CN107977728A - 一种基于bp人工神经网络的中长期逐小时气温预测方法 - Google Patents
一种基于bp人工神经网络的中长期逐小时气温预测方法 Download PDFInfo
- Publication number
- CN107977728A CN107977728A CN201710709719.6A CN201710709719A CN107977728A CN 107977728 A CN107977728 A CN 107977728A CN 201710709719 A CN201710709719 A CN 201710709719A CN 107977728 A CN107977728 A CN 107977728A
- Authority
- CN
- China
- Prior art keywords
- air temperature
- day
- data
- hourly
- prediction
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明涉及一种基于BP人工神经网络的中长期逐小时气温预测方法,包括步骤:1)获取历史日气象预报数据及历史日逐小时实际气温数据;2)数据初始化,确定输入向量和输出向量,进行归一化;3)构建基于BP人工神经网络的逐小时气温预测模型;4)执行误差反向传播算法训练和交叉校验,获取预测模型参数;5)获取预测日气象预报数据;6)计算未来第1个预测日的逐小时气温;7)依次将前一个预测日的逐小时气温作为输入数据,迭代计算每个预测日的逐小时气温;8)预测日逐小时气温结果反归一化变换。本发明根据历史日气象预报数据、历史日逐小时气温数据和长期气象预报数据,迭代计算得到未来多个预测日的逐小时气温,预测准确度高超前时间长。
Description
技术领域
本发明涉及一种气温预测方法,尤其是涉及一种基于BP人工神经网络的中长期逐小时气温预测方法。
背景技术
随着社会的发展和科技的进步,预测技术在系统运行管理过程中变得愈发重要。而很多的预测对象与气温具有密切的关系,因而气温预测的周期和精度也就决定了相应预测对象的预测周期和预测精度。尤其是需要中长期逐小时气温预测值的场合,比如某地区未来30天逐小时用电负荷,未来40天逐小时天然气使用需求等。
在智能电网、电力系统以及微电网中,电力需求侧管理越来越受重视。负荷管理是其中的重要内容,要求对电力负荷进行长期准确的预测。电力负荷与气温相关,尤其与日逐小时气温相关。关于电力负荷的预测方法有很多,不管采用哪种方法进行负荷中长期预测,都需要逐小时气温预测信息。
此外,天然气的大范围使用以及热电联产项目的推广,对天然气站的运行和管理提出了更高要求。天然气使用需求则与气温密切相关,也需要中长期的逐小时气温预测作为依据。
一般来说,鉴于类似电力负荷和天然气使用需求等与气温相关的预测对象,其预测方法中的气温均采用气象数据。而气象局公布的天气预报产品一般只包含日最高气温和最低气温,缺乏逐小时气温信息,尤其是中长期(如未来40天)的天气预报。考虑到与气温相关的对象的中长期预测,目前还没有专门的逐小时气温预测方法,或者目前的气温预测方法不适用于中长期的逐小时气温预测,以至于与气温相关的对象的预测方法在推广到中长期预测时将遇到困难,预测的精度和准确度难以保证。因此,针对需要中长期逐小时气温预测值的场合,亟需一种中长期的逐小时气温预测方法。
发明内容
本发明所要解决的技术问题,就是提供一种基于BP人工神经网络的中长期逐小时气温预测方法,其根据历史日气象预报数据、历史日逐小时气温数据和中长期气象预报数据,迭代计算得到未来多个预测日的逐小时气温,预测的精度和准确度相对现有的方法更准确。
为解决上述技术问题,本发明所采用的技术方案如下。
一种基于BP人工神经网络的中长期逐小时气温预测方法,其特征是包括以下步骤:
步骤001:获取历史日气象预报数据及历史日逐小时实际气温数据;
步骤002:数据初始化,确定输入向量和输出向量,并进行归一化处理;
步骤003:构建基于BP人工神经网络的逐小时气温预测模型,包含3个子步骤及其对应的子模块;
(模型指的是由SFM、FFM和OCM三个模块组成的系统,该模型在说明书和实施例中给出,而非具体的BP神经网络模型。因BP神经网络是一种熟知的模型,本发明只在实施例中给出BP神经网络的主要内容)
步骤003-1:构建基于BP人工神经网络的逐小时气温慢速变化预测模块(SFM),输入数据是历史日气象预报数据、历史日逐小时实际气温;
步骤003-2:构建基于BP人工神经网络的逐小时气温快速变化预测模块(FFM),输入数据是历史日气象预报数据、历史日逐小时实际气温变化值;
步骤003-3:构建输出组合模块(OCM),将SFM和FFM的输出加权叠加;
