CN108053061B - 一种基于改进卷积神经网络的太阳能辐照度预测方法 - Google Patents

Abstract

本发明公开了一种基于改进卷积神经网络的太阳能辐照度预测方法，包括：导入并预处理历史气象数据集，设计改进的卷积神经网络，以使网络结构适应气象数据的维度，并据此建立预测模型；对该预测模型进行训练，向训练好的预测模型导入验证集得到验证集的前向输出和适应度函数值，调整预测模型的超参数；从多组超参数中找出适应度函数值最小的一组超参数建立太阳能辐照度预测模型；根据气象设备采集到的气象数据建立一个气象数据样本，并导入上述太阳能辐照度预测模型，该模型的输出值即为太阳能辐照度预测值。本发明考虑到气象数据的局部相关性和传统方法的局限性，提高了预测精度，可以指导决策者实施能源战略以充分利用能源。

Description

一种基于改进卷积神经网络的太阳能辐照度预测方法

技术领域

本发明涉及一种基于改进卷积神经网络(CNN)的太阳能辐照度预测方法，属于太阳能数据分析预测领域。

背景技术

当电力、煤炭、石油等不可再生能源频频告急，能源问题日益成为制约国际社会经济发展的瓶颈时，越来越多的国家开始实行阳光计划，开发太阳能资源，寻求经济发展的新动力。我国蕴藏着丰富的太阳能资源，然而颇受阳光厚爱的中国，太阳能资源开发尚且滞后。随着低碳经济的走热，太阳能热利用产业正迎来一次新的发展契机。太阳能是一种清洁，丰富的可再生能源。它可以减少环境污染，具有广泛的应用潜力[1]。例如，太阳辐照度的短期预测对诸如发电厂利用备用电源保持电网电压和频率恒定具有重要作用[2]。由于季节，气候，云密度等气候因素的季节性因素，太阳辐射的稳定性及其应用受到限制。因此，太阳辐照度的短期预测是非常关键的[3]。

太阳辐射预测的必要性以及其复杂性促使许多研究人员在这一领域找到有效的解决方案。传统的时间序列预测方法和机器学习已被广泛用于预测太阳辐照度。

传统时间序列分析和预测中，利用小波变换将太阳能时间序列分解为一组更加丰富成形的序列进行预测，自动回归移动平均(ARMA)模型被用作线性预测器[4]。目前的实际应用中，也有应用了结合ARMA和TDNN来预测小时太阳辐射系列的新型混合方法。该混合模型可以具有ARMA和TDNN的优点[5]。随着机器学习的发展，许多科学家提出的非线性方法被广泛的应用于时间序列预测。改进的支持向量机(SVM)[6]和优化的人工神经网络算法(ANN)[7]已被广泛应用于太阳辐射预测。实际的应用中还有使用Takagi Sugeno(TS)模糊模型预测太阳辐照度数据的方案[8]。预测方法引入双正交小波分解，可以提取太阳辐照预测中非零系数的shortened number[9]。其他的机器学习方法也用于处理太阳能辐照度预测问题：应用回波状态网络(ESN)对未来30分钟至270分钟太阳辐射进行多次预测[10]；自适应神经模糊推理系统(ANFIS)的建模方法来预测Tamilnadu每月全球太阳辐照度(MGSR)[11]。

传统的时间序列预测方法(AR和ARMA)常用于太阳能辐照度预测。同时，研究人员花了大量精力来提高传统时间序列预测方法的性能。然而，传统时间序列预测方法使用的是线性模型，由于太阳能辐照度固有的时变性和非线性，影响太阳辐照度的因素可能不会被完全分析。虽然机器学习方法在非线性时间序列预测中具有良好的性能，然而这些机器学习方法难以平衡训练集的训练误差和测试集的泛化误差[12]，其预测精度难以满足日益严格的太阳辐照预测精度要求。

由以上分析可见，目前对于太阳能辐照度预测方法还有待进一步的完善和更新。

[参考文献]

[1]Wu,Y.,&Wang,J.[2016].A novel hybrid model based on artificialneural networks for solar radiation prediction.Renewable Energy,89,268-284。

