• <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
    乱人视频在线观看| 欧美潮喷喷水| 国产高清激情床上av| 午夜视频国产福利| 久久欧美精品欧美久久欧美| 亚洲性久久影院| 日本熟妇午夜| 国产高清不卡午夜福利| 日韩,欧美,国产一区二区三区 | 最新中文字幕久久久久| 久久精品91蜜桃| 免费观看精品视频网站| 国产私拍福利视频在线观看| www.色视频.com| 日本 av在线| 黄色女人牲交| 久久99热这里只有精品18| 亚洲av美国av| 美女高潮喷水抽搐中文字幕| 国产精品免费一区二区三区在线| 深夜精品福利| 天堂√8在线中文| a级毛片免费高清观看在线播放| 黄色视频,在线免费观看| 99国产精品一区二区蜜桃av| a在线观看视频网站| 成人午夜高清在线视频| 中文字幕高清在线视频| 午夜久久久久精精品| 蜜桃亚洲精品一区二区三区| 精品久久久久久成人av| 在线看三级毛片| 亚洲美女搞黄在线观看 | 可以在线观看的亚洲视频| 又爽又黄无遮挡网站| 内地一区二区视频在线| 国产精品电影一区二区三区| 成人欧美大片| a级一级毛片免费在线观看| 黄色日韩在线| 99国产极品粉嫩在线观看| 在线免费观看的www视频| 日韩av在线大香蕉| 韩国av在线不卡| 亚洲avbb在线观看| 亚洲精品乱码久久久v下载方式| 人人妻人人看人人澡| 身体一侧抽搐| 成人三级黄色视频| 日韩欧美一区二区三区在线观看| 日本爱情动作片www.在线观看 | 在线观看午夜福利视频| 亚洲av熟女| 一个人免费在线观看电影| 亚洲av.av天堂| 久久久成人免费电影| 精品久久久久久久久av| av视频在线观看入口| 午夜精品久久久久久毛片777| 国产单亲对白刺激| 内地一区二区视频在线| 亚洲性久久影院| 两个人的视频大全免费| 在线免费观看的www视频| 嫩草影院新地址| 国产精品嫩草影院av在线观看 | 夜夜看夜夜爽夜夜摸| 12—13女人毛片做爰片一| 少妇人妻一区二区三区视频| 琪琪午夜伦伦电影理论片6080| 久久中文看片网| 琪琪午夜伦伦电影理论片6080| 亚洲七黄色美女视频| 美女xxoo啪啪120秒动态图| 天天躁日日操中文字幕| 国产人妻一区二区三区在| 国产精品伦人一区二区| 亚洲av成人精品一区久久| 91在线观看av| 国产老妇女一区| 午夜免费成人在线视频| 久久婷婷人人爽人人干人人爱| 国国产精品蜜臀av免费| 日韩av在线大香蕉| 免费在线观看成人毛片| 精品久久久久久成人av| 国产亚洲精品综合一区在线观看| 99视频精品全部免费 在线| 亚洲av中文av极速乱 | 天堂影院成人在线观看| 国产高清三级在线| 最好的美女福利视频网| 日韩一本色道免费dvd| av在线观看视频网站免费| a级毛片a级免费在线| 毛片女人毛片| 久久久久精品国产欧美久久久| 欧美+日韩+精品| 神马国产精品三级电影在线观看| 欧美精品国产亚洲| 嫁个100分男人电影在线观看| 亚洲天堂国产精品一区在线| 欧美日本视频| 91久久精品电影网| 国内揄拍国产精品人妻在线| 国产精品爽爽va在线观看网站| av女优亚洲男人天堂| 久久人妻av系列| 婷婷精品国产亚洲av| 村上凉子中文字幕在线| 亚洲一级一片aⅴ在线观看| 日韩av在线大香蕉| 久久99热6这里只有精品| 亚洲av中文字字幕乱码综合| 少妇高潮的动态图| 美女免费视频网站| 欧美一区二区亚洲| 狂野欧美白嫩少妇大欣赏| 亚洲在线观看片| 在线观看66精品国产| 亚洲综合色惰| 久久久久国内视频| 国产大屁股一区二区在线视频| 