CN116776921B - 一种基于改进patch-informer的太阳辐射预测方法及装置 - Google Patents

Abstract

本发明公开了一种基于改进patch‑informer的太阳辐射预测方法及装置，所述方法包括：利用无迹卡尔曼滤波UKF对太阳辐射历史数据进行数据预处理；通过因子分析法FA进行特征提取，获取可观测的太阳辐射数据变量中的隐变量；对战争策略算法进行改进；建立IWSO‑patch‑informer模型，将测试样本输入IWSO‑patch‑informer模型中进行计算，得到待预测站点未来的太阳辐射预测值。本发明通过patch‑informer模型将时间序列分隔成子序列级别的patches，作为informer的输入，然后通过IWSO优化模型中多头注意力机制的head个数，该模型包含独立通道，每个通道包含单一的单变量时间序列，改良了传统时间序列模型的缺点，可以关注到更长的太阳辐射的历史信息，显著提高长期太阳辐射预测的准确性。

Description

一种基于改进patch-informer的太阳辐射预测方法及装置

技术领域

本发明属于太阳辐射预测技术领域，具体涉及一种基于改进patch-informer的太阳辐射预测方法及装置。

背景技术

现今世界处于资源匮乏的大背景之下，各种不可再生能源如煤炭、石油、天然气等等化石燃料，以肉眼可见的速度衰竭。国际能源市场也发生了反转，化石能源供应紧张，价格节节攀升。而太阳能作为新能源的一种，如何合理利用太阳能，成为了人们热论的话题。

太阳能被广泛的应用于电力系统中，太阳能发电是利用太阳能的光能转换成电能的技术，主要利用太阳能电池板吸收太阳光，将光转化为电能。预测太阳辐射是一项具有挑战性的任务，由于受到温湿度、风速等各种不可控因素的影响，预测出的数据往往不理想。当气象参数数据集缺乏与辐射强度相关的信息时，利用历史辐射序列进行预测并提高准确性是一项复杂而困难的任务。

现有技术中，物理辐射传输模型与数值天气预报模型的输入数据难以获得，且计算成本较高，而基于图像的模型，由于图像采集设备昂贵，限制了其在太阳辐射的广泛运用，而传统单一时间序列预测模型难以满足太阳能辐射预测模型的精度及时常需求；而本发明中，应用patch技术与informer模型相结合，在用无迹卡尔曼滤波对数据预处理，因子分析法对数据进行特征提取，IWSO算法优化模型参数有效的改善了这一难点。结合patch技术可以有效的关注更长的太阳辐射历史数据，提高预测的精准度，而informer模型能够准确的捕捉太阳辐射历史数据的输入与预测输出的关系，在更长的历史数据上，更准确的预测出结果。

发明内容

发明目的：针针对背景技术中指出的问题，本发明公开一种基于改进patch-informer的太阳辐射预测方法及装置，利用改进战争策略算法优化基于patch-informer深度学习模型的太阳辐射预测模型，关注到更长的太阳辐射的历史信息，显著提高长期太阳辐射预测的准确性。

技术方案：本发明提出一种基于改进patch-informer的太阳辐射预测方法，包括以下步骤：

(1)在待测站点获取并记录太阳辐射历史数据，利用无迹卡尔曼滤波UKF对太阳辐射历史数据进行数据预处理；

(2)将预处理后的太阳辐射数据通过因子分析法FA进行特征提取，获取可观测的太阳辐射数据变量中的隐变量，实现数据的降维，选择能反应太阳辐射数据离散特性的隐变量数据作为IWSO-patch-informer的输入数据；

(3)采用矢量距免疫浓度结合Circle混沌映射生成WSO算法初始种群，再采用高斯-柯西变异对WSO算法个体位置进行更新，形成改进的战争优化算法IWSO；

(4)构建IWSO-patch-informer模型：将多元时间序列样本分隔成多个patch单变量序列，使得通道独立化；采用IWSO对patch-informer模型中的多头注意力机制的head个数进行优化；将分隔后的数据从独立信道输入进informer网络中的Encoder-Decoder译码器中，输出多因子通道的独立预测结果，并将通道拼接输出预测数据。

