基于时间序列疏系数模型的太阳辐射年际变化趋势预测

doi:10.3976/j.issn.1002-4026.2023.01.015

摘要/Abstract

摘要：

利用1961—2016年山东省济南市太阳年总辐射量观测数据,通过模型识别和统计检验,对比分析时间序列模型AR(5)和ARIMA((1,2,4),1,0)的拟合结果。残差检验结果表明,疏系数模型ARIMA ((1,2,4),1,0)可用于预测地表太阳年总辐射量,预测结果显示2017—2025年济南市地表太阳辐射的年际变化整体呈增长趋势。对比多元线性回归模型结果,时间序列疏系数模型误差较小,预测准确度相对较高。

关键词: 太阳年总辐射量, 时间序列分析, ARIMA疏系数模型, 年际变化, 趋势预测, 模型对比

Abstract:

In this paper, we have used the observed data of annual total solar radiation from 1961 to 2016 in Jinan, Shandong Province, and compared and analyzed the fitting results of time series models AR(5) and ARIMA((1,2,4),1,0) via model identification and statistical tests. As per the residual test results, the sparse coefficient model ARIMA((1,2,4),1,0) can be used to predict the total annual surface solar radiation. The prediction results show that the overall interannual variation of surface solar radiation in Jinan from 2017 to 2025 follows an increasing trend and the utilization of solar energy resources can be further explored. Compared to the results of the multiple linear regression model, the time series sparse coefficient model has less error and higher prediction accuracy.

Key words: total annual solar radiation, time series analysis, ARIMA sparsity coefficient model, interannual variability, trend prediction, model comparison

中图分类号:

TK511

贾兴斌, 宫响. 基于时间序列疏系数模型的太阳辐射年际变化趋势预测[J]. 山东科学, 2023, 36(1): 115-123.

JIA Xingbin, GONG Xiang. Predicting interannual variation of global solar radiation trends in Jinan City based on time series sparse coefficient model[J]. Shandong Science, 2023, 36(1): 115-123.

图/表 11

图1

表1

ADF单位根检验"

类型	滞后阶数	模型具体结构	差分前		差分后
类型	滞后阶数	模型具体结构	τ	P	τ	P
零均值	0	$x t = ε t, ε t N ~ 0, σ ε 2$	-0.48	0.50	-9.53	<0.001
	1	$x t = φ 1 x t - 1 + ε t, ε t ~ N 0, σ ε 2$	-0.53	0.48	-8.09	<0.001
单均值	0	$x t = μ + ε t, ε t ~ N 0, σ ε 2$	-3.83	<0.01	-9.46	<0.001
	1	$x t = μ + φ 1 x t - 1 + ε t, ε t ~ N 0, σ ε 2$	-3.28	0.02	-8.04	<0.001
趋势	0	$x t = μ + β t + ε t, ε t ~ N 0, σ ε 2$	-4.25	<0.01	-9.38	<0.001
	1	$x t = μ + β t + φ 1 x t - 1 + ε t, ε t ~ N 0, σ ε 2$	-3.55	0.04	-8.04	<0.001

