[发明专利]基于相似日晴朗系数修正的太阳辐照量预测方法

权利要求书

1.一种太阳辐照量预测方法，其特征在于，包括如下步骤：

步骤S1，选取日累计辐照量的影响因素；

步骤S2，构建及训练神经网络；以及

步骤S3，获得预测日的辐照量的修正值；

所述步骤S3中获得预测日的辐照量的修正值的方法包括：

步骤S31，通过BP神经网络获得辐照量初步预测值；

步骤S32，对输入和输出因素的相关性进行回归分析，得出各输入因素的相对贡献率；

步骤S33，遍历历史数据库，得到5组最优相似日；

步骤S34，提取最优相似日对应的晴朗系数和水平面日累计辐射量对初步预测值加权修正，以获得所述修正值；

步骤S31中通过BP神经网络获得辐照量初步预测值的方法包括：

选取待预测日的预报的天气类型、日照时数、日平均气温、气温日较差、日均总云量、日均水平大气压、日均相对湿度、AQI指数、大气层外日累计辐照量数据作为BP神经网络的输入向量，得到预测日对应的辐照量初步预测值Y，并计算预测日的晴朗系数K_{f_a}；

其中，H_{f_0}为预测日的大气层外日累计辐照量。

2.根据权利要求1所述的太阳辐照量预测方法，其特征在于，

所述步骤S1中选取日累计辐照量的影响因素的方法包括：

将天气类型模糊分类成四种类型，收集并处理典型日的历史气象数据，选取天气类型、日照时数、日平均气温、气温日较差、日均总云量、日均水平大气压、日均相对湿度、AQI指数、大气层外日累计辐照量作为日累计辐照量的影响因素。

3.根据权利要求2所述的太阳辐照量预测方法，其特征在于，

所述步骤S2中构建及训练神经网络的方法包括：

构建BP神经网络，且将各影响因素作为BP神经网络的输入向量，以其所对应的日累计水平面辐照量为输出向量，归一化处理后得到训练样本，对BP神经网络进行训练。