[2]Hirata,Yoshito&Aihara,Kazuyuki.[2017].Improving time seriesprediction of solar irradiance after sunrise:Comparison among three methodsfor time series prediction.Solar Energy.149.294-301.10.1016/j.solener.2017.04.020。

[3]Mellit,A.,&Pavan,A.M.[2010].A 24-h forecast of solar irradianceusing artificial neural network:application for performance prediction of agrid-connected pv plant at trieste,italy.Solar Energy,84(5),807-821。

[4]Nazaripouya,H.,Wang,B.,Wang,Y.,Chu,P.,Pota,H.R.,&Gadh,R.[2016].Univariate time series prediction of solar power using a hybrid wavelet-ARMA-NARX prediction method.Transmission and Distribution Conference andExposition(pp.1-5).IEEE。

[5]Ji,W.,&Chee,K.C.[2011].Prediction of hourly solar radiation usinga novel hybrid model of arma and tdnn.Solar Energy,85(5),808-817。

[6]Zhou,Y.,Cui,X.,Hu,Q.,&Jia,Y.[2015].Improved multi-kernel SVM formulti-modal and imbalanced dialogue act classification.International JointConference on Neural Networks(pp.1-8).IEEE。

[7]Sun,Y.,Qiao,J.,&Han,H.[2016].Structure design for RBF neuralnetwork based on improved K-means algorithm.Control and Decision Conference(pp.7035-7040).IEEE。

[8]Iqdour,R.,&Zeroual,A.[2004].A rule based fuzzy model for theprediction of daily solar radiation.IEEE International Conference onIndustrial Technology,2004.IEEE Icit(Vol.3,pp.1482-1487 Vol.3).IEEE。

[9]Capizzi,G.,Bonanno,F.,&Napoli,C.[2010].A wavelet based predictionof wind and solar energy for Long-Term simulation of integrated generationsystems.International Symposium on Power Electronics Electrical DrivesAutomation and Motion(pp.586-592).IEEE。

[10]Ruffing,S.M.,&Venayagamoorthy,G.K.[2009].Short to Medium RangeTime Series Prediction of Solar Irradiance Using an Echo StateNetwork.International Conference on Intelligent System Applications to PowerSystems(pp.1-6).IEEE。

[11]Sumithira,T.R.,&Kumar,A.N.[2012].Prediction of monthly globalsolar radiation using adaptive neuro fuzzy inference system(anfis)techniqueover the state of tamilnadu(india):a comparative study.Applied Solar Energy,48(2),140-145。

[12]Chen,L.G.,Chiang,H.D.,Dong,N.,&Liu,R.P.[2016].Group-based chaosgenetic algorithm and non-linear ensemble of neural networks for short-termload forecasting.Iet Generation Transmission&Distribution,10(6),1440-1447。

[13]AMS 2013-2014 Solar Energy Prediction Contest,Forecast DailySolar Energy with An Ensemble of Weather Models,

https://www.kaggle.com/c/ams-2014-solar-energy-prediction-contest。

发明内容

针对现有技术，本发明的目的在于改善现有预测方法中存在的问题并提高预测精度，考虑到气象数据的局部相关性和传统方法的局限性等特点，提供了一种基于改进卷积神经网络的太阳能辐照度预测方法。该方法改进了标准卷积神经网络的结构，以使网络结构适应气象数据的维度。卷积神经网络提取气象数据之间的局部相关性，以提高网络的预测性能。训练好的模型在验证集上的预测误差将成为调节超参数的适应度值，调节卷积神经网络的宽度和深度使之与不同规模的数据集匹配，以缓解训练过程中的欠拟合或过拟合现象。本发明可以指导决策者实施能源战略以充分利用能源。

为了解决上述技术问题，本发明提出的一种基于改进卷积神经网络的太阳能辐照度预测方法，包括以下步骤：

步骤1)导入历史气象数据集：

该气象数据集变量及导入的顺序是：表面三小时积累沉淀物、表面向下平均长波辐射通量、表面向下平均短波辐射通量、平均海拔气压、大气可降水量、地表上2米处湿度、大气云层覆盖总量、大气柱式冷凝物总量、地表上2米处过去3小时最高温度、地表上2米处过去3小时最低温度、地表上2米处实时温度、表面温度、表面向上长波辐射量、地表最高处向上长波辐射量、表面向上短波辐射量；

