第４７卷 第６期 ２０１３钲 河南农业大学学报 Ｊｏｕｒｎａｌ ｏｆ Ｈｅｎａｎ Ａｇｒｉｃｕｌｔｕｒａｌ Ｕｎｉｖｅｒｓｉｔｙ Ｖｏ１．４７ ＮＯ．６ Ｄｅｌ２． ２Ｏｌ３ １２月 文章编号：１０００—２３４０（２０１３）０６—０７３２—０５ 基于改进的ＢＰ神经网络估算太阳辐射的研究 赵昕宇，余泳昌 （河南农业大学机电工程学院，河南郑州４５０００２） 摘要：依据鸟鲁木齐市气象站多年来的气象数据，利用改进ＢＰ神经网络建立太阳辐射日总量与日照时数的关系 模型，并与一些常用函数的曲线拟合结果进行分析比较，以建立有效的基于日照时数的太阳辐射估算模型．利用 改进的ＢＰ神经网络模型估算日辐射总量，其绝对误差和相对误差分别为０．４９９ ＭＪ－Ｉｎ 和３．９０％，估算结果与 实测值吻合良好． 关键词：太阳辐射；日照时数；ＢＰ神经网络 中图分类号：ＴＫ５１３ 文献标志码：Ａ Ｓｏｌａｒ ｒａｄｉａｔｉｏｎ ｅｓｔｉｍａｔｉｏｎ ｂａｓｅｄ ｏｎ ｉｍｐｒｏｖｅｄ ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ＺＨＡＯ Ｘｉｎ—ｙｕ．ＹＵ Ｙｏｎｇ—ｃｈａｎｇ （Ｍｅｃｈａｎｉｃａｌ ａｎｄ Ｅｌｅｃｔｒｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ Ｃｏｌｌｅｇｅ，Ｈｅｎａｎ Ａｇｒｉｃｕｈｕｒａｌ Ｕｎｉｖｅｒｓｉｔｙ，Ｚｈｅｎｇｚｈｏｕ ４５０００２，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｔｈｅ ｒｅｌａｔｉｏｎ ｍｏｄｅｌｓ ｂｅｔｗｅｅｎ ｔｈｅ ｄａｉｌｙ ｓｏｌａｒ ｒａｄｉａｔｉｏｎｓ ａｎｄ ｔｈｅ ｄａｉｌｙ ｓｕｎｓｈｉｎｅ ｄｕｒａｔｉｏｎｓ ｗｅｒｅ ｅｓｔａｂｌｉｓｈｅｄ ｂｙ ｕｓｉｎｇ ｉｍｐｒｏｖｅｄ ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｂａｓｅｄ ｏｎ ｔｈｅ ｍｅｔｅｏｒｏｌｏｇｉｃａｌ ｄａｔａ ｏｆ ｍａｎｙ ｙｅａｒｓ ｆｒｏｍ ｔｈｅ Ｕｒｕｍｑｉ ｗｅａｔｈｅｒ ｓｔａｔｉｏｎ．Ｓｏｍｅ ｏｔｈｅｒ ｃｏｍｍｏｎ ｆｕｎｃｔｉｏｎｓ ｗｅｒｅ ａｌｓｏ ａｐｐｌｉｅｄ ｔｏ ｔａｋｅ ｃｕｒｖｅ ｆｉｔｔｉｎｇ ｂｅ－ ｔｗｅｅｎ ｔｈｅ ｄａｉｌｙ ｓｏｌａｒ ｒａｄｉａｔｉｏｎｓ ａｎｄ ｔｈｅ ｄａｉｌｙ ｓｕｎｓｈｉｎｅ ｄｕｒａｔｉｏｎｓ ａｎｄ ｗｅｒｅ ｃｏｍｐａｒｅｄ ｗｉｔｈ ｔｈｅ ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｍｏｄｅ１．