CN115511220A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN115511220A CN115511220A CN202211360224.4A CN202211360224A CN115511220A CN 115511220 A CN115511220 A CN 115511220A CN 202211360224 A CN202211360224 A CN 202211360224A CN 115511220 A CN115511220 A CN 115511220A
- Authority
- CN
- China
- Prior art keywords
- attention mechanism
- solar radiation
- vector
- historical
- data
- 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
Links
- 230000007246 mechanism Effects 0.000 title claims abstract description 121
- 230000005855 radiation Effects 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 title claims abstract description 73
- 239000013598 vector Substances 0.000 claims abstract description 85
- 230000003287 optical effect Effects 0.000 claims abstract description 58
- 230000006870 function Effects 0.000 claims description 24
- 230000008878 coupling Effects 0.000 claims description 21
- 238000010168 coupling process Methods 0.000 claims description 21
- 238000005859 coupling reaction Methods 0.000 claims description 21
- 230000004927 fusion Effects 0.000 claims description 18
- 238000010586 diagram Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 238000004821 distillation Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 9
- 238000005520 cutting process Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 239000003550 marker Substances 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000005065 mining Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 2
- 238000007670 refining Methods 0.000 claims description 2
- 230000033228 biological regulation Effects 0.000 abstract description 4
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 6
- 238000009826 distribution Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- SVTBMSDMJJWYQN-UHFFFAOYSA-N 2-methylpentane-2,4-diol Chemical compound CC(O)CC(C)(C)O SVTBMSDMJJWYQN-UHFFFAOYSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004836 empirical method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种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，方法包括：计算地基云图帧间光流图、晴空太阳辐射估计值、地基云图晴空比等重要特征；以地基云图数据帧间光流场为输入，通过图像动态注意力方法汇集地基云图动态局部特征；基于历史太阳辐射、历史气象数据、晴空太阳辐射估计值和云图晴空比数据，通过稀疏自注意力方法得到历史时序特征编码；通过跨模态学习方法将两种特征进行融合，得到融合特征向量；通过生成式解码得到预测输出，用以预测未来10分钟至30分钟的太阳辐射。本发明可应用于部署全天空成像仪的光伏电站，获得高精度超短期太阳辐射预测结果，满足电网监控与经济安全调控的需求。
Description
技术领域
本发明涉及可再生能源开发利用技术领域，具体涉及一种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。
背景技术
太阳辐射作为影响光伏功率的重要因素，其间歇性和波动性导致的光伏输出功率波动，影响了对电网的安全稳定控制，进而限制了其大规模应用。因此，有必要运用太阳辐射超短期预测成果，减少电网备用储备和辅助成本，提升电网电能质量，进而提升电网安全稳定运行控制水平。
数据来源是影响数据驱动的太阳辐射预测模型的重要因素。常规的基于历史太阳辐射与数值天气预报数据的预测模型受到数据精度与算法原理的制约，难以适应超短期时间尺度的预测要求。而地基云图数据的引入，使得准确预测超短期时间尺度的太阳辐射成为可能。然而，现有的算法存在特征之间关联特性提取不充分、未充分利用运算资源等问题，从而制约了太阳辐射预测模型的应用价值。如何高效利用运算资源，充分提取历史数据的时序特征与多元特征中的耦合特征，进而提升预测模型对于太阳辐射突变预测能力，是当前可再生能源利用的难点。
发明内容
发明目的：本发明的目是提供一种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，解决上述太阳辐射预测技术的难点。
技术方案：为了实现上述发明目的，本发明提出的基于注意力机制和地基云图的超短期太阳辐射预测方法，包括以下步骤：
(1)利用Farneback光流法将灰度地基云图数据转换为帧间光流场，基于RGB全色彩地基云图通过红蓝像素占比计算地基云图晴空比，利用经验公式估计晴空太阳辐射值；
