CN106096246B - 基于pm2.5和pm10的气溶胶光学厚度估计方法 - Google Patents

基于pm2.5和pm10的气溶胶光学厚度估计方法 Download PDF

Info

Publication number
CN106096246B
CN106096246B CN201610389671.0A CN201610389671A CN106096246B CN 106096246 B CN106096246 B CN 106096246B CN 201610389671 A CN201610389671 A CN 201610389671A CN 106096246 B CN106096246 B CN 106096246B
Authority
CN
China
Prior art keywords
particle
aod
prediction model
neural network
concentration
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201610389671.0A
Other languages
English (en)
Other versions
CN106096246A (zh
Inventor
刘卫亮
李金拓
马良玉
李静
刘长良
陈文颖
林永君
熊峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
North China Electric Power University
Original Assignee
North China Electric Power University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by North China Electric Power University filed Critical North China Electric Power University
Priority to CN201610389671.0A priority Critical patent/CN106096246B/zh
Publication of CN106096246A publication Critical patent/CN106096246A/zh
Application granted granted Critical
Publication of CN106096246B publication Critical patent/CN106096246B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
    • G16Z99/00—Subject matter not provided for in other main groups of this subclass

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

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。

Description

基于PM2.5和PM10的气溶胶光学厚度估计方法
技术领域
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
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(AOD)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(MODIS)监测数据反演AOD，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AOD，精度较高，但是标定工作较为复杂。
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。
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AOD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(AOD)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
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(AOD)的实际样本的基础上，建立AOD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(AOD)预测。该方法包括以下步骤：
1.以地面的能见度v，湿度h，PM2.5浓度C0，PM10浓度C1为输入，大气气溶胶光学厚度AOD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C0、PM10浓度C1、能见度v、湿度h以及大气气溶胶光学厚度AOD，得到一个样本(C0(k)，C1(k)，v(k)，h(k)，AOD(k))；通过收集多个不同时刻下的样本，形成样本集{(C0(k)，C1(k)，v(k)，h(k)，AOD(k))}；
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(C0(k)，C1(k)，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C0(k)，第四个输入为C1(k)，输出为AOD(k)；
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：
①设置粒子群体规模N以及各粒子初始位置i＝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；
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；xpj为网络实际输出值；
③更新群体中的fbest与fworst(fbest＝minfj，fworst＝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，Fi d(t)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，为第i个粒子的第d维的加速度，randj为[0，1]之间的随机数，G(t)为引力时间常数；Mpi(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；
⑤按照下式更新各粒子的速度vi与位置Pi：
式中：为第i个粒子的第d维的速度；
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阈值；
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C0、PM10浓度C1、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AOD的估计值
本发明的有益效果在于：
(1)利用可实时获取的地面的PM2.5浓度C0、PM10浓度C1、能见度v、湿度h等数据对AOD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。
(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。
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
图1为本发明所提出的AOD预测模型结构图；
图2为本发明AOD预测模型结所采用的三层BP神经网络结构图；
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；
图4为实施例中AOD预测模型在检验样本上的估计结果。
具体实施方式
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。
1.以地面的能见度v，湿度h，PM2.5浓度C0，PM10浓度C1为输入，大气气溶胶光学厚度AOD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：
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C0、PM10浓度C1、能见度v、湿度h以及大气气溶胶光学厚度AOD，得到一个样本(C0(k)，C1(k)，v(k)，h(k)，AOD(k))；通过收集多个不同时刻下的样本，形成样本集{(C0(k)，C1(k)，v(k)，h(k)，AOD(k))}；
实施例中，共收集250个样本；
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(C0(k)，C1(k)，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C0(k)，第四个输入为C1(k)，输出为AOD(k)；
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：
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。
该算法的原理为：
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i＝1，2，3，…，N，第t次迭代时，粒子j对i的万有引力定义为
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。
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：
Mai＝Mpi＝Mi (2)
对于极小化问题，fbest＝minfj，fworst＝maxfj。
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：
基于牛顿第二定律，粒子i产生的加速度为：
则粒子的速度和位置可以更新为：
式中：为第i个粒子的第d维的位置；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。
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：
①设置粒子群体规模N以及各粒子初始位置i＝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l＝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wlh＝{wji|j＝1，…，l，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，bh和bm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Pi＝[wlh，bh，whm，bm]，故D＝31，设置最大迭代次数为1000次；
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神经网络在训练样本上的均方差：
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＝1，p＝200；
③更新群体中的fbest与fworst，按照式(4)计算各粒子的质量Mi；
④按照公式(5)(6)计算各粒子的引力合力Fi与加速度ai；
⑤按照公式(7)(8)更新各粒子的速度vi与位置Pi；
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所示。
表1
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C0、PM10浓度C1、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AOD的估计值
实施例中，某一环境下地面的PM2.5浓度C0＝170ug/m3、PM10浓度C1＝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
为了验证本发明所提出的AOD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。
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。

