CN112446391A - 基于最小二乘支持向量机的太阳高度角预测方法 - Google Patents
基于最小二乘支持向量机的太阳高度角预测方法 Download PDFInfo
- Publication number
- CN112446391A CN112446391A CN201910799896.7A CN201910799896A CN112446391A CN 112446391 A CN112446391 A CN 112446391A CN 201910799896 A CN201910799896 A CN 201910799896A CN 112446391 A CN112446391 A CN 112446391A
- Authority
- CN
- China
- Prior art keywords
- support vector
- vector machine
- solar altitude
- data
- square support
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C1/00—Measuring angles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及太阳跟踪系统领域,具体为一种基于最小二乘支持向量机的太阳高度角预测方法。该方法通过对往年特定地点特定日期特定时刻的太阳高度角数据的分析,预测相同条件下下一年太阳高度角的数据,这样就可以事先根据预测得到的数据建立起太阳高度角数据表,追日系统可以根据预测数据表事先调整好位置,以便更好的吸收太阳辐射,提高能源利用效率。实验结果表明,用二维输入向量训练样本训练的最小二乘支持向量机对太阳高度角的预测值在最小二乘支持向量机中具有最佳的预测值。
Description
技术领域
本发明涉及太阳跟踪系统领域,具体为一种基于最小二乘支持向量机的太阳高度角预测方法。
背景技术
太阳高度角的预测对于确定太阳跟踪系统的最佳位置至关重要。它可以帮助我们提高吸收太阳辐射的效率,时间序列预测技术在过去几年太阳高度角预测中有着广泛的应用,支持向量机基于统计学习理论,具有良好的泛化性能。利用非线性映射,将输入数据转换为更高的维空间,解决非线性问题。最小二乘支持向量机可以对误差采用等式约束,这是一种利用不等式约束改进的支持向量机。
发明内容
本发明的目的在于提供一种基于最小二乘支持向量机的太阳高度角预测方法,采用二维输入向量训练样本训练的最小二乘支持向量机对太阳高度角的预测值在最小二乘支持向量机中具有最佳的预测值。
本发明的技术方案是:
一种基于最小二乘支持向量机的太阳高度角预测方法,收集2000~2019年海南省琼海市5月2日中午太阳高度角数据作为实验数据,实验中包括20个太阳高度角数据,作为输入向量;训练样本的不同维数对最小二乘支持向量机的预测有很大影响,建立具有2~5维输入向量的不同训练样本,采用2~5维输入向量分别对训练样本进行训练;太阳高度角预测的实验结果表明,用二维输入向量训练样本训练的最小二乘支持向量机对太阳高度角的预测值在最小二乘支持向量机中具有最佳的预测值。
所述的基于最小二乘支持向量机的太阳高度角预测方法,最小二乘支持向量机的设计如下:
1)支持向量机
支持向量机基于统计学习理论,具有良好的泛化性能;利用非线性映射,将输入数据转换为更高的维空间,解决非线性问题;
一个典型的非线性回归问题用下列公式描述:
通过求解以下带约束的极小化问题,得到上述参数的值;
其中,ξ和ξ*是两个取正值的松弛变量,C是惩罚参数;
通过引入拉格朗日乘子,得到上述问题的等价的对偶优化问题;
通过求解上述的优化问题获得支持向量机的回归函数;
2)最小二乘支持向量机
最小二乘支持向量机对误差采用等同性约束,这是一种利用不等约束改进的支持向量机;最小二乘支持向量机的非线性回归问题描述如下:
其中,εi表示误差;
通过引入拉格朗日乘子可得到如下的优化问题:
其中,ai表示拉格朗日乘子;
通过消除w和εi来获得上述问题的最优解,最小二乘支持向量机的回归函数用下式来描述:
所述的基于最小二乘支持向量机的太阳高度角预测方法,该方法具体过程如下:
算法:太阳高度角预测
输入:输入向量训练集合X,输出向量训练集合Y,太阳高度角数据的处理模式type,松弛变量gam,核函数参数sig2,核函数kernel;
调用lssvm工具箱中的initlssvm()函数得到太阳高度角的初始模型
model=initlssvm(X,Y,type,gam,sig2,kernel)