(2)对地基云图帧间光流图进行裁剪、拼接、嵌入，通过自注意力机制和多层感知机提取地基云图帧间光流场的局部动态特征，得到云图动态特征编码Eopt；
(3)通过稀疏自注意力机制提取历史时序数据的时序耦合特征，得到历史时序特征编码Ehis，所述历史时序数据包括历史太阳辐射Ihis、晴空太阳辐射估计值IG、历史温度数据This、历史湿度数据Hhis、地基云图晴空比数据kc；
(4)通过跨模态注意力机制将云图动态特征编码Eopt和历史时序特征编码Ehis进行融合，得到融合特征向量Efus；
(5)基于融合特征向量Efus和解码器输入Xde通过生成式解码得到太阳辐射超短期多步预测结果。
进一步地，利用Farneback光流法将灰度地基云图数据转换为帧间光流场包括：
将地基云图用二次多项式来近似表示：I(X)～XTAX+bTX+c，其中，X指的是像素的空间位置表示(x,y)T，A、b、c为二次多项式系数；
基于相邻云图的亮度不变性假设，匹配云图相邻帧的二次多项式系数，并作实用性调整：
I1(X)≈I2(X)
由此得到Farneback稠密光流计算方法的目标函数，其函数公式为：
对目标函数进行梯度下降，融合x轴向和y轴向的光流图，得到连续云图帧的整体稠密光流解。
进一步地，基于RGB全色彩地基云图通过红蓝像素占比计算地基云图晴空比包括：
计算RGB全色彩地基云图各个像素位置的红蓝比矩阵RBR，并归一化为值域为[0,1]的正则化红蓝比矩阵NRBR，计算式如下：
其中，R和B分别为全色彩地基云图的红色和蓝色通道下的像素矩阵；
对于得到的地基云图正则化红蓝比矩阵NRBR，通过和预设阈值τ进行比较判断，将晴空区域标志为1，云层覆盖区域标志为0，得到地基云图全域标志位CV，定义如下：
基于地基云图全域标志位计算地基云图全域晴空比kc，计算式如下：
kc＝∑CV/(H×W)
其中，H与W分别为地基云图的高度和宽度。
进一步地，所述步骤(2)包括：
将尺寸为(H,W,2)的地基云图帧间光流图在各通道上裁剪为N个尺寸为(P,P)的光流块，其中，N＝H×W/P2；将各个光流块平铺成一维向量并进行融合，得到尺寸为(N,2P2)的光流表征xP；通过全连接层对各个光流块实施词嵌入操作，嵌入维度为dmodel；引入位置编码Epos来区分N个光流块的空间位置，得到光流特征编码方法的输入特征z0，定义如下：
其中，[·]为融合操作；E表示词嵌入转化矩阵；
将特征z0输入包括自注意力机制和多层感知机的编码子模块，并在自注意力机制和多层感知机处理前分别实施层归一化操作，对自注意力机制和多层感知机处理后得到的特征向量附加残差连接；在重复m次操作后，得到云图动态特征编码Eopt，自第l-1层到第l层的特征映射，定义如下：
z′l＝MSA(LN(zl-1))+zl-1
zl＝MLP(LN(z′l))+z′l′
其中，MSA表示多头自注意力机制编码操作，LN表示层归一化操作，MLP表示多层感知机编码操作，经过m层编码操作，选取第m层的输出作为光流动态特征编码Eopt＝LN(zm)。
进一步地，所述步骤(3)包括：
基于历史时序数据构建输入特征
Lx为输入时序数据的时间步长，根据词嵌入维度dmodel对历史时序数据作词嵌入操作；
通过稀疏自注意力机制提取每一特征间的时序特征以及不同特征间的耦合特征，并通过蒸馏机制进行特征精炼，蒸馏机制包括一维卷积、激活函数以及池化操作，定义如下：
其中，
表示第t个时间步的输入特征在第j层蒸馏得到的特征向量，MaxPool(·)为最大池化操作；ELU(·)为激活函数；Conv1d(·)为时间维度的一维卷积操作；[·]AB为稀疏自注意力机制，所述稀疏注意力机制选取M(qi,k)的值降序排列中前u个特征作为稀疏注意力机制的质询向量
其中，As(q,k,v)为稀疏注意力机制更新得到的值向量，Softmax(·)为激活函数，v为稀疏注意力机制的值向量Value，k为稀疏注意力机制键向量Key，Lk为键向量的长度，q表示稀疏注意力的质询向量Query；
基于多层蒸馏机制，得到时序数据特征编码Ehis。
进一步地，所述步骤(4)包括：
将云图动态编码特征Eopt作为注意力机制的键向量和值向量，历史时序特征编码Ehis作为质询向量，运用跨模态注意力机制计算两者特征之间的耦合联系，并通过堆叠多层跨模态注意力机制提升特征挖掘的水平，每一层跨模态注意力机制的定义如下：
同样地，将历史时序特征编码Ehis作为注意力机制的键向量和值向量，云图动态编码特征Eopt作为质询向量，得到：
分别对得到的特征Yopt和Yhis应用多层感知机进行前馈操作，使其向量维度与词嵌入维度dmodel一致，最后将得到的特征进行融合，得到最终的融合特征编码Efus，定义如下：
进一步地，所述步骤(5)包括：
将待预测数据前的一段时间内的历史数据作为标志位Xtoken，定义如下：
其中，Ltoken和L0分别为标志位和待预测向量的长度；
对解码器输入Xde词嵌入操作，词嵌入维度为dmodel，得到注意力机制的输入向量Y0；对Y0分别作稀疏自注意力机制运算和多头注意力机制处理，其中，多头注意力机制设置稀疏自注意力机制的输出作为Value，融合特征向量Efus作为Query和Key；通过多层稀疏自注意力机制运算和多头注意力机制得到解码器输出向量，再通过多层感知机的前馈操作得到太阳辐射的多步预测结果
其中，[·]AB为稀疏自注意力机制。
本发明还提供一种基于跨模态注意力机制的超短期太阳辐射预测系统，包括：
特征抽取模块，用于利用Farneback光流法将灰度地基云图数据转换为帧间光流场，基于RGB全色彩地基云图通过红蓝像素占比计算地基云图晴空比，利用经验公式估计晴空太阳辐射值；
第一编码模块，用于对地基云图帧间光流图进行裁剪、拼接、嵌入，通过自注意力机制和多层感知机提取地基云图帧间光流场的局部动态特征，得到云图动态特征编码Eopt；
第二编码模块，用于通过稀疏自注意力机制提取历史时序数据的时序耦合特征，得到历史时序特征编码Ehis，所述历史时序数据包括历史太阳辐射Ihis、晴空太阳辐射估计值IG、历史温度数据This、历史湿度数据Hhis、地基云图晴空比数据kc；
跨模态学习模块，用于通过跨模态注意力机制将云图动态特征编码Eopt和历史时序特征编码Ehis进行融合，得到融合特征向量Efus；
解码模块，用于基于融合特征向量Efus和解码器输入Xde通过生成式解码得到太阳辐射超短期多步预测结果。
本发明还提供一种计算机设备，包括：一个或多个处理器；存储器；以及一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述程序被处理器执行时实现如上所述的基于注意力机制和地基云图的超短期太阳辐射预测方法的步骤。
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的基于注意力机制和地基云图的超短期太阳辐射预测方法的步骤。
