导读:本文包含了太阳能辐射量论文开题报告文献综述及选题提纲参考文献，主要关键词:风云气象卫星,屋顶面,太阳辐射,云总量
太阳能辐射量论文文献综述
亓伟[1]（2019）在《基于风云气象卫星的建筑物屋顶太阳能辐射分析》一文中研究指出二十一世纪,能源与环境双重问题促使人类不断调整能源结构,寻找可持续发展的新型清洁能源。太阳能以其可持续性、清洁性、安全性等诸多优点,逐渐得到各行各界认可。城市空间有限,地表寸土寸金,作为城市主体的建筑物群体,其表面(屋顶及立面)成为人类以光热或光电等不同形式利用太阳能的有效空间。因此,准确估算区域尺度建筑物屋顶太阳辐射量成为城市太阳能利用的重要研究内容。太阳辐射传输过程中,除需要考虑地球要素,地形特征,大气衰减叁大要素外,云的影响也不容忽视。因此,本文首先选取风云2G气象卫星济南市历城区2018年4月22、23、24日不同天气状况气象数据,利用地理探测器进行不同云影响因子对直接太阳辐射的相关性分析,具体包括云总量、云顶高度、云顶温度、云顶气压、云分类、云相态等。通过多因子交互作用探测方法,结合实际情况,确定云总量为本文云对太阳辐射影响的主要参数。其次,文章利用2017年山东建筑大学机载激光雷达数据,批量提取得到的建筑物叁维信息作为太阳辐射模型的起算数据,利用ArcGIS经典晴天模型、短波辐射模型、考虑云因素的太阳辐射模型进行对比分析,得出以下结论:(1)通过多种太阳辐射模型实验结果与风云气象卫星获取的地表太阳辐射量对比,可看出考虑云因素的太阳辐射模型与实际情况拟合最好。该模型可以较为准确的模拟云层覆盖情况下建筑物屋顶可接收太阳辐射量。而晴天天气情况下,基于ArcGIS平台的经典晴天模型可以较准确的模拟可接收太阳辐射量。(2)利用考虑云因素的太阳辐射模型对研究区域进行太阳辐射模拟实验,可以得出:北方中纬度地区四、五月份多云、阴雨天可接收太阳辐射量呈现多峰值现象,晴天天气一天之中最高太阳辐射可达到1.21Kwh/m~2;多云天气一天之中最高太阳辐射可达0.53Kwh/m~2;阴雨天最高太阳辐射仅有0.36Kwh/m~2。(3)考虑云因素的太阳辐射模型由于输入参数的限制,对某时段、某天的太阳辐射分析是方便且准确的。对于月度、季节、年度的太阳辐射分析该模型存在不足,此时ArcGIS平台经典晴天模型的优势得以体现。通过ArcGIS平台对研究区域进行年度太阳辐射分析得出:在理想晴天状态下济南市历城区年均太阳辐射量可达到1.16x10~3Kwh/m~2。(本文来源于《山东建筑大学》期刊2019-06-01）
高亮,张新燕,杨琪,张家军,高敏[2]（2019）在《基于多元分析的优化模糊神经网络太阳能辐射量短期预测》一文中研究指出为准确预测太阳能辐射量,提出一种基于多元分析的优化模糊神经网络预测辐射量的方法。首先结合曲线拟合和拉依达准则对数据做粗大误差的剔除,然后运用主成分分析法提取影响太阳能辐射量的主要因素,最后结合定性分析和定量分析建立优化的模糊神经网络预测模型,并设计数据采集装置采集短期气象数据,以提高预测的实时性和准确性。通过与不同的预测模型对比,验证本文所提算法和模型的正确性,结果表明该模型有效提高了短期太阳能数据预测的精准度。(本文来源于《水力发电》期刊2019年07期）
