基于奇异谱分析-深度信念网络的日太阳辐射估计算法制造技术

本发明专利技术公开基于奇异谱分析

【技术实现步骤摘要】
基于奇异谱分析
‑
深度信念网络的日太阳辐射估计算法


[0001]本专利技术属于新能源发电领域，具体涉及基于奇异谱分析
‑
深度信念网络的日太阳辐射估计算法。

技术介绍

[0002]在化石燃料日趋减少的情况下，太阳能已成为人类使用能源的重要组成部分，并不断得到发展。但是，与其他气象学变量(例如日照持续时间和气温)不同，太阳辐射的可靠测量在许多世界范围内都无法获得，因此，根据已有的气象参数数据对太阳辐射进行估算具有一定的研究意义。
[0003]由于经验模型的简单性和较低的计算成本，它们是太阳辐射估计中最常用的模型。在过去的几十年中，已经进行了许多努力来根据各种类型的经验模型来进行太阳辐射估计，其中最常用的是基于温度的经验模型。尽管经验模型已被广泛用于太阳辐射估计，但是它们很难处理嘈杂环境中的非线性和多维关系。因此，目前已经采用了各种机器学习技术来进行太阳辐射估计研究。机器学习模型可以有效地结合各种天气输入并且模型适应性好，但是他们仍然存在着不小的缺陷，机器学习模型在训练大数据样本上通常效率较低。
[0004]深度学习算法能够更好的解决这些问题，与传统的机器学习模型(人工神经网络，支持向量机)相比，深度学习算法的网络结构中包含多个隐藏层，可以通过逐层训练来搜索和检索模型的最佳参数。此外，深度学习算法不需要手动设计特征提取器，而是通过批处理将原始数据分解为多个子样本集，以便在处理大量数据任务时进行模型训练，因此提高了操作效率。由于这些特性，深度学习算法已广泛应用于人工智能领域。时间序列分析是概率统计学科的一个分支，它运用概率统计的理论和方法分析随机数据序列，并对其建立数学模型，并在此基础上进一步分析随机数据的统计特性。随着时间序列分析方法的日趋成熟，其被广泛地用到预报估算领域。

