本站小編為你精心準備了太陽輻射量預測算法分析參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

摘要：為準確預測太陽輻射量，提高太陽能利用效率，提出一種相關性分析和梯度提升決策樹（gradientboostingdecisiontree，簡稱GBDT）組合的太陽輻射量預測算法．利用相關性分析選取預測算法的最優輸入指標，使用數據矯正方法剔除粗大誤差數據．將該文算法與傳統算法的預測結果進行比較，結果表明該文組合預測算法具有更高的預測精度．

關鍵詞：相關性分析；最優輸入指標；梯度提升決策樹；太陽輻射量

煤礦、石油等能源日益枯竭，生態環境不斷惡化，太陽能作為可持續發展的清潔能源備受關注，太陽能發電是太陽能利用的主要方式之一．光伏發電系統的輸出功率與太陽輻射量密切相關，準確預測光伏系統輸出功率是電網安全穩定運行的關鍵，因此太陽輻射量的準確預測尤為重要［1－2］．研究人員對光伏出力和太陽輻射量的預測做了大量的研究，文獻［3］分析影響光伏出力的因素，建立基于BP神經網絡的光伏發電短期出力的預測模型，但模型缺乏對輸入量的優選，影響預測精度．文獻［4］設計了基于相似日理論和BP神經網絡的光伏陣列輸出功率的預測模型，改善了預測精度．文獻［5］建立了具有超強泛化能力的小波神經網絡短期發電量的預測模型，進一步提高了太陽輻射量的預測精度，但需要大量與預測日相似的數據．文獻［6］建立了基于氣象預測信息以及BP神經網絡的光伏功率預測模型，但沒有對氣象數據進行合理的預處理．文獻［7］提出了基于蟻群BP神經網絡的太陽輻射強度的改進預測方法，但也忽略了數據的預處理．文獻［8］用模糊理論結合支持向量機預測光伏發電量，但模糊集合的劃分需要龐大的數據和經驗．文獻［9］提出了基于模糊聚類的預測算法，對光伏出力進行短期預測．文獻［10］提出了基于模糊神經網絡的光伏功率控制方法．文獻［11］基于測試水平面及不同傾角斜面上太陽輻射量，提出了針對直接輻射轉換系數的修正方法．文獻［12］提出了基于小波包－神經網絡的預測方法，利用小波包變換對輻射強度序列進行多尺度分解．文獻［13］提出了一種基于GBDT（gradientboostingdecisiontree）算法的短期負荷預測模型，GBDT算法可應用于電力預測領域．文獻［14］提出了改進的GBDT短期負荷預測算法，算法具有較高的預測精度．綜上所述，現有的太陽輻射量預測重在算法改進，忽略了對原始數據的修正，預測結果存在一定誤差．GBDT算法已運用于電力負荷預測領域，筆者擬將GBDT算法運用于太陽輻射量預測，提出一種相關性分析和GBDT組合的太陽輻射量預測算法．

1相關性分析

相關性分析是對兩個或多個具備相關性的變量進行分析，衡量變量間的密切程度［15］．相關性一般分為：正相關、負相關和無相關．Pearson相關系數［16］能較好地表示變量的相關性，其表達式（1）其中：sim（X，Y）表示變量X、Y間的相似度，i表示某變量的第i個樣本，n為樣本總數．當sim（X，Y）大于0表示兩變量正相關、小于0表示兩變量負相關．當0＜｜sim（X，Y）｜＜0．5時，表示兩變量低度相關；當0．5≤｜sim（X，Y）｜＜0．8時，表示兩變量中度相關；當｜sim（X，Y）｜≥0．8時，表示兩變量高度相關．筆者利用相關性分析各氣象因素與太陽輻射量的相關性，根據具體的相關性和實際情況，選擇高度相關和中度相關的變量作為預測算法的最優輸入指標．

2梯度提升決策樹算法

梯度提升決策樹預測函數［17］的表達式。若損失函數滿足誤差收斂條件或得到的回歸樹的t值達到預設值，則迭代終止；若不滿足，則繼續迭代．

3太陽輻射量預測算法

3．1數據預處理影響太陽輻射量的因素眾多，且太陽輻射量與氣象數據的耦合關系復雜，數據龐大冗余，需要挑選出與太陽輻射相關性較強的因素．3．1．1輸入指標選擇影響太陽輻射量的相關氣象數據主要有：平均晴空太陽輻射量、晴空日照比、平均日照比、地表最高溫度、地表平均溫度、地表最低溫度、距地10m最高溫度、距地10m平均溫度、距地10m最低溫度、距地50m平均溫度、距地10m濕度、地表濕度、相對濕度、地表風速、距地50m風速、大氣壓強、站點海拔．對烏魯木齊某地2017年全年數據做相關性分析，分析結果如表1所示．由表1可知，各影響因素與太陽輻射量的相關性有大有小、正負不同．選擇相關性高度相關和中度相關的指標，對于低度相關的因素不予考慮，故最終選擇平均晴空太陽輻射量、晴空日照比、平均日照比、地表平均溫度、距地10m平均溫度、相對濕度、站點海拔、大氣壓強為該文預測算法輸入量．3．1．2數據矯正原始數據中存在大量的畸形數據，將原始數據直接作為預測算法的輸入量會嚴重影響算法訓練精度和預測結果．為給預測算法提供良好的數據，設計程序剔除原始輸入中的粗大誤差數據，剔除之后的數據作為新的輸入量，流程如圖1所示．

4預測實例分析

利用MATLAB軟件對太陽輻射量的影響因素做相關性分析及數據矯正，利用相關性分析和GBDT組合的太陽輻射量預測算法預測太陽輻射量．訓練樣本和預測樣本均來源于烏魯木齊某地太陽輻射量數據和氣象數據．4．1數據處理若原始數據直接用于預測算法，將嚴重影響預測算法的精準度，筆者使用數據矯正方法對其進行矯正，以提高預測精度．圖3為2017年烏魯木齊大氣壓強數據矯正前后的對比．由圖3可知，矯正值與原始值的曲線基本相同，僅部分數據有所不同，表明矯正方法不會過多改變數據原有的信息，只會對原始數據中少數畸形數據進行矯正．4．2預測結果平均晴空太陽輻射量、晴空日照比、平均日照比、地表平均溫度、距地10m平均溫度、相對濕度、站點海拔、大氣壓強和太陽輻射量作為實驗數據．以烏魯木齊某地2017年太陽能輻射量數據和氣象數據做訓練樣本數據，以該地2018年1月1日到3月20日的80組數據為預測樣本數據，利用該文組合預測算法進行預測，預測結果如圖4所示．由圖4可知，預測值與實際值基本吻合，部分數據有偏差，總體預測效果良好．圖5是預測值與真實值的相對誤差，誤差多數在10％以內，少數大于10％，極少數超過15％，預測精度達到要求．由表2可知，該文算法的均方根誤差和平均相對誤差均小于其他算法，分別為0．5476和8．04％，而BP神經網絡算法的最大，分別為0．7404和39．08％；模糊神經網絡和小波神經網絡算法的預測精度均略高于BP神經網絡．

5結束語

筆者提出一種相關性分析和GBDT組合的太陽輻射量預測算法．相關性分析和數據矯正方法能有效處理誤差數據．預測實例分析結果表明，相比其他算法，該文組合算法的預測精度更高，為太陽輻射量的高精預測打下了堅實的基礎．

作者：楊琪 王維慶 王海云 高敏 單位：新疆大學電氣工程學院 教育部可再生能源發電與并網控制工程技術研究中心