[发明专利]一种基于mRMR-DBN算法的无量测区太阳辐射估算方法

说明书

本发明公开了一种基于mRMR‑DBN算法的无量测区太阳辐射估算方法，属于电力系统技术领域，根据距离远近、气象带情况划定辐射模型建立区域，选取无辐射量测区周边站点进行相关性计算；采用mRMR算法对无辐射量测区周边站点相关性进行排序；采用前向搜索策略将排好序的站点逐一添加至已选训练样本集合，并在测试集上计算此时的估算误差，误差最小时对应的已选站点即为最优的训练样本集合；使用已选的最优训练样本集合，基于DBN算法建立其他有辐射量测地区辐射数据和各气象参数及经纬度、海拔间的相关性，从而用所建立的模型对无辐射量测区的太阳辐射进行估算。本发明能够对无辐射量测区太阳辐射进行估算，解决我国太阳辐射观测站点远远少于气象观测站点的问题。

技术领域

本发明属于电力系统技术领域，具体涉及一种基于mRMR-DBN算法的无量测区太阳辐射估算方法。

背景技术

光伏资源是国家战略资源，对其总储量、时空分布以及各地光伏发电潜能估算是国家和地方政府宏观决策的重要依据。

然而，我国气象观测站点有2400多个，太阳辐射观测站点仅有98个。因此，根据已有的气象参数数据对无辐射量测区的太阳辐射进行估算具有一定的研究意义。

日太阳总辐射估算可以通过经验方程和机器学习算法两种模型得到。

经验方程是用一个特定的公式来描述日太阳总辐射与其他气象参数之间的关系，但是，经验公式涉及许多回归系数的计算，计算过程中需要对待研究站点的太阳辐射及相关气象参数数据进行回归拟合，这种方法对于解决实际无辐射量测区辐射数据获取问题无疑是无效的。

机器学习算法(如人工神经网络，支持矢量机、自适应神经模糊推理系统等)则可以克服这一缺点，因为机器学习算法可以通过训练样本，建立其他有辐射量测地区辐射数据与其他各气象参数及经纬度、海拔间的相关性，从而用所建立的模型对无辐射量测区的辐射数据进行计算。

发明内容

发明目的：本发明的目的在于提供一种基于mRMR-DBN算法的无量测区太阳辐射估算方法，建立其他有辐射量测地区辐射数据和其他各气象参数及经纬度、海拔间的相关性，从而用所建立的模型对无辐射量测区的辐射数据进行计算。

技术方案：为实现上述目的，本发明提供如下技术方案：

一种基于mRMR-DBN算法的无量测区太阳辐射估算方法，该方法包括以下步骤：

(1)根据距离远近、气象带等情况划定辐射模型建立区域，选取无辐射量测区周边站点进行相关性计算；

(2)采用mRMR算法对无辐射量测区周边站点相关性进行排序；

(3)采用前向搜索策略将排好序的站点逐一添加至已选训练样本集合，并在测试集上计算此时的估算误差，误差最小时对应的已选站点即为最优的训练样本集合；

(4)使用已选的最优训练样本集合，基于DBN算法建立其他有辐射量测地区辐射数据和各气象参数及经纬度、海拔间的相关性，从而用所建立的模型对无辐射量测区的太阳辐射进行估算。

进一步地，所述的步骤(2)中，包括如下步骤：

步骤2.1：计算各站点之间的互信息：

步骤2.1.1：使用所有周边站点数据，计算各气象参数与太阳辐射之间的互信息I，计算公式如下：

式中，X为某一气象参数，Y为太阳辐射，K和L分别对应X和Y的数据总个数，x_k表示变量X的第k个数据，y_l表示变量Y的第l个数据，k＝1,2,…,K，l＝1,2,…,L，p表示概率；

步骤2.1.2：根据各气象参数与太阳辐射之间的互信息，确定计算站点间互信息时各气象参数所占权重；