【技术实现步骤摘要】
本专利技术涉及超短期预测，更具体地说，本专利技术涉及基于地基云图的dni超短期预报方法。
技术介绍
1、太阳能是一种波动性电源，受太阳几何位置和天气过程的影响，具有季节性、随机性和间歇性等特点，为此dni表现出随机性和波动性，这种波动将导致光热电站吸热器受热不均，影响管道中熔岩的流速，直接影响光热电站的安全运行，提前预测dni的变化提前采用措施将有助于保障发电生产安全。因此，通过对dni的研究，准确预报dni变化对发电系统安全生产具有重要的现实意义。然而将污染物浓度与dni之间的非线性关系进行建模仍然是一个挑战，尤其是在处理大气中多种污染物交互作用时，此外目前传统的dni超短期预报没有考虑dni穿过大气层过程中受到来自云、气溶胶、水汽等物质吸收和反射作用，忽视了云层对dni值的影响，导致dni值预报不准确的问题针对上述问题，本专利技术提出一种解决方案。
技术实现思路
1、为了克服现有技术的上述缺陷，本专利技术的实施例提供基于地基云图的dni超短期预报方法，通过基于地基云图的dni超短期预报方法，以解决传统dni超短期预报不准确的问题。
2、为实现上述目的，本专利技术提供如下技术方案：
3、一种基于地基云图的dni超短期预报方法，包括以下步骤：获取dni历史气象观测数据和污染物数据并进行预处理，dni历史气象数据包括历史晴空条件下的气象观测数据、历史云层条件下的气象观测数据、历史dni观测数据和地外辐射数据;基于预设的晴空大气基础dni衰减比例模型，计算dni
4、在一个优选的实施方式中，所述预设的晴空大气基础dni衰减比例模型，具体为：基于smarts晴天辐射传输模式，选择一种大气模型并设置模型的光谱范围和观测点的地理位置参数；将历史晴空条件下的气象观测数据、历史dni观测数据输入至大气模型中进行训练与验证，得到晴空大气基础dni衰减比例模型。
5、在一个优选的实施方式中，所述基于预设的晴空大气基础dni衰减比例模型，计算dni相对衰减值，具体为：将dni历史气象观测数据输入至预设的晴空大气基础dni衰减比例模型中，得到基准dni值；设置每种污染物的衰减因子，并基于污染物条件下的dni计算公式，得到含污染物条件下的dni值；基于基准dni值和含污染物条件下的dni值，计算dni相对衰减值。
6、在一个优选的实施方式中，所述将dni相对衰减值作为因变量，各个污染物浓度为自变量构建基于污染物浓度的dni衰减比例模型，具体为：基于dni相对衰减值作为因变量，各个污染物浓度为自变量，构建dni线性回归方程，得到dni线性回归模型；将dni历史气象观测数据和污染物数据按照预设的比例划分为训练集和测试集；将训练集输入至dni线性回归模型中进行模型训练，得到训练后的dni线性回归模型；使用测试集对训练后的dni线性回归模型进行验证，得到训练好的dni线性回归模型。
7、在一个优选的实施方式中，所述获取不同的污染物数据，并对污染物数据进行排列组合，得到若干个污染物组合，基于方差分析计算污染物组合的组合评估值，并进行数据分析，得到初始污染物组合，具体为:获取不同的污染物数据，并对污染物数据进行排列组合，得到若干个污染物组合；根据污染物组合的数量以及重复性，选择anova统计方法分别计算若干个污染物组合之间的组间方差与组内方差；将所述组间方差与组内方差的比率作为组合评估值,并将所述组合评估值进行降序排序，选择最大的组合评估值；将所述最大的组合评估值对应的污染物组合作为初始污染物组合。
8、在一个优选的实施方式中，所述对污染物训练输出集合进行数据分析，筛选得到可接受泛用性基于污染物浓度的dni衰减比例模型，具体为：计算污染物训练输出集合对应的模型输出平均值和模型输出标准差，并将模型输出平均值和模型输出标准差与预设的输出平均值参考值和预设的输出标准差参考值做比较；将模型输出平均值大于预设输出平均值参考值，且模型输出标准差大于预设的输出标准差参考值对应的污染物组合，作为泛用性的污染物组合；将所有泛用性的污染物组合中数量最多的泛用性基于污染物浓度的dni衰减比例模型用于预测dni。
