Nothing Special   »   [go: up one dir, main page]

CN116612393A - 一种太阳辐射预测方法、系统、电子设备及存储介质 - Google Patents

一种太阳辐射预测方法、系统、电子设备及存储介质 Download PDF

Info

Publication number
CN116612393A
CN116612393A CN202310498367.XA CN202310498367A CN116612393A CN 116612393 A CN116612393 A CN 116612393A CN 202310498367 A CN202310498367 A CN 202310498367A CN 116612393 A CN116612393 A CN 116612393A
Authority
CN
China
Prior art keywords
sequence
solar radiation
radiation
time
long
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202310498367.XA
Other languages
English (en)
Inventor
吕宁
秦军
李政全
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Siyuan Zhixing Technology Development Co ltd
Original Assignee
Beijing Siyuan Zhixing Technology Development Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Siyuan Zhixing Technology Development Co ltd filed Critical Beijing Siyuan Zhixing Technology Development Co ltd
Priority to CN202310498367.XA priority Critical patent/CN116612393A/zh
Publication of CN116612393A publication Critical patent/CN116612393A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Environmental Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Remote Sensing (AREA)
  • Ecology (AREA)
  • Astronomy & Astrophysics (AREA)
  • Image Processing (AREA)

Abstract

本发明公开一种太阳辐射预测方法、系统、电子设备及存储介质，涉及气象预测技术领域。所述方法包括：获取初始数据；所述初始数据包括静止卫星影像长序列和地面辐射观测长序列；根据所述初始数据和太阳辐射预测模型确定10分钟级太阳辐射长序列预测结果；所述太阳辐射预测模型包括云层特征提取模块、辐射变化特征提取模块和长时序辐射预测模块；所述云层特征提取模块和所述辐射变化特征提取模块均与所述长时序辐射预测模块连接；其中，所述长时序辐射预测模块是根据多头概率分布稀疏自注意力机制、自注意力蒸馏机制和生成式解码器机制构建的。本发明能够提高太阳辐射预测精细程度，实现10分钟级超短时太阳辐射预测。

Description

一种太阳辐射预测方法、系统、电子设备及存储介质
技术领域
本发明涉及气象预测技术领域，特别是涉及一种太阳辐射预测方法、系统、电子设备及存储介质。
背景技术
随着全球能源需求不断增长，化石燃料的长期开发和利用加剧了全球变暖、环境污染等问题。在这一背景下，太阳能的广泛应用成为了应对气候变化、实现全球经济社会可持续发展的重要途径。根据国际能源署报告，全球太阳能光伏装机容量已从2010年的40GW增长至2020年的760GW，太阳能光伏发电已成为全球新增电力装机容量的主要来源之一。然而，受昼夜交替、季节变化以及云层、大气光学性质等因素的影响，地面接收的太阳辐射能具有间歇性和波动性，这会限制光伏电力供应的稳定性，进而影响其大规模应用。因此，有必要对太阳辐射进行实时、精准的预测，从而支持光伏发电系统的智能调控，提高光伏电网运行的可靠性，实现经济和环境效益最大化。
在不同提前期的各类预测任务中，太阳辐射超短时预测最常被用于光伏电网的实时调度和评估，目前的超短时预测主要采用统计方法、物理方法或混合模型方法。其中，统计方法简单且易于实现，但泛化能力不足；物理方法的通用性较强，但模型复杂、计算成本高，且在多云地区预测效果不佳。混合模型方法综合了这两类方法的优势，但仅基于地面局部观测，未考虑大范围云层对太阳辐射变化的影响，在多云条件下存在显著的预测滞后问题，因此亟需在预测过程中纳入大尺度云层运动信息，以提高太阳辐射预测的准确性。
