基于集成学习和卷积神经网络的太阳能辐照度预测方法

摘要

目前能源短缺和环境污染日益严峻，太阳能的利用已受到各个领域研究人员的重视。太阳能在光热领域和光电领域广泛应用并且被视为最佳代替能源。由于季节、气候、云层密度等气候因素导致太阳辐射量的不确定性制约了其应用领域的发展。因此，高精度的预测方法一直是太阳能预测研究的热点。本文基于集成学习和卷积神经网络研究有效的太阳能辐照度预测方法，采用美国气象协会2013-2014年太阳能预测竞赛的数据集建立仿真实验。 本文提出一种基于贝叶斯模型组合的集成学习方法用于提高太阳能辐照度预测的可靠性。首先，K-means聚类和K折交叉验证将气象数据训练集分解成多个训练子集，以增加基学习器的多样性并保证均匀采样。其次，将多组训练子集导入并训练集成学习的基学习器。为了弥补单个基学习器的缺陷，本文将多个基学习器在验证集上的预测结果输入贝叶斯模型组合算法，根据验证集上预测性能制定模型的组合策略。实验结果证明了文中所提出的集成学习方法可以精确地预测不同气象条件下的太阳能辐照度，具有良好的预测精度及可靠性。 为了分析不同采样时刻气象数据的相关性与太阳能辐照度之间的关系及不同站点气象数据的相关性与太阳能辐照度之间的关系，本文根据标准卷积神经网络的框架，建立了一种新型的卷积神经网络结构并用于太阳能辐照度预测。为了缓解新型网络由超参数选取不当导致预测性能差的问题，利用混沌融合算法对新型网络的结构参数和学习参数进行优化。为了检验提出预测方法的性能，首先，标准测试函数数据集验证了其对非线性函数的拟合能力，同时也表明融合优化算法有利于进一步提升算法预测精度。之后，利用新型网络分析气象数据的相关性，进而对太阳能辐照度进行预测。引入4种经典机器学习方法进行仿真比较，并将太阳能预测竞赛获胜者的预测误差作为比较基准，充分验证了本文算法的优越性，准确性和可靠性。

目录

声明

第1章绪论

1.1课题背景与研究意义

1.2太阳能辐照度预测研究现状

1.2.1国内太阳能预测的研究现状

1.2.2国外太阳能预测的研究现状

1.3预测模型研究现状

1.3.1时间序列预测的研究现状

1.3.2机器学习预测的研究现状

1.3.3卷积神经网络的研究现状

1.4本文研究内容及主要贡献

第2章竞赛数据集和对照实验

2.1竞赛数据集

2.2预测与评估

2.3获胜者的特征选择方案

2.4特征选择

2.5对照实验

2.6本章小结

第3章集成学习算法在太阳能辐照度预测中的应用研究

3.1集成学习

3.2数据采样

3.2.1 K-means聚类和K折交叉验证

3.2.2训练集采样

3.3基学习器

3.3.1 CART回归树

3.3.2随机森林的属性扰动

3.4贝叶斯模型组合算法

3.4.1贝叶斯模型平均

3.4.2贝叶斯模型组合

3.5基于贝叶斯模型组合的集成学习预测方法

3.5.1集成学习模型

3.5.2预测模型组合

3.6太阳能辐照度预测实验

3.6.1性能指标

3.6.2模型特征选择

3.6.3数据预处理

3.6.4模型误差估计及参数设置

3.6.5实验结果与分析

3.7本章小结

第4章卷积神经网络在太阳能辐照度预测中的应用研究

4.1卷积神经网络

4.2新型卷积神经网络

4.2.1新型卷积神经网络的结构

4.2.2误差求导修正权值过程

4.3混沌融合优化算法

4.3.1混沌初始化

4.3.2融合算法优化卷积神经网络

4.4动态优化网络的超参数

4.5标准测试函数仿真实验

4.6相关性分析

4.6.1不同采样时刻气象预报数据的相关性分析

4.6.2基于不同时刻气象预报信息相关性分析的太阳能辐照度预测

4.6.3基于不同时刻气象预报信息相关性分析的权值可视化

4.6.4不同GEFS站点气象预报数据相关性分析

4.6.5基于不同站点气象预报信息相关性分析的太阳能辐照度预测

4.6.6不同站点气象预报信息相关性分析的权值可视化

4.7本章小结

第5章预测误差对比分析

第6章总结与展望

6.1总结

6.2展望

参考文献

发表论文和参加科研情况说明

致谢