一种基于神经网络的水平面太阳直射散射计算系统及方法与流程

本发明涉及一种基于神经网络的水平面太阳直射散射计算系统及方法，属于太阳光辐照计算技术领域。

背景技术：

在太阳能行业内，随着光伏系统安装容量的快速增长，光伏系统的运行评估体系逐渐建立起来，其中最重要的一点是光伏系统效率评估。在进行光伏发电效率评估时，尤其针对聚光、太阳跟踪光伏系统，除需要总辐射量外，散射辐射、直接辐射数据也非常关键。一方面，由于现阶段测量直射散射辐照强度测量仪器价格昂贵，对于大部分光伏电站达不到单独配备的条件；另一方面，总辐照强度、散射辐照强度以及直射辐射强度的准确性对于准确预知光伏电站发电量准确性、光伏电站选址、电站优化设计、光伏电站维护等多方面都有重大作用。

太阳辐照量测量在光伏应用以及研究中具有重要地位。全世界而言，目前主要辐照量数据来自于气象站点或者气象卫星，专门用于辐照测量的气象站点约有1000个，测试时间周期大多比较长，以天、月为单位测量居多，无法满足光伏应用以及研究需要。实际某地区太阳能资源受天气、气候、地域特征影响较大，现有数据大多无法满足实际需要，倘若无法对太阳辐照进行实时监控测量，将无法准确评估光伏组件光电转换效率。进一步，掌握准确太阳辐照数据，对光伏组件的质量标准和效率评估也是不可或缺的。更进一步，在研究光伏电站运行性能、故障分析、规划选址、运行监控以及优化设计时，辐照量实时实地监控测量将大大改善光伏电站运维情况。

技术实现要素：

本发明所要解决的技术问题是克服现有技术的缺陷，提供一种基于神经网络的水平面太阳直射散射计算系统及方法，快速准确计算得到太阳散射直射辐照强度。

为解决上述技术问题，本发明提供一种基于神经网络的水平面太阳直射散射计算系统，包括：

辐照数据采集模块，通过水平总辐照测试仪测试测试地点的实时水平总辐照强度TR；

气象数据采集模块，通过气象软件获取所在测试地点的实时云量Co、实时大气透明度A-C；

神经网络建模模块，基于神经网络进行训练，得到水平面太阳直射散射计算模型，将辐照数据采集模块的测试数据和气象数据采集模块获取的数据作为水平面太阳直射散射计算模型的输入相量，将实时水平面太阳直射辐照强度DI和实时水平面太阳散射辐照强度SR作为水平面太阳直射散射计算模型的输出相量；

计算模块，通过误差分析判断神经网络建模模块输出的结果是否有效。

前述的水平总辐照测试仪测量光谱范围至少为100～2500nm，测量精度≤±5％，分辨率≤1W/m2，且至少可在-20℃～70℃内正常工作。

前述的水平总辐照测试仪具备秒级测量周期。

基于神经网络的水平面太阳直射散射计算系统进行水平面太阳直射散射的计算方法，包括以下步骤：

1)获取测试地点的历史水平面总辐照强度数据、历史水平面太阳直射辐照强度数据、历史水平面太阳散射辐照强度数据以及对应的历史云量数据、历史大气透明度数据；

2)将步骤1)获取的历史数据作为神经网络建模模块的训练数据，进行神经网络训练，得到水平面太阳直射散射计算模型；

3)通过水平总辐照测试仪测试测试地点某一时刻的实时水平面总辐照强度TR，通过气象软件获取测试地点该时刻的实时云量Co、实时大气透明度A-C，作为水平面太阳直射散射计算模型的输入量[TR、Co、A-C]，计算得到该测试地点、该时刻下的实时水平面太阳直射辐照强度DI、实时水平面太阳散射辐照强度SR作为输出相量[DI、SR]；

4)计算模块比较测试得到的实时水平面总辐照强度TR与计算得到的实时水平面太阳直射辐照强度DI和实时水平面太阳散射辐照强度SR之和之间的差异，如果数据误差范围超过5％，认为误差不可接受，重新获取数据进行计算；如果误差范围在5％以内，则认为误差可接受，计算结果可接受。

前述的步骤2)的神经网络训练过程包括以下步骤：

2-1)神经网络初始化；

2-2)选定测试地点，获取测试地点所在地理位置的某时刻历史面水平总辐照强度数据、某时刻历史水平面太阳直射辐照强度数据、历史水平面太阳散射辐照强度数据以及对应时刻的历史云量数据、历史大气透明度数据；