步骤004:执行误差反向传播算法训练和交叉校验,获取预测模型参数;
步骤005:获取预测日气象预报数据;
步骤006:计算未来第1个预测日的逐小时气温;
步骤007:依次将前一个预测日的逐小时气温作为输入数据,迭代计算每个预测日的逐小时气温;
步骤008:预测日逐小时气温结果反归一化变换。
所述步骤001的获取历史日气象预报数据及历史日逐小时实际气温数据,指收集并整理一个地区至少一年的历史日气象预报数据和历史日逐小时实际气温数据(例如某地区过去一年关于每天的气象预报数据和实际逐小时气温数据),作为人工神经网络的训练数据;所述的历史日气象预报数据包括历史日最高气温Tmax、最低气温Tmin、降雨概率R、天气状态Wcond和平均风速Wspeed。
上述数据一般来自于各地气象台,亦可由AccuWeather等商业性气象公司提供。本方法即是建立上述历史日气象预报数据与历史日逐小时实际气温数据的BP人工神经网络模型,用于在已知中长期气象预报的情况下,预测未来1天至数十天逐小时气温。
所述步骤002的数据初始化包括对原始数据的预处理、归一化处理和准备训练样本;天气状态包括晴、多云、阴、雨和雪,由文字描述并将其数字化便于输入神经网络;Wcond={晴,多云,阴,雨,雪}={-2,-1,0,1,2};
分别找出历史气象数据中气温的最大值HTmax和最小值HTmin,以及历史风速的最大值HWmax和最小值HWmin,将历史日气象预报数据中的最高气温、最低气温、平均风速及历史日逐小时气温数据进行最大最小值的线性归一化处理;
历史气象数据不等同于历史日气象预报数据,指的是长达几十年的历史气象数据的记录,此处找最大最小值的目的是归一化,防止归一化后的数据超出0-1的范围。
将相邻两天的数据组合形成训练样本,以第一天的日气象预报数据、实际的日逐小时气温(或气温变化值)和第二天的日气象预报数据作为输入向量;以第二天的实际逐小时气温(或气温变化值)作为输出向量;
以后依此类推,第二天与第三天的日气象预报数据和实际的日逐小时气温(或气温变化值)按照上述方式组合成训练样本。
所述步骤003的构建基于BP人工神经网络的逐小时气温预测模型包含3部分:逐小时气温慢速变化预测模块(SFM)、逐小时气温快速变化预测模块(FFM)和输出组合模块(OCM);SFM和FFM是两个独立的BP人工神经网络,其结构相同只是输入输出稍有不同:SFM反映的是逐小时气温与日气象预报数据之间的基本规律,不适用于预测气温快速变化的情况;FFM反映的是逐小时气温变化相对于气象因素变化的规律,可以很好地预测逐小时气温的变化;因此,逐小时气温预测的结果应是SFM和FFM输出结果的叠加,由输出组合模块OCM来完成。
所述的逐小时气温慢速变化预测模块(SFM)是一个由3层神经元组成的BP神经网络,输入层有34个神经元,输出层有24个神经元,隐含层有M个神经元。34个输入节点(本发明中节点与神经元含义相同)分别为第d日的气象预报数据,由最高气温最低气温降雨概率Rd、天气状态和平均风速5个因素组成;第d+1日的气象预报数据,同样包含以上5个因素:最高气温最低气温降雨概率Rd+1、天气状态和平均风速第d日24小时的逐小时气温24个输出节点为第d+1日的24小时的逐小时气温隐含层节点数为M,一般来说,神经网络的输出误差随隐含层节点数的增加先减小后增大,可通过试凑的方式找到最佳的隐含层节点数。
所述的逐小时气温快速变化预测模块(FFM)与SFM相同,也是由3层神经元组成的BP神经网络,输入节点数和输出节点数分别与SFM相同,隐含层节点数为M’;34个输入节点分别为第d日的气象预报数据、第d+1日的气象预报数据,分别包含最高气温Tmax、最低气温Tmin、降雨概率R、天气状态Wcond和平均风速Wspeed5个因素,符号与SFM相同;第d日相对第d-1日(表示第d日的前一日,气温为的24小时逐小时气温的变化值表示为24个输出节点为第d+1日相对第d日的24小时的逐小时气温变化值,即则第d+1日的逐小时气温为隐含层节点数M’同样通过试凑法确定。
所述的输出组合模块(OCM),以SFM的输出向量和FFM的输出向量作为输入,将两个预测模块的预测结果叠加组合得到最终的预测结果
按照输入不同分类,叠加组合的方式有两种,表示如下:
式中:
Tempd和Tempd+1为相邻两日(第d日和第d+1日)的逐小时气温向量;
和分别为SFM和FFM的输出向量;
f1(·)和f2(·)表示线性或非线性映射(或函数)关系。
上式中所有输入和输出均为24维的向量,即24小时的逐小时气温或气温变化量;f1(·)和f2(·)所表示的映射关系的典型形式为线性加权方式,对应表示如下:
式中的α和β为加权系数,通过最小二乘法确定;
除了以上典型的线性加权方式,OCM还包括其他的非线性叠加方式,例如OCM可以是一个BP神经网络,通过神经网络学习的方式获得这种非线性叠加方式。
