预测太阳辐射人工神经网络模型.PDFVIP

预测太阳辐射的人工神经网络模型 大连理工大学 陈滨 陈星 贾珣 摘 要 在对建筑能耗或太阳能应用系统的性能进行分析时,太阳辐射量是非常重要的参 数。太阳辐射量可以通过实测获得，也可以通过理论计算。应用人工神经网络系统来预测 太阳辐射量，可以较好地解决传统的理论计算模型的计算复杂、准确性不高、通用性差等 缺陷。本文重点介绍了两种利用人工神经网络预测太阳辐射量的模型。这两种模型不受地 域性限制，仅使用经度、纬度、海拔、日照时数、月份，就可以准确地预测当地的月平均 日太阳辐射量。 关键词 预测太阳辐射量、人工神经网络、径向基函数网络（RBF）、多层感知器网络（MLP） 1 引言 近年来，太阳能利用的研究引起世界各国越来越多的关注，如何准确方便地计算太阳 辐射量成为太阳能研究领域的重要课题。传统的预测太阳辐射量的数学模型有很多，既有 理论推导，也有经验公式，但大多数属于半经验半理论公式。归纳起来主要分为两大类： 一类为计算瞬时太阳辐射量的模型，另一类是计算逐日、逐时的太阳辐射量的模型。目前， 发展较为成熟的有半正弦模型、Collars-Pereira Rabl 模型、Hottel Model 和 [1][2] ThrelkeldJordan 模型 。其中半正弦模型和Collars-Pereira Rabl 模型既可以计算瞬时 太阳辐射量，也可以计算特定时间段内太阳辐射量。但应用这两种模型计算瞬时太阳辐射 量时，需预先通过其他模型求得全天太阳总辐射量。至于逐月或逐年的太阳辐射量的预测 模型，至今尚未确立，需根据计算出的逐日值分析得到。 通过比较国内外的研究成果[1] ~[10]，可以得知，传统的计算模型主要存在以下缺陷： （1）由于应用大量的由经验推导出的参数，影响了结果的准确性。 （2）一些模型的传递函数非常复杂，甚至无法求解。 （3）模型的计算机模拟过程采用串行处理方式。计算机的命令由二进制代码执行，由于二 进制代码的位数限制，通常在数据处理过程中进行四舍五入运算，以至于即使输入参 数“差之毫厘”，计算结果却“谬以千里”。 （4）模型的建立都基于特定地区的太阳辐射数据，所以地域性强，通用性差。 （5）在阴天预测太阳辐射量误差大，不能方便有效地完成从阴天向晴天的转换。 针对上述问题，太阳辐射量的神经网络预测法应运而生。神经网络的本质是模糊的， 它舍弃了线性系统和传递函数的概念,强调从实际中总结经验；避免了复杂的数据分析和建 模过程，其非编程和自适应的信息处理方式可完成复杂的输入-输出的非线性映射。这种方 法不需要复杂的微分方程、计算公式、主观因素等，而且它无需测量仪器，更具有推广性 和普遍性。目前，预测太阳辐射量的人工神经网络模型主要有预测逐月太阳辐射量的径向 基函数（radial basis function network ）和多层感知器网络模型（multiplayer perception [6] [7] network） 、预测逐时太阳辐射量的多层感知器网络模型 、以及预测瞬时太阳辐射量 [9] 前馈网络模型（feed-forward neural netwoks） 。本文在简要论述神经网络系统基本原理的 1  n   f(XW) i j ij  j1 基础上，介绍了两种预测月平均日太阳辐射量的神经网络模型，即径向基函数模型和多层 感知器模型。 2 神经网络系统[11]~ [13]（Artificial Neural Netwoks） 神经网络是源于人脑神经系统的一种模型，具有模拟人的部分形象思维的能力。它是 人脑的某种抽象、简化和模拟，反映了人脑功能的若干基本特性。网络的信息处理是由简 单处理单元之间相互作用来实现的，它将问题表达成处理单元之间的连接权，具有并行处 理的特点。知识和信息的存储，表现为处理单元之间分布式的物理联系，网络的学习和识 别决定于处理单元联结权系的动态演化过程。 神经网络的实际工作过程是用户在输入层输入需要的参数后，网络的隐含层自动根据 它对样本数据总结出来的规律和函