目前能源短缺和環(huán)境污染日益嚴峻,太陽能的利用已受到各個領域研究人員的重視。太陽能在光熱領域和光電領域廣泛應用并且被視為最佳代替能源。由于季節(jié)、氣候、云層密度等氣候因素導致太陽輻射量的不確定性制約了其應用領域的發(fā)展。因此,高精度的預測方法一直是太陽能預測研究的熱點。本文基于集成學習和卷積神經(jīng)網(wǎng)絡研究有效的太陽能輻照度預測方法,采用美國氣象協(xié)會2013-2014年太陽能預測競賽的數(shù)據(jù)集建立仿真實驗。本文提出一種基于貝葉斯模型組合的集成學習方法用于提高太陽能輻照度預測的可靠性。首先,K-means聚類和K折交叉驗證將氣象數(shù)據(jù)訓練集分解成多個訓練子集,以增加基學習器的多樣性并保證均勻采樣。其次,將多組訓練子集導入并訓練集成學習的基學習器。為了彌補單個基學習器的缺陷,本文將多個基學習器在驗證集上的預測結果輸入貝葉斯模型組合算法,根據(jù)驗證集上預測性能制定模型的組合策略。實驗結果證明了文中所提出的集成學習方法可以精確地預測不同氣象條件下的太陽能輻照度,具有良好的預測精度及可靠性。為了分析不同采樣時刻氣象數(shù)據(jù)的相關性與太陽能輻照度之間的關系及不同站點氣象數(shù)據(jù)的相關性與太陽能輻照度之間的關系,本文根據(jù)標... 

【文章來源】：天津大學天津市 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：84 頁

【學位級別】：碩士

【部分圖文】：

GEFS站點與Oklahoma州98個中尺度站的位置關系

中尺度站與 GEFS 站點地理分包含周圍 4 個 GEFS 站氣象屬性在 5 個采樣時刻個 GBRT 模型的輸出值融合進行加權求和，以匹配該中11 MJ m-2。權對中尺度站周圍 4 個 GE GEFS 站點的歐幾里得距4141i GEFSiiMesonetiiwVVw 點 i 的氣象數(shù)據(jù)組成兩個 GEFS 站點之間的距離刻可以獲得 75 個屬性變量

waGBRT s 模型使用周。 0.5* 1.5n GBRT s GBRTfinal p 一名類似，使用非線性加權技術]。EFS 站點并不完全重合，故有些參(如圖 2-2)的氣象預報數(shù)據(jù)作為預度站與GEFS3 站點非常接近，此站點的距離。在本文中，選擇中尺為預測模型的輸入特征。

【參考文獻】：
期刊論文
[1]基于改進EMD及Elman算法的短期光伏功率預測研究[J]. 徐敏姣,徐青山,袁曉冬.  現(xiàn)代電力. 2016(03)
[2]基于卷積神經(jīng)網(wǎng)絡的搜索廣告點擊率預測[J]. 李思琴,林磊,孫承杰.  智能計算機與應用. 2015(05)
[3]太陽能并網(wǎng)發(fā)電技術概述[J]. 林燕.  電器工業(yè). 2009(12)
[4]能源消耗、二氧化碳排放與中國工業(yè)的可持續(xù)發(fā)展[J]. 陳詩一.  經(jīng)濟研究. 2009(04)
[5]用于太陽能空調(diào)的板型溴化鋰吸收式制冷機[J]. 劉震華,陳亞平.  能源研究與利用. 2005(02)

碩士論文
[1]改進的卷積神經(jīng)網(wǎng)絡在金融預測中的應用研究[D]. 張貴勇.鄭州大學 2016
[2]太陽能光伏電站輸出功率預測研究[D]. 楊蕾.蘭州交通大學 2014
[3]監(jiān)督學習算法在預測太陽能生產(chǎn)中的應用[D]. 戴衛(wèi)特.中南大學 2014



本文編號：2953263