基于pm2.5和pm10的气溶胶光学厚度估计方法

文档序号:10725363阅读:981来源:国知局
基于pm2.5和pm10的气溶胶光学厚度估计方法
【专利摘要】本发明提出一种基于PM2.5和PM10的气溶胶光学厚度估计方法,所述方法在采集大量PM2.5?PM10浓度?湿度?能见度?大气气溶胶光学厚度(AOD)的实际样本数据的基础上,建立大气气溶胶光学厚度(AOD)的万有引力神经网络预测模型,并利用该模型进行大气气溶胶光学厚度AOD的估计,从而解决大气气溶胶光学厚度(AOD)反演精度不高、难以实时获取的问题。
【专利说明】
基于PM2.5和PM10的气溶胶光学厚度估计方法
技术领域
[0001 ]本发明涉及一种基于PM2.5和PM10的气溶胶光学厚度估计方法,属于光伏功率预 测技术领域。
【背景技术】
[0002] 光伏发电功率预测对于保证电力系统的稳定运行具有重要意义,基于太阳辐射预 报的间接预测方法是常见的研究方法之一。大气气溶胶光学厚度(A0D)是进行太阳辐射传 输计算的重要参数,可通过卫星观测与地基观测获取。卫星观测方法指基于遥感卫星搭载 的中分辨率成像光谱仪(M0DIS)监测数据反演A0D,其精度低于地基观测,且受卫星过境时 间与数据发布周期影响,反演的实时性较差。地基观测指利用光度计测量的太阳辐射强度 反演A0D,精度较高,但是标定工作较为复杂。
[0003] 2012年以来,我国出现了大范围的雾霾天气。同时,国家相关部门开始实时发布空 气质量指数(AQI)以及其中的PM2.5和PM10浓度等6项基本监测数据,至2015年1月2日,已经 覆盖367个城市。雾和霾分别指悬浮于大气中的细微水滴和灰尘颗粒,是大气气溶胶的重要 组成部分。雾霾通过直接削弱太阳辐射强度,对光伏发电功率具有显著影响。依据中国气象 局风能太阳能资源中心的最新观测实验,轻度雾霾可造成20%-30%的日发电量损失,重度 雾霾可造成近70%的日发电量损失。
[0004] 近年来,出于地面大气质量分析和预测目的,有不少学者开始研究卫星反演的A0D 与PM2.5、PM10浓度之间的关系,结果表明它们之间有较高的相关性。受这一结论启发,鉴于 大气气溶胶光学厚度(A0D)反演精度不高、难以实时获取,而地面空气质量监测站可实时发 布PM2.5和PM10浓度等数据,且站点数量将不断增加,本发明提出一种基于PM2.5和PM10浓 度监测数据的大气气溶胶光学厚度估计方法,以更好的进行光伏发电功率的预测。

【发明内容】

[0005] 本发明涉及一种基于PM2.5和PM10的气溶胶光学厚度估计方法,所述方法在采集 大量PM2.5浓度-PM10浓度-湿度-能见度-气溶胶光学厚度(A0D)的实际样本的基础上,建立 A0D的万有引力神经网络预测模型,并利用该模型进行气溶胶光学厚度(A0D)预测。该方法 包括以下步骤:
[0006] 1.以地面的能见度V,湿度h,PM2.5浓度Co,PM10浓度&为输入,大气气溶胶光学厚 度A0D为输出,建立并训练相应的万有引力神经网络预测模型,具体如下:
[0007] a.采集数据构造样本集;
[0008] 记录某一时刻k下地面的PM2.5浓度C〇、PM10浓度G、能见度V、湿度h以及大气气溶 胶光学厚度A0D,得到一个样本(CQ(k),&(!〇,v(k),h(k),A0D(k));通过收集多个不同时刻 下的样本,形成样本集{(C〇(k),Ci(k),v(k),h(k),A0D(k))};
[0009] b.建立三层结构BP神经网络预测模型,其中,输入层神经元节点数为4个,隐含层 神经元节点数为5个,输出层神经元节点数为1个,隐含层神经元转移函数使用双曲正切函 数,输出层神经元转移函数使用S型函数;对于第k个时刻所构造的样本(0)(!〇,&(!〇,v(k), h(k),AOD(k)),取BP神经网络预测模型的第一个输入为v(k),第二个输入为h(k),第三个输 入为C〇(k),第四个输入为Ci(k),输出为AOD(k);
[0010] c.随机抽取样本集中的80%做为训练样本,剩余的20%做为检验样本,利用万有 引力搜索算法对建立的BP神经网络预测模型的权值与阈值进行优化,具体步骤如下:
[0011] ①设置粒子群体规模N以及各粒子初始位置g == Cp;' …,pf,…,pf), i = l,2,3,…,N,D为粒子维数,并采用随机数生成的方式初始化各粒子位置;
[0012] ②计算各粒子的适应度函数值:
[0013] 定义粒子的适应度函数fiSBP神经网络预测模型在训练样本上的均方差:
[0015] 其中:m为输出节点个数;p为训练样本的个数;为网络期望输出值;xpj为网络实 际输出值;
[0016] @更新群体中的:1^1;与€?。^1;(;1^1=111;[11;1^,€1?0^=11^;1^),按下式计算各粒子的质 量Mi:
[0019]④按照下式计算各粒子的引力合力?1与加速度a1:
[0023] 式中:t为迭代次数,Fdt)为第i个粒子受到的来自其它粒子引力合力?1的第d维 分量,为第i个粒子的第d维的加速度,ran山为[0,1]之间的随机数,G(t)为引力时间 常数;M pi(t)和Maj(t)分别为第i个粒子的被动惯性质量和第j个粒子的主动惯性质量, 和分别为第i个粒子与第j个粒子的第d维的位置;
[0024] ⑤按照下式更新各粒子的速度^与位置P1:
[0027] 式中:vf⑷为第i个粒子的第d维的速度;
[0028] ⑥返回步骤②,达到最大迭代次数后停止迭代,此时fbest所对应的粒子位置即为 优化后的BP神经网络预测模型的权值与阈值;
[0029] 2.利用优化后的万有引力神经网络预测模型进行大气气溶胶光学厚度(A0D)的估 计,即将某一环境下地面的PM2.5浓度C〇、PM10浓度&、能见度V、湿度h作为预测模型的输入, 预测模型的输出为当前环境下A0D的估计值八(5!)。
[0030] 本发明的有益效果在于:
[0031] (1)利用可实时获取的地面的PM2.5浓度C〇、PM10浓度&、能见度V、湿度h等数据对 A0D进行直接估计,与现有的卫星观测法与地基观测法相比,省去了其中的复杂反演过程, 并且能保证估计的实时性。
[0032] (2)利用万有引力算法对神经网络预测模型的参数进行优化,能够有效的提高预 测模型的估计精度。
[0033]下面结合附图,对优选实施例作详细说明。应该强调的是下述说明仅仅是示例性 的,而不是为了限制本发明的范围及其应用。
【附图说明】
[0034]图1为本发明所提出的A0D预测模型结构图;
[0035]图2为本发明A0D预测模型结所采用的三层BP神经网络结构图;
[0036]图3利用万有引力搜索算法对BP神经网络预测模型进行优化的流程图;
[0037]图4为实施例中A0D预测模型在检验样本上的估计结果。
【具体实施方式】
[0038]以武汉市的大气气溶胶光学厚度估计为作为本发明的优选实施例,包括以下步 骤。
[0039] 1.以地面的能见度v,湿度h,PM2.5浓度Co,PM10浓度&为输入,大气气溶胶光学厚 度A0D为输出,建立并训练相应的万有引力神经网络预测模型,其结构如图1所示,具体如 下:
[0040] a.采集数据构造样本集;
[00411 记录某一时刻k下地面的PM2.5浓度Co、PM10浓度C!、能见度V、湿度h以及大气气溶 胶光学厚度A0D,得到一个样本(C0(k),&(k),v(k),h(k),A0D(k));通过收集多个不同时刻 下的样本,形成样本集{(C0(k),Ci(k),v(k),h(k),A0D(k))};
[0042]实施例中,共收集250个样本;
[0043] b.建立三层结构BP神经网络预测模型,其结构如图2所示,其中,输入层神经元节 点数为4个,隐含层神经元节点数为5个,输出层神经元节点数为1个,隐含层神经元转移函 数使用双曲正切函数,输出层神经元转移函数使用S型函数;对于第k个时刻所构造的样本 (C〇(k),(Mk),v(k),h(k),AOD(k)),取BP神经网络预测模型的第一个输入为v(k),第二个输 入为h(k),第三个输入为C〇(k),第四个输入为CKk),输出为AOD(k);
[0044] c.随机抽取样本集中的80 %做为训练样本,剩余的20 %做为检验样本,实施例中 共有200个训练样本,50个检验样本,利用万有引力搜索算法对建立的BP神经网络预测模型 的权值与阈值进行优化,具体步骤如下:
[0045]万有引力搜索算法是Rashedi等人首先提出的一种基于万有引力定律进行寻优的 智能优化方法。该方法将优化问题的解视为一组在空间运行的粒子,粒子之间通过万有引 力作用相互吸引,粒子运动遵循动力学规律,万有引力的作用使得粒子朝着质量最大的粒 子移动,而质量最大的粒子占据最优位置,从而可求出优化问题的最优解。算法通过个体间 的万有引力相互作用实现优化信息的共享,引导群体向最优解区域搜索。
[0046]该算法的原理为:
[0047]在D维的搜索空间中,设有N个粒子,定义第i个粒子位置为 々=(^,…,¥,),1 = 1,2,3""儿第〇欠迭代时,粒子」对浦万有引力定义为
[0049] 式中:G(t)为引力时间常数;Mpi(t)和Maj(t)分别为粒子i的被动惯性质量和粒子j 的主动惯性质量。
[0050] 假设引力质量与惯性质量相等,根据每个粒子的适应度函数值计算粒子惯性质 量:
[0051] Mai=MPi=Mi (2)
[0054] 对于极小化问题,fbest=minfj,fw〇rst=maxfj〇
[0055] 对于第i个粒子,受到来自其它粒子引力的合力可用引力的随机加权和表示为:
[0057]基于牛顿第二定律,粒子i产生的加速度为:
[0059]则粒子的速度和位置可以更新为:
[0062]式中:/?/〇;)为第i个粒子的第d维的位置;vf(;〇为第i个粒子的第d维的速度; 第i个粒子的第d维的加速度;randj为[0,1 ]之间的随机数。
[0063]图3为本发明利用万有引力搜索算法对BP神经网络预测模型进行优化的流程图, 具体步骤如下:
[0064]①设置粒子群体规模N以及各粒子初始位置,…,pI,…,P?)八 =1,2,3,…,N,D为粒子维数,并采用随机数生成的方式初始化各粒子位置;实施例中,取N =40,所建立的BP神经网络输入层有1 = 4个神经元,隐含层有h = 5个神经元,输出层有m= 1 个神经元,设wih= {wji | j = 1,…,1,i = 1,…,h}为输入层神经元与隐含层神经元之间的连 接权值集合,whm= {wkj | k = 1,…,m,j = 1,…,h}为隐含层神经元与输出层神经元之间的连 接权值集合,bdPbm分别表示隐含层神经元与输出层神经元的阈值,则各粒子位置为P 1 = [wih,bh,,bm],故D = 31,设置最大迭代次数为1000次;
[0065]②计算各粒子的适应度函数值:
[0066]定义粒子的适应度函数hSBP神经网络在训练样本上的均方差:
[0068] 其中:m为BP神经网络输出节点个数;p为训练样本的个数;为网络期望输出值; xPj为网络实际输出值;实施例中,m=l,p = 200;
[0069] ③更新群体中的fbest与fworst,按照式(4)计算各粒子的质量Mi ;
[0070] ④按照公式(5) (6)计算各粒子的引力合力Fi与加速度ai;
[0071] ⑤按照公式(7)(8)更新各粒子的速度Vl与位置P1;
[0072] ⑥返回步骤②,达到最大迭代次数后停止迭代,此时fbest所对应的粒子位置即为 优化后的BP神经网络预测模型的权值与阈值。实施例中,优化后的BP神经网络预测模型的 权值与阈值如表1所不。
[0073] 表 1
[0075] 2.利用优化后的万有引力神经网络预测模型进行大气气溶胶光学厚度A0D的估 计,即将某一环境下地面的PM2.5浓度C〇、PM10浓度&、能见度V、湿度h作为预测模型的输入, 预测模型的输出为当前环境下A0D的估计值八(^)。
[0076] 实施例中,某一环境下地面的PM2.5浓度Co = 170ug/m3、PM10浓度& = 234ug/m3、能 见度v=12.5km、湿度h = 65,将它们作为预测模型的输入,则预测模型输出当前环境下AOD 的估计值A〇D 〇
[0077] 为了验证本发明所提出的A0D预测模型的精度,实施例中,利用50个检验样本作为 预测模型输入,预测模型的估计误差如图4所示,可知,该预测模型具有较高的估计精度。
[0078] 以上所述,仅为本发明较佳的【具体实施方式】,但本发明的保护范围并不局限于此, 任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可推想到的变化或替换,都 应涵盖在本发明的保护范围之内。
【主权项】
1. 一种基于PM2.5和PMIO的气溶胶光学厚度估计方法,所述方法在采集大量PM2.5浓 度-PM10浓度-湿度-能见度-大气气溶胶光学厚度(A0D)的实际样本的基础上,建立A0D的万 有引力神经网络预测模型,并利用该模型进行A0D估计。2. 根据权利要求1所述的基于PM2.5和PM10的气溶胶光学厚度估计方法,其特征是,所 述方法按W下步骤进行处理: 步骤1. W地面的能见度V,湿度h,PM2.5浓度Co,PM10浓度Cl为输入,大气气溶胶光学厚 度A0D为输出,建立并训练相应的万有引力神经网络预测模型,具体如下: a. 采集数据构造样本集; 记录某一时刻k下地面的PM2.5浓度C〇、PM10浓度Cl、能见度V、湿度hW及大气气溶胶光 学厚度A0D,得到一个样本(Co化),Ci化),v化),Kk),A0D化));通过收集多个不同时刻下的 样本,形成样本集 KC〇(k),Ci(k),v(k),h(k),A〇Wk))}; b. 建立Ξ层结构BP神经网络预测模型,其中,输入层神经元节点数为4个,隐含层神经 元节点数为5个,输出层神经元节点数为1个,隐含层神经元转移函数使用双曲正切函数,输 出层神经元转移函数使用S型函数;对于第k个时刻所构造的样本(Co化),Ci化),v化),Kk), A0D化)),取BP神经网络预测模型的第一个输入为V化),第二个输入为Kk),第Ξ个输入为 Co化),第四个输入为Cl化),输出为A0D化); C .随机抽取样本集中的80%做为训练样本,剩余的20 %做为检验样本,利用万有引力 捜索算法对建立的BP神经网络预测模型的权值与阔值进行优化,具体步骤如下: ① 设置粒子群体规模NW及各粒子初始位置与=CpJ,···,,···,),i = l,2, 3,…,N,D为粒子维数,并采用随机数生成的方式初始化各粒子位置; ② 计算各粒子的适应度函数值: 定义粒子的适应度函数fi为BP神经网络预测模型在训练样本上的均方差:其中:m为输出节点个数;P为训练样本的个数;为网络期望输出值;却^为网络实际输 出值; ③ 更新群体中的fbest与fw。rst(打est=minfj,fw。rst=maxfj),按下式计算各粒子的质量 Mi:④ 按照下式计算各粒子的引力合力Fi与加速度ai:式中:t为迭代次数,巧为第i个粒子受到的来自其它粒子引力合力Fi的第d维分量, 口 f的为第i个粒子的第d维的加速度,rand功[Oa]之间的随机数,G(t)为引力时间常数; Mpi(t)和Mw(t)分别为第i个粒子的被动惯性质量和第j个粒子的主动惯性质量,和 戶^^(0分别为第1个粒子与第^'个粒子的第(1维的位置; ⑤ 按照下式更新各粒子的速度VI与位置Pi : 式中:vf的为第i个粒子的第d维速度;⑥ 返回步骤②,达到最大迭代次数后停止迭代,此时fbest所对应的粒子位置即为优化后 的BP神经网络预测模型的权值与阔值; 步骤2.利用优化后的万有引力神经网络预测模型进行大气气溶胶光学厚度AOD的估 计,即将某一环境下地面的PM2.5浓度C〇、PM10浓度打、能见度V、湿度h作为预测模型的输入, 预测模型的输出为当前环境下A0D的估计值A(Sd。
【文档编号】G06F19/00GK106096246SQ201610389671
【公开日】2016年11月9日
【申请日】2016年6月6日 公开号201610389671.0, CN 106096246 A, CN 106096246A, CN 201610389671, CN-A-106096246, CN106096246 A, CN106096246A, CN201610389671, CN201610389671.0
【发明人】刘卫亮, 李金拓, 马良玉, 李静, 刘长良, 陈文颖, 林永君, 熊峰
【申请人】华北电力大学(保定)
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1