太阳逐时总辐射混沌优化神经网络预测模型研究.pdfVIP

维普资讯 第 27卷 第2期 太 阳 能 学 报 Vo1．27，No．2 2006年 2月 ACrAENERe1^ESOLARISSlNICA Feb+．2O06 太阳逐时总辐射混沌优化神经网络预测模型研究 曹双华，曹家枞 (东华大学环境科学与工程学院，上海 200051) 摘 要：根据影响太阳逐时总辐射的气象、地理等方面因素的分析 以及对太阳逐时总辐射历史数据的相关性分 析 ，确定了建立太阳逐时总辐射的神经网络预测模型输入因素项 。根据全年最大可照时数统一了太阳逐时总辐射 各天的历史数据，并对宝山气象站的太阳逐时总辐射建立了混沌优化神经网络预测模型(cONN)，编制了计算机程 序。模型输出反映了太阳逐时总辐射的变化规律，预测结果也足够准确。 关键词：太阳逐时总辐射；预测；神经网络；混沌优化 ；相关性分析 中图分类号：P422．1。TPI83 文献标识码：A 性，本文将以此为研究手段，并以太阳辐射及太阳辐 O 引 言 射的主要影响因素历史数据为基础，通过 自相关性 太阳辐射是大气中一切物理过程或现象形成的 分析 ，研究建立太阳逐时总辐射的混沌优化神经网 基本动力，是地球大气的主要能源。在许多领域，太 络预测模型，力求预测合理、方便及准确。 阳辐射都起到非常重要的作用，如在空调领域中，建 筑物空调冷负荷及空调系统的运行与控制都和太阳 1 太阳逐时总辐射影响因素分析 辐射到达地面的强度直接相关。众所周知，空调冷 太阳逐时总辐射量是指太阳光线经大气层到达 负荷大部分是由室内外的温差传热以及太阳的辐射 地球水平面的太阳总辐射量的逐时累计值。太阳逐 传热引起的，且室外气温大小及其波动与太阳辐射 时总辐射存在较大的随机性，这是因为它不仅受季 的变化密切相关，因此太阳辐射对空调系统的影响 节与地理位置的影响，而且与观测时段 (以小时累 是至关重要的。 计)的大气状况、太阳时角、观测 日期、观测时间及云 自1919年Kimball提出日照百分率与总辐射之 量等因素的影响密切相关。太阳逐时总辐射观测数 间可能存在很好的关系这一设想以来 』，已经建立 据序列具有不连续性，在 日落至 日出期间，太阳总辐 了大量的太阳总辐射、直接辐射及散射辐射模型。 射量的逐时值为零，而且 日出至 日落的时间数(即可 近年来 ，国内外也有不少学者致力于太阳辐射的研 照时数)随季节和地理位置的不同而变化，理论上每 究，提出了诸如晴天太阳辐射模型、半正弦模型、Co1 天都不相同；太阳逐时总辐射还具有一定的变化趋 1ares-PereirsRabl模型、时间序列逐时模型、ASHRAE 势，包括年变化和 日变化趋势。因此，传统的一些数 模型及 ARIM 模型等太阳辐射模型-2。。。由于地 学方法在太阳逐时总辐射的建模中就存在较大的困 面太阳辐射的影响因素多种多样，且作用效果也因 难，较难取得满意的结果。例如，在建立太阳总辐射 地理位置和时间的不同存在较大差异；因此很难用 的时间序列模型时，尝试通过差分方法来消除太阳 某个确定模型来准确描述太阳总辐射变化规律，这 总辐射的趋势并不理想b】。 也是上述提到的经典模型在应用时常导致较大误差 太阳逐时总辐射众多影响因素，综合可归纳为 和难以移植的主要原因之～，Parishwad在预测太阳 以下几方面：① 太阳位置：太阳高度角、太阳方位 逐时总辐射时采用了ASHRAE模型，实例表明模型 角、太阳时角及太阳倾角(赤纬)；② 当地地理位置 结果存在比较大的误差-5j。 (经度、纬度)；③ 可照时数：日出至日落时间数；④ 神经网络在处理非线性问题时具有强大的优越 观测 日期：数据观测时的日期；⑤ 观测时间：数据观 收稿 日期：2004-09,03