2-3)将步骤2-2)获取的历史水平面总辐照强度数据、历史云量数据、历史大气透明度数据作为输入相量输入到神经网络中，将历史水平面太阳直射辐照强度数据、历史水平面太阳散射辐照强度数据作为输出相量，建立水平面太阳直射散射计算模型；

2-4)将历史水平面太阳直射辐照强度数据和历史水平面太阳散射辐照强度数据之和与历史水平面总辐照强度数据进行比较，当超过10％的历史数据误差范围超过5％，认为构建的水平面太阳直射散射计算模型尚未达到既定效果，重新进行神经网络训练；若高于90％的历史数据误差在5％以内则认为模型达到既定效果，训练结束。

前述的步骤2-2)中，对历史数据加入时间标签和地理位置标签；所述地址位置标签包括经纬度数据、海拔数据信息。

前述的步骤3)计算得到该测试地点、该时刻下的实时水平面太阳直射辐照强度DI、实时水平面太阳散射辐照强度SR，步骤如下：

(3-1)数据初始化并归一化；

(3-2)对数据进行累加；

(3-3)网络初始化，对粒子群算法中的加速系数c₁、c₂，最大循环次数maxx，种群规模sizep，最大位置xmax，最大速度vmax，遗传变异概论进行初始化设定；

(3-4)根据输入输出样本确定灰色神经网络结构，根据灰色网络结构确定待优化的网络参数a，bi，网络参数个数即为种群长度；

(3-5)种群初始化，随机产生sizep个初始种群Xi，由Xi计算其适应度值f_it,i，f_it,i表示第i个个体的适应度值，适应度值采用灰色神经网络输出的平均绝对误差，平均绝对误差函数为：

$f_{it}=\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}\underset{k=1}{\overset{m}{\Σ}}|y_{ik}-t_{ik}|$

其中，f_it为平均绝对误差函数，y_ik为测试集的预测值，t_ik为测试集的真实值，n为测试集的个数；m为输出节点个数，测试集为历史[TR Co A-C]、[DI、SR]数据构成，根据得到的适应度值，寻找到最小的适应度值对应的个体xmin，令zxmin＝xmin，zf_it,min＝f_it,min，zxmin为最终的最优个体，zf_it,min为最终的最优适应度值；

(3-6)启动循环，由下式更新粒子群位置和速度：

$V_{id}={\mathrm{\ωV}}_{id}^k+c_1{r}_1(P_{id}^k-X_{id}^k)+c_2{r}_2(P_{gd}^k-X_{id}^k)$

$X_{id}^{k+1}=X_{id}^k+V_{id}^{k+1}$

其中，ω为惯性因子,V_id为粒子i第d维的基准速度分量,k＝1,2,…,j，为粒子i第d维的搜索速度分量，j为速度间隔数,k＝1,2,…,j，为粒子i第d维的搜索最好位置分量,k＝1,2,…,j，为粒子i第d维的搜索位置分量,k＝1,2,…,j，为粒子i第d维的搜索不同速度在解空间中所经历的最好位置分量，r₁，r₂为[0，1]之间的随机数，

更新Xi和速度Vi，再以一定的概率初始化种群Xi到更新的X′i，由更新的X′i计算其适应度值f′_it,i；

(3-7)比较f_it,i和f′_it,i大小，如果前者大，则Xi＝X′i进行数据保留；

(3-8)经过步骤(3-5)，步骤(3-6)，Xi成为新一代的个体，寻找最小的适应度值f_it,min以及对应的个体xmin，若f_it,min<zf_it,min，则zxmin＝xmin，否则不操作；

(3-9)循环步骤(3-5)到(3-7)，当循环迭代达到最大次数时结束循环，并输出计算结果zf_it,min，zxmin；

(3-10)把zxmin赋给灰色神经网络参数a，bi，进行结果输出，即为实时水平面太阳直射辐照强度DI和实时水平面太阳散射辐照强度SR。

本发明所达到的有益效果：

本发明提供的基于神经网络的水平面太阳直射散射计算系统及方法，通过人工智能神经网络建立计算模型有效避免了各地域辐照情况不确定性达到因地制宜效果，进一步避免了机理模型结构复杂、参数确定不准确问题；更进一步采用实时数据使得计算模型更加准确。本发明方法和系统可广泛应用于光伏电站发电预测、评估与运维。

