[发明专利]一种基于改进卷积神经网络的太阳能辐照度预测方法

说明书

本发明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。

技术领域

本发明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。

背景技术

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Takagi Sugeno(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shortened number[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].A novel hybrid model based on artificialneural networks for solar radiation prediction.Renewable Energy,89,268-284。