• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于融合算法優(yōu)化的卷積神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法

    2019-06-12 05:31:48常建芳吳愛(ài)國(guó)
    關(guān)鍵詞:輻照度站點(diǎn)氣象

    董?娜,常建芳,吳愛(ài)國(guó)

    ?

    基于融合算法優(yōu)化的卷積神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法

    董?娜,常建芳,吳愛(ài)國(guó)

    (天津大學(xué)電氣自動(dòng)化與信息工程學(xué)院,天津 300072)

    由于不同氣象條件會(huì)影響太陽(yáng)輻照度的有效利用,這制約了太陽(yáng)能的應(yīng)用和發(fā)展.為了基于不同站點(diǎn)不同采樣時(shí)刻的氣象屬性預(yù)測(cè)中尺度站的太陽(yáng)能輻照度,依據(jù)傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)的框架,建立了一種新型的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)并用于太陽(yáng)能輻照度預(yù)測(cè).為了緩解新型網(wǎng)絡(luò)由超參數(shù)選取不當(dāng)導(dǎo)致預(yù)測(cè)性能差的問(wèn)題,利用融合算法對(duì)新型網(wǎng)絡(luò)的超參數(shù)進(jìn)行優(yōu)化.為了提高融合優(yōu)化算法的全局搜索能力,引入帳篷映射對(duì)粒子的初始位置和初始速度進(jìn)行混沌初始化.首先,導(dǎo)入訓(xùn)練集更新新型卷積神經(jīng)網(wǎng)絡(luò)框架,訓(xùn)練結(jié)束后導(dǎo)入驗(yàn)證集檢驗(yàn)當(dāng)前模型參數(shù)下新型卷積框架的性能.其次,混沌融合算法依據(jù)新型卷積神經(jīng)框架在驗(yàn)證集上的預(yù)測(cè)性能更新模型的超參數(shù).對(duì)更新模型的超參數(shù)多次檢驗(yàn),直至最優(yōu)的預(yù)測(cè)模型在驗(yàn)證集上的性能趨于收斂.最后,輸出模型的最優(yōu)超參數(shù),建立太陽(yáng)能輻照度預(yù)測(cè)模型.基于氣象實(shí)測(cè)數(shù)據(jù)建立太陽(yáng)能輻照度預(yù)測(cè)實(shí)驗(yàn),引入其他兩種預(yù)測(cè)方法進(jìn)行對(duì)比仿真研究,并盡可能復(fù)現(xiàn)了Eustaquio and Titericz團(tuán)隊(duì)的預(yù)測(cè)方法(GBRT)作為太陽(yáng)能輻照度預(yù)測(cè)性能的評(píng)估基準(zhǔn).實(shí)驗(yàn)數(shù)據(jù)表明:混沌融合算法可以有效地提高新型卷積神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)性能,所提出預(yù)測(cè)方法的全年太陽(yáng)能輻照度的均方誤差較GBRT降低25.9%,絕對(duì)平均誤差較GBRT降低了10.7%;全年太陽(yáng)能輻照度平均誤差率降低了18.4%,誤差率小于0.1的樣本量增加了21.1%.

    卷積神經(jīng)網(wǎng)絡(luò);混沌融合算法;參數(shù)優(yōu)化;太陽(yáng)能輻照度預(yù)測(cè)

    太陽(yáng)能作為一種清潔能源受到廣泛的關(guān)注和研究.不同氣象條件會(huì)影響太陽(yáng)能輻照度的有效利用,這制約了太陽(yáng)能的應(yīng)用和發(fā)展.精準(zhǔn)有效的預(yù)測(cè)方法對(duì)太陽(yáng)能的合理應(yīng)用至關(guān)重要[1-2].

    在輻照度預(yù)測(cè)的研究中,不同站點(diǎn)的氣象數(shù)據(jù)(甚至同一站點(diǎn)不同采樣時(shí)刻的氣象數(shù)據(jù))對(duì)太陽(yáng)能輻照度的影響不同.少數(shù)研究者在數(shù)據(jù)預(yù)處理過(guò)程分析輸入數(shù)據(jù)的重要性,傳統(tǒng)的機(jī)器學(xué)習(xí)預(yù)測(cè)方法,包括支持向量機(jī)[3-6](SVM)和人工神經(jīng)網(wǎng)絡(luò)[7-9](ANN),不加區(qū)分地將輸入屬性導(dǎo)入模型訓(xùn)練和測(cè)試. 為了緩解該問(wèn)題并提高太陽(yáng)能輻照度預(yù)測(cè)的精確性,本文利用卷積運(yùn)算處理不同氣象輸入數(shù)據(jù),對(duì)影響太陽(yáng)能輻照度影響大的氣象屬性賦予合理的權(quán)值.

    本文提出一種基于混沌融合算法優(yōu)化的卷積神經(jīng)網(wǎng)絡(luò)框架(convolution neural network based on chaotic hybrid algorithm,CHA-CNN)用于太陽(yáng)能輻照度預(yù)測(cè).為了提高新型框架的預(yù)測(cè)精度并緩解由超參數(shù)選取不當(dāng)引起的過(guò)擬合和欠擬合現(xiàn)象,本文采用混沌融合算法優(yōu)化其超參數(shù).使用美國(guó)氣象協(xié)會(huì)2013—2014 年太陽(yáng)能預(yù)測(cè)競(jìng)賽數(shù)據(jù)[10]作為數(shù)據(jù)集,引入其他兩種預(yù)測(cè)方法進(jìn)行對(duì)比仿真研究.本文盡可能地復(fù)現(xiàn)了Eustaquio and Titericz團(tuán)隊(duì)的預(yù)測(cè)方法作為基準(zhǔn),實(shí)驗(yàn)結(jié)果表明本文所提的方法可以精確預(yù)測(cè)太陽(yáng)能輻照度.

    1?新型卷積神經(jīng)網(wǎng)絡(luò)框架

    1.1?太陽(yáng)能輻照度預(yù)測(cè)

    HOBA中尺度站以及周?chē)鶪EFS站點(diǎn)的地理分布如圖1所示.本文主要基于GEFS1、GEFS2、GEFS3、GEFS4、GEFS6站點(diǎn)5個(gè)采樣時(shí)刻(世界標(biāo)準(zhǔn)時(shí)間UTC12:00、15:00、18:00、21:00、24:00)的氣象數(shù)據(jù)預(yù)測(cè)HOBA中尺度站的太陽(yáng)能輻照度.氣象數(shù)據(jù)和太陽(yáng)能輻照度數(shù)據(jù)介紹參見(jiàn)文獻(xiàn)[10].

    圖1?HOBA中尺度站與周?chē)鶪EFS站點(diǎn)地理分布示意

    1.2?基于氣象數(shù)據(jù)預(yù)測(cè)太陽(yáng)能輻照度框架

    由于GEFS站點(diǎn)和HOBA中尺度站地理位置信息不重合,利用GEFS1~GEFS4站點(diǎn)和GEFS6站點(diǎn)的氣象預(yù)報(bào)數(shù)據(jù)預(yù)測(cè)HOBA站點(diǎn)的太陽(yáng)能輻照度值.將5個(gè)GEFS站點(diǎn)5個(gè)采樣時(shí)刻的15個(gè)氣象預(yù)報(bào)屬性構(gòu)成向量形式,則不同GEFS站點(diǎn)氣象數(shù)據(jù)預(yù)測(cè)太陽(yáng)能輻照度框架如圖2所示.

    5個(gè)GEFS站點(diǎn)15個(gè)氣象屬性在5個(gè)采樣時(shí)刻的采樣值構(gòu)成1×375的向量,卷積核1的維度為1×5,卷積運(yùn)算的步長(zhǎng)設(shè)置為5(當(dāng)某個(gè)氣象屬性卷積計(jì)算結(jié)束則跳到下一個(gè)氣象屬性卷積計(jì)算,相鄰氣象數(shù)據(jù)之間不做卷積計(jì)算),故特征向量1的維度為1×75.因此,特征向量1中每個(gè)特征值經(jīng)過(guò)不同站點(diǎn)氣象預(yù)報(bào)信息卷積計(jì)算得到.

    (1)

    由式(1)可得,卷積核1相當(dāng)于不同GEFS站點(diǎn)氣象預(yù)報(bào)屬性對(duì)應(yīng)的權(quán)值.因此,訓(xùn)練完成的權(quán)值可以反映不同GEFS站點(diǎn)氣象預(yù)報(bào)信息對(duì)太陽(yáng)能輻照度的影響.所以,在新型卷積神經(jīng)網(wǎng)絡(luò)框架的訓(xùn)練過(guò)程中,對(duì)太陽(yáng)能輻照度影響較大的GEFS站點(diǎn)的氣象數(shù)據(jù)會(huì)獲得較大的權(quán)值.

    圖2?不同GEFS站點(diǎn)氣象數(shù)據(jù)預(yù)測(cè)太陽(yáng)能輻照度框架

    2?混沌融合算法

    卷積神經(jīng)網(wǎng)絡(luò)的超參數(shù)影響模型的預(yù)測(cè)性能,所以對(duì)卷積神經(jīng)網(wǎng)絡(luò)超參數(shù)優(yōu)化至關(guān)重要[11].為了設(shè)定最優(yōu)結(jié)構(gòu)參數(shù)和學(xué)習(xí)參數(shù)用于太陽(yáng)能輻照度預(yù)測(cè),使用混沌融合算法對(duì)新型框架的超參數(shù)進(jìn)行優(yōu)化.融合優(yōu)化算法包含粒子群算法(particle swarm optimization,PSO)和遺傳算法(genetic algorithm,GA).由于新型卷積網(wǎng)絡(luò)的超參數(shù)同時(shí)包含了整數(shù)和小數(shù),故引入GA算法更新粒子信息,使用GA-PSO融合算法解決超參數(shù)的整數(shù)規(guī)劃問(wèn)題.

    2.1?混沌初始化

    為了提高粒子的全局搜索能力,對(duì)粒子的初始位置和初始速度進(jìn)行混沌初始化.這里使用帳篷映射(tent map)[12]產(chǎn)生混沌變量為

    (2)

    ?(3)

    (4)

    假設(shè)映射后的一個(gè)維的混沌向量為

    (5)

    基于不同GEFS站點(diǎn)氣象數(shù)據(jù)預(yù)測(cè)太陽(yáng)能輻照度的研究中將卷積核1維度、卷積核2維度、特征向量1的組數(shù)和特征向量2的組數(shù)固定(圖2).

    (6)

    2.2?融合優(yōu)化算法

    (7)

    (8)

    當(dāng)fit滿足預(yù)測(cè)的精度要求或融合優(yōu)化算法達(dá)到最大迭代次數(shù),優(yōu)化算法將終止迭代.最優(yōu)粒子信息會(huì)被用來(lái)建立網(wǎng)絡(luò)結(jié)構(gòu).

    3?太陽(yáng)能輻照度預(yù)測(cè)仿真實(shí)驗(yàn)

    本節(jié)將HOBA中尺度站的太陽(yáng)能輻照度和周?chē)鶪EFS站點(diǎn)的氣象數(shù)據(jù)作為數(shù)據(jù)集(2008年之后的太陽(yáng)能輻照度未公開(kāi)),1994年1月1日—2004年12月31日的樣本作為訓(xùn)練集.將2005年1月1日—2006年12月31日的樣本作為驗(yàn)證集,CHA-CNN基于驗(yàn)證集搜索最優(yōu)的超參數(shù).將2007年的樣本作為測(cè)試集.

    3.1?性能指標(biāo)與對(duì)照實(shí)驗(yàn)

    均方誤差(MSE)和絕對(duì)平均誤差(MAE)作為誤差評(píng)價(jià)指標(biāo),本文定義了平均誤差率(average error rate,AER)和誤差率小于0.1 的預(yù)測(cè)成功率(rate of success,RS)兩個(gè)評(píng)價(jià)指標(biāo),其計(jì)算式分別為

    (9)

    (10)

    (11)

    式中:pre為預(yù)測(cè)輸出;real為真實(shí)值;Er為每個(gè)預(yù)測(cè)樣本的誤差率;Num為預(yù)測(cè)結(jié)果的樣本數(shù);num為誤差率小于0.1的預(yù)測(cè)樣本數(shù).