Ｔｈｅ ｄａｉｌｙ ｓｏｌａｒ ｒａｄｉａｔｉｏｎｓ ｗｅｒｅ ｅｓｔｉｍａｔｅｄ ｂｙ ｔｈｅ ｉｍｐｒｏｖｅｄ ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｍｏｄｅｌ ａｎｄ ｔｈｅ ａｂｓｏｌｕｔｅ ｅｒｒｏｒ ａｎｄ ｒｅｌａｔｉｖｅ ｅｒｒｏｒ ｏｆ ｔｈｅ ｅｓｔｉｍａｔｅｄ ｖａｌｕｅ ｃｏｍｐａｒｅｄ ｗｉｔｈ ｔｈｅ ｍｅａｓｕｒｅｄ ｖａｌｕｅ ｗａｓ ０．４９９ ＭＪ・ｍ～ａｎｄ ３．９０％ｒｅｓｐｅｃｔｉｖｅｌｙ．ｗｈｉｃｈ ｍｅａｎｓ ｇｏｏｄ ａｇｒｅｅｍｅｎｔ ｗａｓ ｒｅａｃｈｅｄ ｂｅｔｗｅｅｎ ｔｈｅ ｍｏｄ－ ｅｌ ａｎｄ ｔｈｅ ａｃｔｕａｌ ｓｉｔｕａｔｉｏｎ． Ｋｅｙ ｗｏｒｄｓ：ｓｏｌａｒ ｒａｄｉａｔｉｏｎ；ｓｕｎｓｈｉｎｅ ｄｕｒａｔｉｏｎ；ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ 在太阳能应用中，对太阳辐射量的监测直接影 响到太阳能设备的研制．尽管直接测量太阳辐射量 的气象数据，国内学者在此方面的研究则相对较 少 ’ ．本研究依据乌鲁木齐市多年来的气象和太 从技术上已经解决，但其成本较高，对于许多太阳 能有待开发利用的地区来说，仍然缺乏直接测量太 阳辐射的条件．国外已有研究针对日照时数、气温、 阳辐射监测数据，利用改进ＢＰ神经网络对１３照时 数与太阳１３总辐射之间的关系进行建模，并与一些 常用函数的拟合结果进行比较分析，为选择适当的 降水量、云层厚度等一些气象参数与太阳辐射的关 系，建立了多个估算太阳辐射的数学模型 “ ．一 些仅仅基于日照时数建立的太阳辐射估算模型也 取得了较好效果 ’ ．由于太阳辐射受地理位置和 气候环境的影响较大，而目前的研究多是依据国外 收稿日期：２０１３—０５—１２ 基金项目：河南省科技攻关项目（１２２１０２２１０１２８） 太阳辐射估算模型提供依据． １数据来源与预处理 １．１数据来源 研究的样本数据来源于中国气象局国家气象 作者简介：赵昕宇，１９７１年生，男，河南灵宝人，讲师，博士研究生，主要从事新能源利用、智能控制研究 通讯作者：余泳昌，１９５５年生，男，河南杞县人，教授，博士生导师． 第６期 赵昕宇等：基于改进的ＢＰ神经网络估算太阳辐射的研究 ７３３ 信息中心发布的１９５９－－２０１０年中国气象数据国际 交换站的数据，选择乌鲁木齐气象站１９５９－－２０１０ 年的日值数据，共５２年６２４个月１８ ９９３ ｄ的数据， 包括每天的Ｅｌ照时数和台站水平面太阳总辐射．