所述步骤004为BP神经网络的学习过程,过程包含两个方面的内容,一是基于δ学习规则的误差反向传播算法,二是交叉校验算法;神经网络的隐含层和输出层神经元采用Sigmoid型激活函数,学习的形式采用在线学习或者离线学习的方式;所谓的在线学习是对每个样本数据逐一更新网络权值,虽然可以节省存储空间,但有时会增加网络的整体输出误差;所谓离线学习是指用所有样本数据训练网络,累加各权值修正量并统一修正网络权值,特点是学习速度较快。
本发明采用分组批处理学习与k折交叉校验相结合的方式训练神经网络,即将训练数据分为k组,取k-1组作为训练数据,依次留出1组作为校验数据;对于k-1组训练数据中的每一组采用离线学习方式训练网络获得网络参数,用留出的1组数据校验其是否满足给定的预测精度;若满足则进行k折交叉校验的下一次训练,否则用校验数据训练并修正网络再转入下一次训练。
网络训练完成后,获取未来多日的气象预报数据,首先计算未来第1个预测日的逐小时气温,需要以前两日的气象预报数据和实际的逐小时气温作为输入。依次以前一预测日的逐小时气温预测值作为输入,迭代计算后一预测日的逐小时气温。
有益效果:本发明一方面充分利用已有的历史日气象预报数据和历史日逐小时气温数据,通过两个BP神经网络,分别预测逐小时气温的基本规律和变化趋势,最终获得逐小时气温预测值;另一方面充分利用中长期天气预报数据和已经获得的逐小时气温预测数据,通过迭代的方式预测更长时间的逐小时气温,本发明预测的准确度高,超前时间长,适合做中长期的逐小时气温预测。
附图说明
图1.本发明流程图;
图2.逐小时气温预测系统框图;
图3.SFM神经网络结构图;
图4.FFM神经网络结构图;
图5a.连续31日逐小时气温预测结果图;
图5b.连续31日逐小时气温预测结果相对误差图;
图6a.连续72小时逐小时气温预测结果图;
图6b.连续72小时逐小时气温预测结果相对误差图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
图1是本发明的实施例流程图,本发明包含8个步骤,分别是获取历史数据(001)、数据初始化(002)、构建预测模型(003)、算法训练和交叉校验得到模型参数(004)、获取预测日气象预报数据(005)、计算第1个预测日逐小时气温(006)、迭代计算每个预测日逐小时气温(007)、预测日逐小时气温结果反归一化变换(008)。
1)获取历史数据
获取历史日气象预报数据及历史日逐小时气温数据,历史日气象预报数据包括历史日最高气温Tmax、最低气温Tmin、降雨概率R、天气状态Wcond和平均风速Wspeed。历史日气象预报数据一般可以通过互联网收集,也可以是某个地区长期的实际气象数据的记录;历史日逐小时气温可以是某地区长期的气象数据的记录,也可以是气温传感器长期测量并记录的数据。历史数据至少应包含连续一年每日的气象预报数据和逐小时气温数据,一般来说,最好能有连续三年的数据,才能建立更加精确地预测模型。
2)数据初始化
数据初始化包含对原始数据的预处理、归一化处理和准备训练样本。气象预报中的天气状态是以文字描述的,不宜也不能直接作为训练数据使用,因此要将其数字化,数字化的形式以下面的枚举形式表示:
Wcond={晴,多云,阴,雨,雪}={-2,-1,0,1,2}
其数值已经很小,因而不需要再归一化处理。考虑到天气状态除了上式中典型的5种,还会出现类似晴转多云、小雨、雨夹雪等多种类型,可以采用模糊化的方法来处理,比如用-1.5表示晴转多云,用-0.5表示中雨。用模糊化方法对天气状态进行细致划分,将会使预测模型更加精细。
降雨概率是一个百分数,不需要归一化处理,需要归一化处理的是气温和风速。采用最大最小值的线性归一化处理方法,首先找出历史气象数据中气温的最大值HTmax和最小值HTmin,以及历史风速的最大值HWmax和最小值HWmin,归一化用如下公式表示:
T'和Wspeed'分别为归一化之后的气温和风速,公式中的T可以是气象预报中的最高气温、最低气温,或逐小时气温。为描述简便,下文中涉及到的归一化后的变量仍以原来的符号表示,不再另行标识,归一化后变量表示:历史日最高气温Tmax、最低气温Tmin、降雨概率R、天气状态Wcond和平均风速Wspeed,逐小时气温Tempt(t=1,2...,24)。
为了适应本发明建立的BP神经网络模型,需要将归一化后的数据进行处理形成训练样本,现结合图3和图4进行说明。图3描述的逐小时气温慢速变化预测模块(SFM),输入数据为相邻两天的气象预报数据和第d日逐小时气温数据,输出为第d+1天的逐小时气温。输入向量与输出向量分别表示如下:
图4描述的逐小时气温快速变化预测模块(FFM),输入数据为相邻两天的气象预报数据和第d日逐小时气温数据变化量,输出为第d+1日的逐小时气温变化量。实际上,FFM需要处理相邻三天的数据,包括第d-1日的逐小时气温,输入向量与输出向量分别表示如下:
