[发明专利]基于决策树分类的辐照度数据插补方法及系统

权利要求书

1.基于决策树分类的辐照度缺失数据插补方法，其特征在于，包括如下步骤：

S1：检测辐照度序列中缺失的辐照度值；

S2：将辐照度序列运用决策树的方法分类；

S3：根据日期、时间、经纬度计算太阳高度角；

S4：根据当前逆变器功率、环境温度、太阳高度角拟合辐照度，不同的决策树类别运用不同的神经网络参数去拟合；

S5：运用决策树预测缺失点所属的类别，运用对应的神经网络预测缺失的辐照度值，进行序列插补；

S6：输出完整的辐照度序列。

2.根据权利要求1所述的基于决策树分类的辐照度缺失数据插补方法，其特征在于，所述步骤S1包括如下过程：

输入一个辐照度序列，检测序列中缺失的辐照度值，列出缺失索引，进行标记；将辐照度完整的部分定为训练数据集，将缺失辐照度的部分定为测试数据集。

3.根据权利要求1所述的基于决策树分类的辐照度缺失数据插补方法，其特征在于，所述步骤S2包括如下过程：

对于训练数据集D＝{(x₁，y₁)，(x₂，y₂)，...，(x_N，y_N)}，其中，N为样本容量，为输入实例，y_i∈{1，2，...，K}为类别标签，K为类别数量，特征向量为两维向量，分别是天气现象的种类和温度，定义正则化的极大似然函数为损失函数，生成决策树，再自下而上进行剪枝，完成对训练数据集的分类。

4.根据权利要求1所述的基于决策树分类的辐照度缺失数据插补方法，其特征在于，所述步骤S3包括如下过程：

基于以下公式计算太阳高度角

其中，为纬度，ω＝15H_s-180为时角，赤纬角n为一年中的日期序号，H_s为北京时间。

5.根据权利要求1所述的基于决策树分类的辐照度缺失数据插补方法，其特征在于，所述步骤S4包括如下过程：

在S2得到的不同决策树类别的训练数据集中，用BP神经网络分别去拟合辐照度，BP神经网络的输入为归一化后的逆变器功率、环境温度和太阳高度角正弦值，BP神经网络的输出为归一化后的辐照度值；在不同的决策树类别下，神经网络参数不同。

6.根据权利要求5所述的基于决策树分类的辐照度缺失数据插补方法，其特征在于，所述BP神经网络输入的数值都在0到1之间。

7.根据权利要求1所述的基于决策树分类的辐照度缺失数据插补方法，其特征在于，所述步骤S5包括如下过程：

在测试数据集中，先用决策树预测缺失点所属的是哪一类，再运用相应的神经网络模型，预测缺失的辐照度，进行序列插补。

8.根据权利要求1所述的基于决策树分类的辐照度缺失数据插补方法，其特征在于，所述步骤S6包括如下过程：

插补完毕后，将归一化后的辐照度插补结果还原成未归一化的正常辐照度值，输出完整的无数据缺失的辐照度序列。

9.基于决策树分类的辐照度缺失数据插补系统，其特征在于，包括：缺失辐照度值检测模块、决策树分类模块、太阳高度角计算模块、辐照度拟合模块、缺失辐照度值插补模块、输出模块；

所述缺失辐照度值检测模块用于检测辐照度序列中缺失的辐照度值；所述决策树分类模块用于将辐照度序列运用决策树的方法分类；所述太阳高度角计算模块用于根据日期、时间、经纬度计算太阳高度角；所述辐照度拟合模块用于根据当前逆变器功率、环境温度、太阳高度角拟合辐照度，不同的决策树类别运用不同的神经网络参数去拟合；所述缺失辐照度值插补模块用于运用决策树预测缺失点所属的类别，运用对应的神经网络预测缺失的辐照度值，进行序列插补；所述输出模块用于输出完整的辐照度序列。