地表太陽輻照度畢業(yè)論文

1、<p><b>　　目 錄</b></p><p><b>　　中文摘要1</b></p><p><b>　　英文摘要2</b></p><p><b>　　1 引言3</b></p><p><b>　　1.1 前言3&

2、lt;/b></p><p>　　1.2 太陽輻射的簡介3</p><p>　　1.2.1 太陽與地球的運動規(guī)律3</p><p>　　1.2.2 太陽輻射與大氣層的影響4</p><p>　　1.2.3 到達(dá)地面的太陽輻射4</p><p>　　1.3 課題研究的意義與重要性4</p>

3、<p>　　1.3.1 太陽輻射預(yù)測方法研究的理論意義4</p><p>　　1.3.2 太陽輻射預(yù)測為太陽能利用工程提供重要資料6</p><p>　　1.4 國內(nèi)研究太陽輻射的現(xiàn)狀7</p><p>　　2 常用的模型與預(yù)測方法8</p><p>　　2.1 常用的太陽輻射模型8</p><p&g

4、t;　　2.2 預(yù)測方法的分類9</p><p>　　2.3 常用的預(yù)測技術(shù)9</p><p>　　2.4 本文研究的內(nèi)容和目標(biāo)11</p><p>　　2.4.1 太陽輻射影響因素的研究11</p><p>　　2.4.2 對太陽模型進(jìn)行預(yù)處理與相關(guān)性分析12</p><p>　　3 基于時間序列分析的短

5、時間尺度太陽輻射模型研究13</p><p>　　3.1 時間序列概述13</p><p>　　3.2 時間序列分析的目的14</p><p>　　3.3典型時間序列分析模型15</p><p>　　3.4 ARMA模型16</p><p>　　3.4.1 平穩(wěn)時間序列的定義16</p>&l

6、t;p>　　3.4.2 平穩(wěn)時間序列的模型17</p><p>　　4 地表太陽輻射時間序列模型與建模(ARMA模型)19</p><p>　　4.1 建模過程19</p><p>　　4.2 算例分析29</p><p><b>　　結(jié)論32</b></p><p><b

7、>　　謝辭33</b></p><p><b>　　參考文獻(xiàn)34</b></p><p><b>　　附錄36</b></p><p>　　地表太陽輻照度的模擬和預(yù)測</p><p>　　摘 要：隨著“能源危機”的臨近，今天世界各國都在竭盡全力地進(jìn)行著節(jié)省能源和開發(fā)新能源的

8、研究工作。太陽能被看成巨大而清潔的具有代表性的新能源，隨著太陽能利用技術(shù)的進(jìn)步，需要的太陽輻射資料很多，精度要求又很高，并且對未來時間的太陽輻射強度預(yù)測技術(shù)提出了更高的要求。太陽輻射預(yù)測可彌補我國輻射資料的不足，并為太陽能工程、新能源的利用提供重要參考工具；同時，一個合理的太陽輻射模型，是獲得空調(diào)負(fù)荷精確預(yù)測的關(guān)鍵性前提。本文擬就太陽輻射的預(yù)測從理論上和方法上進(jìn)行深入的探索與研究。</p><p>　　本文針對太

9、陽實測數(shù)據(jù)是一個依時間順序排列的序列，序列之間存在著某種關(guān)聯(lián)，這種關(guān)聯(lián)不是因果關(guān)系，統(tǒng)計學(xué)中成為相關(guān)性基于時間序列分析的ARMA模型能夠準(zhǔn)確模擬目標(biāo)序列所包含的相關(guān)性，且模型形式簡潔實用，對太陽輻射的時間序列分析與模擬研究已成為近年來太陽能技術(shù)領(lǐng)域的一個研究熱點，并且也逐漸用于光伏發(fā)電系統(tǒng)設(shè)計與分析的研究中。</p><p>　　通過對ARMA模型的序列處理，相關(guān)分析，模型估計，參數(shù)估計，模型的定階與檢驗，然后實

10、驗?zāi)Ｐ皖A(yù)測，研究表明，該預(yù)測方法可以獲得較好的預(yù)測性能，且預(yù)測精度可以較好的滿足研究要求。</p><p>　　關(guān)鍵詞：太陽能，模型，預(yù)測，相關(guān)性，相關(guān)性分析</p><p>　　Abstract：With the increasing problem of world“Energy Crisis”，today, every country all over the world are

11、emphasizing on the research work of energy conservation and new energy development，teeth and nail．Solar energy is a representative new energy which is abundant and clean．As the technology of utilization of solar energy d

12、evelops，the need of solar data are increasing，the demand of precious are heightening，and the technique of forecast solar intensity in future are requiring further improving．S</p><p>　　In this paper, the meas

13、ured solar data is arranged in a chronological sequence, there is some correlation between them, it is not causality, but called correlation in Statistics. The ARMA model based on time series analysis can accurately simu

14、late the target sequence contained in the relevant, and the form of the model is simple and practical, the time series analysis and simulation of the solar radiation has become a hot topic in the field of the solar techn

15、ology, and gradually used for the stu</p><p>　　To better understand the ARMA models, it should be done by the following steps, sequence processing, correlation analysis, model estimation, parameter estimatio

16、n, model order determination and inspection, and then achieve the forecast.</p><p>　　Key words: solar energy, model, forecast, correlation, correlation analysis</p><p><b>　　1 引言</b>

17、</p><p><b>　　1.1 前言</b></p><p>　　能源是人類社會活動的物質(zhì)基礎(chǔ)。1973年發(fā)生的世界性的石油危機，敲響了燃料資源有限的警鐘，許多國家認(rèn)識到能源的至關(guān)重要性。隨著“能源危機”的臨近，今天世界各國都在竭盡全力地進(jìn)行著節(jié)省能源和開發(fā)新能源的研究工作。人類所利用的能源，大都是由太陽能直接或間接轉(zhuǎn)換而來。太陽能被看成巨大而清潔的具有代表性的

18、新能源，所以，人們就它的直接和間接利用，積極地從事調(diào)查研究和推廣普及工作是不言而喻的。</p><p>　　由于熱核反應(yīng)，太陽能表面溫度可以達(dá)到6000K，并且向宇宙釋放巨大的輻射能。地球大氣中發(fā)生的全部現(xiàn)象都是直接或間接來源于這一能源。狹義地說，來自太陽的太陽光照射到物體表面（特別是地球表面等）成為太陽輻射。近年來，作為表述太陽能的關(guān)聯(lián)內(nèi)容，太陽輻射的意義越來越廣。</p><p>　　

19、太陽能利用工程主要包括：太陽能集熱器、太陽能熱水器、太陽熱采暖、太陽能電池、太陽能制冷與空調(diào)、太陽熱發(fā)電、太陽爐等[1]。太陽輻射強度是太陽能利用工程各種設(shè)備必需的基本量，實際到達(dá)地面的太陽輻射強度受各種因素的影響存在著很大的隨機性。隨著太陽能利用技術(shù)的進(jìn)步，需要的太陽輻射資料很多，精度要求又很高，并且對未來時間的太陽輻射強度預(yù)測技術(shù)提出了更高的要求。</p><p>　　1.2 太陽輻射的簡介</p>

20、;<p>　　1.2.1 太陽與地球的運動規(guī)律 </p><p>　　太陽是一個主要由氫（80%）和氮（19%）組成的氣態(tài)火球，直徑km，質(zhì)量約為t，它是太陽系中最大的行星，也是離地球最近的恒星。太陽表面的有效溫度為5762K，而中心區(qū)得溫度可達(dá)K，壓力為Pa，它的熱量主要來源與氫聚變成氦的聚合反應(yīng)，每秒有kg氫聚合變成kg氦，連續(xù)產(chǎn)生kW能量。這些能量以電磁波的形式向空間輻射，其中有二十億分之一到