乌 鲁木齐台站的地理位置为北纬，东经，拔海高度为 ９３５ ｍ． １．２数据预处理 依据国际标准组织的定义，日照时数是指太阳 每天在垂直于其光线的平面上的辐射强度超过或 等于１２０ Ｗ・ｍ 的时间长度，通常以ｈ为单位．１３ 照时数与季节、纬度、云层等气候条件有关系．其 中，影响日照时数的首要因素是太阳与地球表面当 前观测点的天文位置关系．某地无地物、云、雾等任 何遮蔽条件下的天文辐射日总量可以按下式 计算… ： Ｈ。：２４ ｘ ３ ６００ＩｊＥ ｃ。ｓ Ａｃ。ｓ ８ｓｉｎ Ｗｓ＋ 志 ｓＳｉｎ Ａ ｓｉｎ ６］ （１） 式中： 为天文辐射日总量（ＭＪ・ｍ ），１０为 太阳常数（Ｉｏ＝１．３６７×１０～ＭＪ・ｍ ） 为日地距 离修正系数，Ａ为纬度（。），６为太阳赤纬角（。），加 为日出时角（。）．ｆ，６，Ｗ 可以按下列公式计算： ＋ｏ．０３３［ｃｏｓ（ ）］ （２） ６＝２３￣４５ｓｉｎ［型 】 （３） Ｗ ＝ＣＯＳ一《辍蓄甏皿 （一ｔａｎ Ａｔａｎ ６） （４） 式中：∞口０ 叠；口 ｕｌｎ是１ ａ中从１月１日起算的日期序数．ｌＩ砷口；们鲁；ｇＩｘ∞ｇ＾Ｉ 口 理想的最大日照时数ｓ 按下式计算： Ｓ。＝ （５） 据此，将乌鲁木齐台站所处的纬度数据代入 （１）式和（５）式，可以计算得出理想状态下，其１ ａ 中每天的最大日照时数和天文辐射日总量（图１）． 为了降低随机误差的影响，本研究将日值数据 转换为月均值数据进行研究．转换时，首先将数据 按月份分箱，然后在箱内进行异常值检测．根据日 照时数与太阳总辐射基本成线性关系的特点，对两 者关系进行线性拟合，以拟合优度为９５％的上下 界限之外的数据作为异常值，并将其值替换为拟合 值．将这一过程应用于６２４个月份的数据，共检测 到并替换了６２８个异常值．图２所示为１９５９—０５ 的原始检测数据的异常值检测．其中有２个数据经 检测为异常值，并被替换为线性拟合值． 最后，计算每个月份的日照时数月均值ｓ和太 量 ● 羔 血ｌ 血 骠 Ｈ＜ 图１乌鲁木齐市天文辐射日总量和最大日照时数 Ｆｉｇ．１ Ａｓｔｒｏｎｏｍｙ ｒａｄｉａｔｉｏｎ ａｎｄ ｍａｘｉｍｕｍ ｓｕｎｓｈｉｎｅ ｈｏｕｒｓ ｅｖｅｒｙ ｄａｙ ｉｎ Ｕｒｕｍｑｉ ４ ３ ｇ ● 至 亲 骤 皿 日照时数 Ｄａｉｌｙ ｓｕｎｓｈｉｎｅ ｄｕｒａｔｉｏｎｓ 图２异常值检测（以１９５９年５月数据为例） Ｆｉｇ．２ Ｏｕｔｌｉｅｒ ｄｅｔｅｃｔｉｏｎ （ｔａｋｉｎｇ ｄａｔａ ｉｎ Ｍａｙ，１９５９ ｆｏｒ ｅｘａｍｐｌｅ） 阳辐射日总量月均值日，并以每月月中的最大Ｅｔ照 时数ｓ。