有益效果：本发明应用注意力机制实现全过程并行化计算，充分利用运算资源，提升运算效率；通过基于稀疏自注意力机制的历史时序特征提取方法，能够关注较长时间步的时序信息，着力弥补常用的循环神经网络系列模型对较远时间信息丢失的问题；通过跨模态学习方法，能够挖掘地基云图动态特征与历史时序特征之间的耦合特性，提升模型对多源数据关联特征的表征能力；从而本发明提出的基于注意力机制的端到端深度学习框架，能够高效提取特征内的历史时序联系以及多源特征间的耦合特性，实现提前10～30分钟的太阳辐射准确预测任务。本发明贴合电网经济安全调度实际，可应用于部署全天空成像仪的光伏电站，提升太阳能资源利用水平，缓解太阳辐射随机性与波动性对电网的冲击，满足电网监控与经济安全调控的需求，并能高效利用运算资源，具有良好的社会效益和经济效益。
附图说明
图1为本发明的太阳辐射预测方法流程示意图；
图2为本发明提出的图像动态注意力机制示意图；
图3为本发明采用的稀疏自注意力时序特征提取方法的示意图；
图4为本发明采用的跨模态学习方法的示意图；
图5为本发明采用的生成式解码方法的示意图；
图6为本发明实施例中采用所提方法的预测结果时序拟合展示图。
图7为本发明实施例中不同气象条件下跨模态注意力机制的注意力权重分布图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
如图1所示，本发明基于跨模态注意力机制的超短期太阳辐射预测方法包括：用于基于地基云图数据提取特征特征抽取步骤；用于基于光流场和历史时序数据获取云图动态特征编码和历史时序特征编码的编码步骤；用于对特征编码进行融合得到融合特征向量的跨模态学习步骤；以及用于通过生成式解码得到太阳辐射超短期多步预测结果的解码步骤。
在本发明的实施方式中，提取特征的操作包括地基云图光流转换、地基云图晴空比计算、晴空太阳辐射估计方法。
地基云图光流转换方法：将地基云图数据转化成动态光流场，是为了让深度模型更容易提取到云图中云团运动的动态特征，从而提升模型对于太阳辐射波动特性的捕获能力。本发明采用Farneback光流计算方法，将灰度地基云图数据转换为帧间光流场，其方法具体包括：
将地基云图用二次多项式来近似表示：I(X)～XTAX+bTX+c，其中，X指的是像素的空间位置表示(x,y)T，A、b、c为二次多项式系数；
基于相邻云图的亮度不变性假设，匹配云图相邻帧的二次多项式系数，并作实用性调整：
I1(X)≈I2(X)
由此得到Farneback稠密光流计算方法的目标函数，其函数公式为：
对目标函数进行梯度下降，融合x轴向和y轴向的光流图，得到连续云图帧的整体稠密光流解。
地基云图晴空比计算方法：计算地基云图晴空比可以直观地获取云团对于晴空的遮挡情况，连续的地基云图晴空比数据反映了云团的生消与运动情况，从而为准确预测太阳辐射提供支撑。本发明采用正则化红蓝比阈值法，对RGB全色彩地基云图计算晴空比例，其方法具体包括：
首先，计算RGB全色彩地基云图各个像素位置的红蓝比矩阵RBR，并转换为值域为[0,1]的正则化红蓝比矩阵NRBR，定义如下：
其中，R和B分别为全色彩地基云图的红色和蓝色通道下的像素矩阵。
其次，对于得到的地基云图正则化红蓝比矩阵NRBR，通过阈值判断，将晴空区域标志为1，云层覆盖区域标志为0，得到地基云图全域标志位CV，本发明中采用经验方法设置阈值τ＝0.45，地基云图全域标志位CV的定义如下：
最后，计算地基云图全域晴空比kc，定义如下：
kc＝∑CV/(H×W)
其中，H与W分别为地基云图的高度和宽度。
晴空太阳辐射估计方法：通过经验公式估计晴空无云层遮挡下的太阳辐射值，可以作为待预测太阳辐射的基准值，使得模型得以把握日内太阳辐射变化的总体趋势。其方法如下：
θh＝(12-Hs)×15°
其中，Isol为太阳常数，在本发明中取值为1367W/m2，nday∈[0,365]，为一年中的天数，
为光伏站址的纬度，Hs为一天中的时刻。
根据本发明的实施方式，编码步骤包括编码云图动态特征和编码历史时序特征，如图2所示，云图动态特征编码又称为图像动态注意力机制，具体包括构建输入特征和光流特征编码。
构建输入特征的方法具体包括：首先，将尺寸为(H,W)的地基云图帧间x轴向和y轴向的光流图，在各通道上分别裁剪为N个尺寸为(P,P)的光流图块，其中，N＝H×W/P2；其次，将各个光流图块平铺成一维向量并进行融合，得到尺寸为(N,2P2)的光流表征xP；接着，对光流表征xp实施词嵌入操作，词嵌入操作是为了保证模型全过程中，所有参与运算的向量的表征方式是对齐的，因此需要设置统一的词嵌入维度为dmodel；最后，为了区分每个轴向光流图中N个光流块的空间位置，引入位置编码Epos，Epos通过one-hot编码标定了每个光流图块在输入光流图中的空间位置，得到光流特征编码方法的输入特征z0，定义如下：
其中，[·]为融合操作，E表示词嵌入转化矩阵。
光流特征编码方法由多个感应层组成。其中，每个感应层包括两个步骤：首先，对输入执行层归一化(Layer normalization,LN)操作，执行多头注意力机制(Multi-headself-attention,MSA)操作，并附加残差连接；接着，对第一步得到的输出执行层归一化，执行多层感知机(Multilayer perceptron,MLP)以及附加残差连接。由此得到感应层的输出。在重复m次感应层后，得到输出zm作为云图动态特征编码Eopt。其中，多头自注意力机制MSA由多个自注意力机制(Self-attention,SA)组成：
层归一化方法定义如下：
从第l-1到第l层的感应层定义如下：
z′l＝MSA(LN(zl-1))+zl-1
zl＝MLP(LN(z′l))+z′l
其中，Umsa指输入多头注意力机制的特征向量，h指的是多头注意力机制数目，zij指的是以词嵌入维度为通道，由空间位置(i,j)表征的列向量，长度与词嵌入维度一致，E(·)和Var(·)分别指求均值与求方差操作。
如图3所示，编码历史时序特征方法包括：
首先，融合历史时序数据特征，特征包括：历史太阳辐射Ihis，晴空太阳辐射估计值IG，历史温度数据This，历史湿度数据Hhis，地基云图晴空比数据kc，得到历史时序数据作为输入特征X0，Lx为输入时序数据的时间步长，定义如下：
其次，对历史时序数据作词嵌入操作，词嵌入维度设置为dmodel；
由于时序特征具有较高的时间冗余性，意味着如果将整体时间序列输入，会影响特征提取的效率；并且考虑到，不同类型的时序特征之间内含丰富的耦合信息(历史辐射、估计晴空辐射、温度、湿度、晴空比)。因此，有必要关注特征间的耦合信息，进一步提升时序特征提取能力，本发明通过稀疏自注意力机制提取每一特征间的时序特征，以及不同特征间的耦合特征，并通过蒸馏机制进行特征精炼，蒸馏机制包括一维卷积、激活函数以及池化操作，定义如下：
其中，
表示第t个时间步的输入特征在第j层蒸馏得到的特征向量。MaxPool(·)为最大池化操作，在本发明中步长设置为1；ELU(·)为激活函数，α为控制负因子的常数；Conv1d(·)为时间维度的一维卷积操作，在本发明中卷积核的大小设置为3；[·]AB为稀疏自注意力机制。本发明中，稀疏自注意力机制的实施过程包括：通过计算改进的KL散度公式，得到时间步选择函数：