Claims (1)

1.一种基于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-大气气溶胶光学厚度AOD的实际样本的基础上，建立AOD的万有引力神经网络预测模型，并利用该模型进行AOD估计，其特征是，所述方法按以下步骤进行处理：
步骤1.以地面的能见度v，湿度h，PM2.5浓度C0，PM10浓度C1为输入，大气气溶胶光学厚度AOD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C0、PM10浓度C1、能见度v、湿度h以及大气气溶胶光学厚度AOD，得到一个样本(C0(k)，C1(k)，v(k)，h(k)，AOD(k))；通过收集多个不同时刻下的样本，形成样本集{(C0(k)，C1(k)，v(k)，h(k)，AOD(k))}；
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(C0(k)，C1(k)，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C0(k)，第四个输入为C1(k)，输出为AOD(k)；
c.随机抽取样本集中的80％作为训练样本，剩余的20％作为检验样本，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：
①设置粒子群体规模N以及各粒子初始位置i＝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；
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；xpj为网络实际输出值；
③更新群体中的fbest与fworst，fbest＝minfj，fworst＝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，Fi d(t)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，为第i个粒子的第d维的加速度，randj为[0，1]之间的随机数，G(t)为引力时间常数；Mpi(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；
⑤按照下式更新各粒子的速度vi与位置Pi：
式中：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阈值；
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C0、PM10浓度C1、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AOD的估计值
CN201610389671.0A 2016-06-06 2016-06-06 基于pm2.5和pm10的气溶胶光学厚度估计方法 Expired - Fee Related CN106096246B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610389671.0A CN106096246B (zh) 2016-06-06 2016-06-06 基于pm2.5和pm10的气溶胶光学厚度估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610389671.0A CN106096246B (zh) 2016-06-06 2016-06-06 基于pm2.5和pm10的气溶胶光学厚度估计方法

Publications (2)

Publication Number Publication Date
CN106096246A CN106096246A (zh) 2016-11-09
CN106096246B true CN106096246B (zh) 2018-08-31

Family

ID=57448052

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610389671.0A Expired - Fee Related CN106096246B (zh) 2016-06-06 2016-06-06 基于pm2.5和pm10的气溶胶光学厚度估计方法

Country Status (1)

Country Link
CN (1) CN106096246B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109060618A (zh) * 2018-08-20 2018-12-21 国网冀北电力有限公司张家口供电公司 一种光伏发电功率预测装置及方法
CN109343004B (zh) * 2018-09-18 2023-01-20 南京理工大学 提高平面相控阵天线波束指向精度的迭代馈相计算方法
CN109063938B (zh) * 2018-10-30 2021-11-26 浙江工商大学 基于psode-bp神经网络的空气质量预测方法
CN111861784A (zh) * 2020-06-01 2020-10-30 大唐东北电力试验研究院有限公司 基于人工蜂群优化神经网络的光伏发电功率短期预测方法
CN115081557A (zh) * 2022-08-22 2022-09-20 北华航天工业学院 基于地面监测数据的夜间气溶胶光学厚度估算方法和系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1710379A (zh) * 2005-07-05 2005-12-21 华东师范大学 航空高光谱遥感反演边界层气溶胶光学厚度的大气校正法
CN104806450A (zh) * 2015-03-25 2015-07-29 华北电力大学（保定） 一种基于万有引力神经网络的风电系统mppt控制方法
CN105023043A (zh) * 2015-07-23 2015-11-04 杭州师范大学 一种基于aod的杭州地区pm2.5反演模型