成人高潮视频无遮挡免费网站| av国产免费在线观看| 亚洲av熟女| 日本三级黄在线观看| 婷婷亚洲欧美| 国产高清激情床上av| 久久天躁狠狠躁夜夜2o2o| 午夜久久久久精精品| 午夜福利在线观看免费完整高清在 | а√天堂www在线а√下载| 成人亚洲精品av一区二区| 婷婷精品国产亚洲av| 国产91精品成人一区二区三区| 男插女下体视频免费在线播放| 啦啦啦观看免费观看视频高清| 夜夜看夜夜爽夜夜摸| 天堂√8在线中文| 99热6这里只有精品| 免费av观看视频| 国产 一区精品| 国产成人av教育| 小蜜桃在线观看免费完整版高清| 亚洲精品一区av在线观看| 一级毛片久久久久久久久女| 国产单亲对白刺激| 国产白丝娇喘喷水9色精品| 男女做爰动态图高潮gif福利片| 最近最新免费中文字幕在线| 观看免费一级毛片| 精品一区二区三区人妻视频| 亚洲国产欧美人成| 最新在线观看一区二区三区| 亚洲最大成人中文| 日韩欧美一区二区三区在线观看| 男插女下体视频免费在线播放| 国产色婷婷99| ponron亚洲| 深爱激情五月婷婷| 中文字幕免费在线视频6| 99久久精品一区二区三区| 日韩人妻高清精品专区| 99九九线精品视频在线观看视频| 久久精品国产99精品国产亚洲性色| 免费看光身美女| 国产不卡一卡二| 俺也久久电影网| 窝窝影院91人妻| 久久人人精品亚洲av| 嫩草影院新地址| 一卡2卡三卡四卡精品乱码亚洲| 国产精品乱码一区二三区的特点| 亚洲精品日韩av片在线观看| 最近中文字幕高清免费大全6 | 午夜免费男女啪啪视频观看 | 久久国产乱子免费精品| 欧美一区二区国产精品久久精品| 久99久视频精品免费| 窝窝影院91人妻| 日韩人妻高清精品专区| 国产一区二区在线av高清观看| 亚洲av中文av极速乱 | 午夜福利成人在线免费观看| 欧美激情国产日韩精品一区| 99国产极品粉嫩在线观看| 国产一区二区激情短视频| bbb黄色大片| 免费在线观看日本一区| 两个人的视频大全免费| 亚洲内射少妇av| 亚洲成人久久爱视频| 国产欧美日韩精品一区二区| 日本免费一区二区三区高清不卡| 久久精品影院6| 简卡轻食公司| 日韩一区二区视频免费看| 国产爱豆传媒在线观看| 成人特级av手机在线观看| x7x7x7水蜜桃| 亚洲精华国产精华液的使用体验 | 国产又黄又爽又无遮挡在线| 亚洲人成网站在线播放欧美日韩| 99热只有精品国产| 日韩亚洲欧美综合| 成人精品一区二区免费| 欧美又色又爽又黄视频| 日韩强制内射视频| 亚洲一区高清亚洲精品| 欧美潮喷喷水| 三级国产精品欧美在线观看| 亚洲av成人av| 一本一本综合久久| 国产av麻豆久久久久久久| 亚洲成人久久性| 亚洲内射少妇av| 一本一本综合久久| 尤物成人国产欧美一区二区三区| av福利片在线观看| 美女黄网站色视频| 麻豆成人午夜福利视频| 成人一区二区视频在线观看| 一进一出抽搐gif免费好疼| 久久99热这里只有精品18| eeuss影院久久| av在线天堂中文字幕| 国产人妻一区二区三区在| 午夜精品一区二区三区免费看| 亚洲经典国产精华液单| 日本色播在线视频| 超碰av人人做人人爽久久| 久久99热6这里只有精品| 搡老熟女国产l中国老女人| 日本与韩国留学比较| 欧美日韩中文字幕国产精品一区二区三区| 午夜老司机福利剧场| 日韩欧美国产在线观看| 国产黄片美女视频| 午夜a级毛片| 一夜夜www| 成人二区视频| 国产探花极品一区二区| 大型黄色视频在线免费观看| 亚洲最大成人av| 两人在一起打扑克的视频| 韩国av一区二区三区四区| 欧美日本亚洲视频在线播放| or卡值多少钱| 