3)构建预测模型
逐小时气温预测模型框图如图2所示,由基于BP人工神经网络的逐小时气温慢速变化预测模块(SFM),基于BP人工神经网络的逐小时气温快速变化预测模块(FFM)和输出组合模块(OCM)构成。
SFM输入数据是历史日气象预报数据、历史日逐小时气温,如图3所示。
FFM输入数据是历史日气象预报数据、历史日逐小时气温变化值,如图4所示。
OCM将SFM和FFM的输出加权叠加,例如采用线性加权方式式中α和β通过最小二乘法确定。
4)算法训练和交叉校验得到模型参数
使用k折交叉校验,若历史数据为一年的数据,令k=12,即按月将数据分为12份,从后往前依次留出一份数据作为校验数据,其余11份数据作为训练数据。
具体作法是,第一次留出12月份的数据作为校验数据,用其余数据训练网络;待网络训练完成,用校验数据检验网络的预测精度是否满足给定的精度要求,如要求预测误差不超过5%;若满足精度要求,则留出11月份数据作为校验数据,进行下一次训练;否则用校验数据修正网络再进行下一次训练;直至网络训练完成12次,结束神经网络学习。
无论是用于训练的11份训练数据,还是留出的用于修正网络权值的1份校验数据,均采用离线学习的方式,累加权值的修正量,待1份数据训练完后再更新网络权值。典型的学习规则采用δ学习规则,即误差纠正规则,隐含层与输出层均采用Sigmoid型激活函数,输出层和隐含层的任意神经元k和i(如图3或图4所示)在所有样本作用时的加权系数增量公式如下:
式中wij和wki分别为输入层到隐含层和隐含层到输出层的权值;和分别为样本数据p经过输入层神经元j、隐含层神经元i和输出层神经元k的输出;为样本p对应的输出;η(η>0)为学习速率。
5)获取预测日气象预报数据
获取未来中长期的气象预报数据,要求与当前的历史日气象预报数据连续起来,并按步骤2所述进行初始化。
6)计算第1个预测日逐小时气温
用上述训练完成的神经网络,分别进行慢速逐小时气温预测和快速逐小时气温预测,通过OCM叠加获得第1个预测日逐小时气温。
7)迭代计算每个预测日逐小时气温
输入是相应预测日与前一日的气象预报数据和前一日的逐小时气温预测值。迭代计算的含义即指用前一预测日的逐小时气温预测值,结合该预测日的气象预报数据,预测该日的逐小时气温。
8)预测日逐小时气温结果反归一化变换
用于神经网络训练和预测的数据都经过归一化处理,所得的预测结果也是归一化后的结果,因此需要反归一化处理,如下式所示:
T=T'(HTmax-HTmin)+HTmin
式中T'表示预测模型输出的气温预测值,T表示反归一化后的气温预测值。
使用某地区2015年和2016年共两年的日气象预报数据和日逐小时气温数据训练上述预测模型,并用其预测连续31天(2017年6月15日-2017年7月15日,预测的超前时间不限于1个月)的日逐小时气温。
为方便计算预测误差,所预测的连续31日具有历史记录,实际的日逐小时气温与预测的逐小时气温对比结果如图5a、图5b和图6a、图6b所示。从图5a和图5b连续31日逐小时气温预测结果可以看出,预测的误差最大值不超过4%;绝大部分预测结果误差不超过2%;图中有两至三处误差较大(超过3%)的情况,原因是气象条件发生较大变化,预测模型需要适应这种变化,随后预测误差即下降。
图6a连续72小时逐小时气温预测结果对应于图5a中前3日的逐小时气温预测结果,预测气温与实际气温变化趋势保持一致,预测误差均小于2.2%。由此可见,本发明提出的逐小时气温预测方法具有预测精度高,预测周期长的特点。
Claims (10)
1.一种基于BP人工神经网络的中长期逐小时气温预测方法,其特征是包括以下步骤:
步骤001:获取历史日气象预报数据及历史日逐小时气温数据;
步骤002:数据初始化,确定输入向量和输出向量,并进行归一化处理;
步骤003:构建基于BP人工神经网络的逐小时气温预测模型,其包含3个子步骤及其对应的子模块:
步骤003-1:构建基于BP人工神经网络的逐小时气温慢速变化预测模块SFM,输入数据是历史日气象预报数据、历史日逐小时实际气温;
步骤003-2:构建基于BP人工神经网络的逐小时气温快速变化预测模块FFM,输入数据是历史日气象预报数据、历史日逐小时实际气温变化值;
步骤003-3:构建输出组合模块OCM,将SFM和FFM的输出加权叠加;
步骤004:执行误差反向传播算法训练和交叉校验,获取预测模型参数;
步骤005:获取预测日气象预报数据;
步骤006:计算未来第1个预测日的逐小时气温;
步骤007:依次将前一个预测日的逐小时气温作为输入数据,迭代计算每个预测日的逐小时气温;
步骤008:预测日逐小时气温结果反归一化变换。
2.根据权利要求1所述的基于BP人工神经网络的中长期逐小时气温预测方法,其特征是:
所述的步骤001指收集并整理一个地区至少一年的历史日气象预报数据和历史日逐小时实际气温数据,作为人工神经网络的训练数据;
所述的历史日气象预报数据包括历史日最高气温Tmax、最低气温Tmin、降雨概率R、天气状态Wcond和平均风速Wspeed。
3.根据权利要求1所述的基于BP人工神经网络的中长期逐小时气温预测方法,其特征是:所述的步骤002的数据初始化包括对原始数据的预处理、归一化处理和准备训练样本;
天气状态包括晴、多云、阴、雨和雪,由文字描述并将其数字化便于输入神经网络:
Wcond={晴,多云,阴,雨,雪}={-2,-1,0,1,2};
分别找出历史气象数据中气温的最大值HTmax和最小值HTmin,以及历史风速的最大值HWmax和最小值HWmin,将历史日气象预报数据中的最高气温、最低气温、平均风速及历史日逐小时气温数据进行最大最小值的线性归一化处理;
将相邻两天的数据组合形成训练样本,以第一天的日气象预报数据、实际的日逐小时气温或气温变化值和第二天的日气象预报数据作为输入向量;以第二天的实际逐小时气温或气温变化值作为输出向量;
以后依此类推,第二天与第三天的日气象预报数据和实际的日逐小时气温或气温变化值按照上述方式组合成训练样本。
4.根据权利要求1所述的基于BP人工神经网络的中长期逐小时气温预测方法,其特征是:所述的步骤003的SFM和FFM是两个独立的BP人工神经网络,其结构相同只是输入输出不同:SFM反映的是逐小时气温与日气象预报数据之间的基本规律,不适用于预测气温快速变化的情况;FFM反映的是逐小时气温变化相对于气象因素变化的规律,可预测逐小时气温的变化;逐小时气温预测的结果应是SFM和FFM输出结果的叠加,由输出组合模块OCM来完成。
5.根据权利要求4所述的基于BP人工神经网络的中长期逐小时气温预测方法,其特征是:所述的逐小时气温慢速变化预测模块SFM是一个由3层神经元组成的BP神经网络,输入层有34个神经元,输出层有24个神经元,隐含层有M个神经元;
34个输入节点分别为第d日的气象预报数据,由最高气温最低气温降雨概率Rd、天气状态和平均风速5个因素组成;
第d+1日的气象预报数据,同样包含以上5个因素:最高气温最低气温降雨概率Rd+1、天气状态和平均风速
第d日24小时的逐小时气温
24个输出节点为第d+1日的24小时的逐小时气温隐含层节点数为M;
神经网络的输出误差随隐含层节点数的增加先减小后增大,通过试凑的方式找到最佳的隐含层节点数。
6.根据权利要求4所述的基于BP人工神经网络的中长期逐小时气温预测方法,其特征是:所述的逐小时气温快速变化预测模块FFM与SFM相同,也是由3层神经元组成的BP神经网络,输入节点数和输出节点数分别与SFM相同,隐含层节点数为M’;34个输入节点分别为第d日的气象预报数据、第d+1日的气象预报数据,分别包含最高气温Tmax、最低气温Tmin、降雨概率R、天气状态Wcond和平均风速Wspeed 5个因素;第d日相对第d-1日的24小时逐小时气温的变化值表示为24个输出节点为第d+1日相对第d日的24小时的逐小时气温变化值,即则第d+1日的逐小时气温为隐含层节点数M’同样通过试凑法确定。
7.根据权利要求4所述的基于BP人工神经网络的中长期逐小时气温预测方法,其特征是:所述的输出组合模块OCM,以SFM的输出向量和FFM的输出向量作为输入,将两个预测模块的预测结果叠加组合得到最终的预测结果
按照输入不同分类,叠加组合的方式有两种,表示如下:
<mrow>
<msup>
<mi>Temp</mi>
<mrow>
<mi>d</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msup>
<mo>=</mo>
<msub>
<mi>f</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<msubsup>
<mi>Temp</mi>
<mrow>
<mi>S</mi>
<mi>F</mi>
<mi>M</mi>
</mrow>
<mrow>
<mi>d</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>&Delta;Temp</mi>
<mrow>
<mi>F</mi>
<mi>F</mi>
<mi>M</mi>
</mrow>
<mrow>
<mi>d</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msup>
<mi>Temp</mi>
<mrow>
<mi>d</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msup>
<mo>=</mo>
