基于pm2.5和pm10的氣溶膠光學(xué)厚度估計方法
【專利摘要】本發(fā)明提出一種基于PM2.5和PM10的氣溶膠光學(xué)厚度估計方法，所述方法在采集大量PM2.5?PM10濃度?濕度?能見度?大氣氣溶膠光學(xué)厚度(AOD)的實(shí)際樣本數(shù)據(jù)的基礎(chǔ)上，建立大氣氣溶膠光學(xué)厚度(AOD)的萬有引力神經(jīng)網(wǎng)絡(luò)預(yù)測模型，并利用該模型進(jìn)行大氣氣溶膠光學(xué)厚度AOD的估計，從而解決大氣氣溶膠光學(xué)厚度(AOD)反演精度不高、難以實(shí)時獲取的問題。
【專利說明】
基于PM2.5和PM10的氣溶膠光學(xué)厚度估計方法
技術(shù)領(lǐng)域
[0001 ]本發(fā)明涉及一種基于PM2.5和PM10的氣溶膠光學(xué)厚度估計方法，屬于光伏功率預(yù) 測技術(shù)領(lǐng)域。
【背景技術(shù)】
[0002] 光伏發(fā)電功率預(yù)測對于保證電力系統(tǒng)的穩(wěn)定運(yùn)行具有重要意義，基于太陽輻射預(yù) 報的間接預(yù)測方法是常見的研究方法之一。大氣氣溶膠光學(xué)厚度(A0D)是進(jìn)行太陽輻射傳 輸計算的重要參數(shù)，可通過衛(wèi)星觀測與地基觀測獲取。衛(wèi)星觀測方法指基于遙感衛(wèi)星搭載 的中分辨率成像光譜儀(M0DIS)監(jiān)測數(shù)據(jù)反演A0D，其精度低于地基觀測，且受衛(wèi)星過境時 間與數(shù)據(jù)發(fā)布周期影響，反演的實(shí)時性較差。地基觀測指利用光度計測量的太陽輻射強(qiáng)度 反演A0D，精度較高，但是標(biāo)定工作較為復(fù)雜。
[0003] 2012年以來，我國出現(xiàn)了大范圍的霧霾天氣。同時，國家相關(guān)部門開始實(shí)時發(fā)布空 氣質(zhì)量指數(shù)(AQI)以及其中的PM2.5和PM10濃度等6項(xiàng)基本監(jiān)測數(shù)據(jù)，至2015年1月2日，已經(jīng) 覆蓋367個城市。霧和霾分別指懸浮于大氣中的細(xì)微水滴和灰塵顆粒，是大氣氣溶膠的重要 組成部分。霧霾通過直接削弱太陽輻射強(qiáng)度，對光伏發(fā)電功率具有顯著影響。依據(jù)中國氣象 局風(fēng)能太陽能資源中心的最新觀測實(shí)驗(yàn)，輕度霧霾可造成20%-30%的日發(fā)電量損失，重度 霧霾可造成近70%的日發(fā)電量損失。
[0004] 近年來，出于地面大氣質(zhì)量分析和預(yù)測目的，有不少學(xué)者開始研究衛(wèi)星反演的A0D 與PM2.5、PM10濃度之間的關(guān)系，結(jié)果表明它們之間有較高的相關(guān)性。受這一結(jié)論啟發(fā)，鑒于 大氣氣溶膠光學(xué)厚度(A0D)反演精度不高、難以實(shí)時獲取，而地面空氣質(zhì)量監(jiān)測站可實(shí)時發(fā) 布PM2.5和PM10濃度等數(shù)據(jù)，且站點(diǎn)數(shù)量將不斷增加，本發(fā)明提出一種基于PM2.5和PM10濃 度監(jiān)測數(shù)據(jù)的大氣氣溶膠光學(xué)厚度估計方法，以更好的進(jìn)行光伏發(fā)電功率的預(yù)測。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明涉及一種基于PM2.5和PM10的氣溶膠光學(xué)厚度估計方法，所述方法在采集 大量PM2.5濃度-PM10濃度-濕度-能見度-氣溶膠光學(xué)厚度(A0D)的實(shí)際樣本的基礎(chǔ)上，建立 A0D的萬有引力神經(jīng)網(wǎng)絡(luò)預(yù)測模型，并利用該模型進(jìn)行氣溶膠光學(xué)厚度(A0D)預(yù)測。該方法 包括以下步驟：
