CN111260154A - 基于cnn-lstm的短期太阳辐射预测方法及装置 - Google Patents

基于cnn-lstm的短期太阳辐射预测方法及装置 Download PDF

Info

Publication number
CN111260154A
CN111260154A CN202010095619.0A CN202010095619A CN111260154A CN 111260154 A CN111260154 A CN 111260154A CN 202010095619 A CN202010095619 A CN 202010095619A CN 111260154 A CN111260154 A CN 111260154A
Authority
CN
China
Prior art keywords
correlation
lstm
cnn
solar radiation
input
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.)
Granted
Application number
CN202010095619.0A
Other languages
English (en)
Other versions
CN111260154B (zh
Inventor
臧海祥
刘玲
程礼临
卫志农
孙国强
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.)
Hohai University HHU
Original Assignee
Hohai University HHU
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 Hohai University HHU filed Critical Hohai University HHU
Priority to CN202010095619.0A priority Critical patent/CN111260154B/zh
Publication of CN111260154A publication Critical patent/CN111260154A/zh
Application granted granted Critical
Publication of CN111260154B publication Critical patent/CN111260154B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种基于CNN‑LSTM的短期太阳辐射预测方法，包括：(1)将目标站点和邻近站点作为样本站点，采集样本站点的气象参数和辐射数据；(2)基于所有样本站点的气象参数组成二维矩阵，重构空间特征；(3)基于所有样本站点的历史太阳辐射序列重构时间特征；(4)将空间特征和时间特征分别作为CNN‑LSTM混合模型的CNN部分和LSTM部分的输入，预测目标站点太阳总辐射。本申请还公开了一种基于CNN‑LSTM的短期太阳辐射预测装置。本申请的方法和装置基于目标站点和周边站点的气象参数和辐射数据，重构空间特征和时间特征，输入到CNN‑LSTM混合模型中，对目标站点的太阳辐射进行预测，提高了太阳辐射预测的精度，保障了电力系统的最优调度和安全稳定运行。

Description

基于CNN-LSTM的短期太阳辐射预测方法及装置
技术领域
本发明涉及光伏发电，具体涉及一种基于CNN-LSTM的短期太阳辐射预测方法及装置。
背景技术
目前经济的快速发展主要依赖石油、煤炭等化石燃料，造成了严重的环境污染和温室效应，故可再生能源的开发利用越来越受到世界范围内的广泛关注。在这些能源中，太阳能是最有前途的选择之一，特别是在光伏发电中。然而，太阳辐照度因受到云层快速变化的影响，具有随机性。当大规模光伏发电并网时，这种随机性会对电网安全运行造成严重影响。因此，建立准确的短期太阳辐照度预测模型对于保证电力系统的最优调度和管理是至关重要的，特别是在光伏发电领域。
现有的太阳辐照度预测模型根据采用的输入数据可分为四类：数值天气预报(NWP)、基于图像的模型、基于历史数据的统计模型和基于多种类型输入数据的混合模型。其中，数值天气预报已广泛应用于提前6-48小时的太阳辐照度预测；然而，这种方法涉及到的计算成本较高，通常不适合进行短期太阳辐照度预测。且NWP模型不能很好地捕捉太阳辐照度与气象因子之间的实时关系，进一步限制了其短期预测能力。与NWP不同，基于图像的模型提供了有效的短期太阳辐照度预测水平，范围从几分钟到几个小时不等。然而，图像捕获设备的高成本限制了该模型的广泛使用。与前两种模型相比，统计模型基于历史太阳辐照度数据，通常用于5分钟到6小时的预测时间尺度。相比而言，基于时间序列数据进行太阳辐照度预测时，统计模型往往是较好的选择，但统计模型只能考虑历史数据，其他影响太阳辐照度的相关天气条件不能包含在预测过程中。这个缺点可以通过机器学习方法在混合模型中集成多种不同类型的输入数据来克服。机器学习方法具有从多个输入中提取复杂非线性特征的优点。人工神经网络和支持向量机等多种机器学习模型在数据样本量较小的情况下具有较好的预测性能，在太阳辐射预测中得到了广泛的应用。然而，传统的机器学习模型只能提取较浅层的特征，且通常需要复杂的特征工程。
发明内容
发明目的：本申请的目的在于提供一种基于CNN-LSTM的短期太阳辐射预测方法及装置，利用CNN-LSTM模型预测短期太阳辐射，解决现有技术短期预测能力差，成本高，预测精度较低的缺陷。
技术方案：本发明一方面提供了一种基于CNN-LSTM的短期太阳辐射预测方法，包括：
(1)将目标站点和邻近站点作为样本站点，采集样本站点的气象参数和辐射数据；
(2)基于所有样本站点的气象参数组成二维矩阵，重构空间特征；
(3)基于所有样本站点的历史太阳辐射序列重构时间特征；
(4)将空间特征和时间特征分别作为CNN-LSTM混合模型的CNN部分和LSTM部分的输入，预测目标站点太阳总辐射。
进一步地，步骤(2)包括：
(21)将所有样本站点待预测时刻的气象参数构成二维矩阵，每列表示所有站点的一种气象参数，每行表示一个站点的所有气象参数；二维矩阵的元素由下式表示：
fi,j(i＝1,2,…,S；j＝1,2,…,F)
其中，S表示站点数量，F表示气象参数的数量，fi,j表示第i个站点的第j个气象参数；
(22)特定的气象参数在不同的站点间存在第一相关性，具体表现为同一列中相邻两个元素之间的相关性，第一相关性corr1定义如下：
corr1＝g1(fi,j,fi+1,j)
其中g1(·)表示站点相关性函数；
同时，同一站点的不同气象参数之间存在第二相关性，具体表现为同一行相邻两个元素之间的相关性，第二相关性corr2定义如下：
corr2＝g2(fi,j,fi,j+1)
其中g2(·)表示气象参数相关性函数；第一相关性和第二相关性共同构成空间相关性。
进一步地，步骤(3)包括：
(31)将每个时间步的输入设置为所有样本站点在该时间步的辐射值；
(32)将所有样本站点的辐射序列按照时间步依次输入到LSTM部分中，以提取历史太阳辐射序列中的时间特征。
进一步地，CNN-LSTM混合模型包括CNN部分和LSTM部分；将第一输入输入到CNN部分的卷积层中，经过池化层、平坦层和全连接层得到第一特征；将第二输入输入到LSTM部分的LSTM层中，经过全连接层后得到第二特征；将第一特征和第二特征通过concatenate操作融合，经过全连接层后得到最终的输出。
进一步地，步骤(4)包括：
(41)将重构的空间特征作为CNN部分的输入，以提取空间相关性；
(42)将重构的时间特征作为LSTM部分的输入，以提取时间相关性；
(43)将提取的空间相关性和时间相关性相融合，通过神经网络层来预测目标站点太阳总辐射。
另一方面，本申请还提供了一种基于CNN-LSTM的短期太阳辐射预测装置，包括：
数据采集模块，用于将目标站点和邻近站点作为样本站点，采集样本站点的气象参数和辐射数据；
空间特征重构模块，用于基于所有样本站点的气象参数组成二维矩阵，重构空间特征；
时间特征重构模块，用于基于所有样本站点的历史太阳辐射序列重构时间特征；
预测模块，用于将空间特征和时间特征分别作为CNN-LSTM混合模型的CNN部分和LSTM部分的输入，预测目标站点太阳总辐射。
进一步地，空间特征重构模块包括：
二维矩阵构建单元，用于将所有样本站点待预测时刻的气象参数构成二维矩阵，每列表示所有站点的一种气象参数，每行表示一个站点的所有气象参数；二维矩阵的元素由下式表示：
fi,j(i＝1,2,…,S；j＝1,2,…,F)
其中，S表示站点数量，F表示气象参数的数量，fi,j表示第i个站点的第j个气象参数；
相关性定义单元，用于定义第一相关性和第二相关性：特定的气象参数在不同的站点间存在第一相关性，具体表现为同一列中相邻两个元素之间的相关性，第一相关性corr1定义如下：
corr1＝g1(fi,j,fi+1,j)
其中g1(·)表示站点相关性函数；
同时，同一站点的不同气象参数之间存在第二相关性，具体表现为同一行相邻两个元素之间的相关性，第二相关性corr2定义如下：
corr2＝g2(fi,j,fi,j+1)
其中g2(·)表示气象参数相关性函数；第一相关性和第二相关性共同构成空间相关性。
进一步地，时间特征重构模块包括：
输入设置单元，用于将每个时间步的输入设置为所有样本站点在该时间步的辐射值；
时间特征提取单元，用于将所有样本站点的辐射序列按照时间步依次输入到LSTM部分中，以提取历史太阳辐射序列中的时间特征。
进一步地，CNN-LSTM混合模型包括CNN部分和LSTM部分；将第一输入输入到CNN部分的卷积层中，经过池化层、平坦层和全连接层得到第一特征；将第二输入输入到LSTM部分的LSTM层中，经过全连接层后得到第二特征；将第一特征和第二特征通过concatenate操作融合，经过全连接层后得到最终的输出。
进一步地，预测模块包括：
空间相关性提取单元，用于将重构的空间特征作为CNN部分的输入，以提取空间相关性；
时间相关性提取单元，用于将重构的时间特征作为LSTM部分的输入，以提取时间相关性；
融合预测单元，用于将提取的空间相关性和时间相关性相融合，通过神经网络层来预测目标站点太阳总辐射。
有益效果：与现有技术相比，本申请的方法和装置基于目标站点和周边站点的气象参数和辐射数据，重构空间特征和时间特征，输入到CNN-LSTM混合模型中，对目标站点的太阳辐射进行预测，提高了太阳辐射预测的精度，保障了电力系统的最优调度和安全稳定运行。
附图说明
图1为本发明的预测方法流程图；
图2为本发明的预测装置的结构框图；
图3为本发明的空间特征重构示意图；
图4为本发明采用的CNN-LSTM混合模型结构示意图；
图5为本发明实施例中不同模型的MAE误差指标对比；
图6为本发明实施例中不同模型的RMSE误差指标对比。
具体实施方式
下面结合附图和实施例对本发明做进一步描述：
实施例一
本发明一方面提供了一种基于CNN-LSTM的短期太阳辐射预测方法，如图1所示，包括：
S101将目标站点和邻近站点作为样本站点，采集样本站点的气象参数和辐射数据；
S102基于所有样本站点的气象参数组成二维矩阵，重构空间特征；包括以下步骤：
(21)将所有样本站点待预测时刻的气象参数按照图3形式构成二维矩阵，每列表示所有站点的一种气象参数，每行表示一个站点的所有气象参数；所述二维矩阵的元素由下式表示：
fi,j(i＝1,2,…,S；j＝1,2,…，S；j＝1，2，…,F)
其中，S表示站点数量，F表示气象参数的数量，fi,j表示第i个站点的第j个气象参数；
(22)特定的气象参数在不同的站点间存在第一相关性，具体表现为同一列中相邻两个元素之间的相关性，第一相关性corr1定义如下：
corr1＝g1(fi,j,fi+1,j)
其中g1(·)表示站点相关性函数；
同时，同一站点的不同气象参数之间存在第二相关性，具体表现为同一行相邻两个元素之间的相关性，第二相关性corr2定义如下：
corr2＝g2(fi,j,fi,j+1)
其中g2(·)表示气象参数相关性函数。第一相关性和第二相关性共同构成空间相关性。
S103基于所有样本站点的历史太阳辐射序列重构时间特征；包括以下步骤：
(31)将每个时间步的输入设置为所有样本站点在该时间步的辐射值；
(32)将所有样本站点的辐射序列按照时间步依次输入到LSTM部分中，以提取历史太阳辐射序列中的时间特征。
S104将空间特征和时间特征分别作为CNN-LSTM混合模型的CNN部分和LSTM部分的输入，预测目标站点太阳总辐射；其中，CNN-LSTM混合模型结构如图4所示：CNN-LSTM混合模型包括CNN部分和LSTM部分；将第一输入输入到CNN部分的卷积层中，经过池化层、平坦层和全连接层得到第一特征；将第二输入输入到LSTM部分的LSTM层中，经过全连接层后得到第二特征；将第一特征和第二特征通过concatenate操作融合，经过全连接层后得到最终的输出；包括以下步骤：
(41)将重构的空间特征作为CNN部分的输入，以提取空间相关性；
(42)将重构的时间特征作为LSTM部分的输入，以提取时间相关性；
(43)将提取的空间相关性和时间相关性相融合，通过神经网络层来预测目标站点太阳总辐射。
下面以德克萨斯州为例介绍本发明的方法：
选取德克萨斯州三个气候带(Cfa、BSh和BSk)进行测试，其中Cfa气候带共有12个站点，选取两个目标站点Dallas和San Jacinto，BSh气候带共有8个站点，选取Zapata为目标站点，BSk气候带共有14个站点，选取两个目标站点Moore和Lamb。每个站点的数据包括太阳总辐射、露点温度、太阳天顶角、风速、风向、可降水量、相对湿度和温度。所使用的数据是从2006年1月1日到2012年12月31日的每小时一测的数据。同时，由于辐射数据在夜间降为0，所以只选取每天6点到18点的数据进行训练和测试，提前一小时预测太阳总辐射。训练集为2006年1月1日到2010年12月31日，测试集为2011年1月1日到2012年12月31日，所采用的误差指标为MAE、nMAE、RMSE和nRMSE。
此外，除了所提出的CNN-LSTM混合模型，选取了SVM、ANN、CNN、LSTM、CNN-ANN和ANN-LSTM六个基准模型进行对比，其中CNN-ANN和ANN-LSTM是将CNN-LSTM混合模型中的LSTM部分和CNN部分分别换成了ANN，测试的结果如表1、图5和图6所示：
表1三个气候带下不同模型的预测结果
Figure BDA0002385240990000071
从表1可以看出，不论在何种气候带下，不论是哪种误差指标，综合来说，本发明所提出的技术手段CNN-LSTM混合模型的预测误差都较小，验证了基于CNN-LSTM的短期太阳辐射预测方法的有效性。
图5和图6分别对比了不同模型的MAE和RMSE指标情况，不难发现，CNN-LSTM的区域面积基本上小于其他对比模型的，进一步说明了CNN-LSTM的预测效果较好。
实施例二
另一方面，本发明还提供了一种基于CNN-LSTM的短期太阳辐射预测装置，如图2所示，包括数据采集模块201、空间特征重构模块202、时间特征重构模块203、预测模块204：
数据采集模块201用于将目标站点和邻近站点作为样本站点，采集样本站点的气象参数和辐射数据；
空间特征重构模块202用于基于所有样本站点的气象参数组成二维矩阵，重构空间特征；空间特征重构模块202包括二维矩阵构建单元和相关性定义单元；其中：
二维矩阵构建单元，用于将所有所述样本站点待预测时刻的气象参数构成二维矩阵，每列表示所有站点的一种气象参数，每行表示一个站点的所有气象参数；所述二维矩阵的元素由下式表示：
fi,j(i＝1,2,…,S；j＝1,2,…,F)
其中，S表示站点数量，F表示气象参数的数量，fi,j表示第i个站点的第j个气象参数；
相关性定义单元，用于定义第一相关性和第二相关性：特定的气象参数在不同的站点间存在第一相关性，具体表现为同一列中相邻两个元素之间的相关性，第一相关性corr1定义如下：
corr1＝g1(fi,j,fi+1,j)
其中g1(·)表示站点相关性函数；
同时，同一站点的不同气象参数之间存在第二相关性，具体表现为同一行相邻两个元素之间的相关性，第二相关性corr2定义如下：
corr2＝g2(fi,j,fi,j+1)
其中g2(·)表示气象参数相关性函数。第一相关性和第二相关性共同构成空间相关性。
时间特征重构模块203用于基于所有样本站点的历史太阳辐射序列重构时间特征；时间特征重构模块203包括输入设置单元和时间特征提取单元，其中：输入设置单元，用于将每个时间步的输入设置为所有样本站点在该时间步的辐射值；时间特征提取单元，用于将所有样本站点的辐射序列按照时间步依次输入到LSTM部分中，以提取历史太阳辐射序列中的时间特征。
预测模块204用于将空间特征和时间特征分别作为CNN-LSTM混合模型的CNN部分和LSTM部分的输入，预测目标站点太阳总辐射。CNN-LSTM混合模型结构如图4所示，包括CNN部分和LSTM部分；将第一输入输入到CNN部分的卷积层中，经过池化层、平坦层和全连接层得到第一特征；将第二输入输入到LSTM部分的LSTM层中，经过全连接层后得到第二特征；将第一特征和第二特征通过concatenate操作融合，经过全连接层后得到最终的输出。
预测模块204包括：
空间相关性提取单元，用于将重构的空间特征作为CNN部分的输入，以提取空间相关性；
时间相关性提取单元，用于将重构的时间特征作为LSTM部分的输入，以提取时间相关性；
融合预测单元，用于将提取的空间相关性和时间相关性相融合，通过神经网络层来预测目标站点太阳总辐射。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

Claims (10)

1.一种基于CNN-LSTM的短期太阳辐射预测方法，其特征在于，包括：
(1)将目标站点和邻近站点作为样本站点，采集所述样本站点的气象参数和辐射数据；
(2)基于所有所述样本站点的气象参数组成二维矩阵，重构空间特征；
(3)基于所有所述样本站点的历史太阳辐射序列重构时间特征；
(4)将所述空间特征和所述时间特征分别作为CNN-LSTM混合模型的CNN部分和LSTM部分的输入，预测目标站点太阳总辐射。
2.根据权利要求1所述的方法，其特征在于，步骤(2)包括：
(21)将所有样本站点待预测时刻的气象参数构成二维矩阵，每列表示所有站点的一种气象参数，每行表示一个站点的所有气象参数；所述二维矩阵的元素由下式表示：
fi,j(i＝1,2,…,S；j＝1,2,…,F)
其中，S表示站点数量，F表示气象参数的数量，fi,j表示第i个站点的第j个气象参数；
(22)特定的气象参数在不同的站点间存在第一相关性，具体表现为同一列中相邻两个元素之间的相关性，第一相关性corr1定义如下：
corr1＝g1(fi,j,fi+1,j)
其中g1(·)表示站点相关性函数；
同时，同一站点的不同气象参数之间存在第二相关性，具体表现为同一行相邻两个元素之间的相关性，第二相关性corr2定义如下：
corr2＝g2(fi,j,fi,j+1)
其中g2(·)表示气象参数相关性函数；第一相关性和第二相关性共同构成空间相关性。
3.根据权利要求2所述的方法，其特征在于，步骤(3)包括：
(31)将每个时间步的输入设置为所有样本站点在该时间步的辐射值；
(32)将所有样本站点的辐射序列按照时间步依次输入到LSTM部分中，以提取历史太阳辐射序列中的时间特征。
4.根据权利要求3所述的方法，其特征在于，所述CNN-LSTM混合模型包括CNN部分和LSTM部分；将第一输入输入到CNN部分的卷积层中，经过池化层、平坦层和全连接层得到第一特征；将第二输入输入到LSTM部分的LSTM层中，经过全连接层后得到第二特征；将所述第一特征和所述第二特征通过concatenate操作融合，经过全连接层后得到最终的输出。
5.根据权利要求4所述的方法，其特征在于，步骤(4)包括：
(41)将重构的空间特征作为CNN部分的输入，以提取空间相关性；
(42)将重构的时间特征作为LSTM部分的输入，以提取时间相关性；
(43)将提取的空间相关性和时间相关性相融合，通过神经网络层来预测目标站点太阳总辐射。
6.一种基于CNN-LSTM的短期太阳辐射预测装置，其特征在于，包括：
数据采集模块，用于将目标站点和邻近站点作为样本站点，采集所述样本站点的气象参数和辐射数据；
空间特征重构模块，用于基于所有所述样本站点的气象参数组成二维矩阵，重构空间特征；
时间特征重构模块，用于基于所有所述样本站点的历史太阳辐射序列重构时间特征；
预测模块，用于将所述空间特征和所述时间特征分别作为CNN-LSTM混合模型的CNN部分和LSTM部分的输入，预测目标站点太阳总辐射。
7.根据权利要求6所述的装置，其特征在于，所述空间特征重构模块包括：
二维矩阵构建单元，用于将所有所述样本站点待预测时刻的气象参数构成二维矩阵，每列表示所有站点的一种气象参数，每行表示一个站点的所有气象参数；所述二维矩阵的元素由下式表示：
fi,j(i＝1,2,…,S；j＝1,2,…,F)
其中，S表示站点数量，F表示气象参数的数量，fi,j表示第i个站点的第j个气象参数；
相关性定义单元，用于定义第一相关性和第二相关性：特定的气象参数在不同的站点间存在第一相关性，具体表现为同一列中相邻两个元素之间的相关性，第一相关性corr1定义如下：
corr1＝g1(fi,j,fi+1,j)
其中g1(·)表示站点相关性函数；
同时，同一站点的不同气象参数之间存在第二相关性，具体表现为同一行相邻两个元素之间的相关性，第二相关性corr2定义如下：
corr2＝g2(fi,j,fi,j+1)
其中g2(·)表示气象参数相关性函数；第一相关性和第二相关性共同构成空间相关性。
8.根据权利要求7所述的装置，其特征在于，所述时间特征重构模块包括：
输入设置单元，用于将每个时间步的输入设置为所有样本站点在该时间步的辐射值；
时间特征提取单元，用于将所有样本站点的辐射序列按照时间步依次输入到LSTM部分中，以提取历史太阳辐射序列中的时间特征。
9.根据权利要求8所述的装置，其特征在于，所述CNN-LSTM混合模型包括CNN部分和LSTM部分；将第一输入输入到CNN部分的卷积层中，经过池化层、平坦层和全连接层得到第一特征；将第二输入输入到LSTM部分的LSTM层中，经过全连接层后得到第二特征；将所述第一特征和所述第二特征通过concatenate操作融合，经过全连接层后得到最终的输出。
10.根据权利要求9所述的装置，其特征在于，所述预测模块包括：
空间相关性提取单元，用于将重构的空间特征作为CNN部分的输入，以提取空间相关性；
时间相关性提取单元，用于将重构的时间特征作为LSTM部分的输入，以提取时间相关性；
融合预测单元，用于将提取的空间相关性和时间相关性相融合，通过神经网络层来预测目标站点太阳总辐射。
CN202010095619.0A 2020-02-17 2020-02-17 基于cnn-lstm的短期太阳辐射预测方法及装置 Active CN111260154B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010095619.0A CN111260154B (zh) 2020-02-17 2020-02-17 基于cnn-lstm的短期太阳辐射预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010095619.0A CN111260154B (zh) 2020-02-17 2020-02-17 基于cnn-lstm的短期太阳辐射预测方法及装置

Publications (2)

Publication Number Publication Date
CN111260154A true CN111260154A (zh) 2020-06-09
CN111260154B CN111260154B (zh) 2020-10-27

Family

ID=70947274

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010095619.0A Active CN111260154B (zh) 2020-02-17 2020-02-17 基于cnn-lstm的短期太阳辐射预测方法及装置

Country Status (1)

Country Link
CN (1) CN111260154B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111814398A (zh) * 2020-07-08 2020-10-23 国网河北省电力有限公司 一种基于图的融合时空注意力的地表太阳辐射度预测方法
CN113497445A (zh) * 2021-09-08 2021-10-12 国网江西省电力有限公司电力科学研究院 一种区域多尺度新能源电站出力联合预测方法及系统
CN115587664A (zh) * 2022-11-02 2023-01-10 河海大学 基于图卷积长短期记忆网络的太阳辐射预测方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8873813B2 (en) * 2012-09-17 2014-10-28 Z Advanced Computing, Inc. Application of Z-webs and Z-factors to analytics, search engine, learning, recognition, natural language, and other utilities
CN107169683A (zh) * 2017-06-30 2017-09-15 上海电力学院 一种变权重系数的并网光伏电站短期功率组合预测方法
CN108009674A (zh) * 2017-11-27 2018-05-08 上海师范大学 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法
AU2018101512A4 (en) * 2018-10-11 2018-11-15 Dong, Xun Miss A comprehensive stock trend predicting method based on neural networks
KR20190109670A (ko) * 2018-03-09 2019-09-26 강원대학교산학협력단 신경망을 이용한 사용자 의도분석 시스템 및 방법
CN110334210A (zh) * 2019-05-30 2019-10-15 哈尔滨理工大学 一种基于bert与lstm、cnn融合的中文情感分析方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8873813B2 (en) * 2012-09-17 2014-10-28 Z Advanced Computing, Inc. Application of Z-webs and Z-factors to analytics, search engine, learning, recognition, natural language, and other utilities
CN107169683A (zh) * 2017-06-30 2017-09-15 上海电力学院 一种变权重系数的并网光伏电站短期功率组合预测方法
CN108009674A (zh) * 2017-11-27 2018-05-08 上海师范大学 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法
KR20190109670A (ko) * 2018-03-09 2019-09-26 강원대학교산학협력단 신경망을 이용한 사용자 의도분석 시스템 및 방법
AU2018101512A4 (en) * 2018-10-11 2018-11-15 Dong, Xun Miss A comprehensive stock trend predicting method based on neural networks
CN110334210A (zh) * 2019-05-30 2019-10-15 哈尔滨理工大学 一种基于bert与lstm、cnn融合的中文情感分析方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
赵文芳等: ""基于深度学习的PM2．5短期预测模型"", 《南京师大学报（自然科学版）》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111814398A (zh) * 2020-07-08 2020-10-23 国网河北省电力有限公司 一种基于图的融合时空注意力的地表太阳辐射度预测方法
CN111814398B (zh) * 2020-07-08 2023-09-29 国网河北省电力有限公司 一种基于图的融合时空注意力的地表太阳辐射度预测方法
CN113497445A (zh) * 2021-09-08 2021-10-12 国网江西省电力有限公司电力科学研究院 一种区域多尺度新能源电站出力联合预测方法及系统
CN115587664A (zh) * 2022-11-02 2023-01-10 河海大学 基于图卷积长短期记忆网络的太阳辐射预测方法及系统
CN115587664B (zh) * 2022-11-02 2023-04-28 河海大学 基于图卷积长短期记忆网络的太阳辐射预测方法及系统

Also Published As

Publication number Publication date
CN111260154B (zh) 2020-10-27

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
Yu et al. An LSTM short-term solar irradiance forecasting under complicated weather conditions
Kumari et al. Long short term memory–convolutional neural network based deep hybrid approach for solar irradiance forecasting
CN111260154B (zh) 基于cnn-lstm的短期太阳辐射预测方法及装置
CN112348292B (zh) 一种基于深度学习网络的短期风电功率预测方法和系统
Carneiro et al. Review on photovoltaic power and solar resource forecasting: current status and trends
CN106295899B (zh) 基于遗传算法与支持向量分位数回归的风电功率概率密度预测方法
Rodríguez et al. Forecasting intra-hour solar photovoltaic energy by assembling wavelet based time-frequency analysis with deep learning neural networks
CN108717579B (zh) 一种短期风电功率区间预测方法
Alanazi et al. Long-term solar generation forecasting
CN113988477A (zh) 基于机器学习的光伏功率短期预测方法、装置及存储介质
CN112100911A (zh) 一种基于深度bisltm的太阳辐射预测方法
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
CN110187363B (zh) 适用于大型风电基地的测风方法、系统、设备和存储介质
CN114895380A (zh) 一种太阳辐射预测方法、装置、设备和介质
CN117233870B (zh) 一种基于多气象要素的短临降水集合预报及降尺度方法
CN114330110A (zh) 模型训练方法、光伏发电功率预测方法及系统
CN110059972B (zh) 基于泛函深度信念网络的日太阳辐射资源评估方法
Agga et al. Convolutional neural network (cnn) extended architectures for photovoltaic power production forecasting
CN117033923A (zh) 一种基于可解释性机器学习的犯罪数量预测方法及系统
CN116663727A (zh) 一种光伏功率预测方法及系统
CN116467933A (zh) 基于深度学习的风暴潮增水预测方法及系统
Lukhyswara et al. Solar irradiation forecasting uses time series analysis
Zhu et al. [Retracted] Photovoltaic Generation Prediction of CCIPCA Combined with LSTM

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
GR01 Patent grant
GR01 Patent grant