输出:太阳高度角的初始模型model;
输入:太阳高度角的初始模型model;
调用lssvm工具箱中的trainlssvm()函数得到训练后的太阳高度角预测模型;
model1=initlssvm(model)
输出:太阳高度角的预测模型model1;
输入:测试数据输入向量X_test,太阳高度角的预测模型model1,基准数据data;
调用lssvm工具箱中的simlssvm()函数得到太阳高度角的预测值;
Y_text=simlssvm(model1,X_test)
计算预测误差:error=|Y_text-data|/data
输出:太阳高度角的预测值Y_text和预测误差error。
所述的基于最小二乘支持向量机的太阳高度角预测方法,在2~5维训练样本训练的最小二乘支持向量机中,由二维输入向量训练样本训练的最小二乘支持向量机对太阳高度角的预测值是最佳的。
本发明的优点及有益效果是:
本发明提出了基于最小二乘支持向量机的太阳高度角预测方法,通过对往年特定地点特定日期特定时刻的太阳高度角数据的分析,预测相同条件下下一年太阳高度角的数据,这样就可以事先根据预测得到的数据建立起太阳高度角数据表,追日系统可以根据预测数据表事先调整好位置,以便更好的吸收太阳辐射,提高能源利用效率。实验结果表明,用二维输入向量训练样本训练的最小二乘支持向量机对太阳高度角的预测值在最小二乘支持向量机中具有最佳的预测值。
附图说明
图1为利用二维输入向量训练样本训练最小二乘支持向量机预测太阳高度角示意图。图中,横坐标No.代表二维输入向量,纵坐标Solar elevation angle代表太阳高度角(度)。
图2为二维输入向量预测误差示意图。图中,横坐标No.代表二维输入向量,纵坐标Solar Error代表误差。
图3为利用三维输入向量训练样本训练最小二乘支持向量机预测太阳高度角示意图。图中,横坐标No.代表三维输入向量,纵坐标Solar elevation angle代表太阳高度角(度)。
图4为三维输入向量预测误差示意图。图中,横坐标No.代表三维输入向量,纵坐标Solar Error代表误差。
图5为利用四维输入向量训练样本训练最小二乘支持向量机预测太阳高度角示意图。图中,横坐标No.代表四维输入向量,纵坐标Solar elevation angle代表太阳高度角(度)。
图6为四维输入向量预测误差示意图。图中,横坐标No.代表四维输入向量,纵坐标Solar Error代表误差。
图7为五维输入向量训练样本训练最小二乘支持向量机预测太阳高度角示意图。图中,横坐标No.代表五维输入向量,纵坐标Solar elevation angle代表太阳高度角(度)。
图8五维输入向量预测误差示意图。图中,横坐标No.代表五维输入向量,纵坐标Solar Error代表误差。
具体实施方式
在具体实施过程中,本发明提出了基于最小二乘支持向量机的太阳高度角预测方法,最小二乘支持向量机可以对误差采用等约束,比支持向量机具有更好的预测能力。
本发明收集了2000~2019年海南省琼海市5月2日中午太阳高度角数据作为实验数据,实验中包括20个太阳高度角数据,作为输入向量。训练样本的不同维数对最小二乘支持向量机的预测有很大影响,建立了具有2~5维输入向量的不同训练样本,采用2~5维输入向量分别对训练样本进行训练。太阳高度角预测的实验结果表明,用二维输入向量训练样本训练的最小二乘支持向量机对太阳高度角的预测值在最小二乘支持向量机中具有最佳的预测值。
1、最小二乘支持向量机的原理
1.1支持向量机
支持向量机基于统计学习理论,具有良好的泛化性能。利用非线性映射,将输入数据转换为更高的维空间,解决非线性问题。
一个典型的非线性回归问题可以用下列公式描述:
通过求解以下带约束的极小化问题,可以得到上述参数的值。
其中,ξ和ξ*是两个取正值的松弛变量,C是惩罚参数。
本发明通过引入拉格朗日乘子,得到了上述问题的等价的对偶优化问题。
本发明可以通过求解上述的优化问题获得支持向量机的回归函数。
1.2最小二乘支持向量机
最小二乘支持向量机可以对误差采用等同性约束,这是一种利用不等约束改进的支持向量机。最小二乘支持向量机的非线性回归问题描述如下:
其中,εi表示误差。
通过引入拉格朗日乘子可得到如下的优化问题:
其中,ai表示拉格朗日乘子。
本发明可以通过消除w和εi来获得上述问题的最优解,最小二乘支持向量机的回归函数可以用下式来描述:
2、基于最小二乘支持向量机的太阳高度角预测方法以及预测实验结果
