基于泛函深度信念网络的日太阳辐射资源评估方法

摘要

本发明公开了基于泛函深度信念网络的日太阳辐射资源评估方法，属于可再生能源开发利用技术领域，包括如下步骤：首先，对太阳辐射曲线进行深层聚类，将其划分为四类，对每一类太阳辐射分别进行估计；其次，基于传统经验辐射公式构建功能泛函，并对功能泛函进行多项式变换，生成多项式泛函；然后，基于后向选择方法筛选多项式泛函，选取对太阳辐射有相关性影响的作为模型输入；将筛选后的多项式泛函输入深度信念网络模型，训练模型实现对太阳辐射的估计。本发明实现了准确的太阳辐射估计，能够适应不同地区、气候情况下的估计需求；同时可以部署在全国不同的气象站内，实现精准可靠的太阳辐射资源评估。

说明书

技术领域

本发明属于可再生能源开发利用技术领域，具体涉及基于泛函深度信念网络的日太阳辐射资源评估方法。

背景技术

太阳能资源分布广泛、易于获取，因而在可再生资源开发领域得到大量应用，其能够有效应对当前日趋严重的环境污染和能源紧缺问题。在这个情况下，太阳能辐射资源评估的重要性不言而喻。一方面，目前国内分布的大量气象采集站址，其能够采集到温度、湿度、风速等数据，然而由于太阳辐射采集装置的成本过高，难以有效获取和采集太阳辐射数据；另一方面，太阳能辐射评估能够指导光伏电站规划、太阳能电热系统构建、光伏阵列定址定容等工程应用。因此，太阳辐射资源评估是本发明的研究对象。

太阳辐射资源评估通常有三种方法，即卫星法、统计法和相关性法。卫星法使用人造卫星设备，能够实时采集太阳辐射数据和地面反射系数，具有采集精度高、采集范围广、数据时效性较好等优点，但是由于其成本昂贵，相关研究数量较少。统计法通过分析历史年份的太阳辐射数据，基于典型气象年和统计回归模型，能够估计未来时刻的太阳辐射数据情况，但是该方法显然不适用于无太阳辐射数据采集的地区。相关性方法通过建立经验公式模型或智能模型，分析温度、湿度等气象数据与太阳辐射的映射关系，进而实现太阳资源评估。该模型在应用阶段不需要历史太阳辐射数据，是本发明中选用的研究方法。

由于传统智能模型的泛化性和可靠性较差，难以适应多站址、多气候的太阳辐射估计，本发明提出将深度信念网络应用于太阳辐射估计，其能够有效分析大数据量训练样本，具备极高的非线性和泛化性能。此外，经验公式模型中的先验知识以泛函形式融合如深度信念网络，构成泛函深度信念网络。

发明内容

发明目的：本发明的目的在于提供基于泛函深度信念网络的日太阳辐射资源评估方法，能够满足不同站址和气候条件的太阳辐射评估需求，具有更高的估计准确性和可靠性；同时能够部署于国内不同的气象站，为光伏电站选址、光伏阵列定容等提供数据指导。

技术方案：为实现上述目的，本发明提供如下技术方案：

基于泛函深度信念网络的日太阳辐射资源评估方法，包括以下步骤：

步骤1，对全国共计30个城市的日太阳辐射曲线进行深层聚类，将其划分为四类，对每一类日太阳辐射分别进行估计；

步骤2，采集温度、湿度、日照时数等气象数据，基于传统经验辐射公式构建功能泛函，并对功能泛函进行多项式变换，生成多项式泛函；

步骤3，基于后向选择方法筛选多项式泛函，选取对日太阳辐射有相关性影响的作为模型输入；

步骤4，将筛选后的多项式泛函输入深度信念网络模型，训练模型实现对太阳辐射的估计。

进一步地，步骤1中，所述深层聚类方法基于深层自编码器AE模型，包括如下步骤：

步骤1.1，以太阳辐射作为模型输入，计算AE模型输出；

步骤1.2，基于最小二乘误差指标，优化和训练AE模型参数；

步骤1.3，输出AE模型的概率编码结果，以概率编码生成聚类中心，实现聚类。

进一步地，步骤1.1中，所述的计算AE模型输出的计算公式为：

其中，α(·)代表激活函数，和分别代表AE模型第l层的第i个输出与第j输入；和分别代表AE模型第l层连接第i个输出与第j输入的权重和偏置值；n为输出个数。

进一步地，步骤1.2中，所述以最小二乘误差指标训练模型，其计算公式为：

其中，为所求误差指标，X_AE和分别代表AE模型输出值和实际太阳辐射值。

进一步地，步骤1.3中，所述以概率编码生成聚类中心，其计算公式为：

其中，C_i为第i个聚类中心，X_k为第k个城市的太阳辐射值，P_ik为第k个城市隶属于第i个聚类中心的概率编码值。

进一步地，步骤2中，所述基于传统经验辐射公式构建功能泛函，其中使用到共计6个经验辐射公式，其计算公式分别为：

其中，H为日太阳辐射值，H_o为理论最大太阳辐射值，S为日照时数，S_o为理论最大日照时数，ΔT为日温差，R_H为日相对湿度，a、b、c、d为经验公式参数，exp和ln分别为指数函数和对数函数。

