基于小波神经网络法的海南地区逐时太阳总辐射预测研究

利用2003—2012年海口市气象站不同季节逐时太阳总辐射观测资料与对应气象参数,建立基于小波BP神经网络法逐时太阳总辐射的预测模型,并利用2013年太阳总辐射数据对模型进行检验,且与建立的逐步回归模型进行对比。结果表明:小波神经网络法建立的逐时太阳总辐射预测模型精度较高,但不同季节模型预测精度存在差异,冬季预测精度最高,夏季预测精度最差,天气类型指数有利于不同季节模型预测精度的提高。春季、夏季、秋季和冬季加入天气类型指数神经网络模型的逐时太阳总辐射预测值与观测值的回归估计标准误差分别为0.32、0.47、0.35 MJ·m-2及0.23 MJ·m-2,比逐步回归模型的预报精度分别提高了28.8%、16.3%、17.9%和20.4%,说明基于小波神经网络法建立的预测模型可为海南地区逐时太阳总辐射预测提供参考。

基于GA-BP神经网络的逐时总辐射分组模型研究

通过分析影响太阳辐射的主要因素,提出以太阳高度角、季节和天气(晴空指数)作为数据划分依据的分组模型建立方法。以拉萨和西安地区的逐时气象数据和辐射数据为例,基于遗传算法(genetic algorithm,GA)优化的BP神经网络,建立太阳高度角、季节和天气类型的逐时总辐射分组模型。该研究揭示分组模型误差变化的规律,并将其估算误差与AllData模型比较。结果显示,相较于AllData模型,分组模型的估算误差均有降低。其中,天气分组模型误差最小,且西安的天气分组模型结果优于拉萨。西安天气分组模型平均绝对百分比误差(MAPE)和相对均方根误差(rRMSE)相较AllData模型结果分别下降3.96%和4.18%。研究结果表明分组模型能够降低逐时总辐射估算误差,可为估算逐时总辐射提供方法借鉴。

太阳辐射逐时化方法及软件实现

气象参数是建筑能耗模拟的基础,而逐时太阳辐射是建筑能耗模拟中最为重要的气象参数之一。介绍并比较了国内外逐时太阳总辐射模型和直散分离模型,选择C-P&R模型和Gompertz模型,采用MATLAB编程实现了全年太阳辐射的逐时化,并开发了相应的界面。利用开发的软件得到了上海气象台站2013年的逐时太阳总辐射、逐时直射数据和逐时散射数据,并和实际值作了比较。结果表明,计算得到的逐时太阳辐射数据符合全年辐射的变化规律,界面化的实现为建筑能耗模拟提供了便利。