CN110222411B - 一种基于mRMR-DBN算法的无量测区太阳辐射估算方法 - Google Patents

Abstract

本发明公开了一种基于mRMR‑DBN算法的无量测区太阳辐射估算方法，属于电力系统技术领域，根据距离远近、气象带情况划定辐射模型建立区域，选取无辐射量测区周边站点进行相关性计算；采用mRMR算法对无辐射量测区周边站点相关性进行排序；采用前向搜索策略将排好序的站点逐一添加至已选训练样本集合，并在测试集上计算此时的估算误差，误差最小时对应的已选站点即为最优的训练样本集合；使用已选的最优训练样本集合，基于DBN算法建立其他有辐射量测地区辐射数据和各气象参数及经纬度、海拔间的相关性，从而用所建立的模型对无辐射量测区的太阳辐射进行估算。本发明能够对无辐射量测区太阳辐射进行估算，解决我国太阳辐射观测站点远远少于气象观测站点的问题。

Description

一种基于mRMR-DBN算法的无量测区太阳辐射估算方法

技术领域

本发明属于电力系统技术领域，具体涉及一种基于mRMR-DBN算法的无量测区太阳辐射估算方法。

背景技术

光伏资源是国家战略资源，对其总储量、时空分布以及各地光伏发电潜能估算是国家和地方政府宏观决策的重要依据。

然而，我国气象观测站点有2400多个，太阳辐射观测站点仅有98个。因此，根据已有的气象参数数据对无辐射量测区的太阳辐射进行估算具有一定的研究意义。

日太阳总辐射估算可以通过经验方程和机器学习算法两种模型得到。

经验方程是用一个特定的公式来描述日太阳总辐射与其他气象参数之间的关系，但是，经验公式涉及许多回归系数的计算，计算过程中需要对待研究站点的太阳辐射及相关气象参数数据进行回归拟合，这种方法对于解决实际无辐射量测区辐射数据获取问题无疑是无效的。

机器学习算法(如人工神经网络，支持矢量机、自适应神经模糊推理系统等)则可以克服这一缺点，因为机器学习算法可以通过训练样本，建立其他有辐射量测地区辐射数据与其他各气象参数及经纬度、海拔间的相关性，从而用所建立的模型对无辐射量测区的辐射数据进行计算。

发明内容

发明目的：本发明的目的在于提供一种基于mRMR-DBN算法的无量测区太阳辐射估算方法，建立其他有辐射量测地区辐射数据和其他各气象参数及经纬度、海拔间的相关性，从而用所建立的模型对无辐射量测区的辐射数据进行计算。

技术方案：为实现上述目的，本发明提供如下技术方案：

一种基于mRMR-DBN算法的无量测区太阳辐射估算方法，该方法包括以下步骤：

(1)根据距离远近、气象带等情况划定辐射模型建立区域，选取无辐射量测区周边站点进行相关性计算；

(2)采用mRMR算法对无辐射量测区周边站点相关性进行排序；

(3)采用前向搜索策略将排好序的站点逐一添加至已选训练样本集合，并在测试集上计算此时的估算误差，误差最小时对应的已选站点即为最优的训练样本集合；

(4)使用已选的最优训练样本集合，基于DBN算法建立其他有辐射量测地区辐射数据和各气象参数及经纬度、海拔间的相关性，从而用所建立的模型对无辐射量测区的太阳辐射进行估算。

进一步地，所述的步骤(2)中，包括如下步骤：

步骤2.1：计算各站点之间的互信息：

步骤2.1.1：使用所有周边站点数据，计算各气象参数与太阳辐射之间的互信息I，计算公式如下：

式中，X为某一气象参数，Y为太阳辐射，K和L分别对应X和Y的数据总个数，x_k表示变量X的第k个数据，y_l表示变量Y的第l个数据，k＝1,2,…,K，l＝1,2,…,L，p表示概率；

步骤2.1.2：根据各气象参数与太阳辐射之间的互信息，确定计算站点间互信息时各气象参数所占权重；

步骤2.1.3：计算两个站点间各气象参数之间的互信息值，根据气象参数所占权重，从而得出站点间的总互信息值。

进一步地，所述的步骤(2)中，步骤2.1后还包括如下步骤：

步骤2.2：采用mRMR算法对周边站点与目标站点的相关性进行排序：

步骤2.2.1：设初始输入站点集合为A，且含有N个站点，a_n为A中的第n个站点，n＝1,2,…,N，S表示已经选取的站点集合，F表示待选的站点集合，初始化已选站点集S为空集，待选站点集F为A，即