其中，k为注意力机制键向量(Key)，Lk为键向量的长度，q表示注意力的质询向量(Query)。
接着，选取M(qi,k)降序排列中前u个特征，形成稀疏化的质询向量
替代全局质询向量q，作为稀疏注意力机制的质询向量，得到稀疏注意力机制，定义如下：
其中，v为稀疏注意力机制的值(Value)向量，C为激活函数Softmax(·)输入向量维度。
本发明中，为了更好地挖掘不同特征间的耦合信息，通过堆叠多层蒸馏机制，迭代得到时序数据特征编码Ehis。
如图4所示，跨模态学习步骤基于云图动态特征编码和历史时序数据编码，通过跨模态注意力机制得到融合特征向量，具体方法包括：
首先，将云图动态编码特征Eopt作为注意力机制的键向量和值向量，历史时序特征编码Ehis作为质询向量，运用跨模态注意力机制计算两者特征之间的耦合联系，并通过堆叠多层跨模态注意力机制提升特征挖掘的水平。上述每一层跨模态注意力机制的定义如下：
同样地，将历史时序特征编码Ehis作为注意力机制的键向量和值向量，云图动态编码特征Eopt作为质询向量，可得到：
应用跨模态注意力机制的本质，是通过注意力机制的全局信息搜索能力，寻找模态间的耦合特征，即挖掘云图动态光流场与历史数据之间的耦合联系。接着，分别对得到的特征Yopt和Yhis应用多层感知机进行前馈操作，使其向量维度与词嵌入维度dmodel一致。最后，将得到的特征进行融合，得到最终的融合特征编码Efus，定义如下：
解码步骤应用生成式解码方法，接受所述融合特征向量Efus与解码器输入Xde。为了避免误差累积，生成式解码仅通过一次前馈输出多步预测结果。首先，为了提升模型对于太阳辐射变化趋势的感知能力，解码模块将待预测数据前的一段时间内的历史数据作为标志位Xtoken，定义如下：
其中，X0是模型待预测的向量。Ltoken和L0分别为标志位和待预测向量的长度。
其次，对解码器输入Xde词嵌入操作，词嵌入维度为dmodel，得到向量Y0；再次，对Y0分别作稀疏自注意力机制运算和多头注意力机制；其中，多头注意力机制设置稀疏自注意力机制的输出作为值向量，融合特征向量Efus作为质询向量和键向量；
接着，通过稀疏自注意力机制运算和多头注意力机制得到解码器输出向量；最后，通过多层感知机的前馈操作得到太阳辐射的多步预测结果
为了验证本发明所提方法的性能，实施例中进行了如下实验。选取了美国国家可再生能源实验室，太阳能资源研究实验室提供的数据集。测量位置位于美国科罗拉多州，坐标位置为北纬39.74度，西经105.18度。地基云图由ASI-16全天空成像仪拍摄，时间分辨率为10分钟。太阳辐射数据和气象数据的测量时间分辨率为1分钟。基于上述方法对该地区超短期太阳辐射进行预测。并通过量化误差指标评价模型性能。本实施例中采用三种误差分析指标：平均偏差误差(MAE)、平均绝对百分误差(MAPE)、归一化均方根误差(NRMSE)，定义如下：
对于美国可再生能源实验室的数据集，选取2021年1月-2021年12月的数据为训练样本(共26280个样本)，从2022年1月-2022年6月选取5256个样本为测试样本，使用本发明得到的太阳辐射预测误差如表1所示。此外，为了直观反映预测效果，图6展示了使用本发明方法得到的提前10分钟的太阳辐射预测曲线，图7展示了跨模态特征融合模块训练得到的权重。其中，在图7中，沿横轴的高亮部分表示被激活的时间步及其权重分布，沿纵轴的高亮部分则表示了被激活的光流图块及其权重分布图7充分说明了本发明有效利用了两种不同模态的信息(历史时序数据、地基云图数据)。从表1，图6可以看出，本发明的方法能够准确预测提前10分钟到30分钟的太阳辐射，满足支撑光伏接入的新能源电网的实时监控与调度需求。
表1基于美国可再生能源实验室数据集的测试样本误差
| 误差评价指标 | 提前10分钟 | 提前20分钟 | 提前30分钟 |
| MAE(W/m<sup>2</sup>) | 34.21 | 43.64 | 49.53 |
| MAPE(％) | 21.31 | 26.81 | 35.73 |
| NRMSE(％) | 4.28 | 5.11 | 5.74 |
综上所述，本发明设计的基于跨模态注意力机制的太阳辐射预测方法，首先设计稀疏自注意力机制与云图动态特征提取方法，利用注意力机制的全局搜索机制，分别高效提取历史时序数据与地基云图数据的隐性特征；进而运用跨模态注意力机制，充分提取历史时序特征与云图动态特征之间的耦合联系，有效弥补当前对耦合特征的融合机制研究不足的问题，实现了端到端的超短期太阳辐射多步预测，能够显著提升提前10分钟至30分钟的太阳辐射预测精度。本发明可应用于部署全天空成像仪的光伏电站，指导电网调控部门根据太阳辐射实时预测结果，调整发电计划，降低备用容量，满足电网监控与经济安全调控的需求。
基于与方法实施例相同的技术构思，本发明还提供一种基于跨模态注意力机制的超短期太阳辐射预测系统，包括：
特征抽取模块，用于利用Farneback光流法将灰度地基云图数据转换为帧间光流场，基于RGB全色彩地基云图通过红蓝像素占比计算地基云图晴空比，利用经验公式估计晴空太阳辐射值；
第一编码模块，用于对地基云图帧间光流图进行裁剪、拼接、嵌入，通过自注意力机制和多层感知机提取地基云图帧间光流场的局部动态特征，得到云图动态特征编码Eopt；
第二编码模块，用于通过稀疏自注意力机制提取历史时序数据的时序耦合特征，得到历史时序特征编码Ehis，所述历史时序数据包括历史太阳辐射Ihis、晴空太阳辐射估计值IG、历史温度数据This、历史湿度数据Hhis、地基云图晴空比数据kc；
跨模态学习模块，用于将云图动态特征编码Eopt和历史时序特征编码Ehis进行融合，得到融合特征向量Efus；
解码模块，用于基于融合特征向量Efus和解码器输入Xde通过生成式解码得到太阳辐射超短期多步预测结果。
应当理解，本发明实施例中的基于跨模态注意力机制的超短期太阳辐射预测系统可以实现上述方法实施例中的全部技术方案，其各个功能模块的功能可以根据上述方法实施例中的方法具体实现，其具体实现过程可参照上述实施例中的相关描述，此处不再赘述。
本发明还提供一种计算机设备，包括：一个或多个处理器；存储器；以及一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述程序被处理器执行时实现如上所述的基于跨模态注意力机制的超短期太阳辐射预测方法的步骤。
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的基于跨模态注意力机制的超短期太阳辐射预测方法的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。
本发明是参照根据本发明实施例的方法、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)
1.一种基于跨模态注意力机制的超短期太阳辐射预测方法，其特征在于，包括以下步骤：
(1)利用Farneback光流法将灰度地基云图数据转换为帧间光流场，基于RGB全色彩地基云图通过红蓝像素占比计算地基云图晴空比，利用经验公式估计晴空太阳辐射值；