步骤2)气象数据集的预处理，包括将气象数据集按时间顺序切分为训练集和验证集，前80％的气象数据集定义为训练集，剩余的20％的气象数据集定义为验证集；对气象数据集归一化处理；

步骤3)设计卷积神经网络，该卷积神经网络包括特征提取部分和分类回归部分，特征提取部分包括输入层和卷积层；分类回归部分包括全连接层和输出层；所述全连接层包括隐含层，卷积层中卷积核为1×n向量形式，特征矩阵为1×m向量形式，特征矩阵的特征变量经过格式转换为向量并输入分类回归部分，分类回归部分的输出也作为卷积神经网络的最终输出；

步骤4)基于步骤3)设计的卷积神经网络建立预测模型，其中的超参数包括卷积核1的维度、卷积核2的维度、特征矩阵组数1、特征矩阵组数2、学习率α、迭代次数和批量数；上述各超参数的取值范围如下：

卷积核1的维度∈(1,16)、卷积核2的维度∈(1,16-卷积核1的维度)、特征矩阵组数1∈(4,30)、特征矩阵组数2∈(4,30)、学习率α∈(0,2)、迭代次数∈(5，200)、批量数∈(10,40)；

步骤5)从步骤4)中确定的各超参数的取值范围中确定一组超参数数值；

使用步骤2)得到的训练集对步骤4)的预测模型进行训练求取训练集的前向输出y，太阳能辐照度的真实值为t，计算预测输出误差

步骤6)计算预测输出误差E对卷积神经网络全连接层权值和阈值的偏导数：

假设第q层的第j个节点的输出为o_j，该节点的阈值为b_j；假设q层的上一层为p层，p层的第i个节点输出为o_i，两个节点之间的权值为θ_ji，则节点j输出值为：

式(1)中，

为激励函数；

假设q层的下一层为r层，r层节点k的输入为q层中所有节点输出的和，节点k的输出为

即o_k是关于o_j的函数，在

的逆函数中，o_j是关于o_k的函数，也是关于n_k的函数，其中

则预测输出误差E对q层第j个节点输出o_j的偏导数：

令：

则

输出层区别于隐含层，则：

根据式(3)和式(4)求取前一层p层的δ_j：

由式(5)得出预测输出误差E对全连接层权值θ_ji和阈值b_j的偏导数分别如式(6)和式(7)所示：

全连接层权值θ_ji和阈值b_j的更新公式分别为：

和

其中，θ_ji和b_j是上一次迭代的权值和阈值，

和

是更新的权值和阈值，α是学习率，

和

分别由式(6)和式(7)求得；至此，完成了全连接层的权值和阈值的一次更新；

步骤7)计算预测输出误差E对卷积层卷积核和阈值的偏导数：

假设卷积层P的下一层为卷积层q，则预测输出误差E关于卷积层P的卷积核Θ_i,j和阈值b_m的偏导数分别如式(8)和式(9)所示：

式(8)和式(9)中，

是该卷积层的输入，δ_j由式(5)求得；i,j,m,u,v均为节点的位置坐标，则卷积层卷积核Θ_i,j和阈值b_m的更新公式分别如式(10)和式(11)所示：

Θ_i,j和b_m是上一次迭代的卷积核和阈值，

和

是更新的卷积核和阈值；

步骤8)重复进行步骤5)至步骤7)，当达到迭代次数时获得训练好的预测模型；

步骤9)向训练好的预测模型导入验证集得到验证集的前向输出y(i)和太阳能辐照度真实值t(i)，计算适应度函数值

并根据适应度函数值fit调整预测模型的超参数；

步骤10)返回步骤5)顺序执行至步骤9)重新训练新的预测模型；得到新一组超参数对应的适应度函数值fit*；

步骤11)重复20～200次执行步骤10)，从中适应度函数值最小的一组超参数建立太阳能辐照度预测模型；

步骤12)将气象设备采集到的如步骤1)中选定的气象数据及导入的顺序建立一个气象数据样本，将该气象数据样本导入至步骤11)建立的太阳能辐照度预测模型，该太阳能辐照度预测模型的输出值即为太阳能辐照度预测值。