<msub>
<mi>f</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<msubsup>
<mi>Temp</mi>
<mrow>
<mi>S</mi>
<mi>F</mi>
<mi>M</mi>
</mrow>
<mrow>
<mi>d</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>,</mo>
<msup>
<mi>Temp</mi>
<mi>d</mi>
</msup>
<mo>,</mo>
<msubsup>
<mi>&Delta;Temp</mi>
<mrow>
<mi>F</mi>
<mi>F</mi>
<mi>M</mi>
</mrow>
<mrow>
<mi>d</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
</mrow>
式中:
Tempd和Tempd+1为第d日和第d+1日相邻两日的逐小时气温向量;
和分别为SFM和FFM的输出向量,f1(·)和f2(·)表示线性或非线性映射或函数关系;
上式中所有输入和输出均为24维的向量,即24小时的逐小时气温或气温变化量;f1(·)和f2(·)所表示的映射关系的典型形式为线性加权方式,对应表示如下:
<mrow>
<msup>
<mi>Temp</mi>
<mrow>
<mi>d</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msup>
<mo>=</mo>
<mi>&alpha;</mi>
<mo>&CenterDot;</mo>
<msubsup>
<mi>Temp</mi>
<mrow>
<mi>S</mi>
<mi>F</mi>
<mi>M</mi>
</mrow>
<mrow>
<mi>d</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>+</mo>
<mi>&beta;</mi>
<mo>&CenterDot;</mo>
<msubsup>
<mi>&Delta;Temp</mi>
<mrow>
<mi>F</mi>
<mi>F</mi>
<mi>M</mi>
</mrow>
<mrow>
<mi>d</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
</mrow>
<mrow>
<msup>
<mi>Temp</mi>
<mrow>
<mi>d</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msup>
<mo>=</mo>
<mi>&alpha;</mi>
<mo>&CenterDot;</mo>
<msubsup>
<mi>Temp</mi>
<mrow>
<mi>S</mi>
<mi>F</mi>
<mi>M</mi>
</mrow>
<mrow>
<mi>d</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>+</mo>
<mi>&beta;</mi>
<mo>&CenterDot;</mo>
<mrow>
<mo>(</mo>
<msup>
<mi>Temp</mi>
<mi>d</mi>
</msup>
<mo>+</mo>
<msubsup>
<mi>&Delta;Temp</mi>
<mrow>
<mi>F</mi>
<mi>F</mi>
<mi>M</mi>
</mrow>
<mrow>
<mi>d</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
</mrow>
式中的α和β为加权系数,通过最小二乘法确定。
8.根据权利要求1所述的基于BP人工神经网络的中长期逐小时气温预测方法,其特征是:所述的步骤004包含两个方面的内容:一是基于δ学习规则的误差反向传播算法;二是交叉校验算法;神经网络的隐含层和输出层神经元采用Sigmoid型激活函数,学习的形式采用在线学习或者离线学习的方式;所述的在线学习是对每个样本数据逐一更新网络权值,所述的离线学习是指用所有样本数据训练网络,累加各权值修正量并统一修正网络权值。
9.根据权利要求8所述的基于BP人工神经网络的中长期逐小时气温预测方法,其特征是:采用分组批处理学习与k折交叉校验相结合的方式训练神经网络:
将训练数据分为k组,取k-1组作为训练数据,依次留出1组作为校验数据;对于k-1组训练数据中的每一组采用离线学习方式训练网络获得网络参数,用留出的1组数据校验其是否满足给定的预测精度;
若满足则进行k折交叉校验的下一次训练,否则用校验数据训练并修正网络再转入下一次训练。