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1710379A (zh) * 2005-07-05 2005-12-21 华东师范大学 航空高光谱遥感反演边界层气溶胶光学厚度的大气校正法
CN104806450A (zh) * 2015-03-25 2015-07-29 华北电力大学（保定） 一种基于万有引力神经网络的风电系统mppt控制方法
CN105023043A (zh) * 2015-07-23 2015-11-04 杭州师范大学 一种基于aod的杭州地区pm2.5反演模型

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
BP网络框架下MODIS气溶胶光学厚度产品估算中国东部PM2.5;郭建平 等;《环境科学》;20130331;第34卷(第3期);第817-825页 *
Machine Learning and Bias Correction of MODIS Aerosol Optical Depth;D.J.Lary et al.;《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》;20091031;第6卷(第4期);第694-698页 *
基于神经网络的陆地气溶胶光学厚度反演方法研究;于忠臣;《中国优秀硕士学位论文全文数据库 工程科技I辑》;20141015(第10期);论文摘要、第22-24页 *

Also Published As

Publication number Publication date
CN106096246A (zh) 2016-11-09

Similar Documents

Publication Publication Date Title
CN106096246B (zh) 基于pm2.5和pm10的气溶胶光学厚度估计方法
Han et al. Joint air quality and weather prediction based on multi-adversarial spatiotemporal networks
CN106651036A (zh) 空气质量预报系统
Huang et al. An analytical comparison of four approaches to modelling the daily variability of solar irradiance using meteorological records
CN107016095B (zh) 基于多源碳数据的气候变化综合评估方法
CN110232471B (zh) 一种降水传感网节点布局优化方法及装置
CN104008278B (zh) 一种基于特征向量和最小二乘支持向量机的pm2.5浓度预测方法
CN111650672B (zh) 采用时间堆栈实现空气污染物大气扩散快速预测的方法
CN107133686A (zh) 基于时空数据模型的城市级pm2.5浓度预测方法
CN106372718B (zh) 雾霾积灰条件下的光伏发电功率输出减少率估计方法
Zhang et al. Prediction of urban pm 2.5 concentration based on wavelet neural network
CN105787184A (zh) 一种基于pm2.5的大气气溶胶光学厚度估计方法
Jiang et al. A Municipal PM2. 5 Forecasting Method Based on Random Forest and WRF Model.
He et al. Urban PM2. 5 diffusion analysis based on the improved Gaussian smoke plume model and support vector machine
Zhang et al. Crop disease source location and monitoring system based on diffractive light identification airborne spore sensor network
CN105022101A (zh) 强对流云团追踪方法
Chen et al. Urban inundation rapid prediction method based on multi-machine learning algorithm and rain pattern analysis
CN106447072A (zh) 基于显式遗传算法和奇异谱分析的气象水文要素预报方法
Ma et al. Guiding the data learning process with physical model in air pollution inference
CN117370813A (zh) 一种基于k线模式匹配算法的大气污染深度学习预测方法
CN110019167A (zh) 一种中长期新能源资源资料库构建方法及系统
CN117233866A (zh) 基于cnop的气象集合预报系统、方法与存储介质
CN116882741A (zh) 一种超标准洪水灾害动态定量评估方法
CN114996624B (zh) 一种基于多任务深度学习的遥感pm2.5和no2协同反演方法
Hu et al. Prediction of PM2. 5 based on Elman neural network with chaos theory

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20180831

Termination date: 20190606

RR01 Reinstatement of patent right
RR01 Reinstatement of patent right

Former decision: Patent right to terminate

Former decision publication date: 20200602

CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20180831