和天文辐射Ｅｌ总量 作为参照，研究建立 日照时数与太阳辐射日总量的关系模型Ｈ／Ｈｏ＝ Ｆ（Ｓ／Ｓ ）．其中，以１９５９－－２００８年的月均值数据作 为建模样本，以２００９年和２０１０年的月均值数据作 为模型检验样本． ２ 应用改进ＢＰ神经网络建模 人工神经网络是一种新型信息处理系统，其结 构上借鉴了生物神经网络的特征，由大量的简单处 理单元相互连接所构成，具有信息并行处理与分布 式存储的特点．它能够通过网络训练自动调整网络 的结构参数，使得对于给定的输入能产生期望的输 出，因而具有良好的自学习、自组织与容错性能．目 前，神经网络已经广泛应用于信号处理、模式识别、 数据压缩与智能控制等领域．ＢＰ神经网络为多层 神经元结构，层间相互连接，层内无连接，网络学习 算法是基于梯度下降的误差反向传播算法（ＢＰ算 ７３４ 河南农业大学学报 第４７卷 法）．理论上已经证明，采用非线性变换函数的３ 层ＢＰ网络，可以以任意精度逼近任何非线性函 １ Ｏ ０ 数 引．但是在复杂应用中，ＢＰ神经网络容易陷入 “过拟合”，导致计算结果偏离实际，从而影响所建 模型的可靠性．因此，必须注意采取措施加以避免． 本研究采用一种改进的ＢＰ神经网络来建立 太阳辐射估算模型．网络结构为３层，中间层有５ 个神经元，传递函数为正切ｓｉｇｍｏｉｄ函数；网络学习 采用一种带尺度变换的共轭梯度反向传播算法 （改进ＢＰ算法），网络连接权重和神经元偏移量采 用批处理的训练方式．而且，网络训练时的性能函 ０ Ｏ Ｏ ０．０ ０．１ ０．２ ０．３ ０．４ ０．５ ０．６ ０．７ ０．８ ０．９ １．０ 日照时数Ｖ￣ｓ／ｓ，、 Ｓｕｎｓｈｉｎｅ ｄｕｒａｔｉｏｎ ｒａｔｉｏ 图３ ＢＰ神经网络的拟合曲线 Ｆｉｇ．３ Ｆｉｔｔｉｎｇ ｃｕｒｖｅ ｂｙ ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ 数采用线性组合函数形式，并通过多次调整，设定 其中的网络输出均方误差占比９７％，网络连接权 重及偏移量占比３％，以防止出现“过拟合”，从而 ３ 不同模型的比较分析 ３．１建立不同的模型 保证输出平滑适度的拟合曲线． 以实测日照时数｜ｓ与理想状态下的最大日照 国外一些研究建立了多种形式的基于日照时 数对太阳辐射进行估算的模型 ’ ．为了比较不同 模型的适用性，本研究分别采用一次方程、二次多 项式、三次多项式、指数函数、幂函数和高斯函数等 常用函数形式，对样本数据建立拟合模型．结果如 表１所示．其中， ＝Ｓ／Ｓ。，Ｙ＝Ｈ／Ｈ。．拟合模型的残 差自由度及均方误差ＭＳＥ也一并列出．不同模型 的拟合曲线和样本数据可见图４． 时数Ｓ 之比Ｓ／Ｓ。作为网络输入，以实测太阳辐射 总量日与天文辐射总量 之比Ｈ／Ｈ。