刘剑,曹美燕,高治军,许可[3]（2017）在《一种基于随机森林的太阳能辐射预测模型》一文中研究指出为了高效利用太阳能,准确的预测太阳能辐射情况极其重要。针对太阳能辐射的预测问题,研究了基于随机森林的太阳能辐射预测方法,根据影响太阳能辐射的因子建立了随机森林树型分类器,构建了一种基于随机森林的太阳能辐射量预测模型;将该模型的预测结果与BP神经网络、SVM辐射模型的预测结果进行对比。并对具体地区的太阳辐射进行预测,检验了该模型有效性。结果表明:采用随机森林模型预测效果较好,减少了均方根误差、提高了模型的预估精度,对复杂环境下的太阳能辐射量预测、光伏发电有效利用具有重要指导意义和应用前景。(本文来源于《控制工程》期刊2017年12期）
马杰良,梁桐睿,陆明明[4]（2017）在《地区太阳能辐射资源定量评估仿真》一文中研究指出利用数值仿真与实测数据对地区太阳能辐射资源定量评估,能够对光伏、光热整体产业链的良性循环起到重要作用。传统方法通过实测气象数据的采集,分析太阳辐射波模拟场,但忽略了研究实际监测场和模拟监测场之间的耦合关系。提出了一种在气象测站分布稀疏地区,结合气象测站的实时太阳辐照度数据与数值天气预报仿真数据,建立地区太阳能辐射资源定量评估模型。采用NWP与区域分钟级实测气象数据相结合的方法,同时将区域性的实测气象信息融入NWP输出产品,将数值天气预报系统输出的同地理范围地表入射短波辐射仿真产品整理为模拟场,引入奇异值分解方法,进行实际地面观测的辐射监测场与数值天气预报系统输出的辐射模拟场耦合关系研究。完成区域地区太阳能辐射资源定量评估的方法。算法验证的案例表明,提出的方法可以利用分钟级实测气象数据和NWP数据,对区域辐射资源提供可靠性、稳定度评估。(本文来源于《计算机仿真》期刊2017年08期）
成春春,李春丽,王永梅,刘亮梅[5]（2017）在《太阳能辐射对盐田生产中卤水蒸发过程的影响》一文中研究指出讨论了察尔汗湖区太阳能辐射量对气温和卤水温度的影响以及太阳能辐射量对盐田生产中蒸发水量和成矿量的影响,建立了太阳能辐射量与盐田蒸发水量和成矿量模型。研究结果表明:太阳能辐射量越大,则气温、卤水温度越高;四级盐田池蒸发水量和成矿量均随太阳能辐射量变化呈单调递增趋势;相同辐射量下析盐池蒸发水量和成矿量均随卤水密度的增大而减小;光卤石池蒸发水量和成矿量明显高于钠盐池、钠调池和光调池;数学模型有效地量化了太阳能辐射量与蒸发水量和成矿量的关系,对盐田生产的节能管理具有重要的指导意义。(本文来源于《化工矿物与加工》期刊2017年05期）
张瑶,杨华军,江萍[6]（2016）在《角反射器实现太阳能辐射方向实时检测》一文中研究指出实现太阳能辐射方向的实时监测能够大幅度提高太阳能的利用率。该文利用角反射器的特殊性质设计了一种新型太阳能辐射方向检测装置。装置以角反射器为基础,通过检测其有效反射面的面积及形状进而确定光入射的方向。文中利用光线追迹原理对角反射器有效反射面与入射角的关系进行了理论分析推导,并通过仿真给出了两者的具体关系,证实了由此实现高精度的太阳能辐射方向检测的可行性。(本文来源于《实验科学与技术》期刊2016年06期）
刘永涛,吴金顺,杨晓东[7]（2016）在《基于ZigBee技术的太阳能辐射采暖监控系统设计》一文中研究指出现有的太阳能地板辐射采暖控制系统存在智能化程度不高,不能充分利用太阳能集热器热能等诸多问题。因此设计一款基于ZigBee技术的高效、安全、智能化控制系统。装置采用TFT触摸屏为操控终端,采用模块化功能结构设计。白天能够根据外界光照强度自动启动和停止外循环结构,夜间及阴天自动启动内循环及电辅热系统。结果表明,电辅热启动期间可以根据用户需求任意设定供暖房间和供暖时间,达到动态供暖,有效节约电能并且最大程度上保证了室内温度的舒适平稳。(本文来源于《现代电子技术》期刊2016年22期）