与现有技术相比，本发明的有益效果是：

第一，选用具有分层特征提取和处理局部相关性数据能力的卷积神经网络用于太阳能辐照度预测，可以用来处理具有局部相关性的气象数据。基于提取的特征用于预测非线性的太阳能辐照度可以提高预测精度。

第二，将数据集中一部分样本定义为验证集，根据验证集的前向误差调整预测模型的超参数。不同规模的数据集选取不同的超参数，这样可以有效的缓解在训练过程中的过拟合或欠拟合的现象。

第三，数据集的局部相关性通常存在于许多其他能量领域中。此外，在大数据时代，能源领域保存了大量有价值的历史数据。提出的改进卷积神经网络预测方法具有提取局部相关数据特征的能力，调整网络的宽度和深度以适应不同规模的数据集。因此，提出的太阳能辐照度预测方法可以进一步应用于许多其他能源领域。

附图说明

图1是标准卷积神经网络结构和信息传递示意图；

图2是本发明改进卷积神经网络的结构和信息传递示意图；

图3(a)至图3(d)为太阳能辐照度预测仿真实验的相关曲线，其中：图3(a)是改进CNN的预测输出曲线和性能指标，图3(b)是ANN算法的输出曲线和性能指标，图3(c)是SVM预测输出结果和预测性能指标，图3(d)是改进的SVM预测输出曲线和性能指标参数。

具体实施方式

下面结合附图和具体实施例对本发明技术方案作进一步详细描述，所描述的具体实施例仅对本发明进行解释说明，并不用以限制本发明。

标准卷积神经网络包括特征提取部分和分类回归部分：特征提取部分包括输入层，卷积层，池化层等。回归部分包括全连接层和输出层。标准卷积神经网络的结构及信息传递示意图如图1所示。

位于输入层和特征矩阵之间是卷积核，即计算卷积时的权值W。输入矩阵移动窗口与卷积核卷积计算输出值形成特征矩阵完成一层前向传播。特征矩阵中的每一个元素

式中：

y_ij是每次卷积计算的输出值并保存在特征矩阵中，H和W代表了输入矩阵的维度，F(F×F)代表了卷积核矩阵的维度，S代表了卷积窗口的移动步长，本方法步长S设置为1。移动窗口x在输入数据矩阵中所包围的数据的坐标为(r+i×s)(c+j×s)，w_rc和b代表着该位置的卷积权值和阈值。σ()代表了非线性的激励函数。卷积层将维度为(H×F)的输入矩阵平缓地缩小为维度为((H-F)/S+1)×((W-F)/S+1)的特征矩阵。池化层一般在卷积层之后，用来降低的维度。

由于图片数据和实际问题数据维度不同，而且图片数据包含的数据量远大于实际问题的样本，故针对气象数据的特点改进卷积神经网络的结构。卷积核由n×n的矩阵形式改为1×n向量形式，特征矩阵由m×m的矩阵形式改为1×m向量形式。由于这类问题输入数据量并不大，同时考虑到池化层采样会丢失输入数据的特性，所以在改进卷积神经网络结构中去除池化层以化简网络结构。

在太阳能辐照度预测研究的中，该预测模型中对原始数据进行两次卷积，将第二层卷积的输出的特征向量展开成一组列向量作为全连接层的输入，全连接层输出太阳能辐照度预测输出值。改进卷积神经网络结构以及数据传播示意图如图2所示。