[0006] 1.以地面的能見度V，濕度h，PM2.5濃度Co，PM10濃度&為輸入，大氣氣溶膠光學(xué)厚 度A0D為輸出，建立并訓(xùn)練相應(yīng)的萬有引力神經(jīng)網(wǎng)絡(luò)預(yù)測模型，具體如下：
[0007] a.采集數(shù)據(jù)構(gòu)造樣本集；
[0008] 記錄某一時刻k下地面的PM2.5濃度C〇、PM10濃度G、能見度V、濕度h以及大氣氣溶 膠光學(xué)厚度A0D，得到一個樣本(CQ(k)，&(!〇，v(k)，h(k)，A0D(k));通過收集多個不同時刻 下的樣本，形成樣本集{(C〇(k)，Ci(k)，v(k)，h(k)，A0D(k))};
[0009] b.建立三層結(jié)構(gòu)BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型，其中，輸入層神經(jīng)元節(jié)點(diǎn)數(shù)為4個，隱含層 神經(jīng)元節(jié)點(diǎn)數(shù)為5個，輸出層神經(jīng)元節(jié)點(diǎn)數(shù)為1個，隱含層神經(jīng)元轉(zhuǎn)移函數(shù)使用雙曲正切函 數(shù)，輸出層神經(jīng)元轉(zhuǎn)移函數(shù)使用S型函數(shù);對于第k個時刻所構(gòu)造的樣本(0)(!〇，&(!〇，v(k)， h(k)，AOD(k))，取BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型的第一個輸入為v(k)，第二個輸入為h(k)，第三個輸 入為C〇(k)，第四個輸入為Ci(k)，輸出為AOD(k);
[0010] c.隨機(jī)抽取樣本集中的80%做為訓(xùn)練樣本，剩余的20%做為檢驗(yàn)樣本，利用萬有 引力搜索算法對建立的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型的權(quán)值與閾值進(jìn)行優(yōu)化，具體步驟如下：
[0011] ①設(shè)置粒子群體規(guī)模N以及各粒子初始位置g == Cp;' …，pf,…，pf)， i = l，2,3,…，N，D為粒子維數(shù)，并采用隨機(jī)數(shù)生成的方式初始化各粒子位置；
[0012] ②計算各粒子的適應(yīng)度函數(shù)值：
[0013] 定義粒子的適應(yīng)度函數(shù)fiSBP神經(jīng)網(wǎng)絡(luò)預(yù)測模型在訓(xùn)練樣本上的均方差：
[0015] 其中:m為輸出節(jié)點(diǎn)個數(shù);p為訓(xùn)練樣本的個數(shù);為網(wǎng)絡(luò)期望輸出值;xpj為網(wǎng)絡(luò)實(shí) 際輸出值；
[0016] @更新群體中的:1^1；與€?。^1；(;1^1=111；[11；1^，€1?0^=11^;1^)，按下式計算各粒子的質(zhì) 量Mi:
[0019]④按照下式計算各粒子的引力合力?1與加速度a1:
[0023] 式中：t為迭代次數(shù)，F(xiàn)dt)為第i個粒子受到的來自其它粒子引力合力？1的第d維 分量，為第i個粒子的第d維的加速度，ran山為[0，1]之間的隨機(jī)數(shù)，G(t)為引力時間 常數(shù);M pi(t)和Maj(t)分別為第i個粒子的被動慣性質(zhì)量和第j個粒子的主動慣性質(zhì)量， 和分別為第i個粒子與第j個粒子的第d維的位置；
[0024] ⑤按照下式更新各粒子的速度^與位置P1:
[0027] 式中：vf⑷為第i個粒子的第d維的速度；
[0028] ⑥返回步驟②，達(dá)到最大迭代次數(shù)后停止迭代，此時fbest所對應(yīng)的粒子位置即為 優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型的權(quán)值與閾值；