女人被狂操c到高潮| 国内精品一区二区在线观看| 搡女人真爽免费视频火全软件 | 亚洲中文字幕一区二区三区有码在线看| 欧美精品国产亚洲| 91精品国产九色| 国产高清视频在线播放一区| 国模一区二区三区四区视频| 黄色一级大片看看| 亚洲最大成人av| 成人美女网站在线观看视频| 婷婷六月久久综合丁香| aaaaa片日本免费| 亚洲电影在线观看av| 两个人视频免费观看高清| 中文字幕高清在线视频| 精品久久国产蜜桃| 亚洲三级黄色毛片| 日韩欧美一区二区三区在线观看| 精品久久久久久成人av| www日本黄色视频网| 九九热线精品视视频播放| 老师上课跳d突然被开到最大视频| 精品人妻视频免费看| 午夜精品久久久久久毛片777| 一个人看的www免费观看视频| 国产免费av片在线观看野外av| 欧美色欧美亚洲另类二区| 在线a可以看的网站| 亚洲av第一区精品v没综合| 中文字幕高清在线视频| 国产精品日韩av在线免费观看| 国产av一区在线观看免费| 一级a爱片免费观看的视频| 成人av在线播放网站| 人妻制服诱惑在线中文字幕| 校园人妻丝袜中文字幕| 人人妻人人看人人澡| 波多野结衣高清作品| 日本在线视频免费播放| 久久精品国产亚洲av香蕉五月| 一级av片app| 日韩欧美 国产精品| 中国美女看黄片| 日本熟妇午夜| а√天堂www在线а√下载| 亚洲精华国产精华液的使用体验 | 色综合亚洲欧美另类图片| 特大巨黑吊av在线直播| 日韩欧美精品v在线| 国产麻豆成人av免费视频| 久久香蕉精品热| 亚洲欧美日韩卡通动漫| 黄色配什么色好看| 91在线精品国自产拍蜜月| 国产亚洲精品综合一区在线观看| 亚洲国产欧洲综合997久久,| 久久久久久久亚洲中文字幕| 丰满人妻一区二区三区视频av| 午夜福利成人在线免费观看| 午夜福利欧美成人| 中文字幕免费在线视频6| 深夜a级毛片| 美女 人体艺术 gogo| 国产高清视频在线播放一区| 午夜爱爱视频在线播放| 99久久久亚洲精品蜜臀av| 久久久久九九精品影院| 国产乱人伦免费视频| 日日干狠狠操夜夜爽| 国产亚洲精品av在线| 国产一区二区在线av高清观看| 亚洲在线自拍视频| 丰满人妻一区二区三区视频av| 久久久久久久久久久丰满 | 最新在线观看一区二区三区| 亚洲美女黄片视频| 久久99热6这里只有精品| 男人舔奶头视频| 别揉我奶头~嗯~啊~动态视频| 成人特级黄色片久久久久久久| 日本 欧美在线| 欧美不卡视频在线免费观看| 欧美黑人巨大hd| 黄色一级大片看看| 毛片一级片免费看久久久久 | 噜噜噜噜噜久久久久久91| 啦啦啦韩国在线观看视频| 日本精品一区二区三区蜜桃| 啦啦啦观看免费观看视频高清| 在线免费观看的www视频| 又爽又黄a免费视频| 婷婷六月久久综合丁香| 又爽又黄a免费视频| 国产免费av片在线观看野外av| 99热这里只有精品一区| 搡女人真爽免费视频火全软件 | 99热精品在线国产| 久久久久久国产a免费观看| 国产精品电影一区二区三区| 男女边吃奶边做爰视频| 精品久久久噜噜| 久久久成人免费电影| 在线看三级毛片| 日本成人三级电影网站| 成人国产一区最新在线观看| 精品福利观看| 色综合站精品国产| 精品久久久噜噜| 国产高清激情床上av| xxxwww97欧美| 悠悠久久av| 免费搜索国产男女视频| 麻豆一二三区av精品| 国产不卡一卡二| 午夜激情欧美在线| 永久网站在线| 99国产精品一区二区蜜桃av| 赤兔流量卡办理| 99在线人妻在线中文字幕| 亚洲人成网站高清观看| 精品国产三级普通话版| 97超级碰碰碰精品色视频在线观看| 