附图说明

图1为基于神经网络的水平面太阳直射散射计算方法的一个神经网络训练流程图；

图2为基于神经网络的水平面太阳直射散射计算方法的实施流程图；

图3为基于神经网络的水平面太阳直射散射计算系统的结构框图；

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

本发明建立基于神经网络的水平面太阳直射散射计算系统，如图3所示，包括以下模块：

辐照数据采集模块，通过水平总辐照测试仪测试测试地点的实际水平总辐照强度TR。

气象数据采集模块，通过气象软件获取所在测试地点的实时云量Co、实时大气透明度A-C。

神经网络建模模块，基于神经网络进行训练，得到水平面太阳直射散射计算模型，将辐照数据采集模块的测试数据和气象数据采集模块获取的数据作为水平面太阳直射散射计算模型的输入相量，将实时水平面太阳直射辐照强度DI和实时水平面太阳散射辐照强度SR作为水平面太阳直射散射计算模型的输出相量。

神经网络建模模块采用改进粒子群优化算法的灰色神经网络模型计算实时水平面太阳直射辐照强度DI和实时水平面太阳散射辐照强度SR，算法实现步骤如下：

(1)数据初始化并归一化；

(2)对数据进行累加；

(3)网络初始化。对粒子群算法中的加速系数c₁、c₂，最大循环次数maxx，种群规模sizep，最大位置xmax，最大速度vmax，遗传变异概论进行初始化设定。

(4)根据输入输出样本确定灰色神经网络结构。根据灰色网络结构确定待优化的网络参数a，bi，网络参数个数即为种群长度。

(5)种群初始化。随机产生sizep个初始种群Xi，由Xi计算其适应度值f_it,i。f_it,i表示第i个个体的适应度值。适应度值采用灰色神经网络输出的平均绝对误差。平均绝对误差函数为：

$f_{it}=\frac{1}{n}\underset{i=1}{\overset{n}{\&Sigma;}}\underset{k=1}{\overset{m}{\&Sigma;}}|y_{ik}-t_{ik}|$

其中，f_it为平均绝对误差函数，y_ik为测试集的预测值，t_ik为测试集的真实值，n为测试集的个数；m为输出节点个数。测试集为历史[TR Co A-C]、[DI、SR]数据构成。根据得到的适应度值，寻找到最小的适应度值对应的个体xmin，令zxmin＝xmin，zf_it,min＝f_it,min，zxmin为最终的最优个体，zf_it,min为最终的最优适应度值。

(6)启动循环，由下式：

$V_{id}={\mathrm{\&omega;V}}_{id}^k+c_1{r}_1(P_{id}^k-X_{id}^k)+c_2{r}_2(P_{gd}^k-X_{id}^k)$

$X_{id}^{k+1}=X_{id}^k+V_{id}^{k+1}$

其中，ω为惯性因子,V_id为粒子i第d维的基准速度分量,k＝1,2,…,j，为粒子i第d维的搜索速度分量，j为速度间隔数,k＝1,2,…,j，为粒子i第d维的搜索最好位置分量,k＝1,2,…,j，为粒子i第d维的搜索位置分量,k＝1,2,…,j，为粒子i第d维的搜索不同速度在解空间中所经历的最好位置分量，r₁，r₂为[0，1]之间的随机数。

更新Xi和速度Vi，再以一定的概率初始化种群Xi到更新的X′i。由更新的X′i计算其适应度值f′_it,i。

(7)比较f_it,i和f′_it,i大小，如果前者大，则Xi＝X′i进行数据保留。

(8)经过步骤(5)，步骤(6)，Xi成为新一代的个体，寻找最小的适应度值f_it,min以及对应的个体xmin。若f_it,min<zf_it,min，则zxmin＝xmin，否则不操作。

(9)循环步骤(5)到(7)，当循环迭代达到最大次数时结束循环，并输出计算结果zf_it,min，zxmin。

(10)把zxmin赋给灰色神经网络参数a，bi，进行结果输出，即为实时水平面太阳直射辐照强度DI和实时水平面太阳散射辐照强度SR。

计算模块，通过误差分析判断神经网络建模模块输出的结果是否有效。

基于神经网络进行训练，采用历史数据作为训练数据，将水平面太阳直射辐照强度DI、水平面太阳散射辐照强度SR之和与水平面总辐照强度TR作为比较进行修正，得到准确的基于神经网络的水平面太阳直射散射计算模型，可以准确计算DI、SR。如图1所示，神经网络训练过程包括以下步骤：

