基于DBN耦合模型的太阳辐照度模拟

摘要：

在低碳经济的发展趋势下,太阳辐射的精确模拟对于光伏发电行业至关重要.影响太阳辐射的因素十分复杂,其与许多要素之间都存在复杂的非线性关系,这使得太阳辐射的模拟变得相对复杂.目前已有研究表明,机器学习模型能够很好地模拟太阳辐射,可挖掘出太阳辐射和各种影响因素之间的数学关系.文中基于支持向量回归(SVR)、随机森林(RF)、贝叶斯岭回归(BR)、梯度提升树(GBDT)、BP神经网络(BP)等五种机器学习模型,采用2020年1月—2021年4月位于河南的4个光伏发电站的真实卫星数据及地面观测数据进行机器学习建模以及地面太阳辐射模拟.由于传统单一模型的模拟精度较低,为提升模拟精度,通过引入DBN深度信念网络对五种模型模拟的结果进行二次建模,最终得到4个站点的高精度太阳辐射模拟值.研究结果表明,DBN耦合模型能够有效提取不同机器学习模型模拟结果的特征,其模拟效果和鲁棒性显著优于单一机器学习模型.

关键词：太阳辐射模拟、DBN耦合模型、数据处理、二次建模、结果分析、交叉验证

所属期刊栏目：46

分类号：TN99-34;TM615

在线出版日期：2023-01-11（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：79-84