本发明提出的一种基于改进卷积神经网络的太阳能辐照度预测方法，包括以下步骤：

步骤1)导入历史气象数据集：

该气象数据集变量及导入的顺序是：apcp_sfc(表面三小时积累沉淀物)、dlwrf_sfc(表面向下平均长波辐射通量)、dswrf_sfc(表面向下平均短波辐射通量)、pres_msl(平均海拔气压)、pwat_eatm(大气可降水量)、spfh_2m(地表上2米处湿度)、tcdc_eatm(大气云层覆盖总量)、tcolc_eatm(大气柱式冷凝物总量)、tmax_2m(地表上2米处过去3小时最高温度)、tmin_2m(地表上2米处过去3小时最低温度)、tmp_2m(地表上2米处实时温度)、tmp_sfc(表面温度)、ulwrf_sfc(表面向上长波辐射量)、ulwrf_tatm(地表最高处向上长波辐射量)、uswrf_sfc(表面向上短波辐射量)，预测方法输出数据为太阳能辐照度值。该气象数据集变量由小型自动气象数据采集平台获取，型号JC-03；

步骤2)气象数据集的预处理，包括将气象数据集按时间顺序切分为训练集和验证集，前80％的气象数据集定义为训练集，剩余的20％的气象数据集定义为验证集；对气象数据集归一化处理。

步骤3)设计卷积神经网络，该卷积神经网络包括特征提取部分和分类回归部分，特征提取部分包括输入层和卷积层；分类回归部分包括全连接层和输出层；所述全连接层包括隐含层，卷积层中卷积核为1×n向量形式，特征矩阵为1×m向量形式，特征矩阵的特征变量经过格式转换为向量并输入分类回归部分，分类回归部分的输出也作为卷积神经网络的最终输出。

步骤4)基于步骤3)设计的卷积神经网络建立预测模型，其中的超参数包括卷积核1的维度、卷积核2的维度、特征矩阵组数1、特征矩阵组数2、学习率α、迭代次数和批量数；上述各超参数的取值范围如下：

卷积核1的维度∈(1,16)、卷积核2的维度∈(1,16-卷积核1的维度)、特征矩阵组数1∈(4,30)、特征矩阵组数2∈(4,30)、学习率α∈(0,2)、迭代次数∈(5，200)、批量数∈(10,40)。

步骤5)从步骤4)中确定的各超参数的取值范围中确定一组超参数数值；使用步骤2)得到的训练集对步骤4)的预测模型进行训练求取训练集的前向输出y，太阳能辐照度的真实值为t，计算预测输出误差

步骤6)计算预测输出误差E对卷积神经网络全连接层权值和阈值的偏导数：

假设第q层的第j个节点的输出为o_j，该节点的阈值为b_j；假设q层的上一层为p层，p层的第i个节点输出为o_i，两个节点之间的权值为θ_ji，则节点j输出值为：