本发明收集了2000~2019年海南省琼海市5月2日中午太阳高度角资料作为实验数据,每年收集太阳高度角资料,实验包括20个太阳高度角数据,用前19个太阳高度角数据创建训练样本,用第20个太阳高度角值作为最小二乘支持向量机的基准数据,训练样本中不同维的输入向量对太阳高度角的预测有很大的影响。本发明利用最小二乘支持向量机,建立了2~5维输入向量的不同训练样本。
表1给出了二维输入向量的训练样本;表2给出了三维输入向量的训练样本;表3给出了4维输入向量的训练样本;表4给出了5维输入向量的训练样本。
如图1所示,利用二维输入向量训练样本训练的最小二乘支持向量机对太阳高度角的预测值。如图2所示,利用训练样本训练的最小二乘支持向量机对太阳高度角的预测误差。如图3所示,具有三维输入矢量的训练样本所训练的最小二乘支持向量机对太阳高度角的预测值。如图4所示,利用最小二乘支持向量机对太阳高度角的预测误差。如图5所示,由四维输入矢量训练样本训练的最小二乘支持向量机对太阳高度角的预测值。如图6所示,给出了用4维输入向量训练样本训练的最小二乘支持向量机训练太阳高度角的预测误差。如图7所示,给出了5维输入向量训练样本训练的最小二乘支持向量机训练太阳高度角的预测值。如图8所示,给出了利用5维输入向量训练样本训练的最小二乘支持向量机对太阳高度角的预测误差。
算法:太阳高度角预测
输入:输入向量训练集合X,输出向量训练集合Y,太阳高度角数据的处理模式type,松弛变量gam,核函数参数sig2,核函数kernel。
调用lssvm工具箱中的initlssvm()函数得到太阳高度角的初始模型
model=initlssvm(X,Y,type,gam,sig2,kernel)
输出:太阳高度角的初始模型model。
输入:太阳高度角的初始模型model。
调用lssvm工具箱中的trainlssvm()函数得到训练后的太阳高度角预测模型。
model1=initlssvm(model)
输出:太阳高度角的预测模型model1。
输入:测试数据输入向量X_test,太阳高度角的预测模型model1,基准数据data。
调用lssvm工具箱中的simlssvm()函数得到太阳高度角的预测值。Y_text=simlssvm(model1,X_test)
计算预测误差:error=|Y_text-data|/data
输出:太阳高度角的预测值Y_text和预测误差error。
表1 二维输入向量的训练样本
输入数据 | 对应输出数据 |
x(1),x(2) | x(3) |
x(2),x(3) | x(4) |
x(3),x(4) | x(5) |
x(4),x(5) | x(6) |
…… | …… |
x(17),x(18) | x(19) |
表2 三维输入向量的训练样本
输入数据 | 对应输出数据 |
x(1),x(2),x(3) | x(4) |
x(2),x(3),x(4) | x(5) |
x(3),x(4),x(5) | x(6) |
x(4),x(5),x(6) | x(7) |
…… | …… |
x(16),x(17),x(18) | x(19) |
表3 四维输入向量的训练样本
表4 五维输入向量的训练样本
表5给出了用训练样本训练的最小二乘支持向量机与2~5维输入向量对太阳高度角预测值的比较可以看出,在2~5维训练样本训练的最小二乘支持向量机中,由二维输入向量训练样本训练的最小二乘支持向量机对太阳高度角的预测值是最佳的。
表5
输入向量的维数 | LSSVM算法预测值 | LSSVM算法预测误差 |
2 | 85.9752 | 5.60e-5 |
3 | 85.9749 | 5.93e-5 |
4 | 85.9926 | 1.47e-4 |
5 | 85.9900 | 1.17e-4 |
本发明采用基于最小二乘支持向量机的统计学方法对2000年到2019年5月2日正午12点海南琼海地区太阳高度角数据的进行了预测。实验样本包括20个数据,以2~5维输入向量建立不同的训练样本。实验结果表明,用二维输入向量作为训练样本训练的最小二乘支持向量机对太阳高度角的预测值是最佳的。
Claims (4)
1.一种基于最小二乘支持向量机的太阳高度角预测方法,其特征在于,收集2000~2019年海南省琼海市5月2日中午太阳高度角数据作为实验数据,实验中包括20个太阳高度角数据,作为输入向量;训练样本的不同维数对最小二乘支持向量机的预测有很大影响,建立具有2~5维输入向量的不同训练样本,采用2~5维输入向量分别对训练样本进行训练;太阳高度角预测的实验结果表明,用二维输入向量训练样本训练的最小二乘支持向量机对太阳高度角的预测值在最小二乘支持向量机中具有最佳的预测值。
