[發明專利]一種基于ARMA與BP神經網絡的太陽總輻照資源預測方法

有效

• 申請號: 201910368058.4
• 申請日: 2019-05-05
• 公開（公告）號: CN110222714B
• 公開（公告）日: 2022-08-26
• 發明（設計）人: 郭蘇;夏元興;王琛;馮俊鑫;章晗;顧金楷;李婉逸
• 申請（專利權）人: 河海大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 柏尚春

1.一種基于ARMA與BP神經網絡的太陽總輻照資源預測方法，其特征在于，該方法包括步驟：

(1)獲取太陽輻射和氣象要素數據，將對應于同一時刻的各項數據作為一個影響成分；

(2)采用主成分分析法對影響成分進行降維處理，確認預測模型參數；

(3)通過ARMA最優預測模型對總輻照時間序列{GHI_t}中的線性自相關主體X_t進行預測，得到預測值t表示采樣時刻；

(4)通過BP神經網絡對總輻照時間序列{GHI_t}中的非線性特征E_t進行預測，得到預測值t表示采樣時刻；

(5)將預測值和耦合，調整模型參數，得到ARMA-BP預測模型，輸入實時太陽輻射和氣象要素數據后得到太陽總輻照預測值，

所述步驟(3)包括：

(31)輸入總輻照時間序列{GHI_t}，初始差分次數d＝1；其中，GHI_t為t時刻的總輻照值；

(32)按照如下公式計算差分序列

(33)判斷是否平穩，如不平穩，則d＝d+1，跳轉至步驟(32)，否則進入步驟(34)；

(34)計算t時刻之前的總輻照時間序列{GHI_t}中的樣本自相關系數與偏相關系數的值；

(35)根據根樣本自相關系數和偏自相關系數的性質，為如下ARMA模型選擇適當的階數q₁、q₂進行擬合：

其中，θ_k，k＝1，2，...，q₁是自回歸系數；X_t，t＝k-1，k-2，...，k-q₁是t時刻的總輻照數值；q₁為自回歸模型的階次，表示滯后的時間周期；ψ_k，k＝1，2，...，q₂是滑動平均系數；q₂為滑動平均模型的階次；ε_k為各階的殘差；

(36)如果ARMA模型未通過精度檢驗，跳轉至步驟(35)，重新選擇模型擬合；如果擬合模型通過檢驗，仍然回到步驟(35)，重新選擇階數，建立多個擬合模型，從所有通過檢驗的擬合模型中選擇估計值誤差最小的為ARMA最優預測模型；

(37)根據ARMA最優預測模型將得到線性自相關主體X_t的估計值作為預測值。

2.根據權利要求1所述的基于ARMA與BP神經網絡的太陽總輻照資源預測方法，其特征在于，步驟(1)中，所述太陽輻射數據包括：總輻照、散射輻射、太陽高度角、太陽方位角數據。

3.根據權利要求1所述的基于ARMA與BP神經網絡的太陽總輻照資源預測方法，其特征在于，步驟(1)中，所述氣象要素數據包括：氣溫、氣壓、相對濕度、風速、風向、降水量數據。

4.根據權利要求1所述的基于ARMA與BP神經網絡的太陽總輻照資源預測方法，其特征在于，所述步驟(2)具體包括：

(21)分析影響成分與總輻照的相關性；

(22)同一時刻總輻照值GHI_t對應一組影響成分向量，t為采樣時刻，選取n組同一時刻的太陽輻射和氣象要素數據作為n組向量，每一個影響成分對應于向量中的一個元素，每組向量涉及p個元素構成一個n×p階的數據矩陣；

(23)對GHI_t進行標準化變換，得到如下矩陣X：

(24)建立變量的相關系數陣R；

(25)求R的特征根λ₁≥λ₂≥λ₃≥λ₄≥λ₅≥…≥λ_p＞0及其對應的單位特征向量e₁，e₂，e₃，…，e_p；

(26)定義影響成分貢獻率為選擇影響成分貢獻率最高的前z個為主要成分，z＜p，所有主要成分累計貢獻率為