进一步地，所述步骤(1)实现过程如下：

建立非线性状态数学模型：

式中，为t时刻的太阳辐射模型状态方程，ξ(t)为系统状态噪声，β(t)为状态转移矩阵，Q(t)为前一时刻的太阳辐射状态方程；

建立观测方程：

式中，D(t)为t时刻的站点太阳辐射的测量向量，为t时刻限幅滤波后的测量噪声，H函数为非线性函数；

分别对状态方程和观测方程进行离散化处理后，选取sigma点：

式中，n为状态方程中状态变量个数，为太阳辐射数据均值，/>为状态向量的协方差矩阵，矩阵/>定义为/>经过Cholesky分解后得到的平方根矩阵第i列，λ_u为比例缩放因子；

计算预测协方差矩阵

式中，为方差权重，X_i为选取的sigma点，/>为标准差，U_k-1为协方差矩阵；

计算观测更新方程：

式中，Y_i为第i个粒子的量测量，Z_i为第i个粒子的观测预测量；

更新无迹卡尔曼滤波后的的卡尔曼增益K_k、状态估计Q_k和协方差矩阵U_k，表达式如下：

式中，为第k步传感器观测数据跟踪变换所得。

进一步地，所述骤(2)实现过程如下：

构建因子分析法数学模型：

X＝WZ+ε

式中，X＝(x₁,x₂,…,x_D)^T为D维可观测太阳辐射数据变量，Z＝(z₁,z₂,…,z_M)^T为M维与X相对应的不可观测太阳辐射数据因变量，即X降维后的形式，ε＝(ε₁,ε₂,…,ε_M)^T为特殊因子，代表太阳辐射数据原始变量中不能被因子变量解释的部分，W为因子载荷矩阵；

计算通过无迹卡尔曼滤波处理后的太阳辐射数据的协方差矩阵：

式中，λ_i表示协方差矩阵的特征根，e_i表示的是特征根所对应的特征向量，U表示特征向量的矩阵；

计算协方差矩阵的特征根：

基于模型假设，协方差阵有如下表示方法：

∑＝Cov(X)

＝Cov(WZ+ε)

＝WCov(Z)W^T+Cov(ε)

＝WW^T+D_σ

式中，为太阳辐射数据原始变量中不能被因子变量解释的部分所变换而来的对角矩阵；

得到因子载荷矩阵的估计：

将因子模型表示为：

所求矩阵Z＝(z₁,z₂,…,z_M)^T为特征提取后的太阳辐射数据集。

进一步地，步骤(3)所述采用矢量距免疫浓度结合Circle混沌映射生成WSO算法初始种群实现过程如下：

首先采用Circle混沌映射法生成N个多头注意力机制的head；

进行免疫矢量距浓度优化，将N个多头注意力机制的head输入至抗体选择概率公式中，概率选择公式表示如下：

G(x_α)＝γG_f+(1-γ)G_c α＝1,2,…,N

式中，γ为比例系数，G_f为基于抗体适应度函数值的选择概率，G_c为基于抗体浓度被选择的概率；

计算出每个抗体的综合概率值，通过概率值的大小进行排序，概率值越大排在越前面；选择出适应度值小且浓度低的前n_c(n_c≤N)个数据较优的太阳辐射数据作为初始种群。

进一步地，步骤(3)所述采用高斯-柯西变异对WSO算法个体位置进行更新实现过程如下：

当进行攻击策略时，种群对应的多头注意力机制值的在进行高斯-柯西变异后的位置表示为：

式中，Y_w(t_f+1)为第t_f+1次迭代替换的种群对应的多头注意力机制位置信息，rand为生成均匀分布在0到1之间的随机数，R为次优多头注意力机制值的位置信息，G为最佳多头注意力机制值的位置信息,C(1,0)为服从柯西分布的随机变量，N(0,1)为服从高斯分布的随机变量；如果士兵成功更新位置，则士兵的军衔将升级，即适应度值将提升，适应度值越大，预测的结果越好，士兵军衔表示为：