2.按照权利要求1所述的基于最小二乘支持向量机的太阳高度角预测方法,其特征在于,最小二乘支持向量机的设计如下:
1)支持向量机
支持向量机基于统计学习理论,具有良好的泛化性能;利用非线性映射,将输入数据转换为更高的维空间,解决非线性问题;
一个典型的非线性回归问题用下列公式描述:
通过求解以下带约束的极小化问题,得到上述参数的值;
其中,ξ和ξ*是两个取正值的松弛变量,C是惩罚参数;
通过引入拉格朗日乘子,得到上述问题的等价的对偶优化问题;
通过求解上述的优化问题获得支持向量机的回归函数;
2)最小二乘支持向量机
最小二乘支持向量机对误差采用等同性约束,这是一种利用不等约束改进的支持向量机;最小二乘支持向量机的非线性回归问题描述如下:
其中,εi表示误差;
通过引入拉格朗日乘子可得到如下的优化问题:
其中,ai表示拉格朗日乘子;
通过消除w和εi来获得上述问题的最优解,最小二乘支持向量机的回归函数用下式来描述:
3.按照权利要求1所述的基于最小二乘支持向量机的太阳高度角预测方法,其特征在于,该方法具体过程如下:
算法:太阳高度角预测
输入:输入向量训练集合X,输出向量训练集合Y,太阳高度角数据的处理模式type,松弛变量gam,核函数参数sig2,核函数kernel;
调用lssvm工具箱中的initlssvm()函数得到太阳高度角的初始模型
model=initlssvm(X,Y,type,gam,sig2,kernel)
输出:太阳高度角的初始模型model;
输入:太阳高度角的初始模型model;
调用lssvm工具箱中的trainlssvm()函数得到训练后的太阳高度角预测模型;
model1=initlssvm(model)
输出:太阳高度角的预测模型model1;
输入:测试数据输入向量X_test,太阳高度角的预测模型model1,基准数据data;
调用lssvm工具箱中的simlssvm()函数得到太阳高度角的预测值;
Y_text=simlssvm(model1,X_test)
计算预测误差:error=|Y_text-data|/data
输出:太阳高度角的预测值Y_text和预测误差error。
4.按照权利要求1所述的基于最小二乘支持向量机的太阳高度角预测方法,其特征在于,在2~5维训练样本训练的最小二乘支持向量机中,由二维输入向量训练样本训练的最小二乘支持向量机对太阳高度角的预测值是最佳的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910799896.7A CN112446391A (zh) | 2019-08-28 | 2019-08-28 | 基于最小二乘支持向量机的太阳高度角预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910799896.7A CN112446391A (zh) | 2019-08-28 | 2019-08-28 | 基于最小二乘支持向量机的太阳高度角预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112446391A true CN112446391A (zh) | 2021-03-05 |
Family
ID=74742254
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910799896.7A Pending CN112446391A (zh) | 2019-08-28 | 2019-08-28 | 基于最小二乘支持向量机的太阳高度角预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112446391A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114254544A (zh) * | 2021-12-20 | 2022-03-29 | 数字太空(北京)智能技术研究院有限公司 | 一种太阳质子事件峰值通量预测方法 |
-
2019
- 2019-08-28 CN CN201910799896.7A patent/CN112446391A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114254544A (zh) * | 2021-12-20 | 2022-03-29 | 数字太空(北京)智能技术研究院有限公司 | 一种太阳质子事件峰值通量预测方法 |
