基于蜣螂优化时间卷积网络的太阳辐照度预测算法

宋建材; 刘健蓉; 张鑫洋

doi:doi:10.19912/j.0254-0096.tynxb.2024-0228

欢迎来到能源电力期刊网！

English Version 读者登录期刊登录

您当前的位置：

首页 >

文章列表页 >

基于蜣螂优化时间卷积网络的太阳辐照度预测算法

更新时间：2025-12-02

- 基于蜣螂优化时间卷积网络的太阳辐照度预测算法
- 基于蜣螂优化时间卷积网络的太阳辐照度预测算法
- 太阳能学报 2025年46卷第6期页码：494-500
- 作者机构：
- 作者简介：
- 基金信息：
  
  国家自然科学基金（62203332）;大学生创新创业训练计划（202310069029）
- DOI：doi:10.19912/j.0254-0096.tynxb.2024-0228
  中图分类号： TU832
- 网络出版：2025-07-07，
  
  纸质出版：2025
- 稿件说明：
移动端阅览
宋建材, 刘健蓉, 张鑫洋. 基于蜣螂优化时间卷积网络的太阳辐照度预测算法[J]. 太阳能学报, 2025,46(6):494-500.

宋建材, 刘健蓉, 张鑫洋. 基于蜣螂优化时间卷积网络的太阳辐照度预测算法[J]. 2025, 46(6): 494-500.
宋建材, 刘健蓉, 张鑫洋. 基于蜣螂优化时间卷积网络的太阳辐照度预测算法[J]. 太阳能学报, 2025,46(6):494-500. DOI： doi:10.19912/j.0254-0096.tynxb.2024-0228.

宋建材, 刘健蓉, 张鑫洋. 基于蜣螂优化时间卷积网络的太阳辐照度预测算法[J]. 2025, 46(6): 494-500. DOI： doi:10.19912/j.0254-0096.tynxb.2024-0228.

摘要

针对现有机器学习预测算法超参数优化困难和精度难以满足优化调控需求的问题

提出一种基于蜣螂优化时间卷积网络（DBO-TCN）的太阳辐照度预测模型。该模型利用时间卷积网络（TCN）有效融合了卷积神经网络（CNN）的并行处理能力与递归神经网络（RNN）的时序建模功能

通过模拟蜣螂习性群智能优化算法对TCN的超参数进行优化

更加准确地挖掘太阳辐照度的时空演变规律。并与TCN、长短期记忆网络（LSTM）等主流预测算法进行详细对比实验

结果表明基于DBO-TCN提出的太阳辐照度预测模型具有更高的预测精度和鲁棒性。

Abstract

With the spatial and temporal characteristics of solar irradiance such as intermittency and nonlinearity

the prediction accuracy has a significant impact on the optimal operation of multi-energy cooperative heating systems. To address the problems of the existing machine learning prediction algorithms

such as the difficulty of hyper-parameter optimization and the insufficient accuracy to meet the demand of optimization and regulation

a solar irradiance prediction model based on the dung beetle optimized temporal convolutional network （DBO-TCN） is proposed. The model utilizes the TCN temporal convolutional network to effectively integrate the parallel processing capability of the convolutional neural network and the temporal modeling function of the recurrent neural network. The hyperparameters of TCN are optimized by simulating the dung beetle habit swarm intelligent optimization algorithm

which more accurately exploits the spatiotemporal evolution law of solar irradiance. Detailed comparison experiment results with state-of-the-art algorithms such as TCN and LSTM show that the proposed solar radiation prediction model based on DBO-TCN demonstrates superior prediction accuracy and robustness.

关键词

Keywords

references

毛显强, 郭枝, 高玉冰. 碳达峰、碳中和与经济、社会、生态环境的协同研究[J]. 环境保护, 2021, 49(23): 30-35.

VIJAYAKUMAR G, KUMMERT M, KLEIN S A, et al.Analysis of short-term solar radiation data[J]. Solar energy, 2005, 79(5): 495-504.

刘笑, 杨丽薇, 花家嘉, 等. 晴空模型在北方地区的适用性研究: 以甘肃、河北部分地区为例[J]. 太阳能学报, 2023, 44(3): 1-7.

XIE Y, YANG J, SENGUPTA M, et al.Improving the prediction of DNI with physics-based representation of all-sky circumsolar radiation[J]. Solar energy, 2022, 231: 758-766.

RODRÍGUEZ-BENÍTEZ F J, LÓPEZ-CUESTA M, ARBIZU-BARRENA C, et al. Assessment of new solar radiation nowcasting methods based on sky-camera and satellite imagery[J]. Applied energy, 2021, 292: 116838.

李津, 史加荣, 张琰妮, 等. 基于最大信息系数的短期太阳辐射协同估计[J]. 太阳能学报, 2023, 44(9): 286-294.

张起源, 王磊, 陈天鹏, 等. 基于MLP-Garson模型的分钟尺度太阳辐照直、散射分离建模与验证研究[J]. 太阳能学报, 2023, 44(4): 531-538.

于瑛, 陈笑, 贾晓宇, 等. 基于GA-BP神经网络的逐时总辐射分组模型研究[J]. 太阳能学报, 2022, 43(8): 157-163.

OLATOMIWA L, MEKHILEF S, SHAMSHIRBAND S, et al.A support vector machine-firefly algorithm-based model for global solar radiation prediction[J]. Solar energy, 2015, 115: 632-644.

JOVIĆ S, ANIČIĆ O, MARSENIĆ M, et al. Solar radiation analyzing by neuro-fuzzy approach[J]. Energy and buildings, 2016, 129: 261-263.

GHIMIRE S, DEO R C, RAJ N, et al.Deep solar radiation forecasting with convolutional neural network and long short-term memory network algorithms[J]. Applied energy, 2019, 253: 113541.

倪超, 王聪, 朱婷婷, 等. 基于CNN-Bi-LSTM的太阳辐照度超短期预测[J]. 太阳能学报, 2022, 43(3): 197-202.

WANG P, XUE B, LIANG J, et al.Feature clustering-assisted feature selection with differential evolution[J]. Pattern recognition, 2023, 140: 109523.

XUE J K, SHEN B.Dung beetle optimizer: a new meta-heuristic algorithm for global optimization[J]. The journal of supercomputing, 2023, 79(7): 7305-7336.

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于GRU-RF模型的太阳辐照度短时预测

基于并行架构网络与改进动态FD-KNN的风力发电机轴承故障预警

基于贝叶斯参数学习优化的海上风电机组动态可靠性预测

基于改进SVR-SSA-BiLSTM误差修正的短期风电功率混合预测模型研究

基于改进YOLOv5的光伏组件EL图像缺陷检测方法