1)神经网络初始化；

2)选定测试地点，获取测试地点所在地理位置的某时刻历史水平面总辐照强度数据TR、某时刻历史水平面太阳直射辐照强度数据DI、历史水平面太阳散射辐照强度数据SR以及对应时刻的历史云量数据Co、历史大气透明度数据A-C；

3)将步骤2)获取的历史TR、Co、A-C数据作为输入相量[TR Co A-C]输入到神经网络中，将历史DI、SR作为输出相量[DI SR]建立水平面太阳直射散射计算模型；

4)理论认为TR＝DI+SR，但实际TR与DI+SR的数值存在差异。将历史水平面太阳直射辐照强度数据DI和历史水平面太阳散射辐照强度数据SR之和与历史水平面总辐照强度数据TR进行比较，当超过10％的数据误差范围超过5％，认为构建的水平面太阳直射散射计算模型尚未达到既定效果，重新进行神经网络训练；若高于90％的实验数据误差在5％以内则认为误差可接受，模型有效即认为模型达到既定效果，训练结束。

其中，由于某地点历史TR、Co、A-C、DI、SR数据可能不完全，因此训练效果可能一般，因此需要实验人员在长期数据积累后，才可以达到理想的效果。此外，辐照数据和时间、地理位置有关，在实际实验过程中，需要对具体时间进行标定。例如在步骤2)中，可以在程序中对数据加入时间、地理位置标签，相互对应。

上述基于神经网络的水平面太阳直射散射计算模型的一个神经网络训练流程需要大量的训练数据，从而获得准确性高的计算模型。需要说明的是，目前实验数据整体条件还达不到这样的要求，但可以针对某些实验区域进行。

如图2所示为基于神经网络的水平面太阳直射散射计算方法的一个实施流程图，所述计算方法包括以下步骤：

S01:获取测试地点的历史水平面总辐照强度数据、历史水平面太阳直射辐照强度数据、历史水平面太阳散射辐照强度数据以及对应的历史云量数据、历史大气透明度数据；

S02:将步骤S01获取的历史数据作为神经网络建模模块的训练数据，训练得到水平面太阳直射散射计算模型；

S03:通过水平总辐照测试仪测试测试地点某一时刻的实时水平面总辐照强度TR，通过气象软件获取测试地点该时刻的实时云量Co、实时大气透明度A-C，作为水平面太阳直射散射计算模型的输入量[TR、Co、A-C]，计算得到该测试地点、该时刻下的实时水平面太阳直射辐照强度DI、实时水平面太阳散射辐照强度SR作为输出相量[DI、SR]；

S04：计算模块比较测试得到TR与计算得到的DI+SR之间的差异，如果数据误差范围超过5％，认为误差不可接受，重新获取数据进行计算；如果误差范围在5％以内，则认为误差可接受，结果可接受。

其中，由于太阳辐照强度、发电量等都与时间、地理位置相关，因此获得的数据均应含有时间、地理位置标签。例如某一数据样本[TR1Co1A-C1]应该含有某一时刻时间数据以及测试地点经纬度数据、海拔数据信息，并且对应的DI、SR均为该数据信息下的计算值。

步骤S03中的实时实际水平总辐照强度TR为测试地点布置的水平总辐照测试仪测试得到的，即为在一定海拔、特定时间、一定经纬度条件下的水平总辐照强度。

进一步的，水平总辐照测试仪测量光谱范围至少为100～2500nm、测量精度≤±5％、分辨率≤1W/m2，至少可在-20℃～70℃内正常工作；水平总辐照测试仪可达到秒级测量周期。

Co、A-C目前尚未有便携的方法获得这两个参量，因此可通过气象软件在中国气象数据网等权威性网站获得实时数据。

由上述实例可知，基于神经网络的水平面太阳直射散射计算方法分别通过将实时实际水平总辐照强度TR、实时云量Co以及实时大气透明度A-C作为计算方法的输入量，得到理论计算的水平面太阳直射辐照强度DI、太阳散射辐照强度SR；通过比较TR与DI+SR的误差范围，进一步提高所述的基于神经网络的水平面太阳直射散射计算方法的确定性和稳定程度。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。