基于广义回归神经网络的日总辐射曝辐量预估

采用广义回归神经网络(generalized regression neural network,GRNN)模型对山东烟台市福山气象站2000～2003年日总辐射曝辐量进行预估。模型通过交叉验证方法确定其关键参数(光滑因子),以日照时数、平均气压、平均气温、日最高气温、相对湿度、气溶胶光学厚度6个变量作为输入量。结果显示:GRNN15.9%,均方根误差为2.32 MJ/m2,拟合优度为0.892,且模型的预估精度和拟合优度均明显优于LM-BP网络。气溶胶光学厚度对GRNN是预估当地日总辐射曝辐量的一种有效方法。     

基于Elman神经网络的日总辐射曝辐量预估

太阳辐射的预估研究对太阳能资源的有效利用有重要意义。应用山东省福山、莒县、济南三所气象站2000—2003年的数据,建立Elman神经网络模型,对日总辐射曝辐量进行时间序列预估研究。结果表明:Elman神经网络预估效果受天气状况影响较大,晴好天气下日总辐射预估结果较精确,福山站预估与观测差值最小,范围在-2～2 MJ·m~(-2)。城市大气污染对日曝辐量影响比较显著,模型中不考虑大气污染因素,污染较重的济南市预估效果最差,平均百分比误差变大了20%,均方根误差变大7%。Elman神经网络模型预估结果优于广义回归神经网络模型结果,3个站平均百分比误差降低5%～18%,均方根误差平均减小了0.506 MJ·m~(-2)。Elman神经网络模型适应于山东省日总辐射曝辐量的长时间预估。