太阳能资源精细化评估中多源辐射数据精度对比及适用性分析

樊静; 申彦波; 汪婷婷; 胡玥明; 贾蓓西

doi:doi:10.19912/j.0254-0096.tynxb.2023-2057

欢迎来到能源电力期刊网！

English Version 期刊登录

您当前的位置：

首页 >

文章列表页 >

太阳能资源精细化评估中多源辐射数据精度对比及适用性分析

更新时间：2026-03-06

- 太阳能资源精细化评估中多源辐射数据精度对比及适用性分析
- 太阳能资源精细化评估中多源辐射数据精度对比及适用性分析
- 太阳能学报 2026年47卷第2期页码：226-234
- 作者机构：
- 作者简介：
- 基金信息：
- DOI：doi:10.19912/j.0254-0096.tynxb.2023-2057
  中图分类号： P442
- 网络首发：2026-03-05，
  
  纸质出版：2026-03-05
- 稿件说明：
移动端阅览
樊静, 申彦波, 汪婷婷, 等. 太阳能资源精细化评估中多源辐射数据精度对比及适用性分析[J]. 太阳能学报, 2026,47(2):226-234.

樊静, 申彦波, 汪婷婷, et al. 太阳能资源精细化评估中多源辐射数据精度对比及适用性分析[J]. 2026, 47(2): 226-234.
樊静, 申彦波, 汪婷婷, 等. 太阳能资源精细化评估中多源辐射数据精度对比及适用性分析[J]. 太阳能学报, 2026,47(2):226-234. DOI： doi:10.19912/j.0254-0096.tynxb.2023-2057.

樊静, 申彦波, 汪婷婷, et al. 太阳能资源精细化评估中多源辐射数据精度对比及适用性分析[J]. 2026, 47(2): 226-234. DOI： doi:10.19912/j.0254-0096.tynxb.2023-2057.

摘要

以全国99个地面气象站观测的水平面月总辐照量（GHI）为基准

对比分析台站实测GHI与NASA、Solargis、Meteonorm这3类数据的差异

构建综合指数评价方法

以筛选太阳能资源评估中的最优数据源

并给出误差订正系数。结果表明

Solargis、Meteonorm数据单站GHI的空间分布与实测值更为接近

NASA数据在四川盆地存在明显高估;3类数据的站点GHI在西北、西藏、四川等地空间差异最显著。误差分析显示

Meteonorm数据与实测值的相关系数最高

75%的站点相关系数≥0.98

且均方根误差、绝对误差、相对误差最小的站点数量占比最多

Solargis数据精度次之

NASA数据误差最大。纬度与相对误差的相关分析表明

Solargis数据在低纬地区高估GHI

高纬地区低估GHI

Meteonorm则呈现相反趋势。基于误差分析结果

本研究构建综合指数评价方法

筛选出99站最优数据类型

并将其空间插值至全国范围。结果显示

全国55%的区域优选Meteonorm数据

27%的区域优选Solargis数据

18%的区域优选NASA数据

优选后的最优数据相对误差范围缩小至-4.5%~5.9%。因此

在太阳能资源评估应用中

建议北方大部、西藏、川西等地应用最优数据时

将GHI适当增加1%~5%

新疆南部、青海、华中、华南等地则需将GHI减少1%~6%。

Abstract

This study evaluates the accuracy of three widely used solar radiation datasets（NASA

Solargis

and Meteonorm）for solar resource assessment in China. The evaluation is conducted by comparing their monthly global horizontal irradiance （GHI） estimates against high-quality ground-based measurements from 99 meteorological stations across China. A comprehensive index-based evaluation framework was established to identify the optimal datasets for each region and derive corresponding error correction coefficients. The results show that the spatial distributions of GHI from Solargis and Meteonorm align more closely with observations than those from NASA. The most significant discrepancies are observed in Northwest China

Xizang and Sichuan Province. Error analysis indicates that Meteonorm achieves the highest correlation coefficient （）（ ≥ 0.98 at 75% of the stations） and the smallest error accounting for all error metrics

including root mean square error

mean absolute error

and mean relative error. Solargis demonstrates moderate accuracy

while NASA exhibits the largest error. A significant correlation is identified between latitude and mean relative error. Solargis tends to overestimate GHI at lower-latitude and underestimate at higher latitudes

whereas Meteonorm displays the opposite trend. Based on the results of error analysis

this study constructs a comprehensive index evaluation method

screens out the optimal data types of 99 stations

and spatially interpolates them to the national scale. The findings suggest that Meteonorm is preferred in 55% of China’s regions

followed by Solargis in 27% and NASA in 18%. The mean relative error of the optimized dataset is confined to a range of -4.5% to 5.9%. To improve the accuracy of solar energy assessments

the following calibration is recommended: GHI values should be increased by 1%-5% in northern regions

Xizang

and western Sichuan

and decreased by 1%-6% in southern Xinjiang

Qinghai

Central China

and South China.

