一种基于改进卷积神经网络的太阳能辐照度预测方法技术

本发明专利技术公开了一种基于改进卷积神经网络的太阳能辐照度预测方法，包括：导入并预处理历史气象数据集，设计改进的卷积神经网络，以使网络结构适应气象数据的维度，并据此建立预测模型；对该预测模型进行训练，向训练好的预测模型导入验证集得到验证集的前向输出和适应度函数值，调整预测模型的超参数；从多组超参数中找出适应度函数值最小的一组超参数建立太阳能辐照度预测模型；根据气象设备采集到的气象数据建立一个气象数据样本，并导入上述太阳能辐照度预测模型，该模型的输出值即为太阳能辐照度预测值。本发明专利技术考虑到气象数据的局部相关性和传统方法的局限性，提高了预测精度，可以指导决策者实施能源战略以充分利用能源。

【技术实现步骤摘要】
一种基于改进卷积神经网络的太阳能辐照度预测方法
本专利技术涉及一种基于改进卷积神经网络(CNN)的太阳能辐照度预测方法，属于太阳能数据分析预测领域。
技术介绍
当电力、煤炭、石油等不可再生能源频频告急，能源问题日益成为制约国际社会经济发展的瓶颈时，越来越多的国家开始实行阳光计划，开发太阳能资源，寻求经济发展的新动力。我国蕴藏着丰富的太阳能资源，然而颇受阳光厚爱的中国，太阳能资源开发尚且滞后。随着低碳经济的走热，太阳能热利用产业正迎来一次新的发展契机。太阳能是一种清洁，丰富的可再生能源。它可以减少环境污染，具有广泛的应用潜力[1]。例如，太阳辐照度的短期预测对诸如发电厂利用备用电源保持电网电压和频率恒定具有重要作用[2]。由于季节，气候，云密度等气候因素的季节性因素，太阳辐射的稳定性及其应用受到限制。因此，太阳辐照度的短期预测是非常关键的[3]。太阳辐射预测的必要性以及其复杂性促使许多研究人员在这一领域找到有效的解决方案。传统的时间序列预测方法和机器学习已被广泛用于预测太阳辐照度。传统时间序列分析和预测中，利用小波变换将太阳能时间序列分解为一组更加丰富成形的序列进行预测，自动回归移动平均(ARMA)模型被用作线性预测器[4]。目前的实际应用中，也有应用了结合ARMA和TDNN来预测小时太阳辐射系列的新型混合方法。该混合模型可以具有ARMA和TDNN的优点[5]。随着机器学习的发展，许多科学家提出的非线性方法被广泛的应用于时间序列预测。改进的支持向量机(SVM)[6]和优化的人工神经网络算法(ANN)[7]已被广泛应用于太阳辐射预测。实际的应用中还有使用TakagiSugeno(TS)模糊模型预测太阳辐照度数据的方案[8]。预测方法引入双正交小波分解，可以提取太阳辐照预测中非零系数的shortenednumber[9]。其他的机器学习方法也用于处理太阳能辐照度预测问题：应用回波状态网络(ESN)对未来30分钟至270分钟太阳辐射进行多次预测[10]；自适应神经模糊推理系统(ANFIS)的建模方法来预测Tamilnadu每月全球太阳辐照度(MGSR)[11]。传统的时间序列预测方法(AR和ARMA)常用于太阳能辐照度预测。同时，研究人员花了大量精力来提高传统时间序列预测方法的性能。然而，传统时间序列预测方法使用的是线性模型，由于太阳能辐照度固有的时变性和非线性，影响太阳辐照度的因素可能不会被完全分析。虽然机器学习方法在非线性时间序列预测中具有良好的性能，然而这些机器学习方法难以平衡训练集的训练误差和测试集的泛化误差[12]，其预测精度难以满足日益严格的太阳辐照预测精度要求。由以上分析可见，目前对于太阳能辐照度预测方法还有待进一步的完善和更新。[参考文献][1]Wu,Y.,&Wang,J.[2016].Anovelhybridmodelbasedonartificialneuralnetworksforsolarradiationprediction.RenewableEnergy,89,268-284。[2]Hirata,Yoshito&Aihara,Kazuyuki.[2017].Improvingtimeseriespredictionofsolarirradianceaftersunrise:Comparisonamongthreemethodsfortimeseriesprediction.SolarEnergy.149.294-301.10.1016/j.solener.2017.04.020。[3]Mellit,A.,&Pavan,A.M.[2010].A24-hforecastofsolarirradianceusingartificialneuralnetwork:applicationforperformancepredictionofagrid-connectedpvplantattrieste,italy.SolarEnergy,84(5),807-821。[4]Nazaripouya,H.,Wang,B.,Wang,Y.,Chu,P.,Pota,H.R.,&Gadh,R.[2016].Univariatetimeseriespredictionofsolarpowerusingahybridwavelet-ARMA-NARXpredictionmethod.TransmissionandDistributionConferenceandExposition(pp.1-5).IEEE。[5]Ji,W.,&Chee,K.C.[2011].Predictionofhourlysolarradiationusinganovelhybridmodelofarmaandtdnn.SolarEnergy,85(5),808-817。[6]Zhou,Y.,Cui,X.,Hu,Q.,&Jia,Y.[2015].Improvedmulti-kernelSVMformulti-modalandimbalanceddialogueactclassification.InternationalJointConferenceonNeuralNetworks(pp.1-8).IEEE。[7]Sun,Y.,Qiao,J.,&Han,H.[2016].StructuredesignforRBFneuralnetworkbasedonimprovedK-meansalgorithm.ControlandDecisionConference(pp.7035-7040).IEEE。[8]Iqdour,R.,&Zeroual,A.[2004].Arulebasedfuzzymodelforthepredictionofdailysolarradiation.IEEEInternationalConferenceonIndustrialTechnology,2004.IEEEIcit(Vol.3,pp.1482-1487Vol.3).IEEE。[9]Capizzi,G.,Bonanno,F.,&Napoli,C.[2010].AwaveletbasedpredictionofwindandsolarenergyforLong-Termsimulationofintegratedgenerationsystems.InternationalSymposiumonPowerElectronicsElectricalDrivesAutomationandMotion(pp.586-592).IEEE。[10]Ruffing,S.M.,&Venayagamoorthy,G.K.[2009].ShorttoMediumRangeTimeSeriesPredictionofSolarIrradianceUsinganEchoStateNetwork.InternationalConferenceonIntelligentSystemApplicationstoPowerSystems(pp.1-6).IEEE。[11]Sumithira,T.R.本文档来自技高网...

