一种基于BP神经网络的太阳能辐射预测订正方法及系统

一种基于bp神经网络的太阳能辐射预测订正方法及系统
技术领域
1.本发明涉及一种基于bp神经网络的太阳能辐射预测订正方法及系统，属于机器学习算法订正太阳辐射预测值技术领域。


背景技术：

2.在当今世界能源紧缺、生态环境恶化及全球气候变暖的背景下，太阳能作为一种可再生清洁能源，受到广泛关注。合理有效开发太阳能资源对减少污染、保护环境以及应对气候变化和能源安全具有重要意义，目前光伏发电已成为仅次于水电和风能的第三大可再生能源。
3.我国的太阳能资源丰富且分布范围广阔，太阳能光伏发电产业的发展潜力巨大。光伏发电系统会跟随太阳辐射强度和温度的变化而具有波动性和间歇性，大规模光伏发电系统的并网运行安全会对传统电网的安全、稳定造成影响。光伏电站的太阳辐射和发电量预测对并网输电和电网调度十分重要，光伏发电系统规划和分析的基础之一就是太阳能辐射预报数据，随着太阳能发电站装机容量的迅速扩大，太阳总辐射的时空波动对电网安全稳定运营的冲击越来越大，详实精确的太阳能资源数据和气象数据，是进行发电项目开发的必要前提，是确保电站可行性研究、经济性分析和投资决策的关键因素。因此，太阳能辐射能否准确预报便成了太阳能稳定转化的关键问题。太阳能辐射准确预报，首先可以降低发电系统接入电网的负面影响，保证电网的完全性和稳定性，同时可以充分利用太阳能资源，达到经济效益最大化的目标；其次，精准的预测能力为电力系统调度部门实施合理的调度计划提供参考意见。
4.目前，对太阳辐射预测的方法主要分为物理方法和统计方法两类。
5.物理学方法是基于卫星、雷达资料和地面监测资料数据，通过反演卫星、雷达数据，利用数学物理方程对大气状况进行分析，用高性能计算机求解进行预报的方法；统计学方法是基于历史气象数据和光伏发电量数据的研究，采用统计学方法进行分析建模。考虑到目前模式模拟结果与实际情况仍有出入，我们采用机器学习算法对预报的结果进行订正。机器学习是一类算法的总称，这些算法试图从大量历史数据中挖掘出隐含规律，用于预测或者分类，是一门人工智能的科学。机器学习可以看作是寻找一个函数，输入是样本数据，输出是期望的结果，只是这个函数过程不能直接表达出来。
6.考虑到太阳辐射预报的复杂性，近年来利用机器学习算法订正模型研究逐渐增多，su等人(2016)等利用辐射数据以及其他气象要素，用多种线性订正方案对预测值进行订正。研究发现效果明显，这为太阳能资源评估、总辐射和光伏电站发电量预报提供改进方法。wang等人(2021)利用随机森林模型对era5总辐射产品进行订正与分析，得到订正后的逐时辐射量空间分布图，使得再分析资料更好应用于农业、电力、城市建设等行业。
7.如前所述，国内外有关订正辐射预测值的研究十分活跃，这是应对全球变暖以及资源短缺的迫切要求，也是调整能源结构及社会经济可持续发展的需要。为了精准预报太阳能辐射，相关研究已取得了一些积极的进展。