随着遥感技术的发展，静止卫星为获取高分辨率大范围连续云场观测提供了有效手段。目前，少量结合卫星影像的预测方法多采用数值天气预报或传统机器学习模型，在云层特征提取、云层运动-辐射变化关系模拟等方面能力有限。相比之下，深度学习可以通过大量前置观测序列及对应的未来辐射序列样本进行训练，自适应地进行时空特征提取，并拟合前置序列与未来辐射之间的非线性关系，得到更准确的预测结果。然而，现有深度学习模型在获取高时间分辨率预测方面仍有不足，因为需要处理的序列长度会随着分辨率的提高而增加，这就要求模型能有效学习未来时间步上的太阳辐射与较长时间路径前的云层和辐射变化信息之间的依赖关系(即长程依赖性)。但受限于对长程依赖关系的模拟能力、模型复杂度以及计算效率，现有方法最高只能以15分钟的分辨率进行预测，精细程度仍有很大的提升空间。
发明内容
本发明的目的是提供一种太阳辐射预测方法、系统、电子设备及存储介质，能够提高太阳辐射预测精细程度，实现10分钟级超短时太阳辐射预测。
为实现上述目的，本发明提供了如下方案：
一种太阳辐射预测方法，包括：
获取初始数据；所述初始数据包括静止卫星影像长序列和地面辐射观测长序列；
根据所述初始数据和太阳辐射预测模型确定10分钟级太阳辐射长序列预测结果；所述太阳辐射预测模型包括云层特征提取模块、辐射变化特征提取模块和长时序辐射预测模块；所述云层特征提取模块和所述辐射变化特征提取模块均与所述长时序辐射预测模块连接；
其中，所述云层特征提取模块是通过多个三维卷积块构建的；所述辐射变化特征提取模块是通过多个一维卷积块构建的；所述长时序辐射预测模块是根据多头概率分布稀疏自注意力机制、自注意力蒸馏机制和生成式解码器机制构建的；所述云层特征提取模块用于确定所述静止卫星影像长序列的云层空间特征；所述辐射变化特征提取模块用于确定所述地面辐射观测长序列的太阳辐射时间变化特征；所述长时序辐射预测模块用于根据所述云层空间特征和所述太阳辐射时间变化特征确定10分钟级太阳辐射长序列预测结果。
可选地，每个所述三维卷积块和每个所述一维卷积块均包括依次连接的卷积层和最大池化层；
所述长时序辐射预测模块包括第一嵌入子模块、第二嵌入子模块、编码器、解码器和全连接输出层；所述第一嵌入子模块、所述编码器和所述解码器依次连接；所述解码器还与所述第二嵌入子模块连接；
所述编码器包括依次交替连接的两个多头概率分布稀疏自注意力层和两个自注意力蒸馏层；所述解码器包括依次连接的掩膜多头概率分布稀疏自注意力层和多头自注意力层。
可选地，根据所述初始数据和太阳辐射预测模型确定10分钟级太阳辐射长序列预测结果，具体包括：
利用三维卷积对所述静止卫星影像长序列进行特征提取，得到云层空间特征；
利用一维卷积对所述地面辐射观测长序列进行特征提取，得到太阳辐射时间变化特征；
根据所述云层空间特征和所述太阳辐射时间变化特征进行特征预测，得到10分钟级太阳辐射长序列预测结果。
可选地，根据所述云层空间特征和所述太阳辐射时间变化特征进行特征预测，得到10分钟级太阳辐射长序列预测结果，具体包括：
对所述云层空间特征和所述太阳辐射时间变化特征进行时空融合预处理，得到前置时空特征序列和生成式解码器输入序列；
对所述前置时空特征序列进行标记嵌入、位置嵌入和全局时间嵌入，并根据对应序列时间步和特征维度相加，得到第一输入序列；
利用多头概率分布稀疏自注意力运算和自注意力蒸馏操作，对所述第一输入序列的长程依赖性进行提取，得到长程依赖特征图；
对所述生成式解码器输入序列进行标记嵌入、位置嵌入和全局时间嵌入，并根据对应序列时间步和特征维度相加，得到第二输入序列；
利用特征掩膜方法和多头概率分布稀疏自注意力运算，根据所述第二输入序列和所述长程依赖特征图生成10分钟级太阳辐射长序列预测结果。
可选地，对所述云层空间特征和所述太阳辐射时间变化特征进行预处理，得到前置时空特征序列和生成式解码器输入序列，具体包括：
将所述云层空间特征和所述太阳辐射时间变化特征按时间步对齐拼接，得到前置时空特征序列；
将所述前置时空特征序列划分为等长的两段，并在后半段序列之后，沿时间维拼接长度为被预测时间步数的0值序列，得到生成式解码器输入序列。
本发明提供了一种太阳辐射预测系统，包括：
数据采集模块，用于获取初始数据；所述初始数据包括静止卫星影像长序列和地面辐射观测长序列；
辐射预测模块，用于根据所述初始数据和太阳辐射预测模型确定10分钟级太阳辐射长序列预测结果；所述太阳辐射预测模型包括云层特征提取模块、辐射变化特征提取模块和长时序辐射预测模块；所述云层特征提取模块和所述辐射变化特征提取模块均与所述长时序辐射预测模块连接；
其中，所述云层特征提取模块是通过多个三维卷积块构建的；所述辐射变化特征提取模块是通过多个一维卷积块构建的；所述长时序辐射预测模块是根据多头概率分布稀疏自注意力机制、自注意力蒸馏机制和生成式解码器机制构建的；所述云层特征提取模块用于确定所述静止卫星影像长序列的云层空间特征；所述辐射变化特征提取模块用于确定所述地面辐射观测长序列的太阳辐射时间变化特征；所述长时序辐射预测模块用于根据所述云层空间特征和所述太阳辐射时间变化特征确定10分钟级太阳辐射长序列预测结果。