10.根据权利要求1所述的基于BP人工神经网络的中长期逐小时气温预测方法,其特征是:所述步骤006和步骤007具体为:
网络训练完成后,获取未来多日的气象预报数据,首先计算未来第1个预测日的逐小时气温,以前两日的气象预报数据和实际的逐小时气温作为输入;依次以前一预测日的逐小时气温预测值作为输入结合相邻两日的天气预报数据,迭代计算后一预测日的逐小时气温。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710709719.6A CN107977728A (zh) | 2017-08-18 | 2017-08-18 | 一种基于bp人工神经网络的中长期逐小时气温预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710709719.6A CN107977728A (zh) | 2017-08-18 | 2017-08-18 | 一种基于bp人工神经网络的中长期逐小时气温预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107977728A true CN107977728A (zh) | 2018-05-01 |
Family
ID=62012384
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710709719.6A Pending CN107977728A (zh) | 2017-08-18 | 2017-08-18 | 一种基于bp人工神经网络的中长期逐小时气温预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107977728A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111023224A (zh) * | 2019-12-05 | 2020-04-17 | 珠海横琴能源发展有限公司 | 一种供冷/热管网水力失调的控制方法及系统 |
CN112183897A (zh) * | 2020-11-02 | 2021-01-05 | 成都卡普数据服务有限责任公司 | 基于深度学习的架空输电线路覆冰厚度的长时间预测方法 |
CN112257962A (zh) * | 2020-11-16 | 2021-01-22 | 南方电网科学研究院有限责任公司 | 一种台区线损预测方法及装置 |
CN113094637A (zh) * | 2021-04-08 | 2021-07-09 | 云岚空间(北京)科技有限公司 | 气象预报方法及装置、电子设备、存储介质 |
CN115826095A (zh) * | 2022-11-01 | 2023-03-21 | 江西省气象台(江西省环境预报中心) | 地面气温预报方法、系统、终端及存储介质 |
-
2017
- 2017-08-18 CN CN201710709719.6A patent/CN107977728A/zh active Pending
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111023224A (zh) * | 2019-12-05 | 2020-04-17 | 珠海横琴能源发展有限公司 | 一种供冷/热管网水力失调的控制方法及系统 |
CN112183897A (zh) * | 2020-11-02 | 2021-01-05 | 成都卡普数据服务有限责任公司 | 基于深度学习的架空输电线路覆冰厚度的长时间预测方法 |
CN112183897B (zh) * | 2020-11-02 | 2024-06-28 | 成都卡普数据服务有限责任公司 | 基于深度学习的架空输电线路覆冰厚度的长时间预测方法 |
CN112257962A (zh) * | 2020-11-16 | 2021-01-22 | 南方电网科学研究院有限责任公司 | 一种台区线损预测方法及装置 |
CN112257962B (zh) * | 2020-11-16 | 2023-05-26 | 南方电网科学研究院有限责任公司 | 一种台区线损预测方法及装置 |
CN113094637A (zh) * | 2021-04-08 | 2021-07-09 | 云岚空间(北京)科技有限公司 | 气象预报方法及装置、电子设备、存储介质 |
CN113094637B (zh) * | 2021-04-08 | 2024-03-19 | 云岚空间(北京)科技有限公司 | 气象预报方法及装置、电子设备、存储介质 |