曹美燕[8]（2016）在《基于随机森林的太阳能辐射预测方法研究》一文中研究指出随着我国的经济发展,传统能源消耗带来的污染危机日益严重,为了缓解这种趋势,新能源开发与应用备受关注。太阳能以清洁、安全、可再生和取之不尽等优势在新能源中饱受青睐。为了高效利用太阳能,准确的预测太阳能辐射情况极其重要。本文针对太阳能辐射的预测问题进行深入研究,结合先进的机器学习理论,通过随机森林回归预测功能,能有效的预测太阳能辐射,为太阳能辐射在光伏发电应用中提供了全新的思路,具有重要的研究价值和广泛的应用前景。本文完成的主要工作如下:(1)通过查阅国内外相关技术文献,综述了太阳能利用的现状及太阳能辐射预测方法发展趋势,分析了太阳辐射的相关因素,确定了影响太阳辐射主要变量,构建了基本的太阳辐射数学模型。(2)分析了太阳辐射基本原理及相关因素,确定了太阳高度角、日照时间、晴空指数、平均降雨量等主要影响因子。通过仿真得到太阳辐射与影响因子的特性曲线,分析结果表明日照时间越长,太阳辐射量越大。太阳高度角越大,等量的太阳辐射散布面积越大,即单位面积太阳辐射强度越大,反之亦然。(3)研究了基于随机森林太阳能辐射预测方法,选取了九个主要变量,建立了随机森林树型回归分类器,采用同一地区的不同时间段的太阳能辐射数据,进行仿真实验获得相关辐射因子,构建了基于随机森林的太阳能辐射预测模型。(4)将不同的预测方法进行对比研究,构建了基于BP神经网络和基于支持矢量机(SVM)的太阳辐射预测模型,在相同训练样本的条件下,分别将这两种模型的预测结果与随机森林预测方法的结果进行对比。结果表明:在对无人区的太阳辐射量进行预测时,采用随机森林模型预测效果较好,减少了均方根误差、提高了模型的预测精度。(5)研究了改进的太阳辐射预测方法,针对城区的太阳辐射受更多随机因素干扰出现非平衡数据的问题,提出了一种基于C_SMOTE算法的改进随机森林算法。进行了改进前后随机森林算法的仿真研究,通过对比预测结果,可以看出采用改进的随机森林预测方法减小了 OOB误差,验证了模型有效性。这对复杂环境下的太阳能辐射预测、光伏发电有效利用具有重要指导意义。(本文来源于《沈阳建筑大学》期刊2016-11-01）
刘荣鹏[9]（2016）在《基于支持向量回归机及Trust-Tech的短期太阳能辐射量预测方法》一文中研究指出包括太阳能和风能在内的可再生能源的并网容量越来越大。可再生能源区别于传统能源的最大特点在于其发电能力受自然条件的影响,具有天生的不确定性与间歇性,给电力系统的运行方式、调度方式带来了很大的挑战。因此,对于高精度的可再生能源比如说太阳能的高精度预测成为了一个热门的领域并且吸引了众多学者的关注。在本文的研究中,我们提出了一个基于Trust-Tech的分群遗传算法的支持向量回归机预测模型。该模型中有几个显着的特点:第一,数据驱动型的特征选择算法被用来选择与预测相关的特征,并且可以提升预测精度。除了预测精度的提升之外,该特征选择算法还能通过去除不相关特征以及冗余特征来降低输入数据特征维度,从而达到加速支持向量机模型训练速度的特点。第二,为了提高预测的精度,我们还提出了Trust-Tech分群遗传算法。该算法不仅能提高预测精度,嵌入的分群算法同样能加速遗传算法的收敛速度,同时还可以得到多组具有相似特性的解。