本发明提供了一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行根据上述的太阳辐射预测方法。
本发明提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的太阳辐射预测方法。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明公开了一种太阳辐射预测方法、系统、电子设备及存储介质，所述方法包括利用太阳辐射预测模型对静止卫星影像长序列和地面辐射观测长序列进行特征提取以及根据特征进行长时序辐射预测，得到10分钟级超短时太阳辐射预测结果，其中，太阳辐射预测模型包括云层特征提取模块、辐射变化特征提取模块和长时序辐射预测模块，且长时序辐射预测模块是根据多头概率分布稀疏自注意力机制、自注意力蒸馏机制和生成式解码器机制构建的，通过上述深度学习方法对区域未来超短时太阳辐射进行预测，能够提高现有技术对太阳辐射预测的精细程度，实现10分钟级超短时太阳辐射预测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明太阳辐射预测方法的流程示意图；
图2为本实施例中预测逻辑流程示意图；
图3为本实施例中特征提取模块示意图；
图4为本实施例中长时序辐射预测模块示意图；
图5为本实施例中太阳辐射预测结果对比图；
图6为本实施例中云层运动及太阳辐射变化情况示意图；
图7本发明太阳辐射预测系统的结构框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种太阳辐射预测方法、系统、电子设备及存储介质，能够提高太阳辐射预测精细程度，实现10分钟级超短时太阳辐射预测。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本发明提供了一种太阳辐射预测方法，包括：
步骤100：获取初始数据；所述初始数据包括静止卫星影像长序列和地面辐射观测长序列。
步骤200：根据所述初始数据和太阳辐射预测模型确定10分钟级太阳辐射长序列预测结果；所述太阳辐射预测模型包括云层特征提取模块、辐射变化特征提取模块和长时序辐射预测模块；所述云层特征提取模块和所述辐射变化特征提取模块均与所述长时序辐射预测模块连接。
其中，所述云层特征提取模块是通过多个三维卷积块构建的；所述辐射变化特征提取模块是通过多个一维卷积块构建的；所述长时序辐射预测模块是根据多头概率分布稀疏自注意力机制、自注意力蒸馏机制和生成式解码器机制构建的；所述云层特征提取模块用于确定所述静止卫星影像长序列的云层空间特征；所述辐射变化特征提取模块用于确定所述地面辐射观测长序列的太阳辐射时间变化特征；所述长时序辐射预测模块用于根据所述云层空间特征和所述太阳辐射时间变化特征确定10分钟级太阳辐射长序列预测结果。
并且，在上述各模块中，每个所述三维卷积块和每个所述一维卷积块均包括依次连接的卷积层和最大池化层；所述长时序辐射预测模块包括第一嵌入子模块、第二嵌入子模块、编码器、解码器和全连接输出层；所述第一嵌入子模块、所述编码器和所述解码器依次连接；所述解码器还与所述第二嵌入子模块连接；所述编码器包括依次交替连接的两个多头概率分布稀疏自注意力层和两个自注意力蒸馏层；所述解码器包括依次连接的掩膜多头概率分布稀疏自注意力层和多头自注意力层。
作为步骤200的一种具体实施方式，包括：
利用三维卷积对所述静止卫星影像长序列进行特征提取，得到云层空间特征；利用一维卷积对所述地面辐射观测长序列进行特征提取，得到太阳辐射时间变化特征；根据所述云层空间特征和所述太阳辐射时间变化特征进行特征预测，得到10分钟级太阳辐射长序列预测结果。
具体地，步骤“根据所述云层空间特征和所述太阳辐射时间变化特征进行特征预测，得到10分钟级太阳辐射长序列预测结果”过程为：
对所述云层空间特征和所述太阳辐射时间变化特征进行时空融合预处理，得到前置时空特征序列和生成式解码器输入序列；对所述前置时空特征序列进行标记嵌入、位置嵌入和全局时间嵌入，并根据对应序列时间步和特征维度相加，得到第一输入序列；利用多头概率分布稀疏自注意力运算和自注意力蒸馏操作，对所述第一输入序列的长程依赖性进行提取，得到长程依赖特征图；对所述生成式解码器输入序列进行标记嵌入、位置嵌入和全局时间嵌入，并根据对应序列时间步和特征维度相加，得到第二输入序列；利用特征掩膜方法和多头概率分布稀疏自注意力运算，根据所述第二输入序列和所述长程依赖特征图生成10分钟级太阳辐射长序列预测结果。
进一步的方案，步骤“对所述云层空间特征和所述太阳辐射时间变化特征进行预处理，得到前置时空特征序列和生成式解码器输入序列”过程为：
将所述云层空间特征和所述太阳辐射时间变化特征按时间步对齐拼接，得到前置时空特征序列；将所述前置时空特征序列划分为等长的两段，并在后半段序列之后，沿时间维拼接长度为被预测时间步数的0值序列，得到生成式解码器输入序列。