A→F；

步骤2.2.2：对

计算a_n与目标站点c的相关性I(a_n,c)；记a^*为满足max[I(a_n,c)]条件的站点，F_q和S_q分别为经过q次站点挑选后新的待选站点集合和已选站点集合，q＝1,2,…,N，令F-{a^*}→F₁，{a^*}→S₁；

步骤2.2.3：设s_g∈S_q，s_g为S_q中已选的第g个站点，g＝1,2,…,q，从F_q中找到使下式成立的站点并记为a^**，令F_q-{a^**}→F_q+1,S_q+{a^**}→S_q+1：

步骤2.2.4：重复步骤2.2.3，直到F为

则得到已选站点集S，并将S中的站点按

值降序排列。

进一步地，所述的步骤(3)中，包括如下步骤：

步骤3.1：根据mRMR排好序的结果，逐一添加站点至已选训练样本集合，用其建立模型，来估算无辐射量测区太阳辐射，并计算估算误差，采用如下三种误差指标：

平均绝对误差(Mean absolute error,MABE)：

均方根误差(Root mean square error,RMSE)：

皮尔森相关系数(Pearson correlation coefficient,R)：

式中，m为测试点总数目，i＝1,2,…,m，d_i、

分别为第i个测试点辐射的真实值和预测值，

和d_t分别为所有测试点辐射估算值和真实测量值的平均值；

步骤3.2：遍历所有站点，误差最小时对应的已选站点即为最优的训练样本集合。

进一步地，所述的步骤(4)中，包括如下步骤：

步骤4.1：将已选站点的气象参数、经纬度和海拔作为DBN模型的输入，对应太阳辐射为输出，建立有辐射量测地区太阳辐射估算模型；

步骤4.2：将无辐射量测区的气象参数、经纬度和海拔输入到训练好的模型中，对无辐射量测区的太阳辐射进行估算。

有益效果：与现有技术相比，本发明的一种基于mRMR-DBN算法的无量测区太阳辐射估算方法，基于有辐射量测区的数据，使用mRMR-DBN算法建立有辐射量测区太阳辐射和各气象参数及经纬度、海拔间的相关性，从而用所建立的模型对无辐射量测区的太阳辐射进行估算。该方法能够对无辐射量测区太阳辐射进行估算，解决了我国太阳辐射观测站点远远少于气象观测站点的问题。

附图说明

图1为各站点与郑州的总互信息值；

图2为选择不同站点数模型的估算误差变化曲线；

图3为2010年7月郑州日太阳总辐射估算值与真实值变化曲线。

具体实施方式

下面结合附图和具体实施例对本发明作更进一步的说明。

一种基于mRMR-DBN算法的无量测区太阳辐射估算方法，该方法包括以下步骤：

(1)根据距离远近、气象带等情况划定辐射模型建立区域；

(2)采用mRMR算法对无辐射量测区周边站点相关性进行排序；

(3)采用前向搜索策略将排好序的站点逐一添加至已选训练样本集合，并在测试集上计算此时的估算误差，误差最小时对应的已选站点即为最优的训练样本集合；

(4)使用已选的最优训练样本集合，基于DBN算法建立其他有辐射量测地区辐射数据和各气象参数及经纬度、海拔间的相关性，从而用所建立的模型对无辐射量测区的太阳辐射进行估算。

步骤(1)中，根据距离远近、气象带等情况划定辐射模型建立区域，选取无辐射量测区周边站点进行相关性计算。

步骤(2)中，采用mRMR算法对无辐射量测区周边站点相关性进行排序：

步骤2.1：计算各站点之间的互信息：

步骤2.1.1：使用所有周边站点数据，计算各气象参数与太阳辐射之间的互信息I，计算公式如下：

式中，X为某一气象参数，Y为太阳辐射，K和L分别对应X和Y的数据总个数，x_k表示变量X的第k个数据，y_l表示变量Y的第l个数据，k＝1,2,…,K，l＝1,2,…,L，p表示概率；

步骤2.1.2：根据各气象参数与太阳辐射之间的互信息，确定计算站点间互信息时各气象参数所占权重；

步骤2.1.3：计算两个站点间各气象参数之间的互信息值，根据气象参数所占权重，从而得出站点间的总互信息值；

步骤2.2：采用mRMR算法对周边站点与目标站点的相关性进行排序：

步骤2.2.1：设初始输入站点集合为A，且含有N个站点，a_n为A中的第n个站点，n＝1,2,…,N，S表示已经选取的站点集合，F表示待选的站点集合，初始化已选站点集S为空集，待选站点集F为A，即

A→F；

步骤2.2.2：对计算a_n与目标站点c的相关性I(a_n,c)；记a^*为满足max[I(a_n,c)]条件的站点，F_q和S_q分别为经过q次站点挑选后新的待选站点集合和已选站点集合，q＝1,2,…,N，令F-{a^*}→F₁，{a^*}→S₁；