(2)对地基云图帧间光流图进行裁剪、拼接、嵌入，通过自注意力机制和多层感知机提取地基云图帧间光流场的局部动态特征，得到云图动态特征编码Eopt；
(3)通过稀疏自注意力机制提取历史时序数据的时序耦合特征，得到历史时序特征编码Ehis，所述历史时序数据包括历史太阳辐射Ihis、晴空太阳辐射估计值IG、历史温度数据This、历史湿度数据Hhis、地基云图晴空比数据kc；
(4)通过跨模态注意力机制将云图动态特征编码Eopt和历史时序特征编码Ehis进行融合，得到融合特征向量Efus；
(5)基于融合特征向量Efus和解码器输入Xde通过生成式解码得到太阳辐射超短期多步预测结果。
2.根据权利要求1所述的方法，其特征在于，所述步骤(1)中，利用Farneback光流法将灰度地基云图数据转换为帧间光流场包括：
将地基云图用二次多项式来近似表示：I(X)～XTAX+bTX+c，其中，X指的是像素的空间位置表示(x,y)T，A、b、c为二次多项式系数；
基于相邻云图的亮度不变性假设，匹配云图相邻帧的二次多项式系数，并作实用性调整：
I1(X)≈I2(X)
由此得到Farneback稠密光流计算方法的目标函数，其函数公式为：
对目标函数进行梯度下降，融合x轴向和y轴向的光流图，得到连续云图帧的整体稠密光流解。
3.根据权利要求1所述的方法，其特征在于，所述步骤(1)中，基于RGB全色彩地基云图通过红蓝像素占比计算地基云图晴空比包括：
计算RGB全色彩地基云图各个像素位置的红蓝比矩阵RBR，并归一化为值域为[0,1]的正则化红蓝比矩阵NRBR，计算式如下：
其中，R和B分别为全色彩地基云图的红色和蓝色通道下的像素矩阵；
对于得到的地基云图正则化红蓝比矩阵NRBR，通过和预设阈值τ进行比较判断，将晴空区域标志为1，云层覆盖区域标志为0，得到地基云图全域标志位CV，定义如下：
基于地基云图全域标志位计算地基云图全域晴空比kc，计算式如下：
kc＝∑CV/(H×W)
其中，H与W分别为地基云图的高度和宽度。
4.根据权利要求1所述的方法，其特征在于，所述步骤(2)包括：
将尺寸为(H,W,2)的地基云图帧间光流图在各通道上裁剪为N个尺寸为(P,P)的光流块，其中，N＝H×W/P2；将各个光流块平铺成一维向量并进行融合，得到尺寸为(N,2P2)的光流表征xP；通过全连接层对各个光流块实施词嵌入操作，嵌入维度为dmodel；引入位置编码Epos来区分N个光流块的空间位置，得到光流特征编码方法的输入特征z0，定义如下：
其中，[·]为融合操作；E表示词嵌入转化矩阵；
将特征z0输入包括自注意力机制和多层感知机的编码子模块，并在自注意力机制和多层感知机处理前分别实施层归一化操作，对自注意力机制和多层感知机处理后得到的特征向量附加残差连接；在重复m次操作后，得到云图动态特征编码Eopt，自第l-1层到第l层的特征映射，定义如下：
z′l＝MSA(LN(zl-1))+zl-1
zl＝MLP(LN(z′l))+z′l
其中，MSA表示多头自注意力机制编码操作，LN表示层归一化操作，MLP表示多层感知机编码操作，经过m层编码操作，选取第m层的输出作为光流动态特征编码Eopt＝LN(zm)。
5.根据权利要求1所述的方法，其特征在于，所述步骤(3)包括：
基于历史时序数据构建输入特征
Lx为输入时序数据的时间步长，根据词嵌入维度dmodel对历史时序数据作词嵌入操作；
通过稀疏自注意力机制提取每一特征间的时序特征以及不同特征间的耦合特征，并通过蒸馏机制进行特征精炼，蒸馏机制包括一维卷积、激活函数以及池化操作，定义如下：
其中，
表示第t个时间步的输入特征在第j层蒸馏得到的特征向量，MaxPool(·)为最大池化操作；ELU(·)为激活函数；Conv1d(·)为时间维度的一维卷积操作；[·]AB为稀疏自注意力机制，所述稀疏自注意力机制选取M(qi,k)的值降序排列中前u个特征作为稀疏自注意力机制的质询向量
其中，As(q,k,v)为稀疏注意力机制更新得到的值向量，Softmax(·)为激活函数，v为稀疏注意力机制的值向量Value，k为稀疏注意力机制键向量Key，Lk为键向量的长度，
表示稀疏注意力的质询向量Query；
基于多层蒸馏机制，得到时序数据特征编码Ehis。
6.根据权利要求1所述的方法，其特征在于，所述步骤(4)包括：
将云图动态编码特征Eopt作为注意力机制的键向量和值向量，历史时序特征编码Ehis作为质询向量，运用跨模态注意力机制计算两者特征之间的耦合联系，并通过堆叠多层跨模态注意力机制提升特征挖掘的水平，每一层跨模态注意力机制的定义如下：
同样地，将历史时序特征编码Ehis作为注意力机制的键向量和值向量，云图动态编码特征Eopt作为质询向量，得到：
分别对得到的特征Yopt和Yhis应用多层感知机进行前馈操作，使其向量维度与词嵌入维度dmodel一致，最后将得到的特征进行融合，得到最终的融合特征编码Efus，定义如下：
7.根据权利要求1所述的方法，其特征在于，所述步骤(5)包括：
将待预测数据前的一段时间内的历史数据作为标志位Xtoken，定义如下：
其中，Ltoken和L0分别为标志位和待预测向量的长度；
对解码器输入Xde词嵌入操作，词嵌入维度为dmodel，得到注意力机制的输入向量Y0；对Y0分别作稀疏自注意力机制运算和多头注意力机制处理，其中，多头注意力机制设置稀疏自注意力机制的输出作为值向量，融合特征向量Efus作为质询向量和键向量；通过多层稀疏自注意力机制运算和多头注意力机制得到解码器输出向量，再通过多层感知机的前馈操作得到太阳辐射的多步预测结果
其中，[·]AB为稀疏自注意力机制。
8.一种跨模态注意力机制的超短期太阳辐射预测系统，其特征在于，包括：
特征抽取模块，用于利用Farneback光流法将灰度地基云图数据转换为帧间光流场，基于RGB全色彩地基云图通过红蓝像素占比计算地基云图晴空比，利用经验公式估计晴空太阳辐射值；
第一编码模块，用于对地基云图帧间光流图进行裁剪、拼接、嵌入，通过自注意力机制和多层感知机提取地基云图帧间光流场的局部动态特征，得到云图动态特征编码；
第二编码模块，用于通过稀疏自注意力机制提取历史时序数据的时序耦合特征，得到历史时序特征编码，所述历史时序数据包括历史太阳辐射Ihis、晴空太阳辐射估计值IG、历史温度数据This、历史湿度数据Hhis、地基云图晴空比数据kc；
跨模态学习模块，用于通过跨模态注意力机制将云图动态特征编码和历史时序特征编码进行融合，得到融合特征向量；
解码模块，用于基于融合特征向量通过生成式解码得到太阳辐射超短期多步预测结果。
9.一种计算机设备，其特征在于，包括：
一个或多个处理器；
存储器；以及