表1

图2

表2

图3

图4

表3

表4

图5

图6

图7

参考文献 28

[1]	尹青, 张华, 何金海. 近48年华东地区地面太阳总辐射变化特征和影响因子分析[J]. 大气与环境光学学报, 2011, 6(1): 37-46. DOI:10.3969/j.issn.1673-6141.2011.01.006. doi: 10.3969/j.issn.1673-6141.2011.01.006
[2]	KAZADZIS S, FOUNDA D, PSILOGLOU B E, et al. Long-term series and trends in surface solar radiation in Athens, Greece[J]. Atmospheric Chemistry and Physics, 2018, 18(4): 2395-2411. DOI:10.5194/acp-18-2395-2018. doi: 10.5194/acp-18-2395-2018
[3]	FEDOROV V M. Spatial and temporal variations in solar climate of the earth in the present epoch[J]. Izvestiya, Atmospheric and Oceanic Physics, 2015, 51(8): 779-791. DOI:10.1134/s0001433815080034. doi: 10.1134/s0001433815080034
[4]	齐月, 房世波, 周文佐. 近50年来中国东、西部地面太阳辐射变化及其与大气环境变化的关系[J]. 物理学报, 2015, 64(8): 089201. DOI:10.7498/aps.64.089201. doi: 10.7498/aps.64.089201
[5]	齐月, 房世波, 周文佐. 近50年来中国地面太阳辐射变化及其空间分布[J]. 生态学报, 2014, 34(24): 7444-7453. DOI:10.5846/stxb201303130409. doi: 10.5846/stxb201303130409
[6]	ZHANG L Y, LIN J, QIU R Z, et al. Trend analysis and forecast of PM_2.5 in Fuzhou, China using the ARIMA model[J]. Ecological Indicators, 2018, 95: 702-710. DOI:10.1016/j.ecolind.2018.08.032. doi: 10.1016/j.ecolind.2018.08.032
[7]	史卫卫, 寻鲁宁, 曹亚景, 等. 河北省居民2015—2018年脑梗死流行特征分析及时间序列预测[J]. 中国公共卫生, 2021, 37(12): 1800-1804. DOI:10.11847/zgggws1131022. doi: 10.11847/zgggws1131022
[8]	杨建强, 王启优, 孙栋元, 等. 基于不同模型的用水总量预测研究[J]. 水利规划与设计, 2021(8): 29-34. DOI:10.3969/j.issn.1672-2469.2021.08.008. doi: 10.3969/j.issn.1672-2469.2021.08.008
[9]	杨明树, 董蕾, 贾添慧, 等. 季节性自回归差分移动平均模型在牡蛎中诺如病毒检出率预测上的应用[J]. 中国食品卫生杂志, 2021, 33(4): 430-434. DOI:10.13590/j.cjfh.2021.04.005. doi: 10.13590/j.cjfh.2021.04.005
[10]	张素宁, 田胜元. 太阳辐射逐时模型的建立[J]. 太阳能学报, 1997, 18(3): 273-277.
[11]	SUN H W, YAN D, ZHAO N, et al. Empirical investigation on modeling solar radiation series with ARMA-GARCH models[J]. Energy Conversion and Management, 2015, 92: 385-395. DOI:10.1016/j.enconman.2014.12.072. doi: 10.1016/j.enconman.2014.12.072
[12]	SHADAB A, AHMAD S, SAID S. Spatial forecasting of solar radiation using ARIMA model[J]. Remote Sensing Applications: Society and Environment, 2020, 20: 100427. DOI:10.1016/j.rsase.2020.100427. doi: 10.1016/j.rsase.2020.100427
[13]	董旭光, 张述文, 刘焕彬, 等. 济南地区太阳总辐射计算方法的比较研究[C]// 中国气象学会2008 年年会气候资源应用研究分会场论文集. 北京: 中国气象学会, 2008:237-245.
[14]	刘娜, 任芝花. 中国辐射年值数据集[DB/OL].[2022-02-16]. http://data.cma.cn/data/cdcindex/cid/4c1529507f57c4e4.html.