式(1)中，

为激励函数；

假设q层的下一层为r层，r层节点k的输入为q层中所有节点输出的和，节点k的输出为

即o_k是关于o_j的函数，在

的逆函数中，o_j是关于o_k的函数，也是关于n_k的函数，其中

则预测输出误差E对q层第j个节点输出o_j的偏导数：

令：

则预测输出误差E对q层第j个节点输出o_j的偏导数

输出层区别于隐含层，预测输出误差E对输出o_j的偏导数不同，则：

根据式(3)和式(4)求取前一层p层的δ_j：

由式(5)得出预测输出误差E对全连接层权值θ_ji和阈值b_j的偏导数分别如式(6)和式(7)所示：

全连接层权值θ_ji和阈值b_j的更新公式分别为：

其中，θ_ji和b_j是上一次迭代的权值和阈值，

和

是更新的权值和阈值，α是学习率，

和

分别由式(6)和式(7)求得；至此，完成了全连接层的权值和阈值的一次更新；

步骤7)计算预测输出误差E对卷积层卷积核和阈值的偏导数：

假设卷积层P的下一层为卷积层q，则预测输出误差E关于卷积层P的卷积核Θ_i,j和阈值b_m的偏导数分别如式(8)和式(9)所示：

式(8)和式(9)中，

是该卷积层的输入，δ_j由式(5)求得；i,j,m,u,v均为节点的位置坐标，则卷积层卷积核Θ_i,j和阈值b_m的更新公式分别如式(10)和式(11)所示：

Θ_i,j和b_m是上一次迭代的卷积核和阈值，

和

是更新的卷积核和阈值。

步骤8)重复进行步骤5)至步骤7)，当达到迭代次数时获得训练好的预测模型。

步骤9)向训练好的预测模型导入验证集得到验证集的前向输出y(i)和太阳能辐照度真实值t(i)，计算适应度函数值

并根据适应度函数值fit调整预测模型的超参数。

步骤10)返回步骤5)顺序执行至步骤9)重新训练新的预测模型；得到新一组超参数对应的适应度函数值fit*。

步骤11)卷积核1的维度、卷积核2的维度、特征矩阵组数1、特征矩阵组数2、学习率、迭代次数和批量数是一组影响算法性能的超参数。重复20～200次执行步骤10)，从中适应度函数值最小的一组超参数建立太阳能辐照度预测模型；可以缓解气象数据集的规模和超参数不匹配导致的过拟合或欠拟合现象。

步骤12)将气象设备采集到的如步骤1)中选定的气象数据及导入的顺序建立一个气象数据样本，将该气象数据样本导入至步骤11)建立的太阳能辐照度预测模型，该太阳能辐照度预测模型的输出值即为太阳能辐照度预测值。

太阳能辐照度预测实验如下：

为了公正客观地验证提出方法的有效性，引用美国气象协会2013-2014年太阳能预测竞赛(American Meteorological Society 2013-2014 Solar Energy PredictionContest)的数据[13]建立太阳能辐照度预测实验。

建立仿真实验验证提出发明的准确性和有效性。仿真实验使用HOBA处1994年至2007年的共5113组气象数据和太阳能辐照数据，删除其中63组缺少气象数据的样本，本发明中将剩余5050组样本中前5000组作为仿真实验数据。将实验数据的前4500组样本作为测试集(4000组)和验证集(1000组)，将剩余50组样本作为测试集。图3(a)是改进CNN的预测输出曲线和性能指标。

引入不同的算法建立对照实验，使用测试集测试不同算法的预测性能。对照实验中各类算法的描述和设置如下：

ANN：引入ANN算法，参考其中网络结构N_15-24-24-1，trainParam.epochs和trainParam.goal分别设置为5000和0.00001，学习率alpha设置为0.1。在太阳能辐照度预测对照实验中，ANN算法的预测输出曲线和性能指标如图3(b)所示。

SVM：SVM算法也被引入太阳能辐照度预测实验，其中cost和gama都设置为1。在对照试验中使用epsilon-SVR模型和RBF核函数，损失函数epsilon＝0.01。SVM预测输出结果和预测性能指标如图3(c)所示。

MultiKernel_SVM：在对照实验中引入MultiKernel_SVM算法，参数设置和模型选择参考SVM实验，MultiKernel被定义为式(12)：

其输出的预测曲线和性能指标参数如图3(d)所示。

由附图可得：改进网络算法对应的曲线和真实曲线最贴近，其对应的误差最小，预测精度最高。其中MSE和MAE分别代表均方差和绝对平均误差，定义了平均误差率(AER)和误差率小于0.1的预测成功率(RS)两个评价指标，如公式(13)-(15)：

其中：Y_pre是预测输出，Y_real是真实数据，Er是每个预测样本的误差率，AER为平均误差率。Num为预测结果的样本数，num为误差率小于0.1的预测样本数。平均误差率反映了所有预测样本点的预测误差平均值，作为考察样本整体预测性能的指标。在数据预测问题中将预测误差率小于0.1的样本视为准确预测，RS反应预测样本中精确预测的样本点百分比，作为对样本点预测达标率的考察。

尽管上面结合附图对本发明进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨的情况下，还可以做出很多变形，这些均属于本发明的保护之内。

Claims (1)

1.一种基于改进卷积神经网络的太阳能辐照度预测方法，包括以下步骤：

步骤1)导入历史气象数据集：

该气象数据集变量及导入的顺序是：表面三小时积累沉淀物、表面向下平均长波辐射通量、表面向下平均短波辐射通量、平均海拔气压、大气可降水量、地表上2米处湿度、大气云层覆盖总量、大气柱式冷凝物总量、地表上2米处过去3小时最高温度、地表上2米处过去3小时最低温度、地表上2米处实时温度、表面温度、表面向上长波辐射量、地表最高处向上长波辐射量、表面向上短波辐射量；

步骤2)气象数据集的预处理，包括将气象数据集按时间顺序切分为训练集和验证集，前80％的气象数据集定义为训练集，剩余20％的气象数据集定义为验证集；对气象数据集归一化处理；

步骤3)设计卷积神经网络，该卷积神经网络包括特征提取部分和分类回归部分，特征提取部分包括输入层和卷积层；分类回归部分包括全连接层和输出层；所述全连接层包括隐含层，卷积层中卷积核为1×n向量形式，特征矩阵为1×m向量形式，特征矩阵的特征变量经过格式转换为向量并输入分类回归部分，分类回归部分的输出也作为卷积神经网络的最终输出；

步骤4)基于步骤3)设计的卷积神经网络建立预测模型，其中的超参数包括卷积核1的维度、卷积核2的维度、特征矩阵组数1、特征矩阵组数2、学习率α、迭代次数和批量数；上述各超参数的取值范围如下：

卷积核1的维度∈(1,16)、卷积核2的维度∈(1,16-卷积核1的维度)、特征矩阵组数1∈(4,30)、特征矩阵组数2∈(4,30)、学习率α∈(0,2)、迭代次数∈(5，200)、批量数∈(10,40)；

步骤5)从步骤4)中确定的各超参数的取值范围中确定一组超参数数值；

使用步骤2)得到的训练集对步骤4)的预测模型进行训练求取训练集的前向输出y，太阳能辐照度的真实值为t，计算预测输出误差

步骤6)计算预测输出误差E对卷积神经网络全连接层权值和阈值的偏导数：

假设第q层的第j个节点的输出为o_j，该节点的阈值为b_j；假设q层的上一层为p层，p层的第i个节点输出为o_i，两个节点之间的权值为θ_ji，则节点j输出值为：

式(1)中，

为激励函数；

假设q层的下一层为r层，r层节点k的输入为q层中所有节点输出的和，节点k的输出为

即o_k是关于o_j的函数，在

的逆函数中，o_j是关于o_k的函数，也是关于n_k的函数，其中

则预测输出误差E对q层第j个节点输出o_j的偏导数：

令：

则

输出层区别于隐含层，则：

根据式(3)和式(4)求取前一层p层的δ_j：

由式(5)得出预测输出误差E对全连接层权值θ_ji和阈值b_j的偏导数分别如式(6)和式(7)所示：

全连接层权值θ_ji和阈值b_j的更新公式分别为：

和

其中，θ_ji和b_j是上一次迭代的权值和阈值，

和

是更新的权值和阈值，α是学习率，

和

分别由式(6)和式(7)求得；至此，完成了全连接层的权值和阈值的一次更新；

步骤7)计算预测输出误差E对卷积层卷积核和阈值的偏导数：

假设卷积层P的下一层为卷积层q，则预测输出误差E关于卷积层P的卷积核Θ_i,j和阈值b_m的偏导数分别如式(8)和式(9)所示：

式(8)和式(9)中，

是该卷积层的输入，δ_j由式(5)求得；i,j,m,u,v均为节点的位置坐标，则卷积层卷积核Θ_i,j和阈值b_m的更新公式分别如式(10)和式(11)所示：

Θ_i,j和b_m是上一次迭代的卷积核和阈值，

和

是更新的卷积核和阈值；

步骤8)重复进行步骤5)至步骤7)，当达到迭代次数时获得训练好的预测模型；

步骤9)向训练好的预测模型导入验证集得到验证集的前向输出y(i)和太阳能辐照度真实值t(i)，计算适应度函数值

并根据适应度函数值fit调整预测模型的超参数；

步骤10)返回步骤5)顺序执行至步骤9)重新训练新的预测模型；得到新一组超参数对应的适应度函数值fit*；

步骤11)重复20～200次执行步骤10)，从中适应度函数值最小的一组超参数建立太阳能辐照度预测模型；

步骤12)将气象设备采集到的如步骤1)中选定的气象数据及导入的顺序建立一个气象数据样本，将该气象数据样本导入至步骤11)建立的太阳能辐照度预测模型，该太阳能辐照度预测模型的输出值即为太阳能辐照度预测值。

Images