[0029] 2.利用優(yōu)化后的萬有引力神經(jīng)網(wǎng)絡(luò)預(yù)測模型進(jìn)行大氣氣溶膠光學(xué)厚度(A0D)的估 計，即將某一環(huán)境下地面的PM2.5濃度C〇、PM10濃度&、能見度V、濕度h作為預(yù)測模型的輸入， 預(yù)測模型的輸出為當(dāng)前環(huán)境下A0D的估計值八(5!)。
[0030] 本發(fā)明的有益效果在于：
[0031] (1)利用可實(shí)時獲取的地面的PM2.5濃度C〇、PM10濃度&、能見度V、濕度h等數(shù)據(jù)對 A0D進(jìn)行直接估計，與現(xiàn)有的衛(wèi)星觀測法與地基觀測法相比，省去了其中的復(fù)雜反演過程， 并且能保證估計的實(shí)時性。
[0032] (2)利用萬有引力算法對神經(jīng)網(wǎng)絡(luò)預(yù)測模型的參數(shù)進(jìn)行優(yōu)化，能夠有效的提高預(yù) 測模型的估計精度。
[0033]下面結(jié)合附圖，對優(yōu)選實(shí)施例作詳細(xì)說明。應(yīng)該強(qiáng)調(diào)的是下述說明僅僅是示例性 的，而不是為了限制本發(fā)明的范圍及其應(yīng)用。
【附圖說明】
[0034]圖1為本發(fā)明所提出的A0D預(yù)測模型結(jié)構(gòu)圖；
[0035]圖2為本發(fā)明A0D預(yù)測模型結(jié)所采用的三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖；
[0036]圖3利用萬有引力搜索算法對BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型進(jìn)行優(yōu)化的流程圖；
[0037]圖4為實(shí)施例中A0D預(yù)測模型在檢驗(yàn)樣本上的估計結(jié)果。
【具體實(shí)施方式】
[0038]以武漢市的大氣氣溶膠光學(xué)厚度估計為作為本發(fā)明的優(yōu)選實(shí)施例，包括以下步 驟。
[0039] 1.以地面的能見度v，濕度h，PM2.5濃度Co，PM10濃度&為輸入，大氣氣溶膠光學(xué)厚 度A0D為輸出，建立并訓(xùn)練相應(yīng)的萬有引力神經(jīng)網(wǎng)絡(luò)預(yù)測模型，其結(jié)構(gòu)如圖1所示，具體如 下：
[0040] a.采集數(shù)據(jù)構(gòu)造樣本集；
[00411 記錄某一時刻k下地面的PM2.5濃度Co、PM10濃度C!、能見度V、濕度h以及大氣氣溶 膠光學(xué)厚度A0D，得到一個樣本(C0(k)，&(k)，v(k)，h(k)，A0D(k));通過收集多個不同時刻 下的樣本，形成樣本集{(C0(k)，Ci(k)，v(k)，h(k)，A0D(k))};
[0042]實(shí)施例中，共收集250個樣本；
[0043] b.建立三層結(jié)構(gòu)BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型，其結(jié)構(gòu)如圖2所示，其中，輸入層神經(jīng)元節(jié) 點(diǎn)數(shù)為4個，隱含層神經(jīng)元節(jié)點(diǎn)數(shù)為5個，輸出層神經(jīng)元節(jié)點(diǎn)數(shù)為1個，隱含層神經(jīng)元轉(zhuǎn)移函 數(shù)使用雙曲正切函數(shù)，輸出層神經(jīng)元轉(zhuǎn)移函數(shù)使用S型函數(shù);對于第k個時刻所構(gòu)造的樣本 (C〇(k)，(Mk)，v(k)，h(k)，AOD(k))，取BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型的第一個輸入為v(k)，第二個輸 入為h(k)，第三個輸入為C〇(k)，第四個輸入為CKk)，輸出為AOD(k);
