研究目的
为确定新提出的混合FOS-ELM模型在布基纳法索地区预测全球太阳辐射的能力,其具体贡献包括:应用BIC进行变量选择、提出新型混合人工智能模型、为ELM添加正则化与遗忘因子,以及与经典ELM进行验证对比。
研究成果
FOS-ELM模型在全球太阳辐射预测中展现出优于经典ELM的预测精度,其均方根误差(RMSE)和平均绝对误差(MAE)显著降低(68.8%–79.8%)。该模型能有效处理非平稳时间序列且无需预设控制参数先验知识,是可再生能源应用中的稳健工具。
研究不足
该研究仅限于特定地区(布基纳法索)且使用日数据;未来工作可优化网络结构、纳入更多气象因素,并推广至其他地区或时间尺度。
1:实验设计与方法选择:
本研究基于长期日数据,采用具有可变遗忘因子的正则化在线序列极限学习机(FOS-ELM)进行太阳辐射预测。通过贝叶斯信息准则(BIC)进行输入变量筛选。
2:样本选择与数据来源:
布基纳法索布尔杜古15年(1998年1月1日至2012年12月31日)历史日气象数据,其中4977天用于训练,500个观测值用于测试。输入变量包括风速(Wspeed)、最高/最低温度(Tmax/Tmin)、最高/最低湿度(Hmax/Hmin)、蒸发量(Eo)和蒸汽压亏缺(VPD)。
3:实验设备与材料清单:
气象站数据;算法实现采用Matlab软件(R2017b,MathWorks公司)。
4:实验流程与操作步骤:
数据采集、基于BIC的输入组合筛选、FOS-ELM模型训练与测试、日尺度预测及参数更新、统计评估。
5:数据分析方法:
通过相关系数(r)、均方根误差(RMSE)、平均绝对误差(MAE)、威尔莫特指数(WI)、纳什效率系数(NSE)、莱盖茨-麦卡比一致性指数(LM)、相对均方根误差(RRMSE)和相对平均绝对误差(RMAE)等统计指标进行精度评价。
独家科研数据包,助您复现前沿成果,加速创新突破
获取完整内容