在上述技术方案的基础上，提供如下所示实施例。
如图2所示，本实施例具体的运算流程为：本实施例通过云层特征提取模块，利用三维(3D)卷积提取卫星观测长序列中云层的空间特征；其次，通过辐射变化特征提取模块，利用一维(1D)卷积提取地面站点观测长序列中的太阳辐射时间变化特征；最后，融合上述长序列时空特征，通过长时序辐射预测模块，利用多头概率分布稀疏自注意力机制、自注意力蒸馏机制和生成式解码器机制，得到未来0–8小时10分钟分辨率的太阳辐射精细预测结果。
该运算流程涉及特征提取和辐射预测两个阶段，包括云层特征提取、辐射变化特征提取和长时序辐射预测三个关键模块。特征提取阶段通过云层特征提取模块和辐射变化特征提取模块，主要利用卷积和最大池化操作，从前置卫星影像长序列和地面观测长序列中获取云层运动和地表太阳辐射变化信息；辐射预测阶段通过长时序辐射预测模块，主要基于多头概率分布稀疏自注意力机制、自注意力蒸馏机制和生成式解码器机制，根据前述提取的特征得到未来10分钟级的太阳辐射长序列预测结果。以下将对各模块进行进一步说明。
1、云层特征提取模块
该模块由三个3D卷积块组成(如图3所示)，用于提取云层的空间模式。其中，每个卷积块包括一个3D卷积层和一个3D最大池化层。设定三个3D卷积层的卷积核大小均为3×3×3，卷积步长为1，卷积核数量依次为64、128和256，采用sigmoid激活函数以引入非线性因素，采用填充(padding)策略保证卷积前后特征图尺寸一致；设定三个3D最大池化层的尺寸分别为1×2×2、1×4×4和1×4×4的窗口中对卷积提取的特征进行上下文聚合，以减小特征图的尺寸。将前置卫星影像序列输入该模块，最终可以得到前置时间段内云层的空间特征序列。
2、辐射变化特征提取模块
该模块由三个1D卷积块组成(如图3所示)，用于提取前置时间段内由云层导致的地表太阳辐射的变化特征。每个卷积块包括一个1D卷积层和一个1D最大池化层，其中三个1D卷积的窗口长度为3，卷积步长为1，卷积核数量依次为64、128和256，采用sigmoid激活函数和padding策略；三个1D最大池化层的窗口尺寸均为2。通过将前置地面辐射观测序列输入该模块，可以得到地表辐射的时间演变特征序列。
3、长时序辐射预测模块
受限于对长程依赖关系的模拟能力、模型复杂度和计算效率等因素，现有的超短时太阳辐射预测方法无法高效、准确地提供15分钟以上分辨率的长时序预测结果。针对这一不足，本技术设计了长时序辐射预测模块，通过概率分布稀疏自注意力机制和自注意力蒸馏机制，提高模型对长程依赖问题的解决能力，并降低模型的时间复杂度。同时，采用生成式解码器机制，提高预测结果的生成效率。
该模块主要由两个嵌入(Embedding)子模块、一个编码器、一个解码器和一个全连接输出层组成(如图4所示)。首先，将云层特征提取模块和辐射变化特征提取模块获得的云层空间特征和地表辐射时间特征按时间步对齐拼接，经第一嵌入子模块处理后，输入编码器；与此同时，将前置地面观测序列划分为等长的两段，取后半段序列，并沿时间维在其后拼接长度为被预测时间步数的0值序列，经第二嵌入子模块处理后，输入解码器；其次，通过编码器提取前置时空特征序列的长程依赖特征，并将提取结果传递至解码器；随后，解码器根据其输入和编码器处理结果，一步生成高维度的长序列预测；最后，通过全连接输出层将解码器预测映射至一维，形成最终的10分钟级太阳辐射长序列预测结果。以下将对每个子模块进行说明。
(1)嵌入子模块
该子模块用于在编码器/解码器的输入中进一步加入长序列的局部和全局时序特征，包括标记(Token)嵌入、位置(Position)嵌入和全局时间嵌入三个部分。标记嵌入利用个1D卷积(窗口尺寸为3，步长为1)，将原始输入序列映射至嵌入维度。位置嵌入通过计算时间位置编码来表示局部时间戳信息：
其中pos为输入序列中某一时间步的相对位置，为输入序列的维度序号，dmodel为嵌入维度(此处设置dmodel＝512)，Lx为输入序列长度。全局时间嵌入利用一个有dmodel个单元的可训练全连接层获取每个时间步的全局时间戳信息。最后，将上述三个嵌入结果按对应时间步和特征维度相加，得到最终的输入序列嵌入结果。
(2)编码器
该子模块主要用于提取前置时空特征序列的长程依赖性，由两个二级子模块叠加组成，每个二级子模块均包括一个多头概率分布稀疏自注意力层和一个自注意力蒸馏三级子模块(如图4所示)。其中，多头概率分布稀疏自注意力层考虑自注意力权重的长尾分布特性，采用K-L散度作为稀疏度量，选取重要性最高的查询(Query)向量进行点积计算，从而达到降低模型复杂度的目的，具体操作过程如下：
1)基于输入的时间序列I，利用NH个头(此处设置NH＝8)的权重参数矩阵，根据获取每个头对应的Query、键(Key)和值(Value)矩阵：
Qk＝Wk QI
Kk＝Wk KI
Vk＝Wk VI
其中，Qk、Kk、Vk分别为第k个头的Query、Key和Value矩阵，Wk Q、Wk K、Wk V分别为第k个头用于计算Query、Key和Value矩阵的权重矩阵。
