[發明專利]基于泛函深度信念網絡的日太陽輻射資源評估方法

有效

• 申請號: 201910334439.0
• 申請日: 2019-04-24
• 公開（公告）號: CN110059972B
• 公開（公告）日: 2020-02-18
• 發明（設計）人: 臧海祥;程禮臨;劉玲;劉沖沖;衛志農;孫國強
• 申請（專利權）人: 河海大學
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06Q50/06
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 張華蒙

1.基于泛函深度信念網絡的日太陽輻射資源評估方法，其特征在于：包括以下步驟：

步驟1，對日太陽輻射曲線進行深層聚類，將其劃分為四類，對每一類日太陽輻射分別進行估計；

步驟2，采集溫度、濕度、日照時數氣象數據，基于傳統經驗輻射公式構建功能泛函，并對功能泛函進行多項式變換，生成多項式泛函；

步驟3，基于后向選擇方法篩選多項式泛函，選取對日太陽輻射有相關性影響的作為模型輸入；

步驟4，將篩選后的多項式泛函輸入深度信念網絡模型，訓練模型實現對太陽輻射的估計。

2.根據權利要求1所述的基于泛函深度信念網絡的日太陽輻射資源評估方法，其特征在于：步驟1中，所述深層聚類方法基于深層自編碼器AE模型，包括如下步驟：

步驟1.1，以太陽輻射作為模型輸入，計算AE模型輸出；

步驟1.2，基于最小二乘誤差指標，優化和訓練AE模型參數；

步驟1.3，輸出AE模型的概率編碼結果，以概率編碼生成聚類中心，實現聚類。

3.根據權利要求2所述的基于泛函深度信念網絡的日太陽輻射資源評估方法，其特征在于：步驟1.1中，所述的計算AE模型輸出的計算公式為：

其中，α(·)代表激活函數，代表AE模型第l–1層的第j個輸入，代表AE模型第l層的第i個輸出；和分別代表AE模型第l層連接第i個輸出與第j輸入的權重和偏置值；n為輸出個數。

4.根據權利要求2所述的基于泛函深度信念網絡的日太陽輻射資源評估方法，其特征在于：步驟1.2中，所述以最小二乘誤差指標訓練模型，其計算公式為：

其中，為所求誤差指標，X_AE和分別代表AE模型輸出值和實際太陽輻射值。

5.根據權利要求2所述的基于泛函深度信念網絡的日太陽輻射資源評估方法，其特征在于：步驟1.3中，所述以概率編碼生成聚類中心，其計算公式為：

其中，C_i為第i個聚類中心，X_k為第k個城市的太陽輻射值，P_ik為第k個城市隸屬于第i個聚類中心的概率編碼值。

6.根據權利要求1所述的基于泛函深度信念網絡的日太陽輻射資源評估方法，其特征在于：步驟2中，所述基于傳統經驗輻射公式構建功能泛函，其中使用到共計6個經驗輻射公式，其計算公式分別為：

其中，H為日太陽輻射值，H_o為理論最大太陽輻射值，S為日照時數，S_o為理論最大日照時數，ΔT為日溫差，R_H為日相對濕度，a、b、c、d為經驗公式參數，exp和ln分別為指數函數和對數函數。

7.根據權利要求1所述的基于泛函深度信念網絡的日太陽輻射資源評估方法，其特征在于：步驟2中，所述的對功能泛函進行多項式變換，其計算公式為：

其中，為第i個多項式泛函，g_i(·)為多項式運算，f1、f2、f_i和f_n為n個功能泛函。

8.根據權利要求1所述的基于泛函深度信念網絡的日太陽輻射資源評估方法，其特征在于：步驟3中，所述的基于后向選擇方法篩選多項式泛函，該方法通過依次刪除多項式泛函，以共計4個誤差指標評估刪除后的模型性能，如果性能沒有下降，則該多項式泛函為多余函數，應當剔除；其中，4個誤差指標分別為絕對平均誤差MAE，均方根誤差RMSE，平均絕對標度誤差MASE和相關系數R，計算公式為：

式中，n_s是樣本數量，H_m,i和H_e,i分別表示第i個測量值和估計值，和分別表示H_m,i和H_e,i的均值。

9.根據權利要求1所述的基于泛函深度信念網絡的日太陽輻射資源評估方法，其特征在于：步驟4中，所述訓練模型實現對太陽輻射的估計，其計算公式為：

其中，是受限玻爾茲曼機的能量函數，θ是受限玻爾茲曼機中待訓練的參數，n_s是樣本數量，h和v分別為受限玻爾茲曼機的隱含層和可見層，P(v⁽ⁱ⁾,h|θ)是基于參數θ下的第i個可見層到隱含層的采樣概率，P(h|v⁽ⁱ⁾,θ)是基于參數θ和第i個可見層下的隱含層采樣概率，ε(v⁽ⁱ⁾,h|θ)是基于參數θ下的第i個可見層到隱含層的能量函數，ε(v^(l),h|θ)是基于參數θ下的第l個可見層到隱含層的能量函數，是采樣概率為P(h|v⁽ⁱ⁾,θ)時的總能量，為對參數θ的偏微分運算。