技术实现要素：

8.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bp神经网络的太阳能辐射预测订正方法及系统，针对太阳辐射值的预测值与实际观测值之间的系统偏差，开展方法探索，为精准预报太阳能辐射及资源环境可持续发展等问题的解决，提供重要的理论依据及方法支撑。
9.为达到上述目的，第一方面，本发明提供一种基于bp神经网络的太阳能辐射预测订正方法，包括构造基于bp神经网络的太阳辐射预测订正模型；
10.获取太阳辐射的预测值，输入预先构造的基于bp神经网络的太阳辐射预测订正模型；
11.通过基于bp神经网络的太阳辐射预测订正模型输出订正后的太阳辐射的预测值。
12.进一步地，所述基于bp神经网络的太阳辐射预测订正模型的构造，包括：
13.获取样本数据，构造bp神经网络的太阳辐射预测订正模型；
14.根据样本数据获取太阳辐射的样本预测值，导入bp神经网络的太阳辐射预测订正模型，获取订正后的太阳辐射的样本预测值；
15.根据样本数据以及订正后的太阳辐射的样本预测值获取太阳辐射的订正效果，基于订正效果调整太阳辐射预测订正模型，完成太阳辐射预测订正模型的构建。
16.进一步地，所述样本数据包括太阳辐射的历史预测值和对应历史预测值的历史观测值。
17.进一步地，所述获取太阳能辐射的订正效果，包括：
18.基于太阳辐射的预测值、对应预测值的观测值计算均方根误差和决定系数：
19.基于订正后的预测值、对应预测值的观测值计算均方根误差和决定系数；
20.基于订正前的均方根误差和订正后的均方根误差求解改进的效果数据。
21.进一步地，
[0022][0023]
其中，rmse表示均方根误差；n表示样本数量；i表示第i个样本；ypredict在计算太阳辐射的预测值、对应预测值的观测值计算均方根误差和决定系数时表示太阳辐射的预测值，在计算订正后的预测值、对应预测值的观测值计算均方根误差和决定系数时表示订正后的预测值；yactual表示对应预测值的观测值；r2表述决定系数；ymean表示观测值的均值。
[0024]
进一步地，基于订正前的均方根误差和订正后的均方根误差求解改进的效果数据，包括：
[0025]
订正后的均方根误差相较于订正前的均方根误差下降的百分比。
[0026]
进一步地，构造bp神经网络的太阳辐射预测订正模型，包括：
[0027]
设置bp网络模型中的超参数，包括隐藏层、激活函数、梯度下降函数、惩罚函数、随机优化器、学习率和最大迭代次数。
[0028]
第二方面，本发明提供一种基于bp神经网络的太阳能辐射预测订正系统，包括：
[0029]
太阳辐射预测装置，用于对太阳辐射值进行预测，并生成预测值；
[0030]
太阳辐射预测值订正装置，用于订正太阳辐射的预测值，并生成订正后的值。
[0031]
第三方面，本发明提供一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行根据第一方面所述的方法中的任一方法。
[0032]
第四方面，本发明提供一种计算设备，包括一个或多个处理器、存储器以及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行根据第一方面所述的方法中的任一方法的指令。
[0033]
本发明所达到的有益效果：
[0034]
本发明提供一种基于bp神经网络的太阳能辐射预测订正方法及系统，针对太阳辐射值的预测值与实际观测值的系统偏差，基于bp神经网络模型训练针对太阳辐射预测值的订正模型，可有效订正太阳辐射的预测值，减小预测值与实际观测值之间的差距，提高太阳能辐射预测的准确性。
附图说明
[0035]
图1是本发明实施例提供的一种基于bp神经网络的太阳能辐射预测订正方法的流程图；
[0036]
图2是本发明实施例提供的一种基于bp神经网络的太阳能辐射预测订正方法中扬州站太阳辐射的具体订正效果图。
具体实施方式
[0037]
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。
[0038]
实施例一：
[0039]
本发明的实施例提供一种基于bp神经网络的太阳能辐射预测订正方法，针对太阳辐射的预测值和与预测值对应的实际观测值，基于bp神经网络模型训练构建基于bp神经网络的太阳能辐射预测订正模型，通过向基于bp神经网络的太阳能辐射预测订正模型导入太阳辐射的预测值便可得出相对于预测值更接近实际观测值的订正后的预测值，通过本发明可有效订正太阳辐射的预测值，减小预测值与实际观测值之间的差距，提高太阳能辐射预测的准确性。
[0040]
本发明提供一种基于bp神经网络的太阳能辐射预测订正方法，如图1所示，包括如下步骤：
[0041]
步骤1：构造基于bp神经网络的太阳辐射预测订正模型；
[0042]
步骤1.1：首先获取包括太阳辐射的历史预测值和对应历史预测值的历史观测值的样本数据，建立bp神经网络模型，构建太阳辐射预测订正模型。
[0043]
在建立bp神经网络模型时，模型中的超参数设置如下：
[0044][0045]
步骤1.2：获取太阳辐射的预测值，导入太阳辐射预测订正模型，获取订正后的太阳辐射的预测值：
[0046]
此处的太阳辐射的预测值并非样本数据中的值，而是新获得的预测值，将其导入太阳辐射预测订正模型中，获得订正后的值预测值。
[0047]
步骤1.3：获取太阳辐射的订正效果，基于订正效果调整太阳辐射预测订正模型，完成太阳辐射预测订正模型的构建：
[0048]
基于太阳辐射的预测值、对应预测值的观测值计算均方根误差和决定系数；
[0049]
基于订正后的预测值、对应预测值的观测值计算均方根误差和决定系数；
[0050]
在求得订正前和订正后的均方根误差后，求解订正后的均方根误差相较于订正前的均方根误差下降的百分比，即为订正效果，即订正后相较于订正前的改进效果；
[0051]
在计算上述各均方根误差和决定系数时，通过下述公式完成：
[0052][0053]
其中，rmse表示均方根误差；n表示样本数量；i表示第i个样本；ypredict在计算太阳辐射的预测值、对应预测值的观测值计算均方根误差和决定系数时表示太阳辐射的预测值，在计算订正后的预测值、对应预测值的观测值计算均方根误差和决定系数时表示订正后的预测值；yactual表示对应预测值的观测值；r2表述决定系数；ymean表示观测值的均值。
[0054]
步骤2：获取太阳辐射的预测值，并导入太阳辐射预测订正模型。
[0055]
步骤3：太阳辐射预测订正模型输出订正后的太阳辐射的预测值。
[0056]
在具体实施时，利用本发明对扬州站太阳辐射预测值进行滚动建模订正：
[0057]
选取扬州站2020年8月19至2020年9月7日的辐射数据以及2020年8月20日至2020年9月8日的辐射数据滚动建模两次，对2020年9月8日和9月9日的输入分别订正，共两次。
[0058]
订正前和订正后的rmse如下表所示。
[0059][0060]
利用本发明提供的方法对扬州站太阳辐射预测值进行订正后，均方根误差rmse有了明显下降，相关系数r2达到0.98。
[0061]
针对扬州站太阳辐射的具体订正效果，如图2所示。
[0062]
在对辐射值峰值的把握上，经过bp神经网络订正后具有明显效果，拟合效果也较之前预测值有显著提升，这在一定程度上反应了此次建模对于订正太阳辐射值起到了促进作用。
[0063]
实施例二：
[0064]
基于实施例一，本发明提供一种基于bp神经网络的太阳能辐射预测订正系统，包括太阳辐射预测装置，用于对太阳辐射值进行预测，并生成预测值；太阳辐射预测值订正装置，用于订正太阳辐射的预测值，并生成订正后的值。
[0065]
实施例三：
[0066]
基于实施例一，本发明提供一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行根据实施例一所述的方法中的任一方法。
[0067]
实施例四：
[0068]
基于实施例一，本发明提供一种计算设备，包括一个或多个处理器、存储器以及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行根据实施例一所述的方法中的任一方法的指令。
[0069]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0070]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0071]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或
多个方框中指定的功能。
[0072]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0073]
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。