2)对于每个头的Query矩阵中的每个查询向量qi，根据自注意力层输入序列的长度L，随机采样LlnL个键向量kj组成并计算qi对应的稀疏度量/>
其中，d＝dmodel/NH，根据预先设置的采样因子c＝5，选取稀疏度量最大的clnL个qi重新组合成为稀疏矩阵进行自注意力计算：
然后，利用Value矩阵的均值填充剩余未进行注意力计算的位置，得到每个头对应的注意力计算结果Ak。
3)将每个头的注意力计算结果拼接起来，并通过权重矩阵WO，得到最终的多头概率分布稀疏自注意力计算结果：
MultiHead(Q，K，V)＝Concat(A1，...，A8)WO自注意力蒸馏三级子模块用于适当缩短序列的长度，降低模型复杂度，包括一个1D卷积层和一个1D最大池化层(如图4所示)。其中，设定1D卷积的窗口长度为3，卷积步长为1，卷积核数量为512，采用ELU激活函数和padding策略；1D最大池化层的窗口尺寸为3，步长为2。
(3)解码器
该子模块改进了传统Transformer解码器的动态解码策略，通过一步生成高维度下的长时间序列预测，以提高推理效率。该子模块由一个掩膜多头概率分布稀疏自注意力层和一个多头注意力层组成(如图4所示)。其中，掩膜多头概率分布稀疏自注意力层在进行多头概率分布稀疏自注意力计算前，对输入中未来时间步上的特征进行掩膜，避免出现自回归；多头注意力层则利用掩膜多头概率分布稀疏自注意力层的输出计算Query矩阵，利用编码器的输出计算Key矩阵和Value矩阵，经过传统多头注意力计算，输出高维度的长序列预测结果。
(4)全连接输出层
该部分为具有1个单元的全连接层，用于将解码器生成的高维预测序列映射至一维，并输出最终的10分钟级太阳辐射长时序预测结果。
综上，利用2017年的地面辐射站-北京站的太阳辐射观测数据和Himawari-8静止卫星数据验证本方法的有效性。其中，地面观测的时间分辨率为10分钟，时间序列完整，并经过严格的质量检查；卫星观测的空间分辨率为0.05°，时间分辨率为10分钟。本实施例以站点位置为中心，设置尺寸为32×32的空间窗口，提取每个时间步上地面观测对应的卫星数据(包括4个通道，分别为波段1–3观测及太阳天顶角)。设定前置序列长度和被预测序列长度均为48个时间步(即480分钟)，取前置时间段内的地面太阳辐射观测和卫星影像序列作为模型输入，取被预测时间段内的地面太阳辐射观测序列作为标签(label)值。验证结果如图5所示，本实施例集成卫星和站点观测进行预测的效果要优于仅使用地面和卫星观测的情况；同时，本方法也显示出相比于普通深度学习序列预测模型CLSTM的优势。
此外，本实施例还以当地时间2017年9月13日11:20–19:20的云层运动和太阳辐射变化情况为示例，进一步表明本方法的有效性。如图6所示，仅使用地面观测无法预见由于云层出现导致的辐射下降(如12:00–12:50或14:00前后时间段)，也无法预测由于云层离开导致的辐射上升(如13:00前后时间段)。相比之下，集成卫星和地面观测可以基于前序时间段云层的运动规律，更准确地捕获云对未来辐射波动的影响。同时，相比于普通的CLSTM模型，本方法得到的预测通常更贴近真实的辐射情况，尤其是在提前期较长的时间段(如14:30–19:20时间段)。以上结果证明了本方法在解决长程依赖问题、获取精细时间分辨率辐射长序列预测方面的显著优势。
因此，本实施例具有以下优势：
首先，本实施例公开的一种集成Himawari-8静止卫星遥感影像和地面站点观测，利用深度学习方法对区域未来超短时太阳辐射进行精细预测的技术方法。该方法可快速、准确地提供未来10分钟级的太阳辐射长序列预测，及时、精准地把握未来太阳辐射变化情况，从而有助于科学控制和调度太阳能光伏电网备用储备，提升光伏电力供应的稳定性。
在深度学习框架下，充分集成卫星观测中的云层变化信息和地面观测中的太阳辐射动态演变信息，并利用多头概率分布稀疏自注意力机制、自注意力蒸馏机制和生成式解码器机制解决长程依赖问题，快速、准确地实现未来0–8小时10分钟级的太阳辐射精细预测，将有助于光伏发电系统实时调整、储备管理、机组组合等方面的科学决策，为提高光伏电力供应的可靠性和稳定性提供技术支撑。
其次，与现有技术相比：
1、与现有仅基于地面观测的方法相比，本方法通过集成卫星和地面观测，在预测过程中考虑大尺度云层动态对地表太阳辐射的影响，可以显著改进多云条件下辐射预测的准确性。
2、本方法利用概率分布稀疏自注意力机制、自注意力蒸馏机制和生成式解码器机制解决高时间分辨率长序列中的长程依赖问题，克服了现有模型在处理长时间序列时模拟能力不足、复杂度高、计算效率低等缺陷，能够快速、准确地提供提前期较长的10分钟级精细辐射预测结果。
3、本方法更有助于光伏发电系统实时调整、储备管理、机组组合等方面的科学智能决策，为提高光伏电力供应的可靠性和稳定性提供技术支撑。
如图7所示，本发明提供了一种太阳辐射预测系统，包括：
数据采集模块，用于获取初始数据；所述初始数据包括静止卫星影像长序列和地面辐射观测长序列。