作为网络输 出，将１９５９－－２００８年的６００组月均值数据导入ＢＰ 神经网络进行训练，网络学习达到收敛条件后得到 最终的拟合模型．图３所示为所得到的改进ＢＰ网 络模型的拟合曲线及１９５９－－２００８年的实测月均值 数据． 表１不同模型的拟合公式及均方误差 Ｔａｂｌｅ １ Ｆｉｔｔｉｎｇ ｆｏｒｍｕｌａｓ ａｎｄ ｍｅａｎ ｓｑｕａｒｅ ｅｒｒｏｒｓ ｏｆ ｄｉｆｅｒｅｎｔ ｍｏｄｅｌｓ ３．２不同模型的比较 为了比较ＢＰ神经网络估算模型与其他形式的 模型的拟合性能，选取平均绝对误差（ＭＡＥ）、误差 平方和（ＳＳＥ）、相关系数平方（Ｒ…… ）、均方根误 差（ＲＭＳＥ）等参数进行检测．结果见表２． １ Ⅱ 卜 ＳＳＥ一 ㈩ Ｅ＝ ＝√孚 （９） ＭＡＥ＝÷∑ｌ Ｙ。一 １ ＳＳＥ＝∑（Ｙ』 一 ） （６） （７） 第６期 赵昕宇等：基于改进的ＢＰ神经网络估算太阳辐射的研究 ７３５ 日照时数比Ｓ／＆ Ｓｕｎｓｈｉｎｅ ｄｕｒａｔｉｏｎ ｒａｔｉｏ （ａ） 图４不同模型的拟合曲线 Ｆｉｇ．４ Ｆｉｔｔｉｎｇ ｃｕｒｖｅｓ ｏｆ ｄｉｆｆｅｒｅｎｔ ｍｏｄｅｌｓ 表２不同拟合模型的性能参数 Ｔａｂｌｅ ２ Ｐｅｒｆｏｒｍａｎｃｅ ｐａｒａｍｅｔｅｒｓ ｏｆ ｄｉｆｅｒｅｎｔ ｍｏｄｅｌｓ ，篡 攘骣魈 ０【】霉口０ 葛暑窖鲁Ｉｏ ｌ Ｏ Ｏ Ｏ ０ Ｏ Ｏ Ｏ Ｏ Ｏ ０ Ｏ ９ ８ ７ ６ ５ ４ ３ ２●ＯＯ 不同拟合模型相比较，改进ＢＰ神经网络的 平均绝对误差为０．４９８ ９ ＭＪ・ｍ～，平均相对误差 ＭＡＥ和ＳＳＥ指标值最小，而Ｒ…… 的值最大，说明 改进ＢＰ神经网络模型具有最好的拟合度，其拟合 结果与实测数据最为接近．其次是三次多项式拟合 模型，它的ＭＡＥ，ＳＳＥ，Ｒ……指标仅次于ＢＰ神经 网络模型，而ＲＭＳＥ值比ＢＰ神经网络模型的更 为３．９０％，估算结果与实测值吻合良好． 茗＿量 ｈ 小，说明三次多项式模型也具有良好的拟合性能． 实际上，由于改进ＢＰ神经网络模型包含了更多的 拟合参数，使得其残差自由度小了很多，才使其 尺 ．ｓＥ值变大． 姐ａ 皿盘 藩香 ‘０ ４ ＢＰ神经网络模型的检验 将所建的ＢＰ神经网络模型分别用于对乌鲁 木齐市２００９年和２０１０年的日辐射总量进行估算， 估算结果与实测结果如图５所示．利用ＢＰ神经网 络模型估算的绝对误差和相对误差列于表３中，其 图５ ＢＰ神经网络模型估算值与实测值的比较 Ｆｉｇ．