[0044] c.隨機(jī)抽取樣本集中的80 %做為訓(xùn)練樣本，剩余的20 %做為檢驗(yàn)樣本，實(shí)施例中 共有200個訓(xùn)練樣本，50個檢驗(yàn)樣本，利用萬有引力搜索算法對建立的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型 的權(quán)值與閾值進(jìn)行優(yōu)化，具體步驟如下：
[0045]萬有引力搜索算法是Rashedi等人首先提出的一種基于萬有引力定律進(jìn)行尋優(yōu)的 智能優(yōu)化方法。該方法將優(yōu)化問題的解視為一組在空間運(yùn)行的粒子，粒子之間通過萬有引 力作用相互吸引，粒子運(yùn)動遵循動力學(xué)規(guī)律，萬有引力的作用使得粒子朝著質(zhì)量最大的粒 子移動，而質(zhì)量最大的粒子占據(jù)最優(yōu)位置，從而可求出優(yōu)化問題的最優(yōu)解。算法通過個體間 的萬有引力相互作用實(shí)現(xiàn)優(yōu)化信息的共享，引導(dǎo)群體向最優(yōu)解區(qū)域搜索。
[0046]該算法的原理為：
[0047]在D維的搜索空間中，設(shè)有N個粒子，定義第i個粒子位置為 々=(^，…，￥，)，1 = 1，2,3""兒第〇欠迭代時，粒子」對浦萬有引力定義為
[0049] 式中：G(t)為引力時間常數(shù);Mpi(t)和Maj(t)分別為粒子i的被動慣性質(zhì)量和粒子j 的主動慣性質(zhì)量。
[0050] 假設(shè)引力質(zhì)量與慣性質(zhì)量相等，根據(jù)每個粒子的適應(yīng)度函數(shù)值計算粒子慣性質(zhì) 量：
[0051] Mai=MPi=Mi (2)
[0054] 對于極小化問題，fbest=minfj，fw〇rst=maxfj〇
[0055] 對于第i個粒子，受到來自其它粒子引力的合力可用引力的隨機(jī)加權(quán)和表示為：
[0057]基于牛頓第二定律，粒子i產(chǎn)生的加速度為：
[0059]則粒子的速度和位置可以更新為：
[0062]式中：/?/〇；)為第i個粒子的第d維的位置；vf(；〇為第i個粒子的第d維的速度； 第i個粒子的第d維的加速度;randj為[0，1 ]之間的隨機(jī)數(shù)。
[0063]圖3為本發(fā)明利用萬有引力搜索算法對BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型進(jìn)行優(yōu)化的流程圖， 具體步驟如下：
[0064]①設(shè)置粒子群體規(guī)模N以及各粒子初始位置，…，pI，…，P?)八 =1，2，3，…，N，D為粒子維數(shù)，并采用隨機(jī)數(shù)生成的方式初始化各粒子位置;實(shí)施例中，取N =40，所建立的BP神經(jīng)網(wǎng)絡(luò)輸入層有1 = 4個神經(jīng)元，隱含層有h = 5個神經(jīng)元，輸出層有m= 1 個神經(jīng)元，設(shè)wih= {wji | j = 1，…，1，i = 1，…，h}為輸入層神經(jīng)元與隱含層神經(jīng)元之間的連 接權(quán)值集合，whm= {wkj | k = 1，…，m，j = 1，…，h}為隱含層神經(jīng)元與輸出層神經(jīng)元之間的連 接權(quán)值集合，bdPbm分別表示隱含層神經(jīng)元與輸出層神經(jīng)元的閾值，則各粒子位置為P 1 = [wih，bh，，bm]，故D = 31，設(shè)置最大迭代次數(shù)為1000次；
[0065]②計算各粒子的適應(yīng)度函數(shù)值：
[0066]定義粒子的適應(yīng)度函數(shù)hSBP神經(jīng)網(wǎng)絡(luò)在訓(xùn)練樣本上的均方差：