辐射预测模块，用于根据所述初始数据和太阳辐射预测模型确定10分钟级太阳辐射长序列预测结果；所述太阳辐射预测模型包括云层特征提取模块、辐射变化特征提取模块和长时序辐射预测模块；所述云层特征提取模块和所述辐射变化特征提取模块均与所述长时序辐射预测模块连接；其中，所述云层特征提取模块是通过多个三维卷积块构建的；所述辐射变化特征提取模块是通过多个一维卷积块构建的；所述长时序辐射预测模块是根据多头概率分布稀疏自注意力机制、自注意力蒸馏机制和生成式解码器机制构建的；所述云层特征提取模块用于确定所述静止卫星影像长序列的云层空间特征；所述辐射变化特征提取模块用于确定所述地面辐射观测长序列的太阳辐射时间变化特征；所述长时序辐射预测模块用于根据所述云层空间特征和所述太阳辐射时间变化特征确定10分钟级太阳辐射长序列预测结果。
本发明提供了一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行根据上述的太阳辐射预测方法。
本发明提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的太阳辐射预测方法。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种太阳辐射预测方法，其特征在于，包括：
获取初始数据；所述初始数据包括静止卫星影像长序列和地面辐射观测长序列；
根据所述初始数据和太阳辐射预测模型确定10分钟级太阳辐射长序列预测结果；所述太阳辐射预测模型包括云层特征提取模块、辐射变化特征提取模块和长时序辐射预测模块；所述云层特征提取模块和所述辐射变化特征提取模块均与所述长时序辐射预测模块连接；
其中，所述云层特征提取模块是通过多个三维卷积块构建的；所述辐射变化特征提取模块是通过多个一维卷积块构建的；所述长时序辐射预测模块是根据多头概率分布稀疏自注意力机制、自注意力蒸馏机制和生成式解码器机制构建的；所述云层特征提取模块用于确定所述静止卫星影像长序列的云层空间特征；所述辐射变化特征提取模块用于确定所述地面辐射观测长序列的太阳辐射时间变化特征；所述长时序辐射预测模块用于根据所述云层空间特征和所述太阳辐射时间变化特征确定10分钟级太阳辐射长序列预测结果。
2.根据权利要求1所述的太阳辐射预测方法，其特征在于，每个所述三维卷积块和每个所述一维卷积块均包括依次连接的卷积层和最大池化层；
所述长时序辐射预测模块包括第一嵌入子模块、第二嵌入子模块、编码器、解码器和全连接输出层；所述第一嵌入子模块、所述编码器和所述解码器依次连接；所述解码器还与所述第二嵌入子模块连接；
所述编码器包括依次交替连接的两个多头概率分布稀疏自注意力层和两个自注意力蒸馏层；所述解码器包括依次连接的掩膜多头概率分布稀疏自注意力层和多头自注意力层。
3.根据权利要求1所述的太阳辐射预测方法，其特征在于，根据所述初始数据和太阳辐射预测模型确定10分钟级太阳辐射长序列预测结果，具体包括：
利用三维卷积对所述静止卫星影像长序列进行特征提取，得到云层空间特征；
利用一维卷积对所述地面辐射观测长序列进行特征提取，得到太阳辐射时间变化特征；
根据所述云层空间特征和所述太阳辐射时间变化特征进行特征预测，得到10分钟级太阳辐射长序列预测结果。
4.根据权利要求3所述的太阳辐射预测方法，其特征在于，根据所述云层空间特征和所述太阳辐射时间变化特征进行特征预测，得到10分钟级太阳辐射长序列预测结果，具体包括：
对所述云层空间特征和所述太阳辐射时间变化特征进行时空融合预处理，得到前置时空特征序列和生成式解码器输入序列；
对所述前置时空特征序列进行标记嵌入、位置嵌入和全局时间嵌入，并根据对应序列时间步和特征维度相加，得到第一输入序列；
利用多头概率分布稀疏自注意力运算和自注意力蒸馏操作，对所述第一输入序列的长程依赖性进行提取，得到长程依赖特征图；
对所述生成式解码器输入序列进行标记嵌入、位置嵌入和全局时间嵌入，并根据对应序列时间步和特征维度相加，得到第二输入序列；
利用特征掩膜方法和多头概率分布稀疏自注意力运算，根据所述第二输入序列和所述长程依赖特征图生成10分钟级太阳辐射长序列预测结果。
5.根据权利要求4所述的太阳辐射预测方法，其特征在于，对所述云层空间特征和所述太阳辐射时间变化特征进行预处理，得到前置时空特征序列和生成式解码器输入序列，具体包括：
将所述云层空间特征和所述太阳辐射时间变化特征按时间步对齐拼接，得到前置时空特征序列；
将所述前置时空特征序列划分为等长的两段，并在后半段序列之后，沿时间维拼接长度为被预测时间步数的0值序列，得到生成式解码器输入序列。
6.一种太阳辐射预测系统，其特征在于，包括：
数据采集模块，用于获取初始数据；所述初始数据包括静止卫星影像长序列和地面辐射观测长序列；
辐射预测模块，用于根据所述初始数据和太阳辐射预测模型确定10分钟级太阳辐射长序列预测结果；所述太阳辐射预测模型包括云层特征提取模块、辐射变化特征提取模块和长时序辐射预测模块；所述云层特征提取模块和所述辐射变化特征提取模块均与所述长时序辐射预测模块连接；