21、達(dá)地球表面，約kW。</p><p>　　太陽的結(jié)構(gòu)可以分為太陽內(nèi)核、輻射輸能區(qū)、核對流區(qū)、光球區(qū)（肉眼所能見的太陽表面）、反色層、色球?qū)雍腿彰??？梢?，太陽并不是一個一定溫度的黑體，而是許多不同波長放射、吸收的輻射體。不過，應(yīng)用于太陽能系統(tǒng)時，通常將太陽看成為溫度為6000K，波長為的黑色輻射體。</p><p>　　地球是一個近似圓球的球體，地球上任何地點的位置都是用地理坐標(biāo)的經(jīng)度與維度

22、表示（對太陽能的利用中這類數(shù)據(jù)時必不可少的參數(shù)）。地球繞著地軸不斷自轉(zhuǎn)，自轉(zhuǎn)一周，即經(jīng)度，形成一晝夜。地球除了自轉(zhuǎn)以外還繞著太陽繞著偏心率很小的橢圓形軌道公轉(zhuǎn)，周期為一年。地球的自轉(zhuǎn)軸與公轉(zhuǎn)運行的軌道面（黃道面）的法線傾斜角成夾角，而且在地球公轉(zhuǎn)時自轉(zhuǎn)軸的方向始終指向天球的北極。</p><p>　　1.2.2 太陽輻射與大氣層的影響</p><p>　　由于地球公轉(zhuǎn)軌道是一個橢圓，所以地

23、球和太陽之間的距離在一年之內(nèi)是變化的。所謂的“平均日地距離”是指地球公轉(zhuǎn)的長半徑，等于km。當(dāng)?shù)厍蚝吞柼幱谄骄盏鼐嚯x時，在地球大氣層外，垂直于太陽輻射的表面上，在單位面積和單位時間內(nèi)接收到的太陽輻射能，叫太陽常數(shù)，用表示，其值約為。大氣層上界水平面的太陽輻射日總量可以用下式表示計算：</p><p>　　(1-1) 式中 為日地距離變化引起大氣層上界太陽輻射能量的修正值，其表達(dá)式為：

24、 (1-2)</p><p>　　1.2.3 到達(dá)地面的太陽輻射</p><p>　　太陽總輻射是指到達(dá)地表水平面的太陽直接輻射和散射輻射的總和，即</p><p><b>　　（1-3）</b></p><p>　　1.3 課題研究的意義與重要性&

25、lt;/p><p>　　1.3.1 太陽輻射預(yù)測方法研究的理論意義</p><p>　　地球表層99．8％的能量來源于太陽，太陽輻射是指太陽向宇宙空間發(fā)射的電磁波和粒子流。太陽輻射是影響氣候變化的重要因素之一。</p><p>　　地球所接受到的太陽輻射能量僅為太陽向宇宙空間放射的總輻射能量的二十億分之一，但卻是地球大氣運動的主要能量源泉。大氣和地面接收到的太陽輻射能對

26、大氣的加熱、 大氣對流、 地面的熱狀況及生物的生長、 人類的各種活動，太陽能的利用等都有巨大的影響，同時它也是水體初級生產(chǎn)者的主要能量來源，其大小、變化將直接影響到湖泊水體生態(tài)系統(tǒng)的結(jié)構(gòu)、功能和演變。隨著生態(tài)學(xué)和地球科學(xué)研究尺度的擴展，太陽輻射的空間分布特征也日趨重要。但太陽輻射的觀測由于其設(shè)備復(fù)雜， 成本費用高， 其觀測密度遠(yuǎn)小于溫度、 降水等氣象要素的觀測密度， 采用簡單的空間內(nèi)插或外推技術(shù)不可能合理的揭示太陽輻射的空間分布特征.

27、。但太陽輻射的觀測由于其設(shè)備復(fù)雜，成本費用高，其觀測密度遠(yuǎn)小于溫度、降水等氣象要素的觀測密度，采用簡單的空間內(nèi)插或外推技術(shù)不可能合理的揭示太陽輻射的空間分布特征。所以，對太陽輻射各影響因素尤其是隨機性因素進(jìn)行研究，建立相應(yīng)的動態(tài)預(yù)測模型，此研究方法在理論上具有相當(dāng)重要的意義，其研究結(jié)果將豐富有關(guān)的數(shù)據(jù)庫，其預(yù)測方法也具有一定的通用性，可移植至空調(diào)負(fù)荷、電力負(fù)荷等負(fù)荷預(yù)測領(lǐng)域，甚至可用來做河道淺灘演變、地震、股市、財務(wù)</p>

28、<p>　　太陽能具有以下優(yōu)點：</p><p>　　1） 普遍：太陽光普照大地，沒有地域的限制無論陸地或海洋，無論高山或島嶼，都處處皆有，可直接開發(fā)和利用，且無須開采和運輸。 </p><p>　　2） 無害：開發(fā)利用太陽能不會污染環(huán)境，它是最清潔能源之一，在環(huán)境污染越來越嚴(yán)重的今天，這一點是極其寶貴的。 </p><p>　　3） 巨大：每年到達(dá)地

29、球表面上的太陽輻射能約相當(dāng)于130W億噸煤，其總量屬現(xiàn)今世界上可以開發(fā)的最大能源。 </p><p>　　4） 長久：根據(jù)目前太陽產(chǎn)生的核能速率估算，氫的貯量足夠維持上百億年，而地球的壽命也約為幾十億年，從這個意義上講，可以說太陽的能量是用之不竭的。</p><p>　　綜上所述，太陽能研究具有以下理論意義：</p><p>　　1） 彌補我國輻射資料的不足，豐富有

30、關(guān)的數(shù)據(jù)庫。</p><p>　　2） 為太陽能工程、新能源的利用提供重要的參考工具，是太陽能系統(tǒng)優(yōu)化運行的一個重要前提。</p><p>　　3） 對某些運用太陽能的項目提供更精確地參數(shù)，優(yōu)化系統(tǒng)運行與控制，提高節(jié)能效率。</p><p>　　4） 為其他領(lǐng)域的預(yù)測提供參考與模型</p><p>　　1.3.2 太陽輻射預(yù)測為太陽能利用工程

31、提供重要資料</p><p>　　地球表面的太陽總輻射強度是太陽能等可再生能源、農(nóng)業(yè)、氣象、電力、環(huán)境等領(lǐng)域的研究和生產(chǎn)活動的基本數(shù)據(jù)之一。利用太陽輻射作為能源時的基本問題之一，是關(guān)于入射到地球表面的太陽輻射強度的絕對值及其變化量。太陽輻射強度就是指太陽在垂直照射情況下在單位時間內(nèi)，單位面積上所得到的輻射能量。人們?nèi)庋鬯姷降墓庖珚Z目的太陽表面叫“光球”，“太陽能”的絕大部分是由此發(fā)射出來的。光球以電磁波的形式向

32、宇宙空間輻射能量，總稱為太陽輻射。太陽輻射的總功率為W，而到達(dá)地面的太陽輻射總功率為W，僅占太陽總能量的二十億分之一。</p><p>　　某處所獲得的太陽輻射的大小主要取決于如下影響因素：</p><p>　　1） 天文因素 日-地距離，太陽赤緯角，太陽時角。</p><p>　　2） 地理因素 太陽在某時刻對地球上某處的相對位置，當(dāng)?shù)氐木暥扰c經(jīng)度，海拔高