一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述程序被处理器执行时实现如权利要求1-7中任一项所述的基于注意力机制和地基云图的超短期太阳辐射预测方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的基于注意力机制和地基云图的超短期太阳辐射预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211360224.4A CN115511220B (zh) | 2022-11-02 | 2022-11-02 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211360224.4A CN115511220B (zh) | 2022-11-02 | 2022-11-02 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115511220A true CN115511220A (zh) | 2022-12-23 |
| CN115511220B CN115511220B (zh) | 2023-06-13 |
Family
ID=84512871
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211360224.4A Active CN115511220B (zh) | 2022-11-02 | 2022-11-02 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115511220B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116612393A (zh) * | 2023-05-05 | 2023-08-18 | 北京思源知行科技发展有限公司 | 一种太阳辐射预测方法、系统、电子设备及存储介质 |
| CN116776921A (zh) * | 2023-06-09 | 2023-09-19 | 淮阴工学院 | 一种基于改进patch-informer的太阳辐射预测方法及装置 |
| CN116777066A (zh) * | 2023-06-26 | 2023-09-19 | 河海大学 | 基于地基云图引导深度分解的光伏功率概率预测方法及装置 |
| CN117220276A (zh) * | 2023-09-12 | 2023-12-12 | 河海大学 | 考虑时空特征相互影响的超短期光伏功率预测方法及系统 |
| 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 |
| CN118470486A (zh) * | 2024-07-09 | 2024-08-09 | 南京师范大学 | 一种基于多模态特征融合的超短期太阳辐照度预测方法 |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170104344A1 (en) * | 2015-10-08 | 2017-04-13 | Johnson Controls Technology Company | Electrical energy storage system with constant state-of charge frequency response optimization |
| US20170185057A1 (en) * | 2011-04-14 | 2017-06-29 | Suntracker Technologies Ltd. | System and method for the optimization of radiance modelling and controls in predictive daylight harvesting |
| CN107194495A (zh) * | 2017-04-21 | 2017-09-22 | 北京信息科技大学 | 一种基于历史数据挖掘的光伏功率纵向预测方法 |
| US20170351970A1 (en) * | 2016-06-07 | 2017-12-07 | International Business Machines Corporation | Solar irradiation modeling and forecasting using community based terrestrial sky imaging |
| CN107850428A (zh) * | 2015-05-29 | 2018-03-27 | 德克萨斯大学系统董事会 | 分布式太阳能预测成像 |
| US20190158011A1 (en) * | 2016-05-11 | 2019-05-23 | Commonwealth Scientific And Industrial Research Organisation | Solar power forecasting |
| CN110514298A (zh) * | 2019-08-30 | 2019-11-29 | 河海大学常州校区 | 一种基于地基云图的太阳辐照强度计算方法 |
| CN111815038A (zh) * | 2020-06-24 | 2020-10-23 | 山东大学 | 一种光伏超短期预测方法及系统 |
| CN112508255A (zh) * | 2020-12-01 | 2021-03-16 | 北京科技大学 | 一种基于多源异构数据的光伏出力超短期预测方法及系统 |
| US10989839B1 (en) * | 2017-08-29 | 2021-04-27 | University Of Hawai'i | Ground-based sky imaging and irradiance prediction system |
| CN113298303A (zh) * | 2021-05-19 | 2021-08-24 | 河海大学 | 针对气象卫星云图动态注意域的光伏功率预测方法 |
| CN113537561A (zh) * | 2021-06-09 | 2021-10-22 | 中国电力科学研究院有限公司 | 一种基于地基云图的超短期太阳辐射预测方法和系统 |
| US11222217B1 (en) * | 2020-08-14 | 2022-01-11 | Tsinghua University | Detection method using fusion network based on attention mechanism, and terminal device |
| CN113988477A (zh) * | 2021-11-26 | 2022-01-28 | 西安化奇数据科技有限公司 | 基于机器学习的光伏功率短期预测方法、装置及存储介质 |
| KR20220050758A (ko) * | 2020-10-16 | 2022-04-25 | 현대자동차주식회사 | 다차원 어텐션 메커니즘에 기반한 다방향 장면 텍스트 인식 방법 및 시스템 |
