Тема: НЕЙРОСЕТЕВОЙ ПОДХОД ВЫЧИСЛЕНИЯ ПОТОКОВ СОЛНЕЧНОЙ РАДИАЦИИ

В настоящее время солнечная энергия занимает одно из лидирующих положений среди возобновляемых источников энергии. Суммарный поток энергии солнечного излучения, поступающий на поверхность Земли, во много раз превышает мощность действующих в мире энергоустановок, а располагаемые ресурсы солнечной энергии на территориях всех стран, в том числе расположенных в высоких широтах, существенно превышают их энергетические потребности на обозримую перспективу. Большая часть возобновляемых источников энергии, имеет солнечное происхождение: основой жизни растений является фотосинтез, а возникновение потоков воздушных масс и кругооборот атмосферной влаги обусловлены неравномерностью нагрева поверхности Земли солнечным излучением.
В состав актинометрической сети Российской Федерации в настоящее время входит лишь 186 станций, способных обеспечить получение информации об основных составляющих радиационного баланса на подстилающей поверхности, тогда как наземная метеорологическая сеть насчитывает почти в 9 раз больше пунктов наблюдений, а именно 1627. К тому же, часть из этих 186 пунктов наблюдений работают по сокращенной программе, которая предполагает выполнение измерений суточных сумм одного элемента суммарной радиации, когда суть полной программы заключается в выполнении измерений пяти основных составляющих радиационного баланса: прямой, рассеянной, суммарной, отраженной радиации и радиационного баланса [31].
Следовательно, стоит задуматься об иных способах получения данных основных составляющих радиационного баланса, кроме непосредственно наблюдений. Одним из таких способов является расчет сумм суммарной солнечной радиации методом искусственных нейронных сетей.
Нейронные сети представляют собой относительно новую и весьма перспективную вычислительную технологию, предоставляющую широкое поле исследования динамических задач в различных областях. В настоящее время
нейронные сети, кроме абсолютно новых возможностей в области распознавания образов, способны воспроизводить статистические и основанные на методах искусственного интеллекта средства поддержки принятия решений и решения задач во многих сферах деятельности.
Способность к моделированию нелинейных процессов, адаптивность и работа с зашумленными данными вместе дают возможности применять нейронные сети для решения широкого класса задач. В последние несколько лет на основе нейронных сетей было разработано много программных систем для применения в таких вопросах, как в частности, прогнозирование потоков суммарной солнечной радиации. Приложения нейронных сетей охватывают самые разнообразные области интересов: прогноз, диагностика, распознавание и обработка сигналов, ассоциативный поиск, классификация, оптимизация и многое другое [4].
Целью данной работы является разработка моделей для вычисления потоков солнечной радиации с использованием различных метеопараметров, таких как: температура воздуха и почвы, облачность, относительная влажность и состояние диска Солнца - методом искусственных нейронных сетей.
Для достижения поставленной цели решались следующие задачи:
1) Изучить теоретические и методологические аспекты по применению и прогнозированию рядов суммарной солнечной радиации методом искусственных нейронных сетей с использованием метеорологических величин (температура воздуха и почвы, относительная влажность, количество облачности и состояние диска Солнца);
2) Подготовить базу исходных данных;
3) Проанализировать временные ряды солнечной радиации;
4) Построить модели для вычисления суммарной солнечной радиации методом нейронных сетей;
5) По полученным результатам выбрать наиболее оптимальные модели.
В качестве исходного материала использовались базы данных метеорологической обсерватории Казань-Университет, ВНИИГМИ МЦД [30] и Национального агентства по аэронавтике и исследованию космического пространства США «NASA Surface meteorology and Solar Energy» [32]. Американская база создана на основе многолетних спутниковых измерений радиационного баланса поверхности земного шара (включая территорию России) и современных моделей распространения излучения в атмосфере, учитывающих альбедо земной поверхности, структуру облачности, влажность воздуха, содержание в атмосфере различных аэрозолей и ряда других факторов. ВНИИГМИ-МЦД - Всероссийский научно-исследовательский институт гидрометеорологической информации - Мировой центр данных. Предметом деятельности данного Учреждения являются научные исследования и разработки, научно-технические работы в области создания и внедрения информационных технологий сбора, контроля, обработки и хранения гидрометеорологической информации; создание методов и технологий ведения Единого государственного фонда данных о состоянии окружающей среды, ее загрязнении; выполнение работ и оказание услуг в области гидрометеорологии и смежных с ней областях; выработка предложений для государственных стратегий, прогнозов и программ развития; исследования изменений климата на основе высококачественных массивов гидрометеорологической информации и использования эмпирико-статистических методов анализа данных; исследования по экономической метеорологии [30].
Купить

Данное исследование позволяет спрогнозировать ежедневное значение суммарной солнечной радиации, основываясь на значениях температуры воздуха и почвы, относительной влажности, общего количества облачности, состояния диска Солнца и дня в году. Что является очень важным, так это общедоступность данных параметров. Для тестирования разных техник моделей ИНС были использованы данные метеорологической обсерватории Казань-Университет с 1976 по 1998 год. В частности, были восстановлены значения за период июль - декабрь 1999 и за январь 2000 года.
Всего были протестированы двадцать две различные модели, поделенные между собой на четыре группы. Искусственные нейронные сети первой модели на входе имели два параметра (десять типов, т.е. десять различных комбинаций метеорологических величин) и показали довольно неплохие результаты: СКО таких моделей порядка 0,25, а коэффициент детерминации составил 0,5. Средняя производительность моделей первой группы 0,7. ИНС второй и третьей модели (с тремя и четырьмя, соответственно, параметрами на входе) имели среднюю производительность 0,9. СКО этих моделей варьировалось от 0,13 до 0,24, в зависимости от того, какие параметры были заданы на вход.
Лучшие результаты показали нейронные сети четвертой модели. Суть ее заключалась в том, что в качестве параметров входа использовались шесть величин: температура почвы и воздуха, относительная влажность воздуха, общее количество облачности, состояние диска Солнца и день в году. Производительность такой модели 0,99, средние значение коэффициента MAPE 45,6 %, СКО 0,12, а R2 равен 90,42% соответственно.
Также в ходе работы было установлено, что вне зависимости от количества данных на входе и количества нейронов на скрытом слое, отличный прогностический результат выдают модели, имеющие на входе два параметрах: состояние диска Солнца и день в году. Все модели, содержащие их обладали производительностью более 0,92. Но следует заметить, что состояние диска
Солнца хоть и является общедоступным параметром, в большинстве случаев не фиксируется. Поэтому использовать такие модели становится не возможно.
Основной задачей работы являлось выбрать наилучшую из протестированных моделей ИНС и с ее помощью восстановить пропуски в 1999г. Однако использовать четвертую модель не удалось, отсутствуют данные о состоянии диска Солнца. Поэтому для прогноза суммарной солнечной радиации в 1999 году использовалась третья модель, а именно MLP 4-8-1. Значения MAPE и R2 у этой модели равны 48,4% и 60,6%, соответственно.
Как видно из результатов работы искусственные нейронные сети действительно мощный способ прогнозирования. Однако, чтобы он работал, необходимо грамотно и правильно подбирать, и задавать параметры на вход. Ведь именно от этого в большей степени зависит конечный результат.
Будущие исследования нацелены на сравнение представленных выше методов с другими доступными инструментами. Прогнозирование суммарной солнечной радиации было выполнено с помощью программы Statistica 10. Результаты, достигнутые с применением различных методов можно сравнить с уже доступными методам.

Купить