33、度。</p><p>　　3） 物理因素 太陽輻射進(jìn)入大氣層得衰減情況，接受太陽輻射表面的特性。</p><p>　　4） 幾何因素 太陽輻射接受地面的方位和傾角</p><p>　　由于地球外表有一層厚約30km的大氣層。雖然厚度不大，不及地球直徑的四百分之一，但對太陽輻射有較大的影響。太陽輻射穿過大氣曾時，將受到大氣中的各類氣體，如臭氧、二氧化碳以及水蒸

34、氣和灰塵等物的吸收、反射和散射，使得到達(dá)地面的太陽輻射顯著衰減，據(jù)估計，反射回宇宙的能量約占總量的30%，被吸收的約占23%，其余47%左右的能量才到達(dá)地球陸地和海洋，成為地球上能源的主要能源。</p><p>　　地球表面上的太陽輻射由兩部分組成：</p><p>　　1） 直接輻射 不改變方向的太陽輻射</p><p>　　2） 散射輻射 被大氣層或云層反射和散

35、射后改變了方向的太陽輻射</p><p>　　到達(dá)地球表面的太陽總輻射受太陽高度角、大氣條件、日照時數(shù)及時間等各種因素的影響，因而存在著很大的隨機性。氣象領(lǐng)域發(fā)展至今，有關(guān)太陽輻射的研究已積累了大量傳統(tǒng)的、具有明確物理意義的模型和方法。在缺乏太陽總輻射任何相關(guān)氣象資料時，確定性模型具有一定的實用價值和存在價值，然而它最大的缺點是忽略了太陽輻射序列的隨機性，而機械地按某一特定規(guī)律計算太陽輻射值，在很大程度上不能反映

36、氣象的變化情況與輻射值之間的聯(lián)系，所以不管其形式如何，都不能反映太陽輻射序列很強的隨機性。因此，本文提出了基于時間序列的ARMA模型，該模型不僅可以對歷史數(shù)據(jù)進(jìn)行分析，還能對未來一段時間的太陽模型數(shù)據(jù)進(jìn)行預(yù)測，并且可以獲得較高的精度，以此來彌補我們太陽能輻射數(shù)據(jù)庫資源的不足，并為太陽能工程，新能源的利用提供參考工具</p><p>　　1.4 國內(nèi)研究太陽輻射的現(xiàn)狀</p><p>　　1

37、984年由歐洲委員會（Dommission of the European Communities, Directorate General Science, Research and Development）負(fù)責(zé)組織，根據(jù)19661975期間歐洲340個氣象臺站的月平均總太陽輻射和日照時數(shù)，繪制了歐洲的太陽輻射地圖[2].</p><p>　　我國的太陽輻射分區(qū)以前都是太陽輻射強度或者日照時數(shù)作為主

38、要依據(jù)進(jìn)行分區(qū)。</p><p>　　左大康等在1960年前后研究了中國年、月總輻射的氣候?qū)W計算方法，根據(jù)總輻射在全國范圍進(jìn)行了太陽輻射的空間劃分。但由于該項研究在20世紀(jì)60年代，所用資料較少，現(xiàn)在很少被使用。文獻(xiàn)[3]以19612000期間40年氣候資料為基礎(chǔ)，加上通過模型計算出的年總輻射對青藏高原進(jìn)行了太陽輻射空間劃分。文獻(xiàn)[4]利用19611990年有關(guān)氣候資料，計算遼寧省各地的總輻射和光合有效輻射資源，

39、據(jù)此分析了遼寧的太陽輻射時空分布特征。該文獻(xiàn)還指出，太陽總輻射的季節(jié)性變化很大，因此導(dǎo)致太陽輻射的空間分布也隨季節(jié)有很大變化。</p><p>　　分析上述對于太陽輻射空間分布的研究，發(fā)現(xiàn)：1）研究太陽輻射的空間分布大都是以太陽總輻射為主要依據(jù)；2）國內(nèi)研究所用氣象數(shù)據(jù)大都是偏舊，而氣候影響的變化需要不斷更新；3）所用氣象臺站數(shù)偏少，不能反映整體情況</p><p>　　2 常用的模型與

40、預(yù)測方法</p><p>　　2.1 常用的太陽輻射模型[5]</p><p>　　太陽輻射模型是關(guān)于計算地面所接收到的太陽輻射(總輻射、直接輻射和散射輻射)的模型，其中直射輻射和水平面散射輻射是由水平面總輻射經(jīng)直散分離后得到的。根據(jù)應(yīng)用對象的不同，太陽輻射模型可分為月值模型、日值模型和瞬時值模型(一般為小時值)。</p><p>　　太陽輻射的逐日或逐時觀測數(shù)據(jù)構(gòu)

41、成了隨即性很強的時間序列，但太陽輻射序列的內(nèi)部仍有某種確定性的規(guī)律，有其相對穩(wěn)定的部分，故太陽輻射模型又有確定性模型與隨即模型之分。計算太陽輻射的確定性模型多種多樣，又得來自理論推導(dǎo)，又得屬于經(jīng)驗公式，又得則是半經(jīng)驗半理論公式。如1970-1994年間，僅在日本建筑學(xué)會上發(fā)表的有關(guān)日射模型研究的論文就達(dá)218篇,并提出了一些日射模型和直散射分離模型，其中確定性模型主要有宇田川直散分離模型 、渡邁俊行模型；1978年，美國供暖、空調(diào)與制冷

42、工程師協(xié)會天太陽模型(建成ASHTAE模型)；1993年，宋愛國HRAE模型提出了北京地區(qū)的晴天太陽輻射模型（簡稱北京模型）；以及文獻(xiàn)[6]提出的適合阿拉伯半島的太陽輻射模型、文獻(xiàn)[7]提出的Hottel模型、文獻(xiàn)[8]提出的Threlkeld&Rabl模型。</p><p>　　如前1.2.2所述，在缺乏太陽總輻射任何相關(guān)氣象資料時，確定性模型具有一定的實用價值和存在價值，然而其不能反映太陽輻射序列很強

43、的隨機性。因此，許多研究者都在確定性模型的基礎(chǔ)上考慮因素的影響，提出了將序列的隨機性考慮進(jìn)去的建模方法，如文獻(xiàn)[9]中提出的松尾太陽模型；文獻(xiàn)[10]中郎四維根據(jù)松尾太陽模型提出了適合中國城市水平的太陽輻射量模型；文獻(xiàn)[11]中采用半正弦模型與Collares-Pereira & Rabl模型中效果較好的計算太陽總輻射逐時序列的確定性部分，將計算殘差作為隨機部分進(jìn)行ARMA模型的建立；文獻(xiàn)[12-16]都提出了基于神經(jīng)網(wǎng)絡(luò)的太陽

44、輻射預(yù)測模型；文獻(xiàn)[17]提出了時間序列方法和神經(jīng)網(wǎng)路法相結(jié)合的太陽輻射模型；文獻(xiàn)[18]提出了改進(jìn)的半正弦模型和Collares-Pereira & Rabl模型的預(yù)測修正模型、遞歸BP網(wǎng)絡(luò)（RBPN）太陽輻射模型和混沌優(yōu)化神經(jīng)網(wǎng)絡(luò)（CONN）太陽輻射模型。</p><p>　　2.2 預(yù)測方法的分類[5]</p><p>　　預(yù)測方法可以分成兩類：經(jīng)典預(yù)測方法和現(xiàn)代預(yù)測方法，經(jīng)