步骤2.2.3：设s_g∈S_q，s_g为S_q中已选的第g个站点，g＝1,2,…,q，从F_q中找到使下式成立的站点并记为a^**，令F_q-{a^**}→F_q+1,S_q+{a^**}→S_q+1：

步骤2.2.4：重复步骤2.2.3，直到F为

则得到已选站点集S，并将S中的站点按

值降序排列。

步骤(3)中，采用前向搜索策略将排好序的站点逐一添加至已选训练样本集合，并在测试集上计算此时的估算误差，误差最小时对应的已选站点即为最优的训练样本集合：

步骤3.1：根据mRMR排好序的结果，逐一添加站点至已选训练样本集合，用其建立模型，来估算无辐射量测区太阳辐射，并计算估算误差，采用如下三种误差指标：

平均绝对误差(Mean absolute error,MABE)：

均方根误差(Root mean square error,RMSE)：

皮尔森相关系数(Pearson correlation coefficient,R)：

式中，m为测试点总数目，i＝1,2,…,m，d_i、

分别为第i个测试点辐射的真实值和预测值，

和d_t分别为所有测试点辐射估算值和真实测量值的平均值；

步骤3.2：遍历所有站点，误差最小时对应的已选站点即为最优的训练样本集合。

步骤(4)中，使用已选的最优训练样本集合，基于DBN算法建立其他有辐射量测地区辐射数据和各气象参数及经纬度、海拔间的相关性，从而用所建立的模型对无辐射量测区的太阳辐射进行估算：

步骤4.1：将已选站点的气象参数、经纬度和海拔作为DBN模型的输入，对应太阳辐射为输出，建立有辐射量测地区太阳辐射估算模型；

步骤4.2：将无辐射量测区的气象参数、经纬度和海拔输入到训练好的模型中，对无辐射量测区的太阳辐射进行估算。

实施例

下面以郑州和周边站点为例介绍本发明：

以郑州为中心，835公里为半径划一个圆形区域，该区域包括的辐射观测站点(按照距离郑州距离远近排序)有：太原、济南、合肥、武汉、南京、天津、北京、东胜、南昌、长沙、银川、杭州和上海，共计13个站点。计算13个城市各气象参数与郑州相应气象参数之间的互信息值，同时，通过计算13个站点中温度、湿度等8个参数与日太阳总辐射的相关性，确定统计各个站点间总互信息值时各参数所占的权重，从而计算出13个站点与郑州的总互信息值，如图1所示。

计算好互信息值之后，采用mRMR算法对无辐射量测区周边站点进行排序，排序结果为：济南、太原、天津、北京、银川、合肥、东胜、南京、武汉、上海、杭州、长沙和南昌。根据排序的结果，选取2004年1月1日至2015年12月31日的数据，采用前向搜索策略将排好序的站点逐一添加至已选训练样本集合，并在测试集上计算此时的估算误差。遍历所有站点，估算误差变化曲线如图2所示，其中图2(a)的纵坐标为MABE(平均绝对误差)，图2(b)的纵坐标为RMSE(均方根误差)，图2(c)的纵坐标为R(皮尔森相关系数)。综合三张图，可以看出，当选择郑州周边7个站点，即通过构建济南、太原、天津、北京、银川、合肥和东胜的气象参数与日太阳总辐射之间的关系，从而依据郑州2004年1月1日至2015年12月31日日气象参数值，估算该地区对应时间的日太阳总辐射值时，对应的MABE和RMSE指标最小，R指标最大。

下面，根据选取的最佳训练样本，建立mRMR-DBN模型，对郑州地区2010年7月1日至7月31日的日太阳辐射进行估算。为验证模型的鲁棒性和精确性，还建立基于mRMR-BP算法的估算模型与其比较，测试结果如表1和图3所示：

表1基于不同模型的2010年7月郑州日太阳总辐射估算值与真实值误差

图3刻画了该月两种模型估算值与真实值变化情况，从图中可以清晰地看出基于mRMR-DBN和mRMR-BP模型估算得到的日太阳总辐射值与真实值都有较好的吻合度，并且能够反映一个月内辐射的变化趋势。

为了研究站点选择原则对模型估算结果是否有一定的影响，本节根据13个站点与郑州的距离，由近及远选择7个站点的气象数据和太阳总辐射数据作为训练样本，基于DBN算法建立无辐射量测区日太阳总辐射估算模型，根据距离选择的7个站点为太原、济南、合肥、武汉、南京、天津和北京。表2为不同站点选择原则下2010年7月郑州日太阳总辐射估算值与真实值误差比较，mRMR-DBN表示训练样本是经过最大相关最小冗余算法选择出的最佳站点组合，而d-DBN则表示根据距离远近所选的站点组合，不同站点组合形成的训练样本量相同(都为7*3653)，7表示7个站点，3653代表每个站点各有3653天数据。表格中加粗的字体表示两种模型中误差较小的值及其对应的模型。