技术实现思路

[0005]专利技术目的：本专利技术提供基于奇异谱分析
‑
深度信念网络的日太阳辐射估计算法，能提高辐射估计的准确度，为光伏并网和电力系统运行调度提供更多有效信息。
[0006]技术方案：为实现上述专利技术目的，本专利技术采用如下技术方案：基于奇异谱分析
‑
深度信念网络的日太阳辐射估计算法，包括以下步骤：
[0007](1)获取气象参数数据，空气污染数据和日太阳总辐射数据，采用互信息理论选取最佳输入变量；
[0008](2)对上述输入变量建立估算模型，比较估算误差大小，确定最优的输入变量；
[0009](3)在选取最优输入变量集合的基础上，建立基于深度信念网络(DBN)的太阳辐射估算模型；
[0010](4)对深度信念网络模型进一步分析，采取时间序列分析方法——奇异谱分析(SSA)对数据进行处理，建立基于深度信念网络
‑
奇异谱分析的太阳辐射估算模型。
[0011]进一步地，所述步骤(1)包括以下步骤：
[0012](1.1)计算互信息值：
[0013](1.2)随机变量X、Y间的互信息I(X,Y)可以定义为：
[0014][0015]式中，x∈X，y∈Y,p(x,y)是X和Y的联合概率分布函数，p(x)和p(y)分别是X和Y的边缘概率分布函数；
[0016](1.3)根据步骤(1.1)得到的结果运用最大相关最小冗余算法选取输入变量。
[0017]进一步地，所述步骤(1.3)通过以下公式实现：
[0018]最大相关测度指标为：
[0019][0020]式中，S是特征x的集合，c是分类目标，x
i
是第i个特征，I(x
i
；c)是特征x
i
和类c间的互信息；D反映输入变量与输出目标之间的相关性。
[0021]最小冗余测度指标为：
[0022][0023]式中，S是特征x的集合，x
j
是第j个特征，I(x
i
；x
j
)是特征x
i
和特征x
j
间的互信息；R反映输入变量间的冗余性。
[0024]最大相关最小冗余(mRMR)算法标准：
[0025][0026]式中，S是特征x的集合，c是分类目标，I(x
i
；c)是特征x
i
和类c间的互信息，I(x
i
；x
j
)是特征x
i
和特征x
j
间的互信息；
[0027]如果使用增量搜索方法，转化成优化问题：
[0028][0029]式中，S
m
‑1是已选择特征x
i
的集合，X
‑
S
m
‑1是剩下的特征空间，I(x
j
；c)是剩下的特征x
j
和类c间的互信息，I(x
j
,x
i
)是特征x
j
和特征x
i
间的互信息。
[0030]进一步地，步骤(2)所述的预测误差可通过以下，公式实现：
[0031][0032]式中，n为测试样本中数据样本的个数，y
u
和分别为第u个测试点辐射的真实值和预测值。
[0033]进一步地，步骤(4)所述的奇异谱分析方法包括以下步骤：
[0034](4.1)嵌入。假设一维实序列的长度为N，即F
N
＝(f1,f2,....,f
N
)，滑动窗口长度设置为正整数L，1＜L＜N，原序列应用嵌入操作来组成K个向量：
[0035]X
j
＝[f
j f
j+1 ... f
j+L
‑1]T
∈R
L
[0036]式中K＝N
‑
L+1,j＝1,2,...,K。上述嵌入过程把序列映射成为一个轨迹矩阵：
[0037]X＝[X
1 X
2 ... X
K
]∈R
L
×
K
[0038]该矩阵是Hankel矩阵，能够表示为：
[0039][0040](4.2)奇异值分解。对轨迹矩阵执行奇异值分解操作，可以得到：
[0041][0042]式中d为X非零奇异值的数量，d＝rank(X)≤min(L,M)，λ1,λ2,...,λ
d
代表X的奇异值，按降序进行排列，U
i
和V
i
各自指的轨迹矩阵的左右奇异向量。
[0043](4.3)分组，分离信号中的加性部分。
[0044](4.4)对角平均化。把步骤(4.3)获得的矩阵转换为所需长度N的序列按照下列公式计算重构序列：
[0045][0046]式中，Y∈R
L
×
K
表示分组后获得的任一矩阵，y
ij
代表矩阵中的每个元素，1≤i≤本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于奇异谱分析
‑
深度信念网络的日太阳辐射估计算法，其特征在于，包括以下步骤：(1)获取气象参数数据，空气污染数据和日太阳总辐射数据，采用互信息理论选取最佳输入变量；(2)对上述输入变量建立估算模型，比较估算误差大小，确定最优的输入变量；(3)在选取最优输入变量集合的基础上，建立基于深度信念网络DBN的太阳辐射估算模型；(4)对深度信念网络模型进一步分析，采取时间序列分析方法，奇异谱分析SSA对数据进行处理，建立基于深度信念网络
‑
奇异谱分析的太阳辐射估算模型。2.根据权利要求1所述的基于奇异谱分析
‑
深度信念网络的日太阳辐射估计算法，其特征在于，所述步骤(1)包括以下步骤：(1.1)计算互信息值：(1.2)随机变量X、Y间的互信息I(X,Y)定义为：式中，x∈X，y∈Y，p(x,y)是X和Y的联合概率分布函数，p(x)和p(y)分别是X和Y的边缘概率分布函数；(1.3)根据步骤(1.1)得到的结果运用最大相关最小冗余算法选取输入变量；最大相关测度指标为：式中，S是特征x的集合，c是分类目标，x
i
是第i个特征，I(x
i
；c)是特征x
i
和类c间的互信息；D反映输入变量与输出目标之间的相关性；最小冗余测度指标为：式中，S是特征x的集合，x
j
是第j个特征，I(x
i
；x
j
)是特征x
i
和特征x
j
间的互信息；R反映输入变量间的冗余性；最大相关最小冗余mRMR算法标准：式中，S是特征x的集合，c是分类目标，I(x
i
；c)是特征x
i
和类c间的互信息，I(x
i
；x
j
)是特征x
i
和特征x
j
间的互信息；如果使用增量搜索方法，转化成优化问题：式中，S
m
‑1是已选择特征x
i
的集合，X
‑
S
m
‑1是剩下的特征空间，I(x
j
；c)是剩下的特征x
j
和
类c间的互信息，I(x
j
,x
i...

【专利技术属性】
技术研发人员：臧海祥，夏倩倩，许瑞琦，张烽春，卫志农，孙国强，
申请(专利权)人：河海大学，
类型：发明
国别省市：