其中，所述云层特征提取模块是通过多个三维卷积块构建的；所述辐射变化特征提取模块是通过多个一维卷积块构建的；所述长时序辐射预测模块是根据多头概率分布稀疏自注意力机制、自注意力蒸馏机制和生成式解码器机制构建的；所述云层特征提取模块用于确定所述静止卫星影像长序列的云层空间特征；所述辐射变化特征提取模块用于确定所述地面辐射观测长序列的太阳辐射时间变化特征；所述长时序辐射预测模块用于根据所述云层空间特征和所述太阳辐射时间变化特征确定10分钟级太阳辐射长序列预测结果。
7.一种电子设备，其特征在于，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行根据权利要求1-5中所述的太阳辐射预测方法。
8.一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-5中所述的太阳辐射预测方法。
CN202310498367.XA 2023-05-05 2023-05-05 一种太阳辐射预测方法、系统、电子设备及存储介质 Pending CN116612393A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310498367.XA CN116612393A (zh) 2023-05-05 2023-05-05 一种太阳辐射预测方法、系统、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310498367.XA CN116612393A (zh) 2023-05-05 2023-05-05 一种太阳辐射预测方法、系统、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN116612393A true CN116612393A (zh) 2023-08-18

Family

ID=87681016

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310498367.XA Pending CN116612393A (zh) 2023-05-05 2023-05-05 一种太阳辐射预测方法、系统、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN116612393A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117272002A (zh) * 2023-11-23 2023-12-22 中国电建集团西北勘测设计研究院有限公司 一种太阳辐射量估计方法、装置、电子设备及存储介质
CN118428522A (zh) * 2024-04-09 2024-08-02 雅砻江流域水电开发有限公司 一种基于云图特征提取的光功率预测方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114895380A (zh) * 2022-04-22 2022-08-12 中国科学院地理科学与资源研究所 一种太阳辐射预测方法、装置、设备和介质
CN115310674A (zh) * 2022-07-14 2022-11-08 西北师范大学 基于并行神经网络模型LDformer的长时间序列预测方法
CN115423080A (zh) * 2022-09-16 2022-12-02 中国电信股份有限公司 时间序列预测方法、装置、电子设备及介质
CN115457389A (zh) * 2022-09-05 2022-12-09 河海大学 基于稀疏时空特征描述子的超短期太阳辐射预测方法及系统
CN115511220A (zh) * 2022-11-02 2022-12-23 河海大学 基于跨模态注意力机制的超短期太阳辐射预测方法及系统
CN115618714A (zh) * 2022-09-09 2023-01-17 北京思源知行科技发展有限公司 一种太阳辐射概率预报方法及相关设备
CN115982567A (zh) * 2022-12-16 2023-04-18 上海碳索能源服务股份有限公司 一种基于序列到序列模型的制冷系统负荷预测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114895380A (zh) * 2022-04-22 2022-08-12 中国科学院地理科学与资源研究所 一种太阳辐射预测方法、装置、设备和介质
CN115310674A (zh) * 2022-07-14 2022-11-08 西北师范大学 基于并行神经网络模型LDformer的长时间序列预测方法
CN115457389A (zh) * 2022-09-05 2022-12-09 河海大学 基于稀疏时空特征描述子的超短期太阳辐射预测方法及系统
CN115618714A (zh) * 2022-09-09 2023-01-17 北京思源知行科技发展有限公司 一种太阳辐射概率预报方法及相关设备