9、在一个优选的实施方式中，所述基于云对dni衰减比例值对初始dni预测值进行修正，得到最终dni预测值，具体为：基于云对dni衰减比例值计算修正系数；基于修正系数，采用指数函数对初始dni预测值进行计算，得到最终dni预测值。
10、本专利技术基于神经网络的智能城市规划辅助决策方法及系统的技术效果和优点：
11、1.该方法通过系统地获取和处理dni历史气象观测数据和污染物数据，结合晴空条件和云层条件下的气象观测，建立了基于污染物浓度的dni衰减比例模型。首先，利用历史晴空和云层数据计算dni相对衰减值，为模型提供了可靠的因变量。接着，通过对不同污染物的排列组合及方差分析，识别出初始污染物组合，从而确保选用的组合在统计上具有显著性。这一过程为模型训练提供了科学依据，逐步引入多种污染物组合并构建污染物训练输出集合，增强了模型的适应性和泛化能力。
12、在模型训练过程中，筛选出可接受泛用性的污染物组合，使得最终的dni衰减比例模型在实际应用中具有更高的可靠性和预测精度。此外，通过将历史云层数据输入模型，并基于云对dni衰减的修正计算，进一步提升了dni预测的准确性。这一系统化的方法不仅提高了对不同大气条件下dni变化的理解，还增强了模型对污染物影响的响应能力，为实际应用提供了更全面、准确的dni预测，具有重要的环境监测和管理意义。
本文档来自技高网...【技术保护点】
1.基于地基云图的DNI超短期预报方法，其特征在于，包括以下步骤：
2.根据权利要求1的基于地基云图的DNI超短期预报方法，其特征在于，所述预设的晴空大气基础DNI衰减比例模型，具体为：
3.根据权利要求2的基于地基云图的DNI超短期预报方法，其特征在于，所述基于预设的晴空大气基础DNI衰减比例模型，计算DNI相对衰减值，具体为：
4.根据权利要求3的基于地基云图的DNI超短期预报方法，其特征在于，所述将DNI相对衰减值作为因变量，各个污染物浓度为自变量构建基于污染物浓度的DNI衰减比例模型，具体为：
5.根据权利要求4的基于地基云图的DNI超短期预报方法，其特征在于，所述获取不同的污染物数据，并对污染物数据进行排列组合，得到若干个污染物组合，基于方差分析计算污染物组合的组合评估值，并进行数据分析，得到初始污染物组合，具体为:
6.根据权利要求5的基于地基云图的DNI超短期预报方法，其特征在于，所述对污染物训练输出集合进行数据分析，筛选得到可接受泛用性基于污染物浓度的DNI衰减比例模型，具体为：
7.根据权利
8.根据权利要求7的基于地基云图的DNI超短期预报方法，其特征在于，所述含污染物条件下的DNI值，具体公式为:
9.根据权利要求8的基于地基云图的DNI超短期预报方法，其特征在于，所述计算DNI相对衰减值，具体为：
10.根据权利要求9的基于地基云图的DNI超短期预报方法，其特征在于，所述分别计算若干个污染物组合之间对应响应变量的组间方差与组内方差，并将组间方差与组内方差的比率作为组合评估值，将最大的组合评估值对应的污染物组合作为初始污染物组合，具体公式表示为：
...【技术特征摘要】
1.基于地基云图的dni超短期预报方法，其特征在于，包括以下步骤：
2.根据权利要求1的基于地基云图的dni超短期预报方法，其特征在于，所述预设的晴空大气基础dni衰减比例模型，具体为：
3.根据权利要求2的基于地基云图的dni超短期预报方法，其特征在于，所述基于预设的晴空大气基础dni衰减比例模型，计算dni相对衰减值，具体为：
4.根据权利要求3的基于地基云图的dni超短期预报方法，其特征在于，所述将dni相对衰减值作为因变量，各个污染物浓度为自变量构建基于污染物浓度的dni衰减比例模型，具体为：
5.根据权利要求4的基于地基云图的dni超短期预报方法，其特征在于，所述获取不同的污染物数据，并对污染物数据进行排列组合，得到若干个污染物组合，基于方差分析计算污染物组合的组合评估值，并进行数据分析，得到初始污染物组合，具体为:
6.根据权利要求5的基...
【专利技术属性】
技术研发人员：王传辉，贾蓓西，申彦波，苗开超，乌日柴胡，王菲，罗艳，姚镇海，
申请(专利权)人：安徽省公共气象服务中心安徽省突发公共事件预警信息发布中心，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。