第叁,将上述步骤中得到的具有高精度的多组解可以通过组合的方法来得到最终具有最强泛化能力的支持向量机模型。在本文的另一部分研究中,我们提出了一种新的思想,就是将组合核函数支持向量回归机应用于太阳能发电预测中。组合核方法是根据不同输入特征来设计的多个核的线性或者非线性组合,该方法可以将统计学习方法与专家先验知识通过核函数的方式结合起来,从而提升预测精度。本文中使用美国气象协会(AMS)2013-2014年度太阳能预测竞赛的部分数据,来测试所提出的两种支持向量机模型的预测性能。相关的数值仿真结果表明本文中所提出的预测方法能得到令人满意的结果。(本文来源于《天津大学》期刊2016-11-01）
[10]（2016）在《太阳能辐射分布》一文中研究指出太阳辐射情况对于地球来说特别重要,太阳能的辐射发生很小的变化,就会对地球大气、气候等产生重大影响。同时,地球气候受制于太阳辐射及地球大气、海洋和陆地的相互作用。可以说,太阳辐射与我们日常生活息息相关。根据太阳能辐射条件分类,全世界太阳能辐射强度和日照时间最佳的区域包括北非地区、中东地区、美国西南部、墨西哥、南欧地区、澳大利亚、南非地区、南美洲东、西海岸和中国西部地区等。中国太阳能资源十分丰富,年太阳辐射值大致为1 050 k W·h/(m~2·a)~2 450 k W·h/(m~2·a)之间,年平均日太阳辐射量为180W/m~2,其平均日太阳能辐射值分布趋势为西高东低。(本文来源于《能源与节能》期刊2016年06期）
太阳能辐射量论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
为准确预测太阳能辐射量,提出一种基于多元分析的优化模糊神经网络预测辐射量的方法。首先结合曲线拟合和拉依达准则对数据做粗大误差的剔除,然后运用主成分分析法提取影响太阳能辐射量的主要因素,最后结合定性分析和定量分析建立优化的模糊神经网络预测模型,并设计数据采集装置采集短期气象数据,以提高预测的实时性和准确性。通过与不同的预测模型对比,验证本文所提算法和模型的正确性,结果表明该模型有效提高了短期太阳能数据预测的精准度。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
太阳能辐射量论文参考文献
[1].亓伟.基于风云气象卫星的建筑物屋顶太阳能辐射分析[D].山东建筑大学.2019
[2].高亮,张新燕,杨琪,张家军,高敏.基于多元分析的优化模糊神经网络太阳能辐射量短期预测[J].水力发电.2019
[3].刘剑,曹美燕,高治军,许可.一种基于随机森林的太阳能辐射预测模型[J].控制工程.2017
[4].马杰良,梁桐睿,陆明明.地区太阳能辐射资源定量评估仿真[J].计算机仿真.2017
[5].成春春,李春丽,王永梅,刘亮梅.太阳能辐射对盐田生产中卤水蒸发过程的影响[J].化工矿物与加工.2017
[6].张瑶,杨华军,江萍.角反射器实现太阳能辐射方向实时检测[J].实验科学与技术.2016
[7].刘永涛,吴金顺,杨晓东.基于ZigBee技术的太阳能辐射采暖监控系统设计[J].现代电子技术.2016
[8].曹美燕.基于随机森林的太阳能辐射预测方法研究[D].沈阳建筑大学.2016
[9].刘荣鹏.基于支持向量回归机及Trust-Tech的短期太阳能辐射量预测方法[D].天津大学.2016
[10]..太阳能辐射分布[J].能源与节能.2016