| CN114510513A (zh) * | 2021-12-31 | 2022-05-17 | 国网浙江省电力有限公司绍兴供电公司 | 用于光伏功率超短期预测的短临气象预报数据处理方法 |
| CN114707688A (zh) * | 2021-12-31 | 2022-07-05 | 国网浙江省电力有限公司绍兴供电公司 | 基于卫星云图和时空神经网络的光伏功率超短期预测方法 |
-
2022
- 2022-11-02 CN CN202211360224.4A patent/CN115511220B/zh active Active
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170185057A1 (en) * | 2011-04-14 | 2017-06-29 | Suntracker Technologies Ltd. | System and method for the optimization of radiance modelling and controls in predictive daylight harvesting |
| CN107850428A (zh) * | 2015-05-29 | 2018-03-27 | 德克萨斯大学系统董事会 | 分布式太阳能预测成像 |
| US20170104344A1 (en) * | 2015-10-08 | 2017-04-13 | Johnson Controls Technology Company | Electrical energy storage system with constant state-of charge frequency response optimization |
| US20190158011A1 (en) * | 2016-05-11 | 2019-05-23 | Commonwealth Scientific And Industrial Research Organisation | Solar power forecasting |
| US20170351970A1 (en) * | 2016-06-07 | 2017-12-07 | International Business Machines Corporation | Solar irradiation modeling and forecasting using community based terrestrial sky imaging |
| CN107194495A (zh) * | 2017-04-21 | 2017-09-22 | 北京信息科技大学 | 一种基于历史数据挖掘的光伏功率纵向预测方法 |
| US10989839B1 (en) * | 2017-08-29 | 2021-04-27 | University Of Hawai'i | Ground-based sky imaging and irradiance prediction system |
| CN110514298A (zh) * | 2019-08-30 | 2019-11-29 | 河海大学常州校区 | 一种基于地基云图的太阳辐照强度计算方法 |
| CN111815038A (zh) * | 2020-06-24 | 2020-10-23 | 山东大学 | 一种光伏超短期预测方法及系统 |
| US11222217B1 (en) * | 2020-08-14 | 2022-01-11 | Tsinghua University | Detection method using fusion network based on attention mechanism, and terminal device |
| KR20220050758A (ko) * | 2020-10-16 | 2022-04-25 | 현대자동차주식회사 | 다차원 어텐션 메커니즘에 기반한 다방향 장면 텍스트 인식 방법 및 시스템 |
| CN112508255A (zh) * | 2020-12-01 | 2021-03-16 | 北京科技大学 | 一种基于多源异构数据的光伏出力超短期预测方法及系统 |
| CN113298303A (zh) * | 2021-05-19 | 2021-08-24 | 河海大学 | 针对气象卫星云图动态注意域的光伏功率预测方法 |
| CN113537561A (zh) * | 2021-06-09 | 2021-10-22 | 中国电力科学研究院有限公司 | 一种基于地基云图的超短期太阳辐射预测方法和系统 |
| CN113988477A (zh) * | 2021-11-26 | 2022-01-28 | 西安化奇数据科技有限公司 | 基于机器学习的光伏功率短期预测方法、装置及存储介质 |
| CN114510513A (zh) * | 2021-12-31 | 2022-05-17 | 国网浙江省电力有限公司绍兴供电公司 | 用于光伏功率超短期预测的短临气象预报数据处理方法 |
| CN114707688A (zh) * | 2021-12-31 | 2022-07-05 | 国网浙江省电力有限公司绍兴供电公司 | 基于卫星云图和时空神经网络的光伏功率超短期预测方法 |
Non-Patent Citations (7)
| Title |
|---|
| DHILEEBAN KUMARESAN等: "SunCast: Solar Irradiance Nowcasting from Geosynchronous Satellite Data", pages 1 - 6 * |
| HAIXIANG ZANG等: "Short-term global horizontal irradiance forecasting based on a hybrid CNN-LSTM model with spatiotemporal correlations", ELSEVIER, pages 26 - 41 * |
| 倪超等: "基于CNN-Bi-LSTM的太阳辐照度超短期预测", vol. 43, no. 3, pages 197 - 202 * |
| 臧海祥: "基于数据驱动的太阳辐射估计和预测研究与展望" * |
| 臧海祥等: "基于数据驱动的太阳辐射估计和预测研究与展望", 电力系统自动化, vol. 45, no. 11, pages 170 - 183 * |
| 蒋俊霞;高晓清;吕清泉;汪宁渤;李毅;李振朝;: "基于地基云图的云跟踪与太阳辐照度超短期预报方法研究" * |
| 蒋俊霞;高晓清;吕清泉;汪宁渤;李毅;李振朝;: "基于地基云图的云跟踪与太阳辐照度超短期预报方法研究", 太阳能学报, vol. 41, no. 05, pages 351 - 358 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116612393A (zh) * | 2023-05-05 | 2023-08-18 | 北京思源知行科技发展有限公司 | 一种太阳辐射预测方法、系统、电子设备及存储介质 |
