如何在pvlib的clear_sky函数中实现云量对太阳辐照度的影响？

你提的这个问题太实用了——毕竟实际场景里，云量对太阳辐照度的影响可不能忽略！pvlib的clear_sky函数确实只针对完全晴朗的天空，不过我们完全可以手动结合云量数据来调整辐照度，下面给你几种靠谱的实现方式：

一、快速线性衰减法（适合初步估算） #

这是最直接的方式，完全贴合你拿到的0-100范围的云量数据。核心逻辑就是：云量越高，辐照度的衰减比例越大。

假设你已经获取了和times时间序列一一对应的云量数据（比如从气象数据源拿到的pandas.Series，值范围0到100），可以这样实现：

import pvlib
import pandas as pd
import numpy as np

# 你的原有代码
location = pvlib.location.Location(latitude=54, longitude=16)
times = pd.date_range('2024-01-01', periods=24*365, freq='H', tz='Europe/Warsaw')
solpos = location.get_solarposition(times)
clearsky = location.get_clearsky(times, model='ineichen')

# 模拟云量数据（实际中替换为你的真实数据）
cloud_cover = pd.Series(np.random.randint(0, 101, size=len(times)), index=times)

# 把云量转换成0-1的衰减系数：0（晴）对应系数1，100（全阴）对应系数0
attenuation_factor = 1 - (cloud_cover / 100)

# 对晴天辐照度的三个分量分别应用衰减
irradiance_with_clouds = clearsky * attenuation_factor

# 可以查看结果
irradiance_with_clouds.plot(subplots=True)

这种方法的优点是简单易实现，缺点是比较粗略——实际中云对直射辐照度（DNI）和漫射辐照度（DHI）的影响并非完全线性，但如果是快速估算已经足够用了。

二、更精准的经验模型（贴近实际场景） #

如果你想要更符合真实气象情况的结果，可以针对不同辐照度分量做差异化处理：比如云量增加时，DNI的衰减会比GHI更显著，而部分多云时DHI甚至可能比晴天更高。

举个参考实现的例子：

# 处理DNI：用指数衰减，模拟云对直射光的强遮挡
dni_attenuation = 1 - (cloud_cover / 100) ** 1.2  # 指数可根据当地情况调整
dni_with_clouds = clearsky['dni'] * dni_attenuation

# 处理GHI：用稍弱的线性衰减
ghi_attenuation = 1 - (cloud_cover / 100) * 0.9
ghi_with_clouds = clearsky['ghi'] * ghi_attenuation

# 从GHI和DNI反推DHI（利用辐照度分量的关系）
dhi_with_clouds = ghi_with_clouds - dni_with_clouds * np.cos(np.radians(solpos['zenith']))

# 组合成结果DataFrame
irradiance_with_clouds = pd.DataFrame({
    'ghi': ghi_with_clouds,
    'dni': dni_with_clouds,
    'dhi': dhi_with_clouds
})

这种方法需要你根据当地的气候特点调整衰减参数，比如多雨地区和干旱地区的云对辐照度的影响会有差异，你可以结合实测数据来优化这些系数。

三、pvlib内置的云量转换函数 #

你提到旧版本pvlib有支持云量的函数，其实现在有个更合适的替代：pvlib.irradiance.cloud_cover_to_ghi，它可以基于晴天GHI和云量直接估算受云影响的GHI，内部采用了经过验证的经验公式，比手动线性衰减更靠谱。

用法如下：

from pvlib import irradiance

# 用内置函数计算带云量影响的GHI
ghi_with_clouds = irradiance.cloud_cover_to_ghi(clearsky['ghi'], cloud_cover)

# 用Erbs模型从GHI和太阳位置拆分出DNI和DHI
split_result = irradiance.erbs(ghi_with_clouds, solpos['zenith'], solpos['azimuth'])
dni_with_clouds = split_result['dni']
dhi_with_clouds = split_result['dhi']

# 组合结果
irradiance_with_clouds = pd.DataFrame({
    'ghi': ghi_with_clouds,
    'dni': dni_with_clouds,
    'dhi': dhi_with_clouds
})

这个函数的优势是无需自己手动调参，已经封装了行业内常用的经验逻辑，推荐优先试试这种方式。

最后提醒一下：不管用哪种方法，云量数据的时间分辨率要和你的辐照度数据保持一致（比如都是小时级），如果用日均值云量来估算小时级辐照度，结果会有较大误差。

内容来源于stack exchange