[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

说明书

本发明公开了一种基于ARMA与BP神经网络的太阳总辐照资源预测方法，该方法包括: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，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；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未采样时刻；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，得到预测值然后将预测值和耦合，调整模型参数，得到ARMA‑BP预测模型，最后输入实时太阳辐射和气象要素数据即可得到太阳总辐照预测值。本发明能够预测太阳辐照资源，且精确度更高。

技术领域

本发明涉及一种辐照资源预测方法，尤其涉及一种基于ARMA与BP神经网络的太阳总辐照资源预测方法。

背景技术

近年来，随着太阳能产业的飞速发展，对太阳能发电预测的要求也在不断增加，发达国家因对其研究较早、发展较快，所以技术也相对成熟。现有技术中的预测方法包括卫星成像法、天空成像预测法以及分布式传感器网络法，该预测大多是基于地面的独立单点，明显无法满足分布式或占地面积较大的太阳能电站对辐照资源预测的精度要求。因此精准预测太阳辐照资源对于我国的科技和经济又好又快发展显得至关重要。

发明内容

发明目的：本发明提出一种利用ARMA模型与人工神经网络进行耦合的预测方法，能精准预测太阳总辐照资源。

技术方案：为实现本发明的目的，本发明所述的一种基于ARMA与BP神经网络的太阳总辐照资源预测方法，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；

进一步地，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。

进一步地，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。

(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。

进一步地，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，zp，所有主要成分累计贡献率为

(3)通过ARMA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。

进一步地，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；