CN115423080A (zh) * 2022-09-16 2022-12-02 中国电信股份有限公司 时间序列预测方法、装置、电子设备及介质
CN115511220A (zh) * 2022-11-02 2022-12-23 河海大学 基于跨模态注意力机制的超短期太阳辐射预测方法及系统
CN115982567A (zh) * 2022-12-16 2023-04-18 上海碳索能源服务股份有限公司 一种基于序列到序列模型的制冷系统负荷预测方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117272002A (zh) * 2023-11-23 2023-12-22 中国电建集团西北勘测设计研究院有限公司 一种太阳辐射量估计方法、装置、电子设备及存储介质
CN117272002B (zh) * 2023-11-23 2024-02-20 中国电建集团西北勘测设计研究院有限公司 一种太阳辐射量估计方法、装置、电子设备及存储介质
CN118428522A (zh) * 2024-04-09 2024-08-02 雅砻江流域水电开发有限公司 一种基于云图特征提取的光功率预测方法及系统

Similar Documents

Publication Publication Date Title
CN110070226B (zh) 基于卷积神经网络与元学习的光伏功率预测方法及系统
CN116612393A (zh) 一种太阳辐射预测方法、系统、电子设备及存储介质
CN113128113A (zh) 一种基于深度学习和迁移学习的贫乏信息建筑负荷预测方法
CN116128170B (zh) 一种光伏电站功率超短期预测方法、装置及相关设备
CN117114192B (zh) 基于多尺度时空图变换网络的海上风电功率预测方法及装置
CN117439045A (zh) 综合能源系统多元负荷预测方法
CN112653198A (zh) 一种基于预测箱的风电出力场景生成方法及系统
CN116865261B (zh) 基于孪生网络的电力负荷预测方法及系统
CN116451821A (zh) 基于深度学习的大区域新能源发电功率预测方法及系统
CN112925824A (zh) 针对极端天气类型的光伏功率预测方法及系统
CN115936177A (zh) 一种基于神经网络的光伏输出功率预测方法及系统
CN116029419A (zh) 基于深度学习的长期新能源日均发电功率预测方法及系统
Tuyen et al. A combination of novel hybrid deep learning model and quantile regression for short‐term deterministic and probabilistic PV maximum power forecasting
Wang et al. Grid load forecasting based on dual attention BiGRU and DILATE loss function
Ma et al. Multi-features fusion for short-term photovoltaic power prediction
CN116502074A (zh) 一种基于模型融合的光伏发电功率预测方法及系统
Yao et al. Very short-term forecasting of distributed PV power using GSTANN
Shakya et al. Using Markov Switching Model for solar irradiance forecasting in remote microgrids
CN113984198A (zh) 一种基于卷积神经网络的短波辐射预测方法及系统
CN117955088A (zh) 基于注意力机制的分布式光伏功率在线预测方法及系统
Bendali et al. Deep learning for very short term solar irradiation forecasting
Peng et al. A hybrid model for solar radiation forecasting towards energy efficient buildings
Xia et al. Research on Solar Radiation Estimation based on Singular Spectrum Analysis-Deep Belief Network
CN113537598A (zh) 一种基于nwp-lstm的短期光功率预测方法
Cai et al. Short-term solar photovoltaic irradiation predicting using a nonlinear prediction method

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination