[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

摘要

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。

主权项

1.一种基于改进卷积神经网络的太阳能辐照度预测方法，包括以下步骤：步骤1)导入历史气象数据集：该气象数据集变量及导入的顺序是：表面三小时积累沉淀物、表面向下平均长波辐射通量、表面向下平均短波辐射通量、平均海拔气压、大气可降水量、地表上2米处湿度、大气云层覆盖总量、大气柱式冷凝物总量、地表上2米处过去3小时最高温度、地表上2米处过去3小时最低温度、地表上2米处实时温度、表面温度、表面向上长波辐射量、地表最高处向上长波辐射量、表面向上短波辐射量；步骤2)气象数据集的预处理，包括将气象数据集按时间顺序切分为训练集和验证集，前80％的气象数据集定义为训练集，剩余20％的气象数据集定义为验证集；对气象数据集归一化处理；步骤3)设计卷积神经网络，该卷积神经网络包括特征提取部分和分类回归部分，特征提取部分包括输入层和卷积层；分类回归部分包括全连接层和输出层；所述全连接层包括隐含层，卷积层中卷积核为1×n向量形式，特征矩阵为1×m向量形式，特征矩阵的特征变量经过格式转换为向量并输入分类回归部分，分类回归部分的输出也作为卷积神经网络的最终输出；步骤4)基于步骤3)设计的卷积神经网络建立预测模型，其中的超参数包括卷积核1的维度、卷积核2的维度、特征矩阵组数1、特征矩阵组数2、学习率α、迭代次数和批量数；上述各超参数的取值范围如下：卷积核1的维度∈(1,16)、卷积核2的维度∈(1,16-卷积核1的维度)、特征矩阵组数1∈(4,30)、特征矩阵组数2∈(4,30)、学习率α∈(0,2)、迭代次数∈(5，200)、批量数∈(10,40)；步骤5)从步骤4)中确定的各超参数的取值范围中确定一组超参数数值；使用步骤2)得到的训练集对步骤4)的预测模型进行训练求取训练集的前向输出y，太阳能辐照度的真实值为t，计算预测输出误差步骤6)计算预测输出误差E对卷积神经网络全连接层权值和阈值的偏导数：假设第q层的第j个节点的输出为oj，该节点的阈值为bj；假设q层的上一层为p层，p层的第i个节点输出为oi，两个节点之间的权值为θji，则节点j输出值为：式(1)中，为激励函数；假设q层的下一层为r层，r层节点k的输入为q层中所有节点输出的和，节点k的输出为即ok是关于oj的函数，在的逆函数中，oj是关于ok的函数，也是关于nk的函数，其中则预测输出误差E对q层第j个节点输出oj的偏导数： ∂ E ∂ o j = ∂ E ( n 1 , n 2 , ... n k ) ∂ o j = Σ k ∂ E ∂ n k ∂ n k ∂ o j = Σ k ∂ E ∂ o k ∂ o k ∂ n k ∂ n k ∂ o j = Σ k ∂ E ∂ o k ∂ o k ∂ n k θ j k - - - ( 2 ) ]]>令： δ k = ∂ E ∂ o k ∂ o k ∂ n k - - - ( 3 ) ]]>则输出层区别于隐含层，则：根据式(3)和式(4)求取前一层p层的δj：由式(5)得出预测输出误差E对全连接层权值θji和阈值bj的偏导数分别如式(6)和式(7)所示： ∂ E ∂ θ j i = ∂ E ∂ o j ∂ o j ∂ n j ∂ n j ∂ θ j i = δ j o j - - - ( 6 ) ]]> ∂ E ∂ b j = ∂ E ∂ o j ∂ o j ∂ n j ∂ n j ∂ b j = δ j - - - ( 7 ) ]]>全连接层权值θji和阈值bj的更新公式分别为：和其中，θji和bj是上一次迭代的权值和阈值，和是更新的权值和阈值，α是学习率，和分别由式(6)和式(7)求得；至此，完成了全连接层的权值和阈值的一次更新；步骤7)计算预测输出误差E对卷积层卷积核和阈值的偏导数：假设卷积层P的下一层为卷积层q，则预测输出误差E关于卷积层P的卷积核Θi,j和阈值bm的偏导数分别如式(8)和式(9)所示： ∂ E ∂ Θ i , j = r o t 180 ( c o n v 2 ( x i P - 1 ) , r o t 180 ( δ j ) , ′ valid ′ ) - - - ( 8 ) ]]> ∂ E ∂ b m = s u m ( δ j ) u v - - - ( 9 ) ]]>式(8)和式(9)中，是该卷积层的输入，δj由式(5)求得；i,j,m,u,v均为节点的位置坐标，则卷积层卷积核Θi,j和阈值bm的更新公式分别如式(10)和式(11)所示： Θ i , j * = Θ i , j - α ∂ E ∂ Θ i , j - - - ( 10 ) ]]> b m * = b m - α ∂ E ∂ b m - - - ( 11 ) ]]>Θi,j和bm是上一次迭代的卷积核和阈值，和是更新的卷积核和阈值；步骤8)重复进行步骤5)至步骤7)，当达到迭代次数时获得训练好的预测模型；步骤9)向训练好的预测模型导入验证集得到验证集的前向输出y(i)和太阳能辐照度真实值t(i)，计算适应度函数值并根据适应度函数值fit调整预测模型的超参数；步骤10)返回步骤5)顺序执行至步骤9)重新训练新的预测模型；得到新一组超参数对应的适应度函数值fit*；步骤11)重复20～200次执行步骤10)，从中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；步骤12)将气象设备采集到的如步骤1)中选定的气象数据及导入的顺序建立一个气象数据样本，将该气象数据样本导入至步骤11)建立的太阳能辐照度预测模型，该太阳能辐照度预测模型的输出值即为太阳能辐照度预测值。