CN115826095A (zh) * | 2022-11-01 | 2023-03-21 | 江西省气象台(江西省环境预报中心) | 地面气温预报方法、系统、终端及存储介质 |
CN115826095B (zh) * | 2022-11-01 | 2023-11-28 | 江西省气象台(江西省环境预报中心) | 地面气温预报方法、系统、终端及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gao et al. | Day-ahead power forecasting in a large-scale photovoltaic plant based on weather classification using LSTM | |
CN107977728A (zh) | 一种基于bp人工神经网络的中长期逐小时气温预测方法 | |
Wang et al. | Adaptive learning hybrid model for solar intensity forecasting | |
Abuella et al. | Solar power forecasting using artificial neural networks | |
Mandal et al. | A neural network based several-hour-ahead electric load forecasting using similar days approach | |
CN111260136A (zh) | 一种基于arima-lstm组合模型的楼宇短期负荷预测方法 | |
CN110348624B (zh) | 一种基于Stacking集成策略的沙尘暴等级预测方法 | |
Scott et al. | Machine learning for forecasting a photovoltaic (PV) generation system | |
CN112101669B (zh) | 一种基于改进极限学习机与分位数回归的光伏功率区间预测方法 | |
CN115564126A (zh) | 一种光伏发电预测方法、系统、装置及存储介质 | |
CN113537582B (zh) | 一种基于短波辐射修正的光伏功率超短期预测方法 | |
Park et al. | Multi-layer RNN-based short-term photovoltaic power forecasting using IoT dataset | |
CN115186923A (zh) | 光伏发电功率的预测方法、装置及电子设备 | |
CN115860177A (zh) | 基于组合式机器学习模型光伏发电功率预测方法及其应用 | |
Eniola et al. | Hour-ahead forecasting of photovoltaic power output based on hidden Markov model and genetic algorithm | |
CN113516271A (zh) | 一种基于时空神经网络的风电集群功率日前预测方法 | |
CN115115127A (zh) | 一种基于深度学习的低压台区智能调控方法及系统 | |
CN114971090A (zh) | 一种电供暖负荷预测方法、系统、设备和介质 | |
Siddarameshwara et al. | Electricity short term load forecasting using elman recurrent neural network | |
CN117787915A (zh) | 一种配电网数字孪生智慧大脑构建方法 | |
Ibrahim et al. | LSTM neural network model for ultra-short-term distribution zone substation peak demand prediction | |
CN117200223A (zh) | 日前电力负荷预测方法和装置 | |
Lee et al. | Bayesian deep learning-based confidence-aware solar irradiance forecasting system | |
JP7342369B2 (ja) | 予測システム、予測方法 | |
CN111539573B (zh) | 一种风光互补离网系统的功率预测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180501 |
|
RJ01 | Rejection of invention patent application after publication |