关键词

Keywords

references

IPCC. Climate change 2023: Synthesis report[M]. Cambridge: Cambridge University Press, 2023.

陆春晖, 袁佳双, 黄磊, 等. 从IPCC看全球盘点中的关键科学问题及其对中国的启示[J]. 气候变化研究进展, 2024, 20(6): 736-746.

姚玉璧, 郑绍忠, 杨扬, 等. 中国太阳能资源评估及其利用效率研究进展与展望[J]. 太阳能学报, 2022, 43(10): 524-535.

2024年全国电力工业统计数据[R].2024年全国电力工业统计数据[R].北京:国家能源局,2024.

袁云. 谈太阳能资源评估及其对项目开发的重要性[J]. 环境与发展, 2017, 29(6): 17-18.

王科, 黄晶. 国内外太阳能资源评估方法研究现状和展望[J]. 气候变化研究进展, 2023, 19(2): 160-172.

申彦波. 我国太阳能资源评估方法研究进展[J]. 气象科技进展, 2017, 7(1): 77-84.

陈阵, 李令, 于良. 后平价时代集中式光伏项目开发造价的主要影响因素及控制[J]. 四川水力发电, 2022,41(6): 112-115.

谢国辉, 李娜娜, 汪晓露, 等. 光伏电站基地技术和经济可开发量评估的方法和模型[J]. 电器与能效管理技术, 2019(6): 42-47.

张双益, 李熙晨. ERA5资料应用于中国地区太阳能资源评估研究[J]. 太阳能学报, 2023, 44(5): 280-285.

YANG D, WANG W, XIA X A.A concise overview on solar resource assessment and forecasting[J]. Advances in atmospheric sciences, 2022,39(12): 1-13.

李英姿, 李智. 光伏发电项目太阳能辐射量数据对比与选用[J]. 建筑电气, 2016, 35(4): 34-40.

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.

李柯, 何凡能. 中国陆地太阳能资源开发潜力区域分析[J]. 地理科学进展, 2010, 29(9): 1049-1054.

权继梅, 杨云, 丁蕾. 中国气象辐射观测站总辐射表稳定性统计分析[J]. 气象科技, 2018, 46(2): 224-228.

王娟敏, 孙娴, 孙睿, 等. 2000—2016年中国再分析辐射资料与观测值对比[J]. 热带气象学报, 2020, 36(6): 734-743.

CHANDLER W, WHITLOCK C, STACKHOUSE P.NASA climatological data for renewable energy assessment[J]. Journal of solar energy engineering, 2004, 126(4): 945-949.

Handbook part Ⅱ: theory version 8.0[R]. Zurich: Global Meteorological Database Version 8, version 8.0[R]. Zurich: Global Meteorological Database Version 8, September 2020.

KLEISSL J.Solar energy forecasting and resource assessment[M]. Amsterdam: Elsevier, 2013. DOI:10.1016/c2011-0-07022-9.

CEBECAUER T, SURI M.Typical meteorological year data: SolarGIS approach[J]. Energy procedia, 2015, 69: 1958-1969.

田启明, 许和明, 袁亚洲, 等. 光热电站太阳能资源典型年选取方法及验证的探讨[J]. 电力勘测设计, 2020(8): 61-65.

GB/T 34325—2017, 太阳能资源数据准确性评判方法[S].

李新, 程国栋, 卢玲. 空间内插方法比较[J]. 地球科学进展, 2000, 15(3): 260-265.

邓晓斌. 基于ArcGIS两种空间插值方法的比较[J]. 地理空间信息, 2008, 6(6): 85-87.

GB/T 37526—2019, 太阳能资源评估方法[S].

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.

王传辉, 申彦波, 姚锦烽, 等. 3种再分析资料在太阳能资源评估中的适用性[J]. 太阳能学报, 2022, 43(8): 164-173.

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

3种再分析资料在太阳能资源评估中的适用性

太阳能辐射数据驱动下光电催化与光伏电解协同制氢的地区适应性分析

热力耦合变液位作用下支撑刚度对熔盐储罐力学性能影响研究

太阳能界面蒸发器蒸发性能强化研究进展

风资源评估测风数据插补方法的时空特性研究