[0068] 其中:m為BP神經(jīng)網(wǎng)絡(luò)輸出節(jié)點(diǎn)個數(shù);p為訓(xùn)練樣本的個數(shù);為網(wǎng)絡(luò)期望輸出值； xPj為網(wǎng)絡(luò)實(shí)際輸出值;實(shí)施例中，m=l，p = 200;
[0069] ③更新群體中的fbest與fworst，按照式(4)計算各粒子的質(zhì)量Mi ;
[0070] ④按照公式(5) (6)計算各粒子的引力合力Fi與加速度ai;
[0071] ⑤按照公式(7)(8)更新各粒子的速度Vl與位置P1;
[0072] ⑥返回步驟②，達(dá)到最大迭代次數(shù)后停止迭代，此時fbest所對應(yīng)的粒子位置即為 優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型的權(quán)值與閾值。實(shí)施例中，優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型的 權(quán)值與閾值如表1所不。
[0073] 表 1
[0075] 2.利用優(yōu)化后的萬有引力神經(jīng)網(wǎng)絡(luò)預(yù)測模型進(jìn)行大氣氣溶膠光學(xué)厚度A0D的估 計，即將某一環(huán)境下地面的PM2.5濃度C〇、PM10濃度&、能見度V、濕度h作為預(yù)測模型的輸入， 預(yù)測模型的輸出為當(dāng)前環(huán)境下A0D的估計值八(^)。
[0076] 實(shí)施例中，某一環(huán)境下地面的PM2.5濃度Co = 170ug/m3、PM10濃度& = 234ug/m3、能 見度v=12.5km、濕度h = 65,將它們作為預(yù)測模型的輸入，則預(yù)測模型輸出當(dāng)前環(huán)境下AOD 的估計值A(chǔ)〇D 〇
[0077] 為了驗(yàn)證本發(fā)明所提出的A0D預(yù)測模型的精度，實(shí)施例中，利用50個檢驗(yàn)樣本作為 預(yù)測模型輸入，預(yù)測模型的估計誤差如圖4所示，可知，該預(yù)測模型具有較高的估計精度。
[0078] 以上所述，僅為本發(fā)明較佳的【具體實(shí)施方式】，但本發(fā)明的保護(hù)范圍并不局限于此， 任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，可推想到的變化或替換，都 應(yīng)涵蓋在本發(fā)明的保護(hù)范圍之內(nèi)。
【主權(quán)項(xiàng)】
1. 一種基于PM2.5和PMIO的氣溶膠光學(xué)厚度估計方法，所述方法在采集大量PM2.5濃 度-PM10濃度-濕度-能見度-大氣氣溶膠光學(xué)厚度(A0D)的實(shí)際樣本的基礎(chǔ)上，建立A0D的萬 有引力神經(jīng)網(wǎng)絡(luò)預(yù)測模型，并利用該模型進(jìn)行A0D估計。2. 根據(jù)權(quán)利要求1所述的基于PM2.5和PM10的氣溶膠光學(xué)厚度估計方法，其特征是，所 述方法按W下步驟進(jìn)行處理： 步驟1. W地面的能見度V，濕度h，PM2.5濃度Co，PM10濃度Cl為輸入，大氣氣溶膠光學(xué)厚 度A0D為輸出，建立并訓(xùn)練相應(yīng)的萬有引力神經(jīng)網(wǎng)絡(luò)預(yù)測模型，具體如下： a. 采集數(shù)據(jù)構(gòu)造樣本集； 記錄某一時刻k下地面的PM2.5濃度C〇、PM10濃度Cl、能見度V、濕度hW及大氣氣溶膠光 學(xué)厚度A0D，得到一個樣本(Co化），Ci化），v化），Kk)，A0D化））；通過收集多個不同時刻下的 樣本，形成樣本集 KC〇(k)，Ci(k)，v(k)，h(k)，A〇Wk))}; b. 