45、典預(yù)測方法又可分為定性預(yù)測（直觀性預(yù)測）和定量預(yù)測（統(tǒng)計預(yù)測）。在暖冬空調(diào)領(lǐng)域，常采用定量預(yù)測的方法，即采用數(shù)學(xué)、概率論和數(shù)理統(tǒng)計的方法對歷史數(shù)據(jù)進(jìn)行處理，如回歸分析和時間序列分析，近年來，隨著現(xiàn)代預(yù)測方法的興起，神經(jīng)網(wǎng)路預(yù)測技術(shù)在暖通空調(diào)領(lǐng)域中已有廣泛應(yīng)用。</p><p>　　根據(jù)負(fù)荷預(yù)測的周期，可統(tǒng)一劃分為長期負(fù)荷預(yù)測（數(shù)年-數(shù)十年）；中期負(fù)荷預(yù)測（1月-1年）；短期負(fù)荷預(yù)測（半小時-1周）；超短期負(fù)荷預(yù)測

46、（5-10秒或1-5分鐘）。如果按被預(yù)測負(fù)荷的特性劃分，又可分為最大負(fù)荷預(yù)測、最小負(fù)荷預(yù)測、平均負(fù)荷預(yù)測、峰谷差預(yù)測、高峰負(fù)荷平均預(yù)測、低谷負(fù)荷平均預(yù)測、母線負(fù)荷預(yù)測、負(fù)荷率預(yù)測等。</p><p>　　預(yù)測方法的應(yīng)用領(lǐng)域廣泛，從國民經(jīng)濟(jì)、各行各業(yè)工商技術(shù)到科學(xué)研究，都有其研究和應(yīng)用空間。如果抽掉對象所需預(yù)測的因素的物理表征，那么對預(yù)測的數(shù)學(xué)方法的討論和評價對于所有對象其基礎(chǔ)都是一樣的。下面以負(fù)荷預(yù)測領(lǐng)域內(nèi)的各種

47、技術(shù)為線索，簡單列舉和討論已出現(xiàn)的典型的預(yù)測技術(shù)。</p><p>　　2.3 常用的預(yù)測技術(shù)[5]</p><p><b>　　1) 回歸分析法</b></p><p>　　回歸預(yù)測技術(shù)是通過回歸分析，尋找預(yù)測對象與影響因素之間的因果關(guān)系，建立回歸模型進(jìn)行預(yù)測；由給定的多組自變量和因變量資料，研究各自變量和因變量之間的關(guān)系，形成回歸方程；求解

48、回歸方程后，給定各自變量數(shù)值，即可求出因變量值。回歸分析法根據(jù)歷史數(shù)據(jù)和一些影響負(fù)荷變化的因素變量來推斷將來時刻的負(fù)荷值，它適合于中長期負(fù)荷預(yù)測，且對數(shù)據(jù)的要求很高，特別是在歷史數(shù)據(jù)殘缺或存在較大誤差的情況下，預(yù)測效果會很不理想</p><p>　　2) 時間序列模型法</p><p>　　一段歷史時期的負(fù)荷資料組成的時間序列可以看成一個隨機過程，某一時期的負(fù)荷與它過去的負(fù)荷有關(guān)，是在過去

49、負(fù)荷基礎(chǔ)上的隨機波動。這種相關(guān)關(guān)系可以用自協(xié)方差函數(shù)和自相關(guān)函數(shù)來描述，時間序列法正是通過研究這種相關(guān)關(guān)系來建立模型和進(jìn)行預(yù)測的。時間序列模型有自回歸(AR)、滑動回歸(MA)、自回歸-滑動平均(ARMA)、累積式自同歸-滑動平均(ARMIA)模型等，模型辨識的基本途徑是對原時間序列進(jìn)行相關(guān)分析，也就是計算序列的均值、自相關(guān)和互相關(guān)函數(shù)，從而確定模型的類型。模型辨識后，利用原序列有關(guān)的數(shù)據(jù)，對模型參數(shù)進(jìn)行估計。該方法建立的模型必須滿足平

50、穩(wěn)性條件和可逆性條件，主要考慮負(fù)荷本身的變化規(guī)律，僅根據(jù)歷史負(fù)荷值和干擾值來推算未來的負(fù)荷值，無法計及氣象、日期特征等敏感因素對有功負(fù)荷的影響。因此，單純的時間序列法精度較差，一般都是與其他方法結(jié)合使用。</p><p><b>　　3) 卡爾曼濾波法</b></p><p>　　又稱為狀態(tài)空間法，其指導(dǎo)思想是：把負(fù)荷分解為確定分量和隨機分量，確定分量一般用一階線性模

51、型描述和預(yù)測，隨機分量則用狀態(tài)變量表示，通過建立狀態(tài)空間模型進(jìn)行負(fù)荷預(yù)報。當(dāng)負(fù)荷數(shù)據(jù)表現(xiàn)為較強的非線性，則應(yīng)采用廣義卡爾曼濾波法。這種方法中，負(fù)荷是通過狀態(tài)方程和輸出方程來建模的。在系統(tǒng)噪聲統(tǒng)計特征已知的情況下，卡爾曼濾波法能遞推地進(jìn)行計算，適用于在線負(fù)荷預(yù)測。但實際應(yīng)用中，對量測噪聲和系統(tǒng)噪聲的統(tǒng)計特性的估計是卡爾曼濾波法的難點所在。</p><p><b>　　4) 灰色模型法</b>&

52、lt;/p><p>　　灰色預(yù)測技術(shù)是一種不嚴(yán)格的系統(tǒng)方法，它拋開了系統(tǒng)結(jié)構(gòu)分析的環(huán)節(jié)，不需要確定負(fù)荷變動是否服從正態(tài)分布，不需要大的樣本統(tǒng)計量，不需要根據(jù)負(fù)荷變化隨時改變預(yù)測模型，直接通過對原始數(shù)據(jù)的累加生成尋找系統(tǒng)的整體規(guī)律，從而構(gòu)建預(yù)測模型?；疑A(yù)測技術(shù)適合于長期負(fù)荷預(yù)測，用于中短期負(fù)荷預(yù)測時誤差較大。特別是在數(shù)據(jù)樣本缺乏時，該預(yù)測方法相對其他方法而言更有效。顯然，灰色預(yù)測技術(shù)不太適合用于短期動態(tài)空調(diào)負(fù)荷預(yù)測。

53、</p><p><b>　　5) 模糊預(yù)測法</b></p><p>　　負(fù)荷的影響因素是多方面的、不確定的，有些影響因素又是含糊的，比如天氣情況、社會活動等；對于大型復(fù)雜系統(tǒng)，負(fù)荷數(shù)據(jù)及各因素的統(tǒng)計又難免存在偏差，這些因素都難以定量表示。模糊預(yù)測是建立在模糊數(shù)學(xué)理論上的一種預(yù)測新技術(shù)，包括模糊聚類預(yù)測方法、模糊相似優(yōu)先比方法和模糊最大貼近度方法等。但單純的模糊方法

54、對于負(fù)荷預(yù)測精度往往是不盡人意的，這主要因為模糊預(yù)測沒有學(xué)習(xí)能力，這一點對于不斷變化的系統(tǒng)而言，是極為不利的。</p><p><b>　　6) 專家系統(tǒng)法</b></p><p>　　專家系統(tǒng)是一個基于知識的計算機智能化程序系統(tǒng)，它擁有某個領(lǐng)域內(nèi)專家們的知識和經(jīng)驗，能像專家那樣運用這些知識，通過推理做出決策。借助專家系統(tǒng)，能識別預(yù)報日所屬類型，考慮天氣因素對負(fù)荷的影

55、響，按一定的規(guī)則推理并進(jìn)行預(yù)報。其缺點是知識庫的形成過程復(fù)雜，工作量大，而且把專家識有可能不同。因此在進(jìn)行短期空調(diào)負(fù)荷精確預(yù)測時不推薦單獨使用此預(yù)測方法。</p><p><b>　　7) 小波分析法</b></p><p>　　小波分析是一種新興的數(shù)學(xué)工具，它能任意地提取負(fù)荷序列的細(xì)節(jié)。通過使用小波分析，可以在任何水平上分析負(fù)荷序列，它對信息成分采取逐漸精細(xì)的時域與

56、頻域處理，尤其對突發(fā)與短時的信息分析具有明顯的優(yōu)勢。小波分析在時域和頻域具有同樣良好的局部化性質(zhì)，可以對信號的任意細(xì)節(jié)加以提取、分析，且能將復(fù)雜的問題分解成若干個變化規(guī)律較為明顯簡單的問題。但小波分析應(yīng)用于預(yù)測的預(yù)測結(jié)果是從小波系數(shù)序列的預(yù)測結(jié)果經(jīng)重構(gòu)所得的，因小波系數(shù)序列的預(yù)測誤差將不同程度的影響最終的預(yù)報結(jié)果，由此，隨著分解水平的提高，最終的預(yù)報點所受到的影響將迅速增加。</p><p>　　8) 人工神經(jīng)網(wǎng)

57、絡(luò)法</p><p>　　人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network，縮寫為ANN)預(yù)測技術(shù)能從數(shù)據(jù)樣本中自動地學(xué)習(xí)以前的經(jīng)驗而無需反復(fù)查詢和表述過程，并自動地逼近那些最佳表征樣本數(shù)據(jù)規(guī)律的函數(shù)，而不論這些函數(shù)具有怎樣的形式，其考慮的系統(tǒng)表現(xiàn)的函數(shù)形式越復(fù)雜，神經(jīng)網(wǎng)絡(luò)這種特性的作用就越明顯，即具有以任意精度逼近復(fù)雜的非線性函數(shù)的特性。ANN還具有大規(guī)模并行、分布式存儲和處理、自組織、自適應(yīng)和

58、自學(xué)能力，特別適用于處理需要同時考慮許多因素和條件的、不精確和模糊的信息處理問題。但ANN網(wǎng)絡(luò)也有自己的局限性，一般而言，ANN應(yīng)用于短期負(fù)荷預(yù)測要比應(yīng)用于中長期負(fù)荷預(yù)測更為適宜。神經(jīng)網(wǎng)絡(luò)方法存在局部極小值、過學(xué)習(xí)以及結(jié)構(gòu)和類型的選擇過分依賴經(jīng)驗等問題，容易導(dǎo)致結(jié)果的不確定性。</p><p>　　2.4 本文研究的內(nèi)容和目標(biāo)</p><p>　　2.4.1 太陽輻射影響因素的研究<

59、/p><p>　　太陽輻射強度變化是具有動態(tài)性、時變性、多擾量性、不確定性等隨即特性的典型非線性曲線。</p><p>　　其主要影響因素包括地理位置、太陽高度角、太陽方位角、太陽時角、太陽赤緯、觀測日期和時間、日照時數(shù)、云量、云態(tài)、大氣狀態(tài)，天氣狀況等。其中，云量、大氣狀況、天氣狀況等隨機性因素的影響至關(guān)重要。</p><p>　　在上述各參數(shù)中，有些量為非獨立參數(shù)，

60、可由其他參數(shù)通過代數(shù)計算得到，有些隨機變量不容易得到。在確定太陽能輻射神經(jīng)網(wǎng)路預(yù)測模型輸入層神經(jīng)元個數(shù)時一方面得考慮到信息量的充分性，另一方面也得避免信息的冗雜性，為此得對太陽輻射影響因素進(jìn)行研究，以保證預(yù)測過程的收斂及預(yù)測結(jié)果的精度。</p><p>　　對于大氣狀況、天氣狀況等非數(shù)值性參數(shù)，可以利用氣象臺得氣象預(yù)報。在對太陽輻射進(jìn)行預(yù)測時，充分利用氣象臺的氣象資料顯然可以提高預(yù)測模型的準(zhǔn)確性。</p&g

61、t;<p>　　2.4.2 對太陽模型進(jìn)行預(yù)處理與相關(guān)性分析</p><p>　　太陽輻射歷史數(shù)據(jù)可反映太陽輻射各影響因素的影響作用，通過分析太陽輻射的歷史數(shù)據(jù)，一方面可間接研究其影響因素的作用，另一方面，也可研究太陽輻射時間序列間的影響程度。由此可知，太陽輻射歷史數(shù)據(jù)可時間序列預(yù)測模型的主要輸入數(shù)據(jù)。</p><p>　　對太陽能時間序列的數(shù)據(jù)進(jìn)行預(yù)處理與相關(guān)性分析，可以對

62、所用的ARMA模型進(jìn)行準(zhǔn)確的辨認(rèn)，從而更好的進(jìn)行參數(shù)估計與預(yù)測. </p><p>　　3 基于時間序列分析的短時間尺度太陽輻射模型研究</p><p>　　3.1 時間序列概述</p><p>　　時間序列數(shù)據(jù)挖掘雖然目前較其他類型的數(shù)據(jù)挖掘研究少一些，但是也是數(shù)據(jù)挖掘中的一類重要問題。在現(xiàn)實世界里，數(shù)據(jù)與時間相關(guān)是十分普遍的，因此時間序列模式的挖掘在數(shù)據(jù)挖掘中

63、占有很重要的地位。時間序列由來已久，但是他們作為數(shù)據(jù)挖掘的歷史卻很短，MichaelT.Rosenstein等人提出一種從時間序列中發(fā)現(xiàn)“概念”(ConcePt)的方法，可以算得上是一種時間序列數(shù)據(jù)挖掘的雛形。這里的“概念”是基于預(yù)測意義上的，概念就是模式的預(yù)測內(nèi)容。</p><p>　　時間序列[19-21]是指同一種現(xiàn)象在不同時間上的相繼觀察值排列而成的一組數(shù)字序列，在現(xiàn)實生活中很多數(shù)據(jù)都帶有時間特征，時間序

64、列隨處可見，遍及經(jīng)濟(jì)、氣象、通信、醫(yī)療等多個領(lǐng)域，股市每日(月)指數(shù)、交換機每小時業(yè)務(wù)量，以及本文的試驗數(shù)據(jù)太陽輻射數(shù)據(jù)等，都形成了一個時間序列。從統(tǒng)計意義上講，所謂時間序列就是將某一個指標(biāo)在不同時間上的不同數(shù)值，按照時間的先后順序排列而成的數(shù)列。這種數(shù)列由于受到各種偶然因素的影響，往往表現(xiàn)出某種隨機性，彼此之間存在著統(tǒng)計上的依賴關(guān)系。對時間序列數(shù)據(jù)進(jìn)行分析，從中獲取所蘊含的關(guān)于生成時間序列的系統(tǒng)演化規(guī)律，以完成對系統(tǒng)的觀測及其未來行為

65、的預(yù)測，這在工程應(yīng)用中具有重要的價值和意義。時間序列的分析技術(shù)就起源于對市場經(jīng)濟(jì)的預(yù)測。當(dāng)前時間序列分析技術(shù)主要是根據(jù)概率統(tǒng)計理論對時間序列進(jìn)行分析，稱為隨機時序分析。</p><p>　　利用一個時間序列在t時刻的有效觀測值去預(yù)報在某個未來時刻t+l該序列的值，這一問題的提出是基于下列事實：(1)經(jīng)濟(jì)和商業(yè)計劃，（2）生產(chǎn)計劃，（3）庫存和生產(chǎn)控制，以及（4）生產(chǎn)過程的控制和優(yōu)化。正如帝國化工產(chǎn)業(yè)短期預(yù)報專題論

66、文集中所述，預(yù)報往往要提前一段時間做出，即所謂的提前期，它是隨著具體問題而不同。</p><p>　　時間序列數(shù)據(jù)的研究包括以下幾個重要方面，本論文對太陽能輻射數(shù)據(jù)預(yù)測主要是研究時間序列數(shù)據(jù)的趨勢分析以便更好的利用利用太陽能。在進(jìn)行時間序列的趨勢分析中應(yīng)考慮以下4種變動因素：</p><p>　　1）長期趨勢(T)，也稱趨勢變動，是指時間序列在整個預(yù)測期內(nèi)受某種根本性的支配因素影響所呈現(xiàn)出

67、漸增或漸減的總傾向。例如，我國人口數(shù)時間序列呈現(xiàn)長期遞增趨勢。</p><p>　　2）周期變動(C)，以某一時間間隔為周期的有一定規(guī)律的周期性變動，如商業(yè)周期中危機和復(fù)蘇的交替。</p><p>　　3）季節(jié)變動(S)，最基本的含義是指受自然界季節(jié)更替影響而發(fā)生的年復(fù)一年的有規(guī)律的變化，如服裝行業(yè)銷售額的季節(jié)性波動；實際分析中季節(jié)波動的概念已有了擴展，一年內(nèi)由于社會、政治、經(jīng)濟(jì)、自然因素

68、影響形成的有規(guī)律的周期性的重復(fù)變動都成為季節(jié)變動。例如，上下班制度對城市市內(nèi)公交所帶來的一天中客流高峰的規(guī)律性變化等。</p><p>　　4）偶然變動(I),除上述三種情況之外的受眾多偶然因素的影響而出現(xiàn)的不規(guī)則變動,又稱隨機變動。</p><p>　　這4種因素的綜合模式有加法模式、乘法模式和混合模式。若以表示時間序列(＝1，2，3，…，表示采樣時刻)，則加法模式的時間序列是上述4種變

69、動因素的相加,＝(T)＋(C)＋(S)＋(I)，而乘法模式的則是上述4種變動因素的相乘,=(T)×(C)×(S)×(I)，一般來說將周期變動(C)和長期趨勢(T)合在一起成為趨勢(T)。時間序列法分為兩類：①不細(xì)分4種變動因素而直接利用時間序列數(shù)據(jù)建立數(shù)學(xué)模型，進(jìn)行預(yù)測。②對4種變動因素有側(cè)重地進(jìn)行預(yù)處理,從而派生出剔除季節(jié)變動法、移動（滑動）平均法、指數(shù)平滑法、自回歸法、自回歸滑動平均法、時間函數(shù)擬合法等

70、具體預(yù)測方法。</p><p>　　3.2 時間序列分析的目的</p><p>　　時間序列分析的目的是不同的，它依賴應(yīng)用的背景。統(tǒng)計學(xué)家通常把一個時間序列看作是一個隨機過程的實現(xiàn)。分析的基本任務(wù)是揭示支配觀測到的時間序列的概率律。利用這個概率律，我們能夠理解所考慮的動態(tài)系統(tǒng)，預(yù)報將來事件，通過干預(yù)來控制將來事件。這就是時間序列分析的三個主要目的。盡管觀測的數(shù)量總是有限的，但能夠生成相同的

71、觀測數(shù)據(jù)的隨機過程有無窮多個。然而，這些過程中的一部分比其他過程似乎更合理且有更好的理解。如果對所考慮的過程沒有進(jìn)一步限制的話，就不可能通過有限多個觀測來識別該過程。一個流行的方法是限制概率律為一個指定的族，然后在這個概率律族中選擇一個最合理的成員。前者稱為建模，而后者稱為估計，或者更一般地稱為統(tǒng)計推斷。除了一些有限維待定參數(shù)外，概率族中概率律的形式已被指定時，這個模型就稱為參數(shù)模型。當(dāng)待定參數(shù)落在一個無窮維空間的子集內(nèi)，或概率律的形式

72、不是完全確定時，這樣的模型常被稱為非參數(shù)模型。參數(shù)模型和非參數(shù)模型之間的界限總是模糊的。然而，這樣的區(qū)別有助于我們選擇適當(dāng)?shù)墓烙嫹椒?。這也就類似于“好”和“壞”、“冷”和“熱”、“健康”和“不健康”等之間的界限是模糊的那樣，但是，這種區(qū)別去有助于我們將</p><p>　　3.3典型時間序列分析模型</p><p>　　時間序列預(yù)測技術(shù)分為固定模型和開放模型技術(shù)。長期以來人們花費了相當(dāng)?shù)木?/p>

73、力來研究固定模型，發(fā)現(xiàn)固定模型在調(diào)整時間序列水平變化等方面比開放模型技術(shù)更有效，故本論文選擇使用固定模型。經(jīng)典的固定模型主要有，平均值、滑動平均模型MA、指數(shù)平滑模型以下是對它們的概述[22]</p><p>　　1） 平均值預(yù)測模型</p><p>　　所有固定模型時間序列技術(shù)本質(zhì)上都是平均值，最簡單的就是將平均值作為預(yù)測的模型其公式如下表示：</p><p>&

74、lt;b>　　(3-1)</b></p><p>　　其中，是t+1時刻的預(yù)測值，表示第t時刻的實際值，N指的是時間。</p><p>　　也就是下一時刻的預(yù)測值要用以前各時刻的平均值來表示，其優(yōu)勢是可以消除任何波動，從而也消去了噪音，這部分是時間序列所不能預(yù)測的。</p><p><b>　　2） 滑動平均模型</b><

75、;/p><p>　　另一種描述觀察時間序列的重要模型就是滑動平均模型也叫做移動平均模型，它與平均預(yù)測的不同在于它采用的不是過去所有的數(shù)據(jù)而是近期的數(shù)據(jù)，其公式如下：</p><p><b>　　(3-2)</b></p><p>　　其中，是t+1時刻的預(yù)測值，表示第t期的實際銷量，N是移動平均包含的時刻數(shù)目。</p><p&g

76、t;　　滑動平均面臨的一個問題就是滑動平均時間N的選擇問題，N越大滑動平均方法就越接近于平均值法，當(dāng)N等于歷史觀測數(shù)據(jù)個數(shù)時滑動平均就演變?yōu)榱讼惹暗钠骄捣?；?dāng)N越小時，滑動平均預(yù)測的變化就更加強烈；當(dāng)數(shù)據(jù)帶有趨勢時，時間越長，預(yù)測反應(yīng)就越遲鈍，預(yù)測值滯后于實際趨勢就越明顯，相反地當(dāng)時間N越小時預(yù)測反應(yīng)就較快。由于滑動平均除了有消除噪音的能力外，還可以消除任何具有滑動平均長周期的變化，所以對于帶有明顯的季節(jié)性的預(yù)測數(shù)據(jù)，當(dāng)選擇季節(jié)周期作

77、為平均步長時，可消除它的季節(jié)性。</p><p>　　但滑動平均法運用時也存在著如下問題：加大滑動平均法的期數(shù)（即加大n值）會使平滑波動效果更好，但會使預(yù)測值對數(shù)據(jù)實際變動更不敏感；滑動平均值并不能總是很好地反映出趨勢。由于是平均值，預(yù)測值總是停留在過去的水平上而無法預(yù)計會導(dǎo)致將來更高或更低的波動；移動平均法要由大量的過去數(shù)據(jù)的記錄。</p><p><b>　　3） 指數(shù)平均模

78、型</b></p><p>　　指數(shù)平滑法最初被稱為指數(shù)權(quán)重移動平均法，是布朗(Robert G..Brown)所提出，布朗(Robert G..Brown)認(rèn)列的態(tài)勢具有穩(wěn)定性和規(guī)則性，所以時間序列可被合理地順勢推延；他認(rèn)為最近的過去趨勢，在某種程度上會持續(xù)到最近的未來，所以將較大的權(quán)數(shù)放在最近的資料上。指數(shù)平滑法通過計算指數(shù)平滑值，配合一定的時間序列預(yù)測模型對現(xiàn)象的未來進(jìn)行預(yù)測。其原理是任一期的指

79、數(shù)平滑值都是本期實際觀測值與前一期指數(shù)平值的加權(quán)平均。指數(shù)平滑的基本公式是：</p><p><b>　　(3-3)</b></p><p>　　其中，是第t期的預(yù)測值，表示第t期的實際觀測值， 表示權(quán)重指數(shù)在0-1之間取值。</p><p>　　在該公式中，α值越大，則表示對本期的銷售賦以更大的權(quán)重，也就是下期的預(yù)測值受本期的實際銷量的影響要

80、比本期的預(yù)測值大。當(dāng)α=1時，全部的權(quán)重都放在了本期的實際銷售量上這時指數(shù)平滑就變成了天真技術(shù)，當(dāng)α接近于0時，表示對每一期都賦予了相等的權(quán)重，也就變成了前面的平均值法。</p><p>　　指數(shù)平滑最重要的就是α的取值，一般來說，水平變化愈大，α的值就應(yīng)該越大，這樣能使預(yù)測做出迅速調(diào)整；數(shù)據(jù)的隨機性越大，則α的取值就應(yīng)該相應(yīng)地取較小的值，使得指數(shù)平滑能更多消除噪音</p><p>　　指

81、數(shù)平滑法的優(yōu)點為：計算過程比較簡單，預(yù)測時只需少量的觀測值，而且能夠?qū)嶋H變化做出較迅速的反應(yīng)。</p><p>　　3.4 ARMA模型</p><p>　　3.4.1 平穩(wěn)時間序列的定義</p><p>　　定義1 滿足如下條件的序列成為嚴(yán)平穩(wěn)序列[23]</p><p>　　正整數(shù)m， 正整數(shù)，有</p><p&g

82、t;<b>　　(3-4)</b></p><p>　　定義2 如果滿足如下三個條件：</p><p><b>　?。?） 任取，有；</b></p><p>　　（2） 任取，有，為常數(shù)；</p><p><b>　　（3） 任取，有；</b></p><

83、;p>　　則 稱 為寬平穩(wěn)時間序列[56]，成為自協(xié)方差函數(shù)（Auto-covariance Function）</p><p><b>　　(3-5)</b></p><p>　　稱為自相關(guān)函數(shù)（Autocorrelation Function）,簡稱ACF。</p><p>　　3.4.2 平穩(wěn)時間序列的模型</p>&

84、lt;p>　　目前最常用的擬合平穩(wěn)序列的模型是：ARMA模型，其全稱為自回歸滑動平均（auto regression moving average）模型，它又可以細(xì)分為AR模型(auto regression model)、MA模型（moving average model）和ARMA模型（auto regression moving average）三大類。</p><p><b>　　1. A

85、R模型</b></p><p>　　定義 具有如下結(jié)構(gòu)的模型稱為p階自回歸模型[55]，簡記為AR（p），如下所示</p><p><b>　　(3-6)</b></p><p><b>　　2. MA模型 </b></p><p>　　定義 具有如下結(jié)構(gòu)的模型稱為q階滑動平均（mo

86、ving average）模型[24]，簡記為MA（q），如下所示：</p><p><b>　　(3-7)</b></p><p><b>　　3. ARMA模型</b></p><p>　　定義 具有如下結(jié)構(gòu)的模型稱為自回歸滑動平均（auto regression moving average）模型[24]，簡記為A

87、RMA（p，q），如下所示</p><p><b>　　(3-8)</b></p><p>　　中心化ARMA（p，q）模型，為</p><p><b>　　(3-9)</b></p><p>　　缺省默認(rèn)條件，ARMA（p，q）模型可以簡寫為</p><p><b&g

88、t;　　(3-10)</b></p><p>　　顯然，當(dāng)q=0時，ARMA(p, q)模型就退化成了AR（p）模型；當(dāng)p=0時，ARMA（p，q）模型就退化成了MA（q）模型。</p><p>　　所以，AR（p）模型和MA（q）模型實際上是ARMA（p，q）模型的特例，他們都統(tǒng)稱為ARMA模型。</p><p>　　4 地表太陽輻射時間序列模型與建

89、模(ARMA模型)</p><p><b>　　4.1 建模過程</b></p><p><b>　　1) 序列預(yù)處理 </b></p><p>　　短時間尺度地表太陽輻射是一個周期性的非平穩(wěn)時間序列，必須轉(zhuǎn)換為平穩(wěn)序列方能建立ARMA模型，常見平穩(wěn)化方法又晴空指數(shù)轉(zhuǎn)換、差分、傅里葉分析等，本文采用差分法。</p&g

90、t;<p>　　差分法[26]：根據(jù)已采集的數(shù)據(jù)可得到數(shù)據(jù)的變化趨勢。據(jù)此可算出下一個時刻（設(shè)為第i個）測量值的預(yù)估計值。實際測量的值與預(yù)估計值的差值應(yīng)較小。當(dāng)有隨機誤差迭加在輸入點時將會使偏離理想測量曲線的走向趨勢，即預(yù)估計值與實際測量值之差絕對值會較大。一階差分法的提出是基于這樣的一種假設(shè)，即在足夠小的時間段內(nèi)的幾個連續(xù)采樣值的間隔應(yīng)相差很小。在采樣頻率大于物理變化的最高頻率（即滿足香農(nóng)定理）的情況下，滿足：</

91、p><p><b>　　(4-1)</b></p><p>　　可見的預(yù)估計值可由時刻的兩個采樣值和來求得，即：</p><p><b>　　(4-2)</b></p><p>　　假設(shè)e（e>0）是根據(jù)一定規(guī)則設(shè)定的閥值，當(dāng)時，可認(rèn)為不是虛假點：若，則認(rèn)為是一個虛假點測量值，并用代替。</

92、p><p>　　入射到水平面的太陽總輻射是水平面的直接輻射與散射輻射之和，天文輻射是指大氣上界的太陽總輻射，其大小是由地球的天文位置決定的。</p><p>　　2) 相關(guān)分析與模型識別 </p><p>　　我們是通過考察平穩(wěn)序列樣本自相關(guān)函數(shù)和偏自相關(guān)函數(shù)的性質(zhì)選擇適合的模擬合觀察值序列，這個過程實際就是要顧及自相關(guān)階數(shù)和滑動平均階數(shù)，因此，模型識別過程也成為模

93、型定階過程。</p><p>　　(1) 偏自相關(guān)函數(shù)</p><p>　　定義 設(shè) 是一平穩(wěn)序列，當(dāng)已知 的數(shù)值去預(yù)測時，其預(yù)測值應(yīng)是的線性組合。</p><p><b>　　(4-3)</b></p><p><b>　　預(yù)測誤差應(yīng)是 </b></p><p>