CN114254544B (zh) * | 2021-12-20 | 2022-09-13 | 数字太空(北京)智能技术研究院有限公司 | 一种太阳质子事件峰值通量预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110070226B (zh) | 基于卷积神经网络与元学习的光伏功率预测方法及系统 | |
Mi et al. | Wind speed prediction model using singular spectrum analysis, empirical mode decomposition and convolutional support vector machine | |
CN103559561B (zh) | 一种光伏电站辐照度的超短期预测方法 | |
CN111008728A (zh) | 一种用于分布式光伏发电系统短期出力的预测方法 | |
Hou et al. | D2CL: A dense dilated convolutional LSTM model for sea surface temperature prediction | |
CN112991090B (zh) | 基于Transformer模型的光伏功率预测方法 | |
CN106055791A (zh) | 基于预估校正算法的飞行器全局气动优化方法 | |
CN104050517A (zh) | 基于grnn神经网络的光伏发电预测方法 | |
Chen et al. | Online prediction of ultra-short-term photovoltaic power using chaotic characteristic analysis, improved PSO and KELM | |
Mensour et al. | Modeling of solar energy potential in Souss-Massa area-Morocco, using intelligence Artificial Neural Networks (ANNs) | |
CN113159452B (zh) | 基于时空相关性的风电集群功率预测方法 | |
CN103823504A (zh) | 一种基于最小二乘支持向量机的最大功率跟踪控制方法 | |
Chauhan et al. | Approximating parameters of photovoltaic models using an amended reptile search algorithm | |
CN115660887A (zh) | 一种基于有限天气预报信息的光伏出力预测方法及系统 | |
CN116167524A (zh) | 一种考虑电-氢-热耦合的多元负荷协同预测方法及系统 | |
CN112862274A (zh) | 一种基于WRF-LES和DeepAR相结合的风功率预测方法 | |
CN112446391A (zh) | 基于最小二乘支持向量机的太阳高度角预测方法 | |
CN117114192A (zh) | 基于多尺度时空图变换网络的海上风电功率预测方法及装置 | |
CN113256033A (zh) | 基于模态互补的发电站选址定容方法、装置、系统及介质 | |
Kulkarni et al. | Output estimation of solar Photovoltaic (PV) system | |
CN116167508B (zh) | 一种基于气象因素分解的短期光伏出力快速预测方法及系统 | |
CN113627670B (zh) | 基于深度傅里叶网络的超短期光伏功率预测系统 | |
Alexandru | Design and optimization of a monoaxial tracking system for photovoltaic modules | |
Ramirez-Vergara et al. | Predicting on-site solar energy generation using off-site weather stations and deep neural networks | |
Xiao et al. | Improved Temporal Convolutional Network Based Ultra-Short-Term Photovoltaic Power Prediction |
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 |