论文部分内容阅读
气象、农业、太阳能等领域都需要高精度、有针对性的太阳辐射观测数据。然而国内太阳辐射观测站点数量少、分布不均,无法满足以大量太阳辐射数据为基础的定量化分析与研究应用。基于光电原理的日照计即将在全国推广应用,以光照度观测数据为主反演太阳辐射数据可以有效弥补太阳辐射观测站数量的不足。但受天气突变、环境状况等随机条件的制约,太阳辐射的反演是多因素综合作用的结果。本文以晴空指数为依据,采用PNN分类法划分为A、B和C三大广义天气类型,在各自天气类型下采用BP、GA-BP、MEA-BP以及ELM算法对太阳直接辐射进行反演,将其结果进行对比分析。结果表明,MEA-BP算法适合A类广义天气类型子模型的太阳直接辐射反演,而ELM算法则可用于B类和C类广义天气状态下。本文在天气类型对太阳辐射影响分析中,通过对辐射数据的统计对比,确定以晴空指数为依据,通过PNN法对天气类型的划分,其分类准确度达到99.4192%;对于太阳辐射多因素的影响,采用PCA法对多变量降维,将光照度、太阳高度角、温度和湿度共4个影响因子作为模型输入变量。在三个子模型的构建中,针对传统的BP神经网络模型,分别引入遗传算法和思维进化算法对其优化处理,结果表明:3个子模型的MEA-BP模型的决定系数最高达到0.9944,相比于GA-BP模型的误差,A类和B类子模型的RMSE分别降低了12.5%、37.76%,MABE分别减少了50.47%、55.79%,而C类子模型的GA-BP误差虽然略小于MEA-BP,但耗时较长,不具普适性。因此将MEA-BP法用于太阳直接辐射反演能有效提高泛化能力。而后引入ELM算法对太阳直接辐射进行反演,并与MEA-BP进行对比分析,结果表明:A类子模型采用MEA-BP法,B类和C类子模型采用ELM法时RMSE均在20W/m~2以内,且MSPE也得到有效降低,故而MEA-BP算法更适合于A类广义天气类型下的太阳直接辐射反演,而ELM算法则在用于B类和C类天气状态时会得到更好的效果。