建立Ξ層結(jié)構(gòu)BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型，其中，輸入層神經(jīng)元節(jié)點(diǎn)數(shù)為4個，隱含層神經(jīng) 元節(jié)點(diǎn)數(shù)為5個，輸出層神經(jīng)元節(jié)點(diǎn)數(shù)為1個，隱含層神經(jīng)元轉(zhuǎn)移函數(shù)使用雙曲正切函數(shù)，輸 出層神經(jīng)元轉(zhuǎn)移函數(shù)使用S型函數(shù);對于第k個時刻所構(gòu)造的樣本(Co化），Ci化），v化），Kk)， A0D化）），取BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型的第一個輸入為V化），第二個輸入為Kk)，第Ξ個輸入為 Co化），第四個輸入為Cl化），輸出為A0D化）； C .隨機(jī)抽取樣本集中的80%做為訓(xùn)練樣本，剩余的20 %做為檢驗(yàn)樣本，利用萬有引力 捜索算法對建立的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型的權(quán)值與闊值進(jìn)行優(yōu)化，具體步驟如下： ① 設(shè)置粒子群體規(guī)模NW及各粒子初始位置與=CpJ，···，，···，),i = l，2， 3,…，N，D為粒子維數(shù)，并采用隨機(jī)數(shù)生成的方式初始化各粒子位置； ② 計算各粒子的適應(yīng)度函數(shù)值： 定義粒子的適應(yīng)度函數(shù)fi為BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型在訓(xùn)練樣本上的均方差：其中:m為輸出節(jié)點(diǎn)個數(shù);P為訓(xùn)練樣本的個數(shù);為網(wǎng)絡(luò)期望輸出值;卻^為網(wǎng)絡(luò)實(shí)際輸 出值； ③ 更新群體中的fbest與fw。rst(打est=minfj，fw。rst=maxfj)，按下式計算各粒子的質(zhì)量 Mi：④ 按照下式計算各粒子的引力合力Fi與加速度ai:式中：t為迭代次數(shù)，巧為第i個粒子受到的來自其它粒子引力合力Fi的第d維分量， 口 f的為第i個粒子的第d維的加速度，rand功[Oa]之間的隨機(jī)數(shù)，G(t)為引力時間常數(shù)； Mpi(t)和Mw(t)分別為第i個粒子的被動慣性質(zhì)量和第j個粒子的主動慣性質(zhì)量，和 戶^^(0分別為第1個粒子與第^'個粒子的第(1維的位置； ⑤ 按照下式更新各粒子的速度VI與位置Pi : 式中:vf的為第i個粒子的第d維速度；⑥ 返回步驟②，達(dá)到最大迭代次數(shù)后停止迭代，此時fbest所對應(yīng)的粒子位置即為優(yōu)化后 的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型的權(quán)值與闊值； 步驟2.利用優(yōu)化后的萬有引力神經(jīng)網(wǎng)絡(luò)預(yù)測模型進(jìn)行大氣氣溶膠光學(xué)厚度AOD的估 計，即將某一環(huán)境下地面的PM2.5濃度C〇、PM10濃度打、能見度V、濕度h作為預(yù)測模型的輸入， 預(yù)測模型的輸出為當(dāng)前環(huán)境下A0D的估計值A(chǔ)(Sd。
【文檔編號】G06F19/00GK106096246SQ201610389671
【公開日】2016年11月9日
【申請日】2016年6月6日 公開號201610389671.0, CN 106096246 A, CN 106096246A, CN 201610389671, CN-A-106096246, CN106096246 A, CN106096246A, CN201610389671, CN201610389671.0
【發(fā)明人】劉衛(wèi)亮, 李金拓, 馬良玉, 李靜, 劉長良, 陳文穎, 林永君, 熊峰
【申請人】華北電力大學(xué)（保定）