| CN116776921A (zh) * | 2023-06-09 | 2023-09-19 | 淮阴工学院 | 一种基于改进patch-informer的太阳辐射预测方法及装置 |
| CN116776921B (zh) * | 2023-06-09 | 2024-04-19 | 淮阴工学院 | 一种基于改进patch-informer的太阳辐射预测方法及装置 |
| CN116777066A (zh) * | 2023-06-26 | 2023-09-19 | 河海大学 | 基于地基云图引导深度分解的光伏功率概率预测方法及装置 |
| CN116777066B (zh) * | 2023-06-26 | 2024-01-23 | 河海大学 | 基于地基云图引导深度分解的光伏功率概率预测方法及装置 |
| CN117220276A (zh) * | 2023-09-12 | 2023-12-12 | 河海大学 | 考虑时空特征相互影响的超短期光伏功率预测方法及系统 |
| CN117220276B (zh) * | 2023-09-12 | 2024-07-02 | 河海大学 | 考虑时空特征相互影响的超短期光伏功率预测方法及系统 |
| 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 |
| CN118470486A (zh) * | 2024-07-09 | 2024-08-09 | 南京师范大学 | 一种基于多模态特征融合的超短期太阳辐照度预测方法 |
| CN118470486B (zh) * | 2024-07-09 | 2024-10-18 | 南京师范大学 | 一种基于多模态特征融合的超短期太阳辐照度预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115511220B (zh) | 2023-06-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115511220B (zh) | 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 | |
| CN110570651A (zh) | 一种基于深度学习的路网交通态势预测方法及系统 | |
| Huang et al. | A Comparison of Hour‐Ahead Solar Irradiance Forecasting Models Based on LSTM Network | |
| Liang et al. | A deep spatio-temporal fuzzy neural network for passenger demand prediction | |
| CN118211494B (zh) | 一种基于相关矩阵的风速预测混合模型构建方法及系统 | |
| Aliberti et al. | Forecasting Short-term Solar Radiation for Photovoltaic Energy Predictions. | |
| Liu et al. | An innovative short-term multihorizon photovoltaic power output forecasting method based on variational mode decomposition and a capsule convolutional neural network | |
| CN116796810A (zh) | 一种基于知识蒸馏的深度神经网络模型压缩方法及装置 | |
| CN118036822A (zh) | 电氢一体化能源站的电氢负荷预测方法、装置及存储介质 | |
| CN118298222A (zh) | 基于多尺度注意力和卷积融合的短临降水预测方法 | |
| CN115497002A (zh) | 一种多尺度特征融合的激光雷达遥感分类方法 | |
| Blier-Wong et al. | Geographic ratemaking with spatial embeddings | |
| CN113947235A (zh) | 一种基于深度全天图像学习的光伏发电预测混合方法 | |
| CN118279272A (zh) | 一种基于改进YOLOv8的钢板表面缺陷检测方法 | |
| Yang et al. | UAV-deployed deep learning network for real-time multi-class damage detection using model quantization techniques | |
| Diao et al. | LE‐YOLOv5: A Lightweight and Efficient Road Damage Detection Algorithm Based on Improved YOLOv5 | |
| Gao et al. | Interpretable deep learning for hourly solar radiation prediction: A real measured data case study in Tokyo | |
| CN110019167B (zh) | 一种中长期新能源资源资料库构建方法及系统 | |
| Liu et al. | Integration transformer for ground-based cloud image segmentation | |
| CN117410976A (zh) | 一种基于天空图像的太阳能光伏发电短期预测方法 | |
| CN116246147A (zh) | 基于跨层特征融合和线性注意力优化的跨物种目标检测方法 | |
| CN111209802B (zh) | 一种图形焦点转移的机器人视觉图像场景解析方法 | |
| Song et al. | Autonomous identification of bridge concrete cracks using unmanned aircraft images and improved lightweight deep convolutional networks | |
| Bhattacharjee et al. | Short-term solar irradiance forecasting using long short term memory variants | |
| CN118038237B (zh) | 基于三维点云与声纹的储能电站安全监测方法、装置及介质 |
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 |