免费观看在线日韩| а√天堂www在线а√下载| 久久久久久久久中文| 免费不卡的大黄色大毛片视频在线观看 | 欧美精品啪啪一区二区三区| 亚洲18禁久久av| 一卡2卡三卡四卡精品乱码亚洲| 亚洲精品亚洲一区二区| 午夜福利在线观看吧| 国产亚洲精品综合一区在线观看| 久久中文看片网| 99热这里只有是精品在线观看| 亚洲国产高清在线一区二区三| 欧美日韩乱码在线| 免费观看精品视频网站| 日本 av在线| 久久精品国产亚洲网站| 国产熟女欧美一区二区| 少妇裸体淫交视频免费看高清| 大又大粗又爽又黄少妇毛片口| 国内揄拍国产精品人妻在线| 免费在线观看成人毛片| 亚洲成人免费电影在线观看| 成人午夜高清在线视频| 99久久精品一区二区三区| 琪琪午夜伦伦电影理论片6080| 日日摸夜夜添夜夜添小说| 亚洲国产欧美人成| 亚洲成av人片在线播放无| 国产精品一及| 九九爱精品视频在线观看| 免费av毛片视频| 国产高清三级在线| 久久精品影院6| a级一级毛片免费在线观看| 久久精品国产清高在天天线| 欧美极品一区二区三区四区| 搡女人真爽免费视频火全软件 | 午夜激情欧美在线| 国产真实伦视频高清在线观看 | 十八禁网站免费在线| 国内精品久久久久精免费| 色哟哟·www| 亚洲三级黄色毛片| 亚洲性夜色夜夜综合| 久久久久免费精品人妻一区二区| 欧美zozozo另类| 又紧又爽又黄一区二区| 高清毛片免费观看视频网站| 老熟妇仑乱视频hdxx| 能在线免费观看的黄片| 国产精品无大码| 成人亚洲精品av一区二区| 黄色女人牲交| 成人综合一区亚洲| 99九九线精品视频在线观看视频| 99久久九九国产精品国产免费| 嫩草影院入口| 亚洲中文字幕一区二区三区有码在线看| 99精品久久久久人妻精品| 又粗又爽又猛毛片免费看| 日本黄色片子视频| 国产精品av视频在线免费观看| 黄色丝袜av网址大全| 国产精品国产三级国产av玫瑰| 免费人成在线观看视频色| 琪琪午夜伦伦电影理论片6080| 久久久久免费精品人妻一区二区| 免费搜索国产男女视频| 亚洲中文字幕一区二区三区有码在线看| 可以在线观看的亚洲视频| 2021天堂中文幕一二区在线观| 精品日产1卡2卡| 日本免费一区二区三区高清不卡| 欧美3d第一页| 国产精品久久久久久精品电影| 十八禁国产超污无遮挡网站| 淫秽高清视频在线观看| 日韩国内少妇激情av| 欧美日韩乱码在线| 欧美不卡视频在线免费观看| 国内精品宾馆在线| 午夜福利在线在线| 蜜桃久久精品国产亚洲av| 99热只有精品国产| 欧美在线一区亚洲| 中国美白少妇内射xxxbb| 久久久久久久午夜电影| 国产免费男女视频| 国模一区二区三区四区视频| 22中文网久久字幕| 精品午夜福利视频在线观看一区| 久久久成人免费电影| 免费观看精品视频网站| 在线观看美女被高潮喷水网站| 看十八女毛片水多多多| 麻豆国产av国片精品| 99国产极品粉嫩在线观看| 人妻久久中文字幕网| 免费电影在线观看免费观看| 精品久久久久久久人妻蜜臀av| 精品免费久久久久久久清纯| 夜夜看夜夜爽夜夜摸| 热99re8久久精品国产| 18禁黄网站禁片免费观看直播| 精品99又大又爽又粗少妇毛片 | 久久久久免费精品人妻一区二区| 欧美成人a在线观看| 国产午夜福利久久久久久| 很黄的视频免费| avwww免费| 国产精品一区二区免费欧美| 黄色视频,在线免费观看| 黄色一级大片看看| 99在线视频只有这里精品首页| 午夜影院日韩av| 亚洲精品乱码久久久v下载方式| 男女做爰动态图高潮gif福利片| 一卡2卡三卡四卡精品乱码亚洲| 男女下面进入的视频免费午夜| 色av中文字幕| 日韩中字成人| 