[15]	LAWRIMORE J H, RAY R, APPLEQUIST S, et al. Global Summary of the Year (GSOY)[DB/OL].[2022-02-12]. https://www.ncei.noaa.gov.
[16]	LUCEÑO A, PEÑA D. Autoregressive integrated moving average (ARIMA) Modeling[J]. Encyclopedia of Statistics in Quality and Reliability, 2008(1):1-10.DOI: 10.1002/9780470061572.eqr276. doi: 10.1002/9780470061572.eqr276
[17]	易丹辉, 王燕. 应用时间序列分析[M]. 5版. 北京: 中国人民大学出版社, 2019.
[18]	胡良平. SAS统计分析教程[M]. 北京: 电子工业出版社, 2010.
[19]	成驰, 陈正洪, 张礼平. 神经网络模型在逐时太阳辐射预测中应用[J]. 太阳能, 2012(3): 30-33. DOI:10.3969/j.issn.1003-0417.2012.03.008. doi: 10.3969/j.issn.1003-0417.2012.03.008
[20]	杨溯, 石广玉, 王标, 等. 1961—2009年我国地面太阳辐射变化特征及云对其影响的研究[J]. 大气科学, 2013, 37(5): 963-970. DOI:10.3878/j.issn.1006-9895.2013.11122. doi: 10.3878/j.issn.1006-9895.2013.11122
[21]	TANG W J, YANG K, QIN J, et al. Solar radiation trend across China in recent decades: A revisit with quality-controlled data[J]. Atmospheric Chemistry and Physics, 2011, 11(1): 393-406. DOI:10.5194/acp-11-393-2011. doi: 10.5194/acp-11-393-2011
[22]	马金玉, 梁宏, 罗勇, 等. 中国近50年太阳直接辐射和散射辐射变化趋势特征[J]. 物理学报, 2011, 60(6):853-866.
[23]	崔日鲜. 山东省太阳总辐射的时空变化特征分析[J]. 自然资源学报, 2014, 29(10): 1780-1791. DOI:10.11849/zrzyxb.2014.10.013. doi: 10.11849/zrzyxb.2014.10.013
[24]	王建源, 冯建设, 袁爱民. 山东省太阳辐射的计算及其分布[J]. 气象科技, 2006, 34(1): 98-101. DOI:10.19517/j.1671-6345.2006.01.022. doi: 10.19517/j.1671-6345.2006.01.022
[25]	王建源, 赵玉金, 陈艳春, 等. 山东省太阳辐射及其光热生产潜力评估[J]. 安徽农业科学, 2010, 38(7): 3581-3583. DOI:10.13989/j.cnki.0517-6611.2010.07.195. doi: 10.13989/j.cnki.0517-6611.2010.07.195
[26]	薛德强. 济南的城市发展对气候的影响[J]. 气象, 1996, 22(2):3-6.
[27]	李净, 温松楠. 基于3种机器学习法的太阳辐射模拟研究[J]. 遥感技术与应用, 2020, 35(3): 615-622. DOI:10.11873/j.issn.1004-0323.2020.3.0615. doi: 10.11873/j.issn.1004-0323.2020.3.0615
[28]	臧海祥, 程礼临, 刘玲, 等. 基于数据驱动的太阳辐射估计和预测研究与展望[J]. 电力系统自动化, 2021, 45(11): 170-183. DOI:10.7500/AEPS20200709004. doi: 10.7500/AEPS20200709004

延迟期数	差分前		差分后
延迟期数	L	P	L	P
6	52.93	<0.000 1	23.43	<0.001
12	59.79	<0.000 1	29.18	<0.001

参数	参数显著性检验				残差白噪声检验
	AR(5)		ARIMA(4,1,0)		AR(5)		ARIMA(4,1,0)
	T	P	T	P	T	P	T	P
μ	29.53	<0.000 1	-0.37	0.071
φ₁	4.73	<0.000 1	-2.54	0.014			3.14	0.37
φ₂	-1.22	0.229 4	-3.65	<0.001	1.37	0.24	5.94	0.75
φ₃	2.24	0.029 8	-1.00	0.321	4.35	0.73	6.82	0.96
φ₄	-2.33	0.023 8	-3.74	<0.001	5.82	0.95	15.11	0.82
φ₅	3.44	0.001 2			12.24	0.88

参数	估计	标准误差	T	P	滞后
AR(1, 1)	-0.29	0.12	-2.35	0.023	1
AR(1, 2)	-0.44	0.12	-3.63	<0.001	2
AR(1, 4)	-0.45	0.12	-3.65	<0.001	4