５ Ｃｏｍｐａｒｉｓｏｎ ｂｅｔｗｅｅｎ ｍｅａｓｕｒｅｄ ｖａｌｕｅｓ ａｎｄ ｅｓｔｉｍａｔｅｄ ｖａｌｕｅｓ ｂｙ ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ 表３ ＢＰ神经网络模型的估算误差 Ｔａｂｌｅ ３ Ｅｓｔｉｍａｔｅｄ ｅｒｒｏｒｓ ｂｙ ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ７３６ 河南农业大学学报 第４７卷 ｅｎｃｅ ｏｆ ａｅｒｏｓｏｌｓ ｐｏｌｌｕｔｉｏｎ ｏｎ ｔｈｅ ａｍｏｕｎｔ ｏｆ ｃｏｌｌｅｃｔａｂｌｅ ５ 结论 本研究以乌鲁木齐市１９５２－－２０１０年的太阳辐 射日总量和日照时数的实测数据为依据，对两者之 间的关系进行研究，来建立基于日照时数的太阳辐 射日总量估算模型．通过利用改进的ＢＰ神经网络 建立太阳辐射日总量与日照时数的关系模型．利用 ［４］ ｓｏｌａｒ ｅｎｅｒｇｙ［Ｊ］．Ｅｎｅｒｇｙ Ｃｏｎｖｅｒｓｉｏｎ ａｎｄ Ｍａｎａｇｅｍｅｎｔ， ２０１３．７０：７６—８２． ＨＯＣＡＯＧＬＵ Ｆ Ｏ．Ｎｏｖｅｌ ａｎａｌｙｔｉｃａｌ ｈｏｕｒｌｙ ｓｏｌａｒ ｒａｄｉａ・ ｔｉｏｎ ｍｏｄｅｌｓ ｆｏｒ ｐｈｏｔｏｖｏｌｔａｉｃ ｂａｓｅｄ ｓｙｓｔｅｍ ｓｉｚｉｎｇ ａｌｇｏ— ｒｉｔｈｍｓ［Ｊ］．Ｅｎｅｒｇｙ Ｃｏｎｖｅｒｓｉｏｎ ａｎｄ Ｍａｎａｇｅｍｅｎｔ， ２０１０，５１（１２）：２９２１—２９２９． ａ１．Ｏｂｓｅｒｖａｔｉｏｎ ［５］ ＬＩＵ Ｊ，ＬＩＵ Ｊ，ＬＩＮＤＥＲＨ０ＬＭ Ｈ Ｗ，ｅｔａｎｄ ｃａｌｃｕｌａｔｉｏｎ ｏｆ ｔｈｅ ｓｏｌａｒ ｒａｄｉａｔｉｏｎ ｏｎ ｔｈｅ Ｔｉｂｅｔａｎ Ｐｌａｔ— 改进的ＢＰ神经网络模型估算１３辐射总量，其绝对 误差和相对误差分别为０．４９９ ＭＪ・ＩＴＩ 和３．９０％． ｅａｕ［Ｊ］．Ｅｎｅｒｇｙ Ｃｏｎｖｅｒｓｉｏｎ ａｎｄ Ｍａｎａｇｅｍｅｎｔ，２０１２， ５７：２３—３２． ＢＥＮＧＨＡＮＥＭ Ｍ，ＭＥＬＬＩＴ Ａ，ＡＬＡＭＲＩ Ｓ Ｎ．ＡＮＮ— ｂａｓｅｄ ｍｏｄｅｌｌｉｎｇ ａｎｄ ｅｓｔｉｍａｔｉｏｎ ｏｆ ｄａｉｌｙ ｇｌｏｂａｌ ｓｏｌａｒ ｒａｄｉ— 通过与多项式函数和一些常见函数所建模型进行 分析比较，可以得出如下结论： １）１３照时数属于气象观测站的必测项目，数 据来源广泛；日照时数与太阳辐射Ｅｔ总量之间有着 ［６］ ａｔｉｏｎ ｄａｔａ：Ａ ｃａｓｅ ｓｔｕｄｙ［Ｊ］．Ｅｎｅｒｇｙ Ｃｏｎｖｅｒｓｉｏｎ ａｎｄ Ｍａｎａｇｅｍｅｎｔ，２００９，５０（７）：１６４４—１６５５． 密切的关系，利用日照时数估算太阳辐射日总量不 仅简单易行、节省成本，而且估算结果的误差也是 较小的． ［７］ ＭＥＮＧＥＳ Ｈ Ｏ，ＥＲＴＥＫＩＮ Ｃ，ＳＯＮＭＥＴＥ Ｍ Ｈ．