成人亚洲精品av一区二区| 免费不卡的大黄色大毛片视频在线观看 | 成人欧美大片| 琪琪午夜伦伦电影理论片6080| 国产激情偷乱视频一区二区| 亚洲精品粉嫩美女一区| 免费一级毛片在线播放高清视频| 国产一区二区在线av高清观看| 小蜜桃在线观看免费完整版高清| a级毛片a级免费在线| 亚洲国产日韩欧美精品在线观看| a级毛片免费高清观看在线播放| 成人精品一区二区免费| 亚洲国产欧美人成| 中文字幕高清在线视频| 久久久久久久精品吃奶| 日韩欧美 国产精品| 中出人妻视频一区二区| 99热只有精品国产| 伦精品一区二区三区| 午夜免费激情av| 亚洲精品亚洲一区二区| 国内久久婷婷六月综合欲色啪| 亚洲精品粉嫩美女一区| 欧美不卡视频在线免费观看| videossex国产| 久久香蕉精品热| 禁无遮挡网站| 欧美日韩亚洲国产一区二区在线观看| netflix在线观看网站| 国产精品三级大全| 日日夜夜操网爽| 久久人人爽人人爽人人片va| 成人一区二区视频在线观看| 亚洲精品国产成人久久av| 精品久久久久久久人妻蜜臀av| 国产精品日韩av在线免费观看| 中出人妻视频一区二区| 国产精品av视频在线免费观看| 国产色爽女视频免费观看| 国产成人福利小说| 国产亚洲精品综合一区在线观看| 美女xxoo啪啪120秒动态图| 国产免费男女视频| 美女xxoo啪啪120秒动态图| 日韩国内少妇激情av| 女人十人毛片免费观看3o分钟| 黄色一级大片看看| 性插视频无遮挡在线免费观看| 一区二区三区激情视频| 简卡轻食公司| 日本与韩国留学比较| 精品99又大又爽又粗少妇毛片 | 麻豆国产av国片精品| 精品人妻偷拍中文字幕| 97超级碰碰碰精品色视频在线观看| 欧美日本亚洲视频在线播放| 亚洲人成网站在线播| 91麻豆精品激情在线观看国产| 联通29元200g的流量卡| 嫩草影院精品99| 亚洲国产精品合色在线| 国产精品久久久久久av不卡| 国产精品98久久久久久宅男小说| 美女cb高潮喷水在线观看| 变态另类成人亚洲欧美熟女| 欧美性感艳星| 久久久久免费精品人妻一区二区| 天美传媒精品一区二区| 国产探花极品一区二区| 亚洲精品影视一区二区三区av| 欧美区成人在线视频| 久久久国产成人免费| 99国产极品粉嫩在线观看| 99久国产av精品| 搡女人真爽免费视频火全软件 | 日本撒尿小便嘘嘘汇集6| 最好的美女福利视频网| 婷婷丁香在线五月| 色吧在线观看| av专区在线播放| 嫩草影院精品99| 国产黄片美女视频| 久久午夜亚洲精品久久| 日韩人妻高清精品专区| 免费看av在线观看网站| 国内揄拍国产精品人妻在线| 国产高清三级在线| 99在线人妻在线中文字幕| 亚洲av中文字字幕乱码综合| 美女xxoo啪啪120秒动态图| 日韩精品中文字幕看吧| 男插女下体视频免费在线播放| 久久热精品热| 久久精品国产99精品国产亚洲性色| 久久久成人免费电影| 黄色欧美视频在线观看| 免费看美女性在线毛片视频| 欧美日韩综合久久久久久 | 日韩欧美国产在线观看| 免费不卡的大黄色大毛片视频在线观看 | ponron亚洲| 中文字幕精品亚洲无线码一区| 日日啪夜夜撸| 中文字幕免费在线视频6| 亚洲自偷自拍三级| 国产精品野战在线观看| 嫩草影院新地址| 亚洲人成网站在线播放欧美日韩| 欧美色视频一区免费| 亚洲av中文av极速乱 | 五月伊人婷婷丁香| av黄色大香蕉| 成年女人永久免费观看视频| 欧美激情国产日韩精品一区| 亚洲五月天丁香| 国产精品一区二区性色av| 99热这里只有是精品在线观看| 久久这里只有精品中国| 天堂网av新在线| 国产一区二区三区在线臀色熟女|