[发明专利]基于麻雀搜索算法-深度信念网络的日太阳辐射估计模型

说明书

本发明公开基于麻雀搜索算法‑深度信念网络的日太阳辐射估计模型，属于新能源发电技术领域，获取气象参数数据，空气污染数据和日太阳总辐射数据，采用互信息理论选取最佳输入变量；对上述输入变量建立估算模型，比较估算误差大小，确定最优的输入变量；在选取最优输入变量集合的基础上，建立基于深度信念网络(DBN)的太阳辐射估算模型；对深度信念网络模型进一步分析，采取麻雀搜索算法对深度信念网络参数进行优化，建立基于麻雀搜索算法‑深度信念网络模型。本发明用麻雀搜索算法对深度信念网络进行改进，估算的准确度得到了提高；有利于保证光伏系统的可靠运行，更好地工程实践运用。

技术领域

本发明属于新能源发电技术领域，具体涉及基于麻雀搜索算法-深度信念网络的日太阳辐射估计模型。

背景技术

随着化石燃料的逐渐减少，太阳能作为可再生能源的代表现在正成为人类使用能源中重要的组成部分，并且在应用技术上不断进步。太阳辐射是影响光伏发电技术的重要原因，因此，为了降低光伏发电系统不确定性所带来的危害以及提高太阳能与光能间的转化效率，需要我们建立模型来对太阳辐射进行估计。地表某个水平面能接受到的太阳辐射量又被许多方面所影响，这当中最为重要的是大气因素。因此估算太阳辐射要分析多种大气变量对太阳辐射的作用，从而能够更好地进行工程实施运用。

太阳辐射估计方法通常可以分为以下三种主要方法，即基于卫星图像的方法，随机模型，以及经验关系方法。基于卫星图像的方法主要是利用对地静止卫星的高时空分辨率，以及卫星衍生的大气参数来驱动复杂的辐射传输模型以获得辐射估算值。然而，卫星的设备成本相当高昂，限制了这一方法的广泛使用。随机算法可用历史观测平均值生成太阳辐射估算值，但是如果没有可用的测量数据，那么就不能用于模型验证。经验关系方法主要是用经验关系通过其他容易获得的气象数据(例如日照时间，最高温度、最低温度，降水和湿度等)来估计太阳辐射。目前也已有许多机器学习技术被用于太阳辐射估计，相比于传统的经验模型，它可以有效地结合各种天气输入并且模型适应性好，展现了强大的应用优势。虽然机器学习模型在辐射估计领域得到了应用并且得到了比较准确的进度，但是他们仍然是存在着不小的缺陷。它们在训练大数据样本上通常效率比较低。

因此，深度学习算法能够更好的解决这些问题，与传统的机器学习模型相比，深度学习模型在大数据分析上有着非凡的优势，因而可以用于太阳辐射的估计领域。深度学习方法通常面临许多参数的影响，但是众所周知，设置深度学习参数主要凭借经验方法，但这需要太多的时间和精力。由于群智能优化算法是一种随机优化技术，在解决优化问题时有出色的搜索能力，因此广泛用于优化神经网络以提高收敛速度。

发明内容

发明目的：本发明提供基于麻雀搜索算法-深度信念网络的日太阳辐射估计模型，能提高辐射估计的准确度，保证光伏发电系统的可靠运行，更好地工程实践运用。

技术方案：为实现上述发明目的，本发明的基于麻雀搜索算法-深度信念网络的日太阳辐射估计模型，包括以下步骤：

(1)获取气象参数数据，空气污染数据和日太阳总辐射数据，采用互信息理论选取最佳输入变量；

(2)对上述输入变量建立估算模型，比较估算误差大小，确定最优的输入变量；

(3)在选取最优输入变量集合的基础上，建立基于深度信念网络DBN的太阳辐射估算模型；

(4)对深度信念网络模型进一步分析，采取麻雀搜索算法对深度信念网络参数进行优化，建立基于麻雀搜索算法-深度信念网络模型；具体为：

设n只麻雀的位置可以表示为以下矩阵X：

式中，d代表着待优化问题的维度；然后，可以通过以下向量表示对应的适应度值：

式中，f指的是适应度值。

进一步地，所述步骤(1)包括以下步骤：