[发明专利]一种基于ARMA与BP神经网络的太阳总辐照资源预测方法

权利要求书

1.一种基于ARMA与BP神经网络的太阳总辐照资源预测方法，其特征在于，该方法包括步骤：

(1)获取太阳辐射和气象要素数据，将对应于同一时刻的各项数据作为一个影响成分；

(2)采用主成分分析法对影响成分进行降维处理，确认预测模型参数；

(3)通过ARMA最优预测模型对总辐照时间序列{GHI_t}中的线性自相关主体X_t进行预测，得到预测值t表示采样时刻；

(4)通过BP神经网络对总辐照时间序列{GHI_t}中的非线性特征E_t进行预测，得到预测值t表示采样时刻；

(5)将预测值和耦合，调整模型参数，得到ARMA-BP预测模型，输入实时太阳辐射和气象要素数据后得到太阳总辐照预测值，

所述步骤(3)包括：

(31)输入总辐照时间序列{GHI_t}，初始差分次数d＝1；其中，GHI_t为t时刻的总辐照值；

(32)按照如下公式计算差分序列

(33)判断是否平稳，如不平稳，则d＝d+1，跳转至步骤(32)，否则进入步骤(34)；

(34)计算t时刻之前的总辐照时间序列{GHI_t}中的样本自相关系数与偏相关系数的值；

(35)根据根样本自相关系数和偏自相关系数的性质，为如下ARMA模型选择适当的阶数q₁、q₂进行拟合：

其中，θ_k，k＝1，2，...，q₁是自回归系数；X_t，t＝k-1，k-2，...，k-q₁是t时刻的总辐照数值；q₁为自回归模型的阶次，表示滞后的时间周期；ψ_k，k＝1，2，...，q₂是滑动平均系数；q₂为滑动平均模型的阶次；ε_k为各阶的残差；

(36)如果ARMA模型未通过精度检验，跳转至步骤(35)，重新选择模型拟合；如果拟合模型通过检验，仍然回到步骤(35)，重新选择阶数，建立多个拟合模型，从所有通过检验的拟合模型中选择估计值误差最小的为ARMA最优预测模型；

(37)根据ARMA最优预测模型将得到线性自相关主体X_t的估计值作为预测值。

2.根据权利要求1所述的基于ARMA与BP神经网络的太阳总辐照资源预测方法，其特征在于，步骤(1)中，所述太阳辐射数据包括：总辐照、散射辐射、太阳高度角、太阳方位角数据。

3.根据权利要求1所述的基于ARMA与BP神经网络的太阳总辐照资源预测方法，其特征在于，步骤(1)中，所述气象要素数据包括：气温、气压、相对湿度、风速、风向、降水量数据。

4.根据权利要求1所述的基于ARMA与BP神经网络的太阳总辐照资源预测方法，其特征在于，所述步骤(2)具体包括：

(21)分析影响成分与总辐照的相关性；

(22)同一时刻总辐照值GHI_t对应一组影响成分向量，t为采样时刻，选取n组同一时刻的太阳辐射和气象要素数据作为n组向量，每一个影响成分对应于向量中的一个元素，每组向量涉及p个元素构成一个n×p阶的数据矩阵；

(23)对GHI_t进行标准化变换，得到如下矩阵X：

(24)建立变量的相关系数阵R；

(25)求R的特征根λ₁≥λ₂≥λ₃≥λ₄≥λ₅≥…≥λ_p＞0及其对应的单位特征向量e₁，e₂，e₃，…，e_p；

(26)定义影响成分贡献率为选择影响成分贡献率最高的前z个为主要成分，z＜p，所有主要成分累计贡献率为