《太阳辐射量预测算法分析》由会员分享,可在线阅读,更多相关《太阳辐射量预测算法分析(4页珍藏版)》请在金锄头文库上搜索。
1、太阳辐射量预测算法分析太阳辐射量预测算法分析 2020/05/26 摘要:为准确预测太阳辐射量,提高太阳能利用效率,提出一种相关性分析和梯度提升决策树(,简称)组合的太阳辐射量预测算法利用相关性分析选取预测算法的最优输入指标,使用数据矫正方法剔除粗大误差数据将该文算法与传统算法的预测结果进行比较,结果表明该文组合预测算法具有更高的预测精度关键词:相关性分析;最优输入指标;梯度提升决策树;太阳辐射量煤矿、石油等能源日益枯竭,生态环境不断恶化,太阳能作为可持续发展的清洁能源备受关注,太阳能发电是太阳能利用的主要方式之一光伏发电系统的输出功率与太阳辐射量密切相关,准确预测光伏系统输出功率是电网安全稳
2、定运行的关键,因此太阳辐射量的准确预测尤为重要研究人员对光伏出力和太阳辐射量的预测做了大量的研究,文献分析影响光伏出力的因素,建立基于神经网络的光伏发电短期出力的预测模型,但模型缺乏对输入量的优选,影响预测精度文献设计了基于相似日理论和神经网络的光伏阵列输出功率的预测模型,改善了预测精度文献建立了具有超强泛化能力的小波神经网络短期发电量的预测模型,进一步提高了太阳辐射量的预测精度,但需要大量与预测日相似的数据文献建立了基于气象预测信息以及神经网络的光伏功率预测模型,但没有对气象数据进行合理的预处理文献提出了基于蚁群神经网络的太阳辐射强度的改进预测方法,但也忽略了数据的预处理文献用模糊理论结合支
3、持向量机预测光伏发电量,但模糊集合的划分需要庞大的数据和经验文献提出了基于模糊聚类的预测算法,对光伏出力进行短期预测文献提出了基于模糊神经网络的光伏功率控制方法文献基于测试水平面及不同倾角斜面上太阳辐射量,提出了针对直接辐射转换系数的修正方法文献提出了基于小波包神经网络的预测方法,利用小波包变换对辐射强度序列进行多尺度分解文献提出了一种基于()算法的短期负荷预测模型,算法可应用于电力预测领域文献提出了改进的短期负荷预测算法,算法具有较高的预测精度综上所述,现有的太阳辐射量预测重在算法改进,忽略了对原始数据的修正,预测结果存在一定误差算法已运用于电力负荷预测领域,笔者拟将算法运用于太阳辐射量预测
4、,提出一种相关性分析和组合的太阳辐射量预测算法相关性分析相关性分析是对两个或多个具备相关性的变量进行分析,衡量变量间的密切程度相关性一般分为:正相关、负相关和无相关相关系数能较好地表示变量的相关性,其表达式()其中:(,)表示变量、间的相似度,表示某变量的第个样本,为样本总数当(,)大于表示两变量正相关、小于表示两变量负相关当(,)时,表示两变量低度相关;当(,)时,表示两变量中度相关;当(,)时,表示两变量高度相关笔者利用相关性分析各气象因素与太阳辐射量的相关性,根据具体的相关性和实际情况,选择高度相关和中度相关的变量作为预测算法的最优输入指标梯度提升决策树算法梯度提升决策树预测函数的表达式
5、。若损失函数满足误差收敛条件或得到的回归树的值达到预设值,则迭代终止;若不满足,则继续迭代太阳辐射量预测算法数据预处理影响太阳辐射量的因素众多,且太阳辐射量与气象数据的耦合关系复杂,数据庞大冗余,需要挑选出与太阳辐射相关性较强的因素输入指标选择影响太阳辐射量的相关气象数据主要有:平均晴空太阳辐射量、晴空日照比、平均日照比、地表最高温度、地表平均温度、地表最低温度、距地最高温度、距地平均温度、距地最低温度、距地平均温度、距地湿度、地表湿度、相对湿度、地表风速、距地风速、大气压强、站点海拔对乌鲁木齐某地年全年数据做相关性分析,分析结果如表所示由表可知,各影响因素与太阳辐射量的相关性有大有小、正负不
6、同选择相关性高度相关和中度相关的指标,对于低度相关的因素不予考虑,故最终选择平均晴空太阳辐射量、晴空日照比、平均日照比、地表平均温度、距地平均温度、相对湿度、站点海拔、大气压强为该文预测算法输入量数据矫正原始数据中存在大量的畸形数据,将原始数据直接作为预测算法的输入量会严重影响算法训练精度和预测结果为给预测算法提供良好的数据,设计程序剔除原始输入中的粗大误差数据,剔除之后的数据作为新的输入量,流程如图所示预测实例分析利用软件对太阳辐射量的影响因素做相关性分析及数据矫正,利用相关性分析和组合的太阳辐射量预测算法预测太阳辐射量训练样本和预测样本均来源于乌鲁木齐某地太阳辐射量数据和气象数据数据处理若
7、原始数据直接用于预测算法,将严重影响预测算法的精准度,笔者使用数据矫正方法对其进行矫正,以提高预测精度图为年乌鲁木齐大气压强数据矫正前后的对比由图可知,矫正值与原始值的曲线基本相同,仅部分数据有所不同,表明矫正方法不会过多改变数据原有的信息,只会对原始数据中少数畸形数据进行矫正预测结果平均晴空太阳辐射量、晴空日照比、平均日照比、地表平均温度、距地平均温度、相对湿度、站点海拔、大气压强和太阳辐射量作为实验数据以乌鲁木齐某地年太阳能辐射量数据和气象数据做训练样本数据,以该地年月日到月日的组数据为预测样本数据,利用该文组合预测算法进行预测,预测结果如图所示由图可知,预测值与实际值基本吻合,部分数据有偏差,总体预测效果良好图是预测值与真实值的相对误差,误差多数在以内,少数大于,极少数超过,预测精度达到要求由表可知,该文算法的均方根误差和平均相对误差均小于其他算法,分别为和,而神经网络算法的最大,分别为和;模糊神经网络和小波神经网络算法的预测精度均略高于神经网络结束语笔者提出一种相关性分析和组合的太阳辐射量预测算法相关性分析和数据矫正方法能有效处理误差数据预测实例分析结果表明,相比其他算法,该文组合算法的预测精度更高,为太阳辐射量的高精预测打下了坚实的基础