    本文盡可能地復(fù)現(xiàn)了Eustaquio and Titericz團(tuán)隊(duì)[13](第1名)的預(yù)測(cè)方法作為參考.使用ANN、K-means_RBF 算法建立基于氣象數(shù)據(jù)的太陽(yáng)能輻照度預(yù)測(cè)對(duì)照實(shí)驗(yàn),對(duì)照實(shí)驗(yàn)參數(shù)設(shè)置如表1所示.其中,使用經(jīng)驗(yàn)參數(shù)設(shè)置的新型卷積神經(jīng)網(wǎng)絡(luò)框架CNN預(yù)測(cè)方法也引入對(duì)照實(shí)驗(yàn).

    表1?對(duì)照實(shí)驗(yàn)參數(shù)設(shè)置

    Tab.1?Parameter settings of control experiments

    3.2?太陽(yáng)能輻照度預(yù)測(cè)實(shí)驗(yàn)結(jié)果

    基于不同GEFS站點(diǎn)氣象數(shù)據(jù)預(yù)測(cè)太陽(yáng)能輻照度的實(shí)驗(yàn)結(jié)果如圖3和圖4所示,輸出的誤差曲線如圖5和圖6所示.對(duì)照實(shí)驗(yàn)中各類(lèi)預(yù)測(cè)方法的性能指標(biāo)如表2~表5所示.

    由圖3~圖6可得,CHA-CNN、CNN、GBRT預(yù)測(cè)方法的誤差波動(dòng)相對(duì)最小,ANN和K-means-RBF算法在部分樣本點(diǎn)出現(xiàn)較大的誤差.幾種方法同時(shí)在一些樣本點(diǎn)出現(xiàn)了相同方向的誤差,由于CHA-CNN通過(guò)混沌融合算法不斷調(diào)整卷積網(wǎng)絡(luò)的超參數(shù),使網(wǎng)絡(luò)的超參數(shù)適合樣本數(shù)據(jù)集,故CHA-CNN預(yù)測(cè)方法在這些樣本點(diǎn)上偏差最?。畬?duì)照實(shí)驗(yàn)中CNN采用經(jīng)驗(yàn)參數(shù)設(shè)置超參數(shù),本文中盡可能地提高CNN框架的準(zhǔn)確性,但經(jīng)驗(yàn)參數(shù)設(shè)置的新型框架的預(yù)測(cè)性能仍差于融合算法優(yōu)化的新型框架.ANN和K-means-RBF則在這些較難預(yù)測(cè)的樣本上出現(xiàn)了較大的偏差.

    圖3?上半年預(yù)測(cè)輸出對(duì)比曲線

    圖4?下半年預(yù)測(cè)輸出對(duì)比曲線

    圖5?上半年預(yù)測(cè)輸出誤差對(duì)比

    圖6?下半年預(yù)測(cè)輸出誤差對(duì)比

    表2?第1季度性能指標(biāo)對(duì)比

    Tab.2?Performance indices for the first quarter

    表3?第2季度性能指標(biāo)對(duì)比

    Tab.3?Performance indices for the second quarter

    表4?第3季度性能指標(biāo)對(duì)比

    Tab.4?Performance indices for the third quarter

    表5?第4季度性能指標(biāo)對(duì)比

    Tab.5?Performance indices for the fourth quarter

    由表2~表5可得,5—8 月太陽(yáng)能輻照度月平均MAE 相對(duì)較大,但是由于這些月份的太陽(yáng)能輻照度豐富,所以不同方法預(yù)測(cè)樣本誤差率小于0.1 的樣本比例(RS)更大,誤差較大而平均誤差率較?。?—2 月和11—12 月太陽(yáng)能輻照度月平均MAE相對(duì)較小,但是這些月份的太陽(yáng)能輻照度匱乏,預(yù)測(cè)誤差與太陽(yáng)能輻照度總量的比值較大.所以不同預(yù)測(cè)方法在這些月份雖然預(yù)測(cè)誤差小但預(yù)測(cè)精度低.其中CHA-CNN 的預(yù)測(cè)性能最優(yōu),它的預(yù)測(cè)性能指標(biāo)在多個(gè)月份呈現(xiàn)最優(yōu).由于使用融合優(yōu)化算法優(yōu)化網(wǎng)絡(luò)的超參數(shù),所以CHA-CNN 的整體預(yù)測(cè)性能優(yōu)于CNN.

    3.3?卷積核可視化

    HOBA站點(diǎn)和GEFS3站點(diǎn)距離最近,圖7中GEFS3站點(diǎn)的氣象數(shù)據(jù)對(duì)應(yīng)的權(quán)值較大,表明GEFS3站點(diǎn)的氣象數(shù)據(jù)對(duì)HOBA中尺度站太陽(yáng)能輻照度的影響較大.同時(shí),太陽(yáng)能輻照度預(yù)測(cè)結(jié)果也驗(yàn)證了提出預(yù)測(cè)方法的有效性.類(lèi)似地,卷積核2的權(quán)值可視化中采樣時(shí)刻UTC12:00和UTC24:00相應(yīng)的權(quán)值比較小,說(shuō)明這兩個(gè)采樣時(shí)刻氣象數(shù)據(jù)對(duì)太陽(yáng)能輻照度的影響較?。蓸訒r(shí)刻UTC15:00、UTC18:00和UTC21:00相應(yīng)的權(quán)值較大,說(shuō)明這3個(gè)采樣時(shí)刻氣象預(yù)報(bào)數(shù)據(jù)對(duì)太陽(yáng)能輻照度的影響較大.事實(shí)上,采樣時(shí)刻中僅有UTC15:00、UTC18:00和UTC21:00太陽(yáng)輻射強(qiáng),太陽(yáng)能輻照度穩(wěn)定,這時(shí)的氣象預(yù)報(bào)數(shù)據(jù)和太陽(yáng)能輻照度影響較大.

    圖7?卷積核可視化

    3.4?預(yù)測(cè)結(jié)果對(duì)比

    各類(lèi)算法在測(cè)試集樣本的平均絕對(duì)誤差(MAE)如圖8所示,其中GBRT為復(fù)現(xiàn)的競(jìng)賽獲勝者的預(yù)測(cè)方法.