进一步地，步骤2中，所述的对功能泛函进行多项式变换，其计算公式为：

其中，为第i个多项式泛函，g_i(·)为多项式运算，f1、f2、f_i和f_n为n个功能泛函。

进一步地，步骤3中所述基于后向选择方法筛选多项式泛函，该方法通过依次删除多项式泛函，以共计4个误差指标评估删除后的模型性能，如果性能没有下降，则该多项式泛函为多余函数、应当剔除；其中，4个误差指标分别为绝对平均误差MAE，均方根误差RMSE，平均绝对标度误差MASE和相关系数R，计算公式为：

式中，n_s是样本数量，H_m,i和H_e,i分别表示第i个测量值和估计值，和分别表示H_m,i和H_e,i的均值。

进一步地，步骤4中，所述训练模型实现对太阳辐射的估计，该模型基于受限玻尔兹曼机(RBM)，可以对模型中的参数进行预训练，其计算公式为：

其中，是RBM的能量函数，θ是RBM中待训练的参数，n_s是样本数量，h和v分别为RBM的隐含层和可见层，P(v⁽ⁱ⁾,h|θ)是基于参数θ下的第i个可见层到隐含层的采样概率，P(h|v⁽ⁱ⁾,θ)是基于参数θ和第i个可见层下的隐含层采样概率，ε(v⁽ⁱ⁾,h|θ)是基于参数θ下的第i个可见层到隐含层的能量函数，ε(v^(l),h|θ)是基于参数θ下的第i个可见层到隐含层的能量函数，是采样概率为P(h|v⁽ⁱ⁾,θ)时的总能量，为对参数θ的偏微分运算。

有益效果：与现有技术相比，本发明基于泛函深度信念网络的日太阳辐射资源评估方法能够适用于不同气候条件，泛化性能较好；结合了经验公式中的先验知识和深度学习智能模型，太阳资源估计的准确性和可靠性更高；由于预测精度的提高，预测结果可以更有效地指导光伏电站规划、光伏阵列定址定容等工程应用；同时能够部署于全国多个气象站址，可以应用于光伏发电预测、气象站监测及可再生能源开发等相关研究，并能够为不同气象站提供精确可靠的辐射估计数据，有效评估太阳辐射资源。

附图说明

图1是泛化深度信念网络模型结构示意图；

图2是所测试的全国30个气象站地理示意图；

图3是深层聚类方法得到的4个聚类中心结果示意图；

图4是在各气象站的太阳辐射估计误差概率曲线图。

具体实施方式

下面结合附图和具体实施例对本发明作更进一步的说明。

如图1所示，基于泛函深度信念网络的日太阳辐射资源评估方法，包括以下步骤：

步骤1，对全国共计30个城市的日太阳辐射曲线进行深层聚类，将其划分为四类，对每一类日太阳辐射分别进行估计；

步骤2，采集温度、湿度、日照时数等气象数据，基于传统经验辐射公式构建功能泛函，并对功能泛函进行多项式变换，生成多项式泛函；

步骤3，基于后向选择方法筛选多项式泛函，选取对日太阳辐射有相关性影响的作为模型输入；

步骤4，将筛选后的多项式泛函输入深度信念网络模型，训练模型实现对太阳辐射的估计。

步骤1中，深层聚类方法基于深层自编码器AE模型，包括如下步骤：

步骤1.1，以太阳辐射作为模型输入，计算AE模型输出；

步骤1.2，基于最小二乘误差指标，优化和训练AE模型参数；

步骤1.3，输出AE模型的概率编码结果，以概率编码生成聚类中心，实现聚类。

下面结合具体实施例，详细说明使用本发明中的方法进行概率风速预测的具体实施过程。本发明选取全国共计30个城市的气象站数据，如图2所示，按日采集其太阳辐射、温度、湿度和日照时数，采集了1994年～2015年期间共计22年的数据。其中，1994年～2012年的年平均日太阳辐射作为训练样本，2013～2015年的年平均日太阳辐射数据作为测试样本。基于此样本数据，本发明方法的具体实施步骤如下：

1)对全国共计30个城市的日太阳辐射曲线进行深层聚类，将其划分为四类，对每一类日太阳辐射分别进行估计。首先，以太阳辐射作为模型输入，计算深层自编码器(AE)模型输出，其计算公式为：

