气温会系统性偏低。因此特征侧除了 tas，还应拉取派生风速 ws（或用 uas、vas 自行合成），用于散热项。

四、倾角转置：从水平面到组件面

电站组件几乎都是倾斜安装的，而再分析与多数气象产品给的是水平面分量。把 GHI/DNI/DHI 转换成组件倾斜面总辐照（POA，Plane of Array）的过程叫转置（transposition）。

转置分三块叠加。直射分量按几何投影 DNI × cos(AOI)，AOI 是太阳光线与组件法线的夹角，由组件倾角、方位角和太阳位置算出。散射分量用天空散射模型，简单的各向同性模型只用倾角做几何因子，但低估了晴空时地平圈与日周的方向性，工程上更推荐 Hay-Davies 或 Perez 这类各向异性模型，后者在晴空高 DNI 条件下精度明显更好。地面反射分量按地表反照率 albedo 估算，雪地或浅色地面反照率可达 0.6 以上，对双面组件尤其不能忽略。转置环节是把「天上的辐照」对齐到「组件实际接收」的关键，做错了，后面温度修正再准也是错上加错。

五、污渍与衰减：现实世界的折扣

物理链路算出的是理论可发电量，真正上网的功率还要被一系列现场因素打折。污渍损失（soiling） 指灰尘、沙尘、鸟粪、积雪覆盖组件造成的遮挡，在西北干旱多尘地区，长时间不清洗的污渍损失可达 5%–15%，且呈缓慢累积、雨后骤降的锯齿形态。长期衰减（degradation） 是组件逐年老化，晶硅典型衰减率约每年 0.5%–0.8%，首年还有额外的光致衰减（LID）。此外还有限电弃光、检修停机、逆变器与线路损耗、阴影遮挡等。

这些因素的共同点是：它们不在气象输入里，却实实在在压低了实测功率。建模时如果不显式处理，机器学习模型会把污渍和限电的影响硬塞进气象特征的权重里，导致系数失真、跨季节泛化崩坏。务实做法是把可观测的损失（限电、检修）作为掩码剔除或单独建特征，把缓变项（污渍、衰减）用随时间变化的折减系数显式表达，让气象特征只解释它该解释的那部分方差。

六、怎么组织输入特征

把上面的物理量落成一张可训练的特征表，建议按四组组织：辐照组（rsds、dni、dhi 以及由转置算出的 POA）、温度组（tas 与派生的组件温度）、散热与风组（ws，必要时叠加 uas、vas、hurs）、几何与日历组（太阳天顶角、方位角、AOI、晴空指数 Kt，以及月份与小时的周期编码）。其中晴空指数 Kt = GHI / 大气层顶辐照，能把季节与昼长的强趋势归一化，是非常有用的衍生特征。所有字段务必统一时区与时间步长，缺测按物理含义补零（夜间辐照为 0）而非线性插值，否则模型会被夜间的插值噪声带偏。

七、在运梦气象 API 上手

运梦气象 API（南京运梦科技）同时提供历史再分析 ERA5（dataSourceId="era5"）与未来预报德国气象局预报数据 DWD（dataSourceId="ger"，覆盖未来约 7 天）。下面用同步下载接口 downloadSync 一次性拉取光伏建模所需的辐照三分量、气温与风速。接口返回统一 JSON envelope，用 resp.json() 解析后从 data 里按字段名取等长数组，各数组与 timeList 一一对应。

import requests

url = "https://console.yun-meng.top/api/energy-weather/search/weather/action/downloadSync"
headers = {
    "Authorization": "Bearer sk-your-api-key",
    "Content-Type": "application/json",
}
payload = {
    "dataSourceId": "era5",                 # 历史回测用 ERA5；预报改 "ger"
    "lat": 32.03253,
    "lon": 117.35184,
    "stime": "2022-06-01 00:00",            # 格式 yyyy-MM-dd HH:mm
    "etime": "2022-06-30 23:00",
    "timezone": "8",                         # 必填，东八区时区偏移
    "fields": ["rsds", "dni", "dhi", "tas", "ws"],
}

resp = requests.post(url, headers=headers, json=payload)
result = resp.json()

if result["success"]:
    data = result["data"]
    t   = data["timeList"]
    ghi = data["rsds"]                       # GHI（地表水平总辐射）
    dni = data["dni"]
    dhi = data["dhi"]
    tas = data["tas"]
    ws  = data["ws"]
    print(f"共 {len(t)} 条逐时数据，首条 {t[0]} GHI={ghi[0]} W/m²")
    # 下一步：转置到 POA → Faiman 估组件温度 → 物理或 ML 模型出功率
else:
    print("请求失败：", result["msg"], result.get("errorCode"))

拿到三分量后的标准流程是：先用三分量恒等式做质检，再选 Perez 或 Hay-Davies 转置到 POA，接着用 tas 加 ws 经 Faiman 估算组件温度，最后交给物理模型（如 pvlib 思路）或机器学习模型出功率，并叠加污渍与衰减折减。历史用 era5 训练、预报用 ger 推理时，只需切换 dataSourceId，字段名与解析逻辑完全复用。

Hersbach, H., Bell, B., Berrisford, P., et al. (2020). The ERA5 global reanalysis. Quarterly Journal of the Royal Meteorological Society, 146(730), 1999–2049. https://doi.org/10.1002/qj.3803
Perez, R., Ineichen, P., Seals, R., Michalsky, J., & Stewart, R. (1990). Modeling daylight availability and irradiance components from direct and global irradiance. Solar Energy, 44(5), 271–289. https://doi.org/10.1016/0038-092X(90)90055-H
Faiman, D. (2008). Assessing the outdoor operating temperature of photovoltaic modules. Progress in Photovoltaics: Research and Applications, 16(4), 307–315. https://doi.org/10.1002/pip.813
IEC 61724-1:2021, Photovoltaic system performance – Part 1: Monitoring (Edition 2.0). International Electrotechnical Commission. https://webstore.iec.ch/en/publication/65561

光伏功率预测的气象输入详解：GHI/DNI/DHI 三分量与组件温度修正

关键要点

一、为什么辐照要拆成三分量

二、从 ERA5 拿 rsds / dni / dhi

三、用 tas 做组件温度修正

四、倾角转置：从水平面到组件面

五、污渍与衰减：现实世界的折扣

六、怎么组织输入特征

七、在运梦气象 API 上手

常见问题

GHI、DNI、DHI 三者有什么区别？

光伏功率预测可以直接用气温当组件温度吗？

历史回测和未来预测应该分别用什么气象数据源？

为什么水平辐照不能直接喂给模型，还要做转置？

污渍和组件衰减会怎样影响建模？

结语

参考与延伸阅读

相关阅读