    圖8?誤差對(duì)比曲線

    如圖8所示,5—8月太陽(yáng)能輻照度豐富,多變的天氣給預(yù)測(cè)模型引入了干擾,所以GBRT預(yù)測(cè)方法在5—8月出現(xiàn)了較大誤差.文中盡可能地提高ANN和K-means-RBF預(yù)測(cè)方法的精度,但僅在1 月、5—7月能達(dá)到競(jìng)賽獲勝者的預(yù)測(cè)精度,其他月份都出現(xiàn)了較大預(yù)測(cè)偏差.新型卷積神經(jīng)網(wǎng)絡(luò)框架為不同站點(diǎn)和不同采樣時(shí)刻的氣象數(shù)據(jù)賦予合理的權(quán)值,所以CNN和CHA-CNN預(yù)測(cè)方法整體預(yù)測(cè)性能優(yōu)于其他方法.由于CHA-CNN引入混沌融合算法優(yōu)化新型卷積框架的超參數(shù),CHA-CNN的預(yù)測(cè)性能優(yōu)于CNN.綜述太陽(yáng)能輻照度預(yù)測(cè)實(shí)驗(yàn)結(jié)果,所提出的融合算法優(yōu)化的卷積神經(jīng)網(wǎng)絡(luò)框架在不同氣象條件下的輻照度預(yù)測(cè)中有準(zhǔn)確的輸出結(jié)果.

    4?結(jié)?語(yǔ)

    本文提出一種基于混沌融合算法優(yōu)化的卷積神經(jīng)網(wǎng)絡(luò)框架用于太陽(yáng)能輻照度預(yù)測(cè).為了提高新型框架的預(yù)測(cè)精度并緩解由超參數(shù)選取不當(dāng)引起的過(guò)擬合和欠擬合現(xiàn)象,本文采用混沌融合算法優(yōu)化其超參數(shù).美國(guó)氣象協(xié)會(huì)2013—2014 年太陽(yáng)能預(yù)測(cè)競(jìng)賽數(shù)據(jù)作為數(shù)據(jù)集,引用其他兩種預(yù)測(cè)方法進(jìn)行對(duì)比仿真研究,復(fù)現(xiàn)了Eustaquio and Titericz團(tuán)隊(duì)的預(yù)測(cè)方法作為太陽(yáng)能輻照度預(yù)測(cè)性能的評(píng)估基準(zhǔn).實(shí)驗(yàn)結(jié)果表明本文提出的方法可以精準(zhǔn)預(yù)測(cè)太陽(yáng)能輻照度,并可以適應(yīng)不同氣象條件下的預(yù)測(cè)任務(wù).

    [1] 田翠霞,黃?敏,朱啟兵. 基于EMD-LMD-LSSVM聯(lián)合模型的逐時(shí)太陽(yáng)輻照度預(yù)測(cè)[J]. 太陽(yáng)能學(xué)報(bào),2018,39(2):504-513.

    Tian Cuixia,Huang Min,Zhu Qibing,Hourly solar irradiance forecast based on EMD-LMD-LSSVM joint model[J]. Acta Energiae Solaris Sinica,2018,39(2):504-513(in Chinese).

    [2] 孟品超,李學(xué)源,賈洪飛,等. 基于滑動(dòng)平均法的軌道交通短時(shí)客流實(shí)時(shí)預(yù)測(cè)[J]. 吉林大學(xué)學(xué)報(bào):工學(xué)版,2018,48(2):448-453.

    Meng Pinchao,Li Xueyuan,Jia Hongfei,et al. Short-time rail transit passenger flow real-time prediction based on moving average[J]. Journal of Jilin University:Engineering and Technology Edition,2018,48(2):448-453(in Chinese).

    [3] 黃?璇,郭立紅,李?姜,等. 改進(jìn)粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的目標(biāo)威脅估計(jì)[J]. 吉林大學(xué)學(xué)報(bào):工學(xué)版,2017,47(3):996-1002.

    Huang Xuan,Guo Lihong,Li Jiang,et al. Target threat assessment based on BP neural network optimized by modified particle swarm optimization[J]. Journal of Jilin University:Engineering and Technology Edition,2017,47(3):996-1002(in Chinese).

    [4] 郭?偉,李明家,李?濤,等. 基于APSO_WLSSVM算法的Hammerstein ARMAX模型參數(shù)辨識(shí)[J]. 中國(guó)科技論文,2018,13(2):136-143.

    Guo Wei,Li Mingjia,Li Tao,et al. Parameter identification of Hammerstein ARMAX model based on APSO__WLSSVM algorithm[J]. China Sciencepaper,2018,13(2):136-143(in Chinese).

    [5] Alam S. Performance of Alzheimer disease classification based on PCA,Linear SVM,and multi-kernel SVM[C]// The Eighth International Conference on Ubiquitous and Future Networks,IEEE. Vienna,Austria,2016:987-989.

    [6] Zhou Y,Cui X,Hu Q,et al. Improved multi-kernel SVM for multimodal and imbalanced dialogue act classification[C]// International Joint Conference on Neural Networks. Killarney,Ireland,2015:1-8.

    [7] Rabbi K M,Nandi I,Saleh A S,et al. Prediction of solar irradiation in Bangladesh using artificial neural network(ANN)and data mapping using GIS technology[C]// Development in the in Renewable Energy Technology,IEEE. Dhaka,Bangladesh,2016:1-6.

    [8] Anamika,Kumar N,Akella A K. Prediction and efficien cy evaluation of solar energy resources by using mixed ANN and DEA approaches[C]// Pes General Meeting Conference & Exposition.National Harbor,MD,USA,2014:1-5.

    [9] Yadav A K,Malik H,Chandel S S. ANN based prediction of daily global solar radiation for photovoltaics applications[C]// India Conference,IEEE. New Delhi,India,2016:1-5.

    [10] AMS 2013—2014 solar energy prediction contest,forecast daily solar energy with an ensemble of weather models[EB/OL]. https://www.kaggle.com/c/ams-2014-solar-energy-prediction-contest,2014.

    [11] Chiang H D,Chen L G,Liu R P,et al. Group-based chaos genetic algorithm and non-linear ensemble of neural networks for short-term load forecasting[J]. IET Generation Transmission & Distribution,2016,10(6):1440-1447.

    [12] Zhang H,Shen J H,Zhang T N,et al. An improved chaotic particle swarm optimization and its application in investment[C]// International Symposium on Computational Intelligence and Design,IEEE. Wuhan,China,2008:124-128.

    [13] Mcgovern A,Gagne D J,Eustaquio L,et al. Solar energy prediction:An international contest to initiate interdisciplinary research on compelling meteorological problems[J]. Bulletin of the American Meteorological Society,2012,96(8):1388-1393.

    Convolution Neural Network Prediction Method Based on the Chaotic Hybrid Algorithm

    Dong Na,Chang Jianfang,Wu Aiguo

    (School of Electrical and Information Engineering,Tianjin University,Tianjin 300072,China)

    Seasonal factors,such as season,climate,cloud density,and other climatic factors,restrict the stability and applications of solar irradiation. In this paper,a novel prediction method based on the framework of traditional convolutional neural networks is proposed to predict the solar irradiance of mesoscale stations based on meteorological data obtained at different sampling moments from different global ensemble forecast system(GEFS) stations. To alleviate the issue of over-fitting or under-fitting caused by improper selection of hyper parameters,the chaotic hybrid algorithm is utilized to optimize the hyper parameters of the novel framework. In addition,a tent map is utilized to improve the global search ability of the hybrid optimization algorithm. First,a training set is constructed to update the novel convolutional neural network framework,after which a validation set is imported to test the performance of this framework under the current hyper parameters. Next,the chaotic hybrid algorithm updates the hyper parameters according to the prediction performance of the novel framework on the verification set until the performance of the optimal prediction model on the verification set tends to converge. Finally,the optimal hyper parameters are utilized to develop a solar irradiance prediction model. A solar irradiance prediction experiment is established based on meteorological data,and two machine learning prediction methods,as well as the prediction method (GBRT)of Eustarquio and Titericz,are introduced to enable comparison of simulation results. The experimental data demonstrate that the chaotic hybrid algorithm can effectively improve the prediction performance of the novel framework;specifically,the mean squared error(MSE) of the proposed method is 25.9% lower than that of GBRT,the mean absolute error (MAE) of the former is reduced by 10.7% compared with that of the latter,and compared with GBRT,the average error rate of the proposed method is reduced by 18.4%. Samples with error rates less than 0.1 of GBRT account for 58.525%,while that of the proposed method account for 70.89%,which increased by 21.1%.The experimental results verify the accuracy and effectiveness of the proposed prediction method in solar irradiance prediction.

    convolution neural network;chaotic hybrid algorithm;parameter optimization;solar irradiance prediction

    theNational Natural Science Foundation of China(No.61403274,No.61773282)

    TP183

    A

    0493-2137(2019)09-0990-09

    2018-09-18;

    2018-12-25

    董?娜(1983—),女,博士,副教授,dongna@tju.edu.cn.

    常建芳,changjianfang@tju.edu.cn.

    國(guó)家自然科學(xué)基金資助項(xiàng)目(61403274,61773282).

    10.11784/tdxbz201809056

    (責(zé)任編輯:孫立華)

    猜你喜歡
    輻照度站點(diǎn)氣象
    氣象樹(shù)
    《內(nèi)蒙古氣象》征稿簡(jiǎn)則
    氣象戰(zhàn)士之歌
    心聲歌刊(2019年5期)2020-01-19 01:52:52
    基于Web站點(diǎn)的SQL注入分析與防范
    電子制作(2019年14期)2019-08-20 05:43:42
    2017~2018年冬季西北地區(qū)某站點(diǎn)流感流行特征分析
    大國(guó)氣象
    首屆歐洲自行車(chē)共享站點(diǎn)協(xié)商會(huì)召開(kāi)
    中國(guó)典型地區(qū)水平總輻射輻照度頻次特征*
    風(fēng)能(2016年8期)2016-12-12 07:28:48
    怕被人認(rèn)出
    太陽(yáng)模擬器輻照度修正方法的研究
    精品一区二区免费观看| 久久久成人免费电影| 亚洲电影在线观看av| 国内少妇人妻偷人精品xxx网站| 亚洲自拍偷在线| 久久精品国产自在天天线| 成人精品一区二区免费| 免费av不卡在线播放| 亚洲中文字幕一区二区三区有码在线看| 中文字幕av成人在线电影| 精品久久久久久久久亚洲| 精品一区二区免费观看| 色综合站精品国产| 六月丁香七月| 国产精品伦人一区二区| 午夜精品一区二区三区免费看| 特级一级黄色大片| 99久久久亚洲精品蜜臀av| 一级a爱片免费观看的视频| 黑人高潮一二区| 国产精品爽爽va在线观看网站| 免费搜索国产男女视频| 干丝袜人妻中文字幕| 中文字幕人妻熟人妻熟丝袜美| 赤兔流量卡办理| 亚洲,欧美,日韩| 波多野结衣巨乳人妻| 精品少妇黑人巨大在线播放 | 国产国拍精品亚洲av在线观看| 成人漫画全彩无遮挡| 亚洲熟妇中文字幕五十中出| 18禁在线无遮挡免费观看视频 | 99视频精品全部免费 在线| 天天躁夜夜躁狠狠久久av| 男女下面进入的视频免费午夜| 日韩欧美三级三区| 欧美在线一区亚洲| 久久精品夜色国产| 免费观看精品视频网站| 久久久久国产精品人妻aⅴ院| 免费在线观看影片大全网站| 久久精品夜夜夜夜夜久久蜜豆| 色综合站精品国产| 我要看日韩黄色一级片| 久久久久久久久久黄片| 白带黄色成豆腐渣| 又黄又爽又免费观看的视频| 日日摸夜夜添夜夜添av毛片| 国产精品不卡视频一区二区| 久久精品国产亚洲av涩爱 | 热99re8久久精品国产| 久久久久国内视频| 校园人妻丝袜中文字幕| 18禁在线播放成人免费| 五月玫瑰六月丁香| 能在线免费观看的黄片| 搡老妇女老女人老熟妇| 精品久久国产蜜桃| 亚洲熟妇中文字幕五十中出| 十八禁网站免费在线| 我的女老师完整版在线观看| 亚洲成人av在线免费| 欧美xxxx黑人xx丫x性爽| 美女xxoo啪啪120秒动态图| 亚洲无线在线观看| 成人特级av手机在线观看| 99热只有精品国产| 国产精品国产三级国产av玫瑰| 色综合站精品国产| 免费人成视频x8x8入口观看| 欧美成人一区二区免费高清观看| 毛片女人毛片| 日本欧美国产在线视频| 亚洲aⅴ乱码一区二区在线播放| АⅤ资源中文在线天堂| 国产伦在线观看视频一区| 日日摸夜夜添夜夜添小说| 日韩大尺度精品在线看网址| 国产精品一区二区免费欧美| 午夜爱爱视频在线播放| 日日摸夜夜添夜夜爱| 日韩精品中文字幕看吧| 国产伦在线观看视频一区| 天堂影院成人在线观看| 国产久久久一区二区三区| 欧美xxxx性猛交bbbb| 两个人视频免费观看高清| 日日摸夜夜添夜夜添av毛片| 国产久久久一区二区三区| www日本黄色视频网| 亚洲欧美成人综合另类久久久 | 欧美极品一区二区三区四区| 最近最新中文字幕大全电影3| 免费无遮挡裸体视频| 久久人妻av系列| 欧美成人免费av一区二区三区| 人人妻人人澡欧美一区二区| av福利片在线观看| 久久久欧美国产精品| 淫妇啪啪啪对白视频| 男女那种视频在线观看| 精品国内亚洲2022精品成人| 啦啦啦观看免费观看视频高清| 99热这里只有是精品50| 亚洲久久久久久中文字幕| 99久国产av精品| 久久久久精品国产欧美久久久| 免费人成在线观看视频色| 成人二区视频| 婷婷色综合大香蕉| 国产熟女欧美一区二区| 午夜福利在线在线| www.色视频.com| 免费看a级黄色片| 天堂网av新在线| 午夜视频国产福利| 欧美区成人在线视频| 看黄色毛片网站| 男女那种视频在线观看| 精品久久久久久久久久久久久| 国国产精品蜜臀av免费| 草草在线视频免费看| 久久久精品大字幕| 在线免费观看的www视频| 国产三级在线视频| 高清日韩中文字幕在线| 亚洲熟妇熟女久久| 99视频精品全部免费 在线| 成人av一区二区三区在线看| 我的老师免费观看完整版| 欧美+亚洲+日韩+国产| 91午夜精品亚洲一区二区三区| 乱码一卡2卡4卡精品| 美女高潮的动态| 国产真实乱freesex| 中出人妻视频一区二区| 久久久色成人| 久久综合国产亚洲精品| 一级毛片我不卡| 日本一二三区视频观看| 亚洲成a人片在线一区二区| 欧美极品一区二区三区四区| 亚洲三级黄色毛片| 日日摸夜夜添夜夜添av毛片| 91狼人影院| 免费无遮挡裸体视频| 老熟妇仑乱视频hdxx| 久久亚洲精品不卡| 免费大片18禁| 欧美zozozo另类| 欧美色视频一区免费| 精品欧美国产一区二区三| 成年免费大片在线观看| 久久久国产成人精品二区| 免费人成视频x8x8入口观看| videossex国产| 亚洲欧美中文字幕日韩二区| 国产精品久久电影中文字幕| 久久精品国产鲁丝片午夜精品| 一级黄片播放器| 91久久精品国产一区二区成人| 91在线精品国自产拍蜜月| 久久久久九九精品影院| 午夜福利成人在线免费观看| 99久久成人亚洲精品观看| 国产精品一区www在线观看| 色av中文字幕| 黄色欧美视频在线观看| 久久精品国产亚洲av涩爱 | 伊人久久精品亚洲午夜| 亚洲精品成人久久久久久| 国产黄a三级三级三级人| 亚洲婷婷狠狠爱综合网| 成熟少妇高潮喷水视频| 中文字幕久久专区| 欧美区成人在线视频| 日日撸夜夜添| 亚洲国产精品成人综合色| 亚洲欧美清纯卡通| 色av中文字幕| 亚洲国产高清在线一区二区三| 国产精品一区二区三区四区久久| 亚洲精品久久国产高清桃花| 亚洲成a人片在线一区二区| 综合色丁香网| 免费在线观看成人毛片| 少妇的逼水好多| 高清午夜精品一区二区三区 | 亚洲第一电影网av| aaaaa片日本免费| 国国产精品蜜臀av免费| 亚洲熟妇中文字幕五十中出| 日本a在线网址| 毛片女人毛片| 非洲黑人性xxxx精品又粗又长| 99国产精品一区二区蜜桃av| 91久久精品国产一区二区三区| 亚洲av二区三区四区| 国产熟女欧美一区二区| 内射极品少妇av片p| 亚洲人成网站在线播放欧美日韩| 不卡一级毛片| 亚洲色图av天堂| 国产日本99.免费观看| aaaaa片日本免费| 久久人人爽人人片av| 亚洲精品乱码久久久v下载方式| 免费人成视频x8x8入口观看| 国产伦精品一区二区三区视频9| 国产精品,欧美在线| 高清日韩中文字幕在线| 久久久精品94久久精品| 成人无遮挡网站| aaaaa片日本免费| 成年女人毛片免费观看观看9| 亚洲av成人精品一区久久| 日本熟妇午夜| 免费看光身美女| 中文资源天堂在线| 国产精品99久久久久久久久| 日本黄大片高清| 免费av不卡在线播放| 男人舔奶头视频| 99久久中文字幕三级久久日本| 亚洲最大成人av| 亚洲av第一区精品v没综合| 高清毛片免费看| 中文亚洲av片在线观看爽| 亚洲熟妇中文字幕五十中出| 欧美成人a在线观看| 中文字幕久久专区| 国产乱人视频| 久久6这里有精品| 国产精品野战在线观看| 亚洲精品日韩在线中文字幕 | 亚洲无线在线观看| 成人亚洲精品av一区二区| 三级经典国产精品| 久久久成人免费电影| 男人的好看免费观看在线视频| 欧美最黄视频在线播放免费| 亚洲国产精品sss在线观看| 免费搜索国产男女视频| 免费观看精品视频网站| 国产精品一及| av女优亚洲男人天堂| 亚洲无线观看免费| 国产不卡一卡二| 午夜福利在线观看吧| 国产色爽女视频免费观看| 免费看a级黄色片| 毛片一级片免费看久久久久| 国产探花在线观看一区二区| 成人三级黄色视频| 毛片女人毛片| 赤兔流量卡办理| 三级男女做爰猛烈吃奶摸视频| 精品午夜福利在线看| 美女 人体艺术 gogo| 欧美激情国产日韩精品一区| 十八禁网站免费在线| aaaaa片日本免费| 黄色配什么色好看| 91久久精品国产一区二区三区| 一卡2卡三卡四卡精品乱码亚洲| 小说图片视频综合网站| 99久久中文字幕三级久久日本| 久久九九热精品免费| 亚洲天堂国产精品一区在线| 国产三级在线视频| 毛片女人毛片| 国产v大片淫在线免费观看| 22中文网久久字幕| 欧美一区二区亚洲| 内地一区二区视频在线| 又粗又爽又猛毛片免费看| 午夜亚洲福利在线播放| 99热这里只有精品一区| 中文字幕av成人在线电影| 成人午夜高清在线视频| 99精品在免费线老司机午夜| eeuss影院久久| 久久久久国内视频| 亚洲性久久影院| 丰满的人妻完整版| 久久精品国产亚洲网站| 一级黄色大片毛片| 丝袜美腿在线中文| 又黄又爽又免费观看的视频| 欧美性感艳星| 赤兔流量卡办理| 精品国产三级普通话版| 亚洲欧美中文字幕日韩二区| 不卡视频在线观看欧美| 免费观看人在逋| 老师上课跳d突然被开到最大视频| 天天躁夜夜躁狠狠久久av| 两个人视频免费观看高清| 99热这里只有是精品50| 最好的美女福利视频网| 免费人成视频x8x8入口观看| 亚洲人成网站在线观看播放| 亚洲精品在线观看二区| 99久久精品国产国产毛片| 人人妻人人澡人人爽人人夜夜 | 日韩大尺度精品在线看网址| 五月玫瑰六月丁香| 国产精品一区二区免费欧美| 日韩欧美三级三区| 亚洲av成人精品一区久久| 精品一区二区免费观看| 国产av一区在线观看免费| 美女免费视频网站| 成年女人毛片免费观看观看9| 久久久午夜欧美精品| 别揉我奶头~嗯~啊~动态视频| 九九在线视频观看精品| 六月丁香七月| 免费观看精品视频网站| 在线观看一区二区三区| 极品教师在线视频| 国产私拍福利视频在线观看| 国产在视频线在精品| avwww免费| 免费看av在线观看网站| 精品人妻视频免费看| aaaaa片日本免费| 国产乱人视频| 三级毛片av免费| 1000部很黄的大片| 精品一区二区三区视频在线| 国产免费一级a男人的天堂| 亚洲欧美清纯卡通| 免费观看在线日韩| 国产亚洲av嫩草精品影院| 免费看光身美女| 亚洲av一区综合| 国产在线男女| 欧美一区二区国产精品久久精品| 看黄色毛片网站| 国产一区二区激情短视频| 亚洲三级黄色毛片| 国产精品三级大全| 赤兔流量卡办理| 秋霞在线观看毛片| 最后的刺客免费高清国语| 国产精品三级大全| 久久久久久久久久成人| 少妇的逼好多水| 欧美最黄视频在线播放免费| 亚洲综合色惰| 亚洲国产精品成人久久小说 | 丰满乱子伦码专区| ponron亚洲| av.在线天堂| 一个人看的www免费观看视频| 内射极品少妇av片p| 大又大粗又爽又黄少妇毛片口| 观看免费一级毛片| 中文在线观看免费www的网站| 观看免费一级毛片| 亚洲中文日韩欧美视频| 熟妇人妻久久中文字幕3abv| 日韩精品中文字幕看吧| 国产精品1区2区在线观看.| 国产精品一区二区性色av| 中文亚洲av片在线观看爽| 国产精品一区www在线观看| 欧美激情在线99| 欧美zozozo另类| 淫妇啪啪啪对白视频| 两个人视频免费观看高清| 婷婷六月久久综合丁香| 日韩精品有码人妻一区| 国内精品一区二区在线观看| 大型黄色视频在线免费观看| 国产一区亚洲一区在线观看| 久久99热这里只有精品18| 九九热线精品视视频播放| 床上黄色一级片| 欧美激情在线99| 一级av片app| 91狼人影院| 午夜福利在线在线| 成人特级av手机在线观看| 毛片女人毛片| 亚洲国产精品国产精品| 日本熟妇午夜| 色在线成人网| 舔av片在线| 亚洲图色成人| 国产午夜福利久久久久久| 日韩欧美免费精品| 男女那种视频在线观看| 亚洲自拍偷在线| 国产欧美日韩一区二区精品| 国产精品乱码一区二三区的特点| 亚洲18禁久久av| 亚洲av不卡在线观看| 国内精品美女久久久久久| 91在线精品国自产拍蜜月| 九九爱精品视频在线观看| 91午夜精品亚洲一区二区三区| 亚洲精品影视一区二区三区av| 看黄色毛片网站| 日韩欧美一区二区三区在线观看| 99热6这里只有精品| 亚洲国产精品合色在线| 国产精品三级大全| 级片在线观看| 亚洲国产精品sss在线观看| 午夜精品在线福利| 少妇高潮的动态图| 丰满乱子伦码专区| 观看免费一级毛片| 日韩中字成人| 午夜激情欧美在线| 夜夜看夜夜爽夜夜摸| 校园人妻丝袜中文字幕| 成人一区二区视频在线观看| 搡女人真爽免费视频火全软件 | 精品日产1卡2卡| 国产爱豆传媒在线观看| 午夜福利在线观看吧| 亚洲欧美成人精品一区二区| 免费不卡的大黄色大毛片视频在线观看 | 人人妻,人人澡人人爽秒播| 久久韩国三级中文字幕| 看黄色毛片网站| 免费不卡的大黄色大毛片视频在线观看 | 国产精品一及| 欧美精品国产亚洲| 亚洲av一区综合| 国产淫片久久久久久久久| 欧美成人免费av一区二区三区| 精品久久久噜噜| 老熟妇乱子伦视频在线观看| 欧美一区二区精品小视频在线| 在线观看一区二区三区| 91久久精品国产一区二区三区| 一边摸一边抽搐一进一小说| 一级黄片播放器| 国产精品一区二区免费欧美| 真人做人爱边吃奶动态| 国产真实伦视频高清在线观看| 美女内射精品一级片tv| 在线国产一区二区在线| 婷婷六月久久综合丁香| 高清毛片免费观看视频网站| 精品人妻一区二区三区麻豆 | 免费看光身美女| 久久精品综合一区二区三区| 国产乱人偷精品视频| 搡老岳熟女国产| 99热全是精品| 麻豆久久精品国产亚洲av| 日韩高清综合在线| 国内精品一区二区在线观看| 日本精品一区二区三区蜜桃| 在线观看美女被高潮喷水网站| 一区二区三区四区激情视频 | 日韩成人av中文字幕在线观看 | 国语自产精品视频在线第100页| 久久精品人妻少妇| av免费在线看不卡| 18禁在线无遮挡免费观看视频 | 欧美三级亚洲精品| 丰满的人妻完整版| 麻豆国产av国片精品| 黄色日韩在线| 丝袜美腿在线中文| 免费av不卡在线播放| 欧美激情在线99| 日韩欧美在线乱码| 国产黄a三级三级三级人| 精品国内亚洲2022精品成人| 两个人的视频大全免费| av视频在线观看入口| 欧美激情国产日韩精品一区| 亚洲av一区综合| 亚洲国产日韩欧美精品在线观看| 亚洲一级一片aⅴ在线观看| 简卡轻食公司| 99精品在免费线老司机午夜| 国产成人精品久久久久久| 3wmmmm亚洲av在线观看| 亚洲国产欧美人成| 51国产日韩欧美| 久久久欧美国产精品| av中文乱码字幕在线| 狂野欧美白嫩少妇大欣赏| ponron亚洲| 国产麻豆成人av免费视频| 久久久久久久久中文| 国产精品久久久久久亚洲av鲁大| 国产亚洲精品久久久com| 黄色日韩在线| 18禁在线无遮挡免费观看视频 | 久久亚洲精品不卡| 嫩草影院入口| 国产在视频线在精品| 久久精品国产自在天天线| 成熟少妇高潮喷水视频| 看非洲黑人一级黄片| 美女 人体艺术 gogo| 99久久久亚洲精品蜜臀av| 少妇猛男粗大的猛烈进出视频 | 三级男女做爰猛烈吃奶摸视频| 亚洲精品粉嫩美女一区| 亚洲图色成人| 在线观看一区二区三区| 国产在视频线在精品| 深夜精品福利| 中文字幕久久专区| 在线观看一区二区三区| 国产久久久一区二区三区| 国产蜜桃级精品一区二区三区| 久久精品久久久久久噜噜老黄 | 色综合站精品国产| 麻豆一二三区av精品| 淫秽高清视频在线观看| av专区在线播放| 激情 狠狠 欧美| 日韩成人伦理影院| or卡值多少钱| 中国美白少妇内射xxxbb| av在线天堂中文字幕| 国内精品久久久久精免费| 天堂√8在线中文| 青春草视频在线免费观看| 亚州av有码| 亚洲欧美日韩高清在线视频| 黄片wwwwww| 能在线免费观看的黄片| 日本-黄色视频高清免费观看| 亚洲国产精品sss在线观看| 久久草成人影院| 村上凉子中文字幕在线| 女人十人毛片免费观看3o分钟| 日韩国内少妇激情av| 18禁在线播放成人免费| 国产视频内射| 免费在线观看影片大全网站| 一进一出好大好爽视频| 国产高清三级在线| 国产精品免费一区二区三区在线| 麻豆国产av国片精品| 又粗又爽又猛毛片免费看| 欧美色欧美亚洲另类二区| 22中文网久久字幕| 国产69精品久久久久777片| 搡老岳熟女国产| а√天堂www在线а√下载| 国产欧美日韩精品一区二区| 激情 狠狠 欧美| 大香蕉久久网| 嫩草影院精品99| 在线播放无遮挡| 在线观看美女被高潮喷水网站| 国产精品一区二区三区四区免费观看 | 亚洲精品影视一区二区三区av| 亚洲经典国产精华液单| 99riav亚洲国产免费| 黄色日韩在线| 日韩欧美精品免费久久| 内射极品少妇av片p| 麻豆国产97在线/欧美| a级一级毛片免费在线观看| 国产高清视频在线观看网站| 精品久久久噜噜| 久久国产乱子免费精品| 免费看日本二区| 草草在线视频免费看| 久久久久久久久久久丰满| 婷婷色综合大香蕉| 久久精品国产99精品国产亚洲性色| 午夜a级毛片| av黄色大香蕉| 国产av不卡久久| 中文在线观看免费www的网站| 欧美精品国产亚洲| 如何舔出高潮| 亚洲国产精品sss在线观看| 免费在线观看成人毛片| 真人做人爱边吃奶动态| 国产黄a三级三级三级人| 免费黄网站久久成人精品| 午夜福利18| 色av中文字幕| 高清日韩中文字幕在线| 精品久久久久久成人av| 婷婷色综合大香蕉| 久久人妻av系列| 精品久久久久久久久av| 亚洲国产日韩欧美精品在线观看| 成人午夜高清在线视频| 三级男女做爰猛烈吃奶摸视频| 春色校园在线视频观看| 91久久精品电影网| 免费在线观看成人毛片| 国产不卡一卡二| 级片在线观看| 国产一区二区激情短视频| 赤兔流量卡办理| 一夜夜www| 亚洲av二区三区四区| 亚洲精品国产av成人精品 | 国产成人a∨麻豆精品| 成人亚洲欧美一区二区av| 最近在线观看免费完整版| 日韩av不卡免费在线播放| 国产单亲对白刺激| 一a级毛片在线观看| 一卡2卡三卡四卡精品乱码亚洲| avwww免费|