其中，α(·)代表激活函数，和分别代表AE模型第l层的第i个输出与第j输入；和分别代表AE模型第l层连接第i个输出与第j输入的权重和偏置值；n为输出个数。

其次，基于最小二乘误差指标，优化和训练AE模型参数，该指标的计算公式为：

其中，为所求误差指标，X_AE和分别代表AE模型输出值和实际太阳辐射值。

最后，输出AE模型的概率编码结果，以概率编码生成聚类中心，实现聚类，其计算公式可以表述为：

其中，C_i为第i个聚类中心，X_k为第k个城市的太阳辐射值，P_ik为第k个城市隶属于第i个聚类中心的概率编码值。聚类结果如图3所示，其中，图3(a)为聚类中心1，图3(b)为聚类中心2，图3(c)为聚类中心3，图3(d)为聚类中心4；每个聚类中心对应一条日太阳辐射曲线，4个聚类中心生成共计4条辐射曲线。聚类后，每个类别的太阳辐射曲线分别建立泛函深度信念网络进行估计。

2)采集原始气象输入，包括温度、湿度和日照时数，基于传统经验辐射公式构建功能泛函，并对功能泛函进行多项式变换，形成多项式泛函。首先，使用到共计6个经验辐射公式，其计算公式分别为：

其中，H为日太阳辐射值，H_o为理论最大太阳辐射值，S为日照时数，S_o为理论最大日照时数，ΔT为日温差，R_H为日相对湿度，a、b、c、d为经验公式参数，exp和ln分别为指数函数和对数函数。其次，对功能泛函进行多项式变换，其计算公式为：

其中，为第i个多项式泛函，g_i(·)为多项式运算，f1、f2、f_i和f_n为n个功能泛函。

3)基于后向选择方法筛选这些多项式泛函。后向选择方法通过依次删除多项式泛函，以共计4个误差指标评估删除后的模型性能，如果性能没有下降，则该多项式泛函为多余函数、应当剔除。其中，4个误差指标分别为绝对平均误差(MAE)，均方根误差(RMSE)，平均绝对标度误差(MASE)和相关系数(R)，计算公式为：

式中，n_s是样本数量，H_m,i和H_e,i分别表示第i个测量值和估计值，和分别表示H_m,i和H_e,i的均值。筛选后的多项式泛函即作为深度信念网络的输入。

4)基于筛选后的多项式泛函，建立深度信念网络模型实现太阳辐射估计。深度信念网络模型基于受限玻尔兹曼机(RBM)，可以对模型中的参数进行预训练，其计算公式为：

其中，是RBM的能量函数，θ是RBM中待训练的参数，n_s是样本数量，h和v分别为RBM的隐含层和可见层，P(v⁽ⁱ⁾,h|θ)是基于参数θ下的第i个可见层到隐含层的采样概率，P(h|v⁽ⁱ⁾,θ)是基于参数θ和第i个可见层下的隐含层采样概率，ε(v⁽ⁱ⁾,h|θ)是基于参数θ下的第i个可见层到隐含层的能量函数，ε(v^(l),h|θ)是基于参数θ下的第i个可见层到隐含层的能量函数，是采样概率为P(h|v⁽ⁱ⁾,θ)时的总能量，为对参数θ的偏微分运算。预训练后的深度信念网络将在所选取的训练样本上进行参数微调，进而能够输出太阳辐射估计值。

对于所测试的全国30个气象站，其太阳辐射估计误差如表1所示。此外，为了直观展示预测误差，从每个聚类中心分别选取一个城市，绘制其概率误差概率曲线，如图4所示，其中，图4(a)为本发明方法在北京气象站的太阳辐射估计误差概率曲线图，图4(b)为本发明方法在昆明气象站的太阳辐射估计误差概率曲线图，图4(c)为本发明方法在长沙气象站的太阳辐射估计误差概率曲线图，图4(d)为本发明方法在合肥气象站的太阳辐射估计误差概率曲线图。从表1和图4的误差结果可以看出，本发明方法能够可靠有效地实现对多个气象站址的太阳辐射估计，在所有气象站上的平均绝对误差小于4MJ/m²，超过半数气象站上的平均绝对误差小于2MJ/m²，具备较高的太阳辐射资源评估准确性。

表1全国30个气象站址的太阳辐射估计误差

综上，本发明的估计方法能够适应不同站址、不同气候情况下的太阳辐射估计需求，估计可靠性和准确性较高，该方法能够指导光伏电站规划、光伏电热系统建设、光伏阵列定址定容；本发明装置能够部署于全国多个气象站址，可以应用于光伏发电预测、气象站监测及可再生能源开发等相关研究，并能够为不同气象站提供精确可靠的辐射估计数据，有效评估太阳辐射资源。

上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。