表2不同站点选择原则下2010年7月郑州日太阳总辐射估算值与真实值误差

从表中可以看出，只有极少数几天，d-DBN模型的误差小于mRMR-DBN模型，验证了mRMR-DBN估算模型的准确性和有效性。

以上仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对各设施位置进行调整，这些调整也应视为本发明的保护范围。

Claims (4)

1.一种基于mRMR-DBN算法的无量测区太阳辐射估算方法，其特征在于：该方法包括以下步骤：

(1)根据距离远近、气象带情况划定辐射模型建立区域，选取无辐射量测区周边站点进行相关性计算；

(2)采用mRMR算法对无辐射量测区周边站点相关性进行排序；

(3)采用前向搜索策略将排好序的站点逐一添加至已选训练样本集合，并在测试集上计算此时的估算误差，误差最小时对应的已选站点即为最优的训练样本集合；

(4)使用已选的最优训练样本集合，基于DBN算法建立其他有辐射量测地区辐射数据和各气象参数及经纬度、海拔间的相关性，从而用所建立的模型对无辐射量测区的太阳辐射进行估算

；所述的步骤(2)中，包括如下步骤：

步骤2.1：计算各站点之间的互信息：

步骤2.1.1：使用所有周边站点数据，计算各气象参数与太阳辐射之间的互信息I，计算公式如下：

式中，X为某一气象参数，Y为太阳辐射，K和L分别对应X和Y的数据总个数，x_k表示变量X的第k个数据，y_l表示变量Y的第l个数据，k＝1,2,…,K，l＝1,2,…,L，p表示概率；

步骤2.1.2：根据各气象参数与太阳辐射之间的互信息，确定计算站点间互信息时各气象参数所占权重；

步骤2.1.3：计算两个站点间各气象参数之间的互信息值，根据气象参数所占权重，从而得出站点间的总互信息值。

2.根据权利要求1所述的一种基于mRMR-DBN算法的无量测区太阳辐射估算方法，其特征在于：所述的步骤(2)中，步骤2.1后还包括如下步骤：

步骤2.2：采用mRMR算法对周边站点与目标站点的相关性进行排序：

步骤2.2.1：设初始输入站点集合为A，且含有N个站点，a_n为A中的第n个站点，n＝1,2,…,N，S表示已经选取的站点集合，F表示待选的站点集合，初始化已选站点集S为空集，待选站点集F为A，即

A→F；

步骤2.2.2：对

计算a_n与目标站点c的相关性I(a_n,c)；记a^*为满足max[I(a_n,c)]条件的站点，F_q和S_q分别为经过q次站点挑选后新的待选站点集合和已选站点集合，q＝1,2,…,N，令F-{a^*}→F₁，{a^*}→S₁；

步骤2.2.3：设s_g∈S_q，s_g为S_q中已选的第g个站点，g＝1,2,…,q，从F_q中找到使下式成立的站点并记为a^**，令F_q-{a^**}→F_q+1,S_q+{a^**}→S_q+1：

步骤2.2.4：重复步骤2.2.3，直到F为

则得到已选站点集S，并将S中的站点按

值降序排列。

3.根据权利要求2所述的一种基于mRMR-DBN算法的无量测区太阳辐射估算方法，其特征在于：所述的步骤(3)中，包括如下步骤：

步骤3.1：根据mRMR排好序的结果，逐一添加站点至已选训练样本集合，用其建立模型，来估算无辐射量测区太阳辐射，并计算估算误差，采用如下三种误差指标：

平均绝对误差(Mean absolute error,MABE)：

均方根误差(Root mean square error,RMSE)：

皮尔森相关系数(Pearson correlation coefficient,R)：

式中，m为测试点总数目，i＝1,2,…,m，d_i、

分别为第i个测试点辐射的真实值和预测值，

和d_t分别为所有测试点辐射估算值和真实测量值的平均值；

步骤3.2：遍历所有站点，误差最小时对应的已选站点即为最优的训练样本集合。

4.根据权利要求3所述的一种基于mRMR-DBN算法的无量测区太阳辐射估算方法，其特征在于：所述的步骤(4)中，包括如下步骤：

步骤4.1：将已选站点的气象参数、经纬度和海拔作为DBN模型的输入，对应太阳辐射为输出，建立有辐射量测地区太阳辐射估算模型；

步骤4.2：将无辐射量测区的气象参数、经纬度和海拔输入到训练好的模型中，对无辐射量测区的太阳辐射进行估算。

Images