[發明專利]基于奇異譜分析-深度信念網絡的日太陽輻射估計算法

在審

• 申請號: 202110799163.0
• 申請日: 2021-07-15
• 公開（公告）號: CN113505708A
• 公開（公告）日: 2021-10-15
• 發明（設計）人: 臧海祥;夏倩倩;許瑞琦;張烽春;衛志農;孫國強
• 申請（專利權）人: 河海大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 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

本發明公開基于奇異譜分析?深度信念網絡的日太陽輻射估計算法，屬于新能源發電領域，獲取氣象參數數據，空氣污染數據和日太陽總輻射數據，采用互信息理論選取最佳輸入變量；對上述輸入變量建立估算模型，比較估算誤差大小，確定最優的輸入變量；在選取最優輸入變量集合的基礎上，建立基于深度信念網絡(DBN)的太陽輻射估算模型；對深度信念網絡模型進一步分析，采取時間序列分析方法——奇異譜分析(SSA)對數據進行處理，建立基于深度信念網絡?奇異譜分析的太陽輻射估算模型。本發明考慮污染參數作為輸入，并采用奇異譜分析，估算的準確度得到了提高；有利于合理利用太陽能，增加光伏發電，對促進經濟持續健康發展具有理論和實踐意義。

技術領域

本發明屬于新能源發電領域，具體涉及基于奇異譜分析-深度信念網絡的日太陽輻射估計算法。

背景技術

在化石燃料日趨減少的情況下，太陽能已成為人類使用能源的重要組成部分，并不斷得到發展。但是，與其他氣象學變量(例如日照持續時間和氣溫)不同，太陽輻射的可靠測量在許多世界范圍內都無法獲得，因此，根據已有的氣象參數數據對太陽輻射進行估算具有一定的研究意義。

由于經驗模型的簡單性和較低的計算成本，它們是太陽輻射估計中最常用的模型。在過去的幾十年中，已經進行了許多努力來根據各種類型的經驗模型來進行太陽輻射估計，其中最常用的是基于溫度的經驗模型。盡管經驗模型已被廣泛用于太陽輻射估計，但是它們很難處理嘈雜環境中的非線性和多維關系。因此，目前已經采用了各種機器學習技術來進行太陽輻射估計研究。機器學習模型可以有效地結合各種天氣輸入并且模型適應性好，但是他們仍然存在著不小的缺陷，機器學習模型在訓練大數據樣本上通常效率較低。

深度學習算法能夠更好的解決這些問題，與傳統的機器學習模型(人工神經網絡，支持向量機)相比，深度學習算法的網絡結構中包含多個隱藏層，可以通過逐層訓練來搜索和檢索模型的最佳參數。此外，深度學習算法不需要手動設計特征提取器，而是通過批處理將原始數據分解為多個子樣本集，以便在處理大量數據任務時進行模型訓練，因此提高了操作效率。由于這些特性，深度學習算法已廣泛應用于人工智能領域。時間序列分析是概率統計學科的一個分支，它運用概率統計的理論和方法分析隨機數據序列，并對其建立數學模型，并在此基礎上進一步分析隨機數據的統計特性。隨著時間序列分析方法的日趨成熟，其被廣泛地用到預報估算領域。

發明內容

發明目的：本發明提供基于奇異譜分析-深度信念網絡的日太陽輻射估計算法，能提高輻射估計的準確度，為光伏并網和電力系統運行調度提供更多有效信息。

技術方案：為實現上述發明目的，本發明采用如下技術方案：基于奇異譜分析-深度信念網絡的日太陽輻射估計算法，包括以下步驟：

(1)獲取氣象參數數據，空氣污染數據和日太陽總輻射數據，采用互信息理論選取最佳輸入變量；

(2)對上述輸入變量建立估算模型，比較估算誤差大小，確定最優的輸入變量；

(3)在選取最優輸入變量集合的基礎上，建立基于深度信念網絡(DBN)的太陽輻射估算模型；

(4)對深度信念網絡模型進一步分析，采取時間序列分析方法——奇異譜分析(SSA)對數據進行處理，建立基于深度信念網絡-奇異譜分析的太陽輻射估算模型。

進一步地，所述步驟(1)包括以下步驟：

(1.1)計算互信息值：

(1.2)隨機變量X、Y間的互信息I(X,Y)可以定義為：

式中，x∈X，y∈Y,p(x,y)是X和Y的聯合概率分布函數，p(x)和p(y)分別是X和Y的邊緣概率分布函數；

(1.3)根據步驟(1.1)得到的結果運用最大相關最小冗余算法選取輸入變量。