【技术保护点】
一种基于改进卷积神经网络的太阳能辐照度预测方法，包括以下步骤：步骤1)导入历史气象数据集：该气象数据集变量及导入的顺序是：表面三小时积累沉淀物、表面向下平均长波辐射通量、表面向下平均短波辐射通量、平均海拔气压、大气可降水量、地表上2米处湿度、大气云层覆盖总量、大气柱式冷凝物总量、地表上2米处过去3小时最高温度、地表上2米处过去3小时最低温度、地表上2米处实时温度、表面温度、表面向上长波辐射量、地表最高处向上长波辐射量、表面向上短波辐射量；步骤2)气象数据集的预处理，包括将气象数据集按时间顺序切分为训练集和验证集，前80％的气象数据集定义为训练集，剩余20％的气象数据集定义为验证集；对气象数据集归一化处理；步骤3)设计卷积神经网络，该卷积神经网络包括特征提取部分和分类回归部分，特征提取部分包括输入层和卷积层；分类回归部分包括全连接层和输出层；所述全连接层包括隐含层，卷积层中卷积核为1×n向量形式，特征矩阵为1×m向量形式，特征矩阵的特征变量经过格式转换为向量并输入分类回归部分，分类回归部分的输出也作为卷积神经网络的最终输出；步骤4)基于步骤3)设计的卷积神经网络建立预测模型，其中的超参数包括卷积核1的维度、卷积核2的维度、特征矩阵组数1、特征矩阵组数2、学习率α、迭代次数和批量数；上述各超参数的取值范围如下：卷积核1的维度∈(1,16)、卷积核2的维度∈(1,16‑卷积核1的维度)、特征矩阵组数1∈(4,30)、特征矩阵组数2∈(4,30)、学习率α∈(0,2)、迭代次数∈(5，200)、批量数∈(10,40)；步骤5)从步骤4)中确定的各超参数的取值范围中确定一组超参数数值；使用步骤2)得到的训练集对步骤4)的预测模型进行训练求取训练集的前向输出y，太阳能辐照度的真实值为t，计算预测输出误差...

【技术特征摘要】
1.一种基于改进卷积神经网络的太阳能辐照度预测方法，包括以下步骤：步骤1)导入历史气象数据集：该气象数据集变量及导入的顺序是：表面三小时积累沉淀物、表面向下平均长波辐射通量、表面向下平均短波辐射通量、平均海拔气压、大气可降水量、地表上2米处湿度、大气云层覆盖总量、大气柱式冷凝物总量、地表上2米处过去3小时最高温度、地表上2米处过去3小时最低温度、地表上2米处实时温度、表面温度、表面向上长波辐射量、地表最高处向上长波辐射量、表面向上短波辐射量；步骤2)气象数据集的预处理，包括将气象数据集按时间顺序切分为训练集和验证集，前80％的气象数据集定义为训练集，剩余20％的气象数据集定义为验证集；对气象数据集归一化处理；步骤3)设计卷积神经网络，该卷积神经网络包括特征提取部分和分类回归部分，特征提取部分包括输入层和卷积层；分类回归部分包括全连接层和输出层；所述全连接层包括隐含层，卷积层中卷积核为1×n向量形式，特征矩阵为1×m向量形式，特征矩阵的特征变量经过格式转换为向量并输入分类回归部分，分类回归部分的输出也作为卷积神经网络的最终输出；步骤4)基于步骤3)设计的卷积神经网络建立预测模型，其中的超参数包括卷积核1的维度、卷积核2的维度、特征矩阵组数1、特征矩阵组数2、学习率α、迭代次数和批量数；上述各超参数的取值范围如下：卷积核1的维度∈(1,16)、卷积核2的维度∈(1,16-卷积核1的维度)、特征矩阵组数1∈(4,30)、特征矩阵组数2∈(4,30)、学习率α∈(0,2)、迭代次数∈(5，200)、批量数∈(10,40)；步骤5)从步骤4)中确定的各超参数的取值范围中确定一组超参数数值；使用步骤2)得到的训练集对步骤4)的预测模型进行训练求取训练集的前向输出y，太阳能辐照度的真实值为t，计算预测输出误差步骤6)计算预测输出误差E对卷积神经网络全连接层权值和阈值的偏导数：假设第q层的第j个节点的输出为oj，该节点的阈值为bj；假设q层的上一层为p层，p层的第i个节点输出为oi，两个节点之间的权值为θji，则节点j输出值为：式(1)中，为激励函数；假设q层的下一层为r层，r层节点k的输入为q层中所有节点输出的和，节点k的输出为即ok是关于oj的函数，在的逆函数中，oj是关于ok的函数，也是关于nk的函数，其中则预测输出误差E对q层第j个节点输出oj的偏导数：令：

【专利技术属性】
技术研发人员：董娜，常建芳，刘欣宇，韩学烁，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津,12