基于集成学习和卷积神经网络的太阳能辐照度预测方法

发布时间：2021-01-02 16:37

　　目前能源短缺和环境污染日益严峻,太阳能的利用已受到各个领域研究人员的重视。太阳能在光热领域和光电领域广泛应用并且被视为最佳代替能源。由于季节、气候、云层密度等气候因素导致太阳辐射量的不确定性制约了其应用领域的发展。因此,高精度的预测方法一直是太阳能预测研究的热点。本文基于集成学习和卷积神经网络研究有效的太阳能辐照度预测方法,采用美国气象协会2013-2014年太阳能预测竞赛的数据集建立仿真实验。本文提出一种基于贝叶斯模型组合的集成学习方法用于提高太阳能辐照度预测的可靠性。首先,K-means聚类和K折交叉验证将气象数据训练集分解成多个训练子集,以增加基学习器的多样性并保证均匀采样。其次,将多组训练子集导入并训练集成学习的基学习器。为了弥补单个基学习器的缺陷,本文将多个基学习器在验证集上的预测结果输入贝叶斯模型组合算法,根据验证集上预测性能制定模型的组合策略。实验结果证明了文中所提出的集成学习方法可以精确地预测不同气象条件下的太阳能辐照度,具有良好的预测精度及可靠性。为了分析不同采样时刻气象数据的相关性与太阳能辐照度之间的关系及不同站点气象数据的相关性与太阳能辐照度之间的关系,本文根据标... 

【文章来源】：天津大学天津市 211工程院校 985工程院校 教育部直属院校

【文章页数】：84 页

【学位级别】：硕士

【部分图文】：

GEFS站点与Oklahoma州98个中尺度站的位置关系

中尺度站与 GEFS 站点地理分包含周围 4 个 GEFS 站气象属性在 5 个采样时刻个 GBRT 模型的输出值融合进行加权求和，以匹配该中11 MJ m-2。权对中尺度站周围 4 个 GE GEFS 站点的欧几里得距4141i GEFSiiMesonetiiwVVw 点 i 的气象数据组成两个 GEFS 站点之间的距离刻可以获得 75 个属性变量

waGBRT s 模型使用周。 0.5* 1.5n GBRT s GBRTfinal p 一名类似，使用非线性加权技术]。EFS 站点并不完全重合，故有些参(如图 2-2)的气象预报数据作为预度站与GEFS3 站点非常接近，此站点的距离。在本文中，选择中尺为预测模型的输入特征。

【参考文献】：
期刊论文
[1]基于改进EMD及Elman算法的短期光伏功率预测研究[J]. 徐敏姣,徐青山,袁晓冬.  现代电力. 2016(03)
[2]基于卷积神经网络的搜索广告点击率预测[J]. 李思琴,林磊,孙承杰.  智能计算机与应用. 2015(05)
[3]太阳能并网发电技术概述[J]. 林燕.  电器工业. 2009(12)
[4]能源消耗、二氧化碳排放与中国工业的可持续发展[J]. 陈诗一.  经济研究. 2009(04)
[5]用于太阳能空调的板型溴化锂吸收式制冷机[J]. 刘震华,陈亚平.  能源研究与利用. 2005(02)

硕士论文
[1]改进的卷积神经网络在金融预测中的应用研究[D]. 张贵勇.郑州大学 2016
[2]太阳能光伏电站输出功率预测研究[D]. 杨蕾.兰州交通大学 2014
[3]监督学习算法在预测太阳能生产中的应用[D]. 戴卫特.中南大学 2014



本文编号：2953263