94、<b>　　(4-4)</b></p><p>　　采用誤差平方和達(dá)到最小的準(zhǔn)則度量誤差。設(shè)選定的系數(shù)使得</p><p><b>　　(4-5)</b></p><p>　　則稱為的線性最小方差估計。則稱為平穩(wěn)序列的偏自相關(guān)函數(shù)，簡稱為PACF。</p><p>　　將上式展開，化簡得到</

95、p><p><b>　　(4-6)</b></p><p><b>　　矩陣形式為</b></p><p><b>　　(4-7)</b></p><p>　　由上式可得偏自相關(guān)函數(shù) 的遞推公式如下</p><p><b>　　(4-8)</

96、b></p><p><b>　　(4-9)</b></p><p>　　(2) AR模型的識別</p><p><b>　?、?自相關(guān)函數(shù) </b></p><p>　　在平穩(wěn)模型 等號兩邊乘，再求期望，得</p><p>　　，根據(jù)AR模型的條件三，有 ，于是可

97、以得到如下的自協(xié)方差函數(shù)的遞推公式</p><p><b>　　(4-10)</b></p><p><b>　　由于 </b></p><p><b>　　(4-11)</b></p><p>　　在自協(xié)方差函數(shù)的遞推公式等號兩邊同除以方差函數(shù) ，就得到自相關(guān)函數(shù)的遞推公式

98、 </p><p><b>　　(4-12)</b></p><p>　　平穩(wěn)AR（p）模型的自相關(guān)函數(shù)顯著性質(zhì)有：一是拖尾性，即始終有非零取值，不會在k大于某個常數(shù)之后就恒等于零；二是呈負(fù)指數(shù)衰減。</p><p><b>　?、?偏相關(guān)函數(shù)</b></p><p><b>　

99、　AR（p）模型中，</b></p><p><b>　　(4-13)</b></p><p><b>　　矩陣形式為 </b></p><p><b>　　(4-14)</b></p><p><b>　　(4-15)</b></p&

100、gt;<p>　　可以證明平穩(wěn)AR（p）模型的偏自相關(guān)函數(shù)具有p步截尾性。所謂p步截尾性指，。反之也可以證明，若一個序列的偏自相關(guān)函數(shù)是p步截尾的，則該序列滿足AR（p）模型</p><p>　?。?） MA模型的識別</p><p>　　可逆的MA（q）模型 中，自協(xié)方差函數(shù)為</p><p><b>　　(4-16)</b>&

101、lt;/p><p>　　根據(jù)MA（q）模型的條件二，有 </p><p>　　則 （4-17）</p><p>　　由于，在上MA（q）模型自協(xié)方差函數(shù)的遞推公式等號兩邊同時除以方差函數(shù)，就得到可逆的MA（q）模型的自相關(guān)函數(shù)的遞推公式</p><p><b>　?。?-18）</

102、b></p><p>　　上式說明，一個滿足MA（q）模型的序列的自相關(guān)函數(shù)是q步截尾的，即當(dāng)k>q時，則=0，反之也可以證明，若一個序列的自相關(guān)函數(shù)是q步截尾的，則該序列滿足MA（q）模型。</p><p>　　值得一提的是，若是MA（q）序列，偏自相關(guān)函數(shù)不是q步截尾的，而是按負(fù)指數(shù)衰減，是拖尾的。</p><p>　?。?） ARMA模型的識別&l

103、t;/p><p>　　ARMA模型的識別準(zhǔn)則為：</p><p>　?、迦羝椒€(wěn)序列的自相關(guān)函數(shù)是拖尾的，偏自相關(guān)函數(shù)是截尾的，則序列是AR序列</p><p>　?、嫒羝椒€(wěn)序列的自相關(guān)函數(shù)是截尾的，偏自相關(guān)函數(shù)是拖尾的，則序列是MA序列</p><p>　　㈢若平穩(wěn)序列的自相關(guān)函數(shù)與偏自相關(guān)函數(shù)都是拖尾的，則是ARMA序列</p>

104、<p>　　3） 模型參數(shù)估計的方法</p><p>　　時間序列ARMA模型的參數(shù)估計方法很多，目前對ARMA模型常用的方法有：相關(guān)矩估計方法、最小二乘法、極大似然估計法等。下面分別來簡要的介紹下這三種參數(shù)估計法。</p><p>　?。?）ARMA模型的矩估計[27]</p><p>　　樣本自相關(guān)函數(shù)是計算時間序列模型參數(shù)矩估計的基礎(chǔ)。在時間序列分析

105、中，矩估計是一種常見的模型參數(shù)初步估計方法。</p><p>　　矩估計的基本思想是：假設(shè)隨機變量X的概率分布含有k個未知數(shù)，我們把分布的前k階矩表示成的函數(shù)，即</p><p><b>　?。?-19）</b></p><p>　　理論上還可以將表示成的函數(shù)，即</p><p><b>　　(4-20)<

106、;/b></p><p>　　如果已知X的N個觀察值，則可計算k個樣本矩，并視其為的估計值。</p><p><b>　　于是，得</b></p><p><b>　?。?-21）</b></p><p>　　自相關(guān)函數(shù)屬于二階矩過程，利用樣本自相關(guān)函數(shù)對時間序列模型參數(shù)進(jìn)行估計，就是一種矩估

107、計。</p><p>　　矩估計方法，尤其是低階ARMA模型場合下的矩估計方法具有計算量小、估計思想簡單直觀，且不需要假設(shè)總體分布的特點。但是矩估計方法是一種比較粗糙的估計方法，它的估計精度一般較差，因此它常被利用做極大似然和最小二乘估計迭代計算的初始值。</p><p>　?。?） ARMA模型的極大似然估計[28]</p><p>　　極大似然估計法是求參數(shù)點估

108、計中最為重要的一種方法。極大似然估計法的思想史：實際發(fā)生的事件應(yīng)該是概率最大的事件，此即為極大似然原理。極大似然原理的直觀想法也就是：一個隨機試驗若有多個結(jié)果A,B,....，在一次試驗中若A出現(xiàn)，則一般認(rèn)為實驗條件對A的出現(xiàn)最有利，也就是A出現(xiàn)的概率最大。使用極大似然估計必需已知總體的分布函數(shù)。</p><p><b>　?。?-22）</b></p><p>　　

109、極大似然估計充分應(yīng)用了每一個觀察值所提供的信息，因此他的估計精度高，同時還具有估計的一致性、漸進(jìn)正態(tài)性和漸進(jìn)有效性等許多優(yōu)良的統(tǒng)計性質(zhì)，是一種非常優(yōu)良的參數(shù)估計方法。</p><p>　　在事件序列分析中，序列總體的分布通常是未知的。為了便于分析和計算，通常假設(shè)序列服從多元正態(tài)分布。</p><p>　　考慮平穩(wěn)可逆的ARMA（p，q）模型</p><p><

110、b>　?。?-23）</b></p><p>　　其中 是零均值，方差為 的白噪聲。</p><p><b>　　記 </b></p><p><b>　?。?-24）</b></p><p><b>　　式中 </b></p><p

111、><b>　?。?-25）</b></p><p><b>　　的似然函數(shù)為</b></p><p><b>　　（4-26）</b></p><p><b>　　對數(shù)似然函數(shù)為</b></p><p><b>　?。?-27）</b

112、></p><p>　　對數(shù)似然函數(shù)中的未知參數(shù)求偏導(dǎo)數(shù)，得到似然方程</p><p><b>　?。?-28）</b></p><p><b>　　式中 。</b></p><p>　　理論上，求解上述方程組即可得到未知參數(shù)的極大似然估計值。但是，由于和都不是的顯式表達(dá)式，因而上述似然方程組