Ｅｖａｌｕａ・ ｔｉｏｎ ｏｆ ｇｌｏｂａｌ ｓｏｌａｒ ｒａｄｉａｔｉｏｎ ｍｏｄｅｌｓ ｆｏｒ Ｋｏｎｙａ，Ｔｕｒｋｅｙ ［Ｊ］．Ｅｎｅｒｇｙ Ｃｏｎｖｅｒｓｉｏｎ ａｎｄ Ｍａｎａｇｅｍｅｎｔ，２００６，４７ （１８／１９）：３１４９—３１７３． ２）ＢＰ神经网络具有良好的自组织和自适应 性，经过改进的ＢＰ神经网络可以依据样本数据建 ［８］ ＬＩ Ｄ Ｈ．ＬＡＭ Ｊ Ｃ．Ｐｒｅｄｉｃｔｉｎｇ ｓｏｌａｒ ｉｒｒａｄｉａｎｃｅ ｏｎ ｉｎ— 立有效的太阳辐射估算模型，其结果相比其他模型 更为准确、可靠．线性模型估算误差稍大，但其形式 更为简单，便于实际应用． 参考文献 ＰＡＵＬＥＳＣＵ Ｍ，ＧＲＡＶＩＬＡ Ｐ， Ｉ’ＵＬＣＡＮ・ＰＡＵＬＥＳＣＵ Ｅ． Ｆｕｚｚｙ ｌｏｇｉｃ ａｌｇｏｒｉｔｈｍｓ ｆｏｒ ａｔｍｏｓｐｈｅｒｉｃ ｔｒａｎｓｍｉｔｔａｎｃｅｓ ｏｆ ｃｌｉｎｅｄ ｓｕｒｆａｃｅｓ ｕｓｉｎｇ ｓｋｙ ｒａｄｉａｎｃｅ ｄａｔａ［Ｊ］．Ｅｎｅｒｇｙ Ｃｏｎ— ｖｅｒｓｉｏｎ ａｎｄ Ｍａｎａｇｅｍｅｎｔ，２００４，４５（１ １／１２）：１７７１ —１７８３． ［９］ 周 晋，晏 刚，吴业正．北京地区的太阳辐射分 析［Ｊ］．太阳能学报，２００５，２６（５）：７１２—７１６． ［１Ｏ］ 周勃，陈长征，宋 楠．应用盲分离神经网络预测 逐日太阳辐射能［Ｊ］．太阳能学报，２００７，２８（９）： １００８—１０１１． ｕｓｅ ｉｎ ｓｏｌａｒ ｅｎｅｒｇｙ ｅｓｔｉｍａｔｉｏｎ［Ｊ］．Ｅｎｅｒｇｙ Ｃｏｎｖｅｒｓｉｏｎ ａｎｄ Ｍａｎａｇｅｍｅｎｔ，２００８，４９（１２）：３６９１—３６９７． ｆｏｒｍｕｌａ ｆｏｒ ［１１］ ＪＩＮ Ｚ，ＹＥＺＨＥＮＧ Ｗ，ＧＡＮＧ Ｙ．Ｇｅｎｅｒａｌｅｓｔｉｍａｔｉｏｎ ｏｆ ｍｏｎｔｈｌｙ ａｖｅｒａｇｅ ｄａｉｌｙ ｇｌｏｂａｌ ｓｏｌａｒ ｒａｄｉａｔｉｏｎ ［２］ ＳＫＥＩＫＥＲ Ｋ．Ｃｏｒｒｅｌａｔｉｏｎ ｏｆ ｇｌｏｂａｌ ｓｏｌａｒ ｒａｄｉａｔｉｏｎ ｗｉｔｈ ｃｏｍｍｏｎ ｇｅｏｇｒａｐｈｉｃａｌ ａｎｄ ｍｅｔｅｏｒｏｌｏｇｉｃａｌ ｐａｒａｍｅｔｅｒｓ ｆｏｒ ｉｎ Ｃｈｉｎａ［Ｊ］．Ｅｎｅｒｇｙ Ｃｏｎｖｅｒｓｉｏｎ ａｎｄ Ｍａｎａｇｅｍｅｎｔ， ２００５，４６（２）：２５７—２６８． Ｄａｍａｓｃｕｓ Ｐｒｏｖｉｎｃｅ，Ｓｙｒｉａ［Ｊ］．Ｅｎｅｒｇｙ Ｃｏｎｖｅｒｓｉｏｎ ａｎｄ Ｍａｎａｇｅｍｅｎｔ，２００６，４７（４）：３３１—３４５． ＣＡＬＩＮＯＩＵ Ｄ，ＰＡＵＬＥＳＣＵ Ｍ，ＩＯＮＥＬ Ｉ，ｅｔ ａ１．Ｉｎｆｌｕ一 （责任编辑：蒋国良） ［３］