式中，为第t_f+1次迭代时的适应度值，S_n为太阳辐射的预测值，S_p为太阳辐射的实测值；

在进行t_f+1次迭代后，最新权重表示为：

式中，为第t_f+1次迭代时优化后的权重值，Max_iter为最大迭代次数，α为权重因子；

当进行防御策略时，种群对应的多头注意力机制值的在进行高斯-柯西变异后的位置表示为：

式中，Y_w(t_f)为第t_f次迭代种群对应的多头注意力机制值的位置信息；

进一步地，所述步骤(4)实现过程如下：

(41)建立一个具有回视窗口L的太阳辐射多元时间序列样本集合，太阳辐射样本设定为：

x＝{x₁,x₂,…,x_L}；

(42)将从索引1开始的长度为L的第ο个变量序列表示为其中ο＝1,2,…,M；输入x＝{x₁,x₂,…,x_L}被分隔成单变量序列x^(ο)∈R^1×L；

(43)将被分隔后的每个时间序列都根据独立信道设置，进入informer网络；

(44)将经过patch分隔后的数据输入至Encoder编码器中，经过自注意力机制评估，评估公式如下：

式中，为包含稀疏评估下的Query，由采样factor c控制，Q为Query，K为Key，V为Value；

(45)对输入的时间维度进行修剪，“distilling”的过程从第η层往η+1层推进，推进方法如下：

式中，[i]_AB包含Multi-HeadProbSparse self-attention的操作，为时间维度修剪后的数据集；

(46)将修剪过的数据输入进入Decoder译码器中，输入向量公式如下：

式中，是start tocken，/>是一个占位符；

(47)将Masked multi-head attention应用于ProbSparse self-attention，将mask的点积设置为-inf；

(48)将数据连接，获得一个完整的太阳辐射预测输出值。

本发明还提供一种装置设备，包括存储器和处理器，其中：

存储器，用于存储能够在处理器上运行的计算机程序；

处理器，用于在运行所述计算机程序时，执行上述基于改进patch-informer的太阳辐射预测方法的步骤。

本发明还提供一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被至少一个处理器执行时实现上述基于改进patch-informer的太阳辐射预测方法的步骤。

有益效果：与现有技术相比，本发明的有益效果：

1、本发明使用无迹卡尔曼滤波，对初始非线性的太阳辐射数据进行滤波处，通过Sigma点方法，对由均值和协方差矩阵产生的Sigma点进行非线性变换，再对变换后的结果进行加权平均，从而减少了噪声信号对系统的影响，使得后续模型预测更为准确；

2、本发明结合了因子分析法，增强了模型精度，减少输入变量的数量，仅保留最相关的特征，从而减少维度与计算的成本，并增强了预测模型的精度；

3、本发明在战争策略算法的基础上引入了免疫的矢量距浓度与混沌映射相结合策略改进初始化，并结合高斯-柯西变异进行位置更新，与原来战争策略算法相较，加入初始化改进策略后，提高了战争策略算法的收敛速度，增加了种群的多样性，使得搜索过程避免陷入局部最优；将其与Patch-informer神经网络相结合后，改进的战争策略算法与Patch-informer相结合的神经网络模型寻找到最优多头注意力机制的head个数，使得预测结果更为准确；

4、本发明针对太阳辐射的太阳辐射序列的储存历史数据序列短，输入与输出联系不紧密致使太阳辐射预测精度低的问题，采用因子分析法和改进战争策略算法与patch-informer模型相结合构成IWSO-Patch-informer神经网络模型对太阳辐射数据进行预测，克服了传统时间序列模型的缺点，提高了太阳辐射预测的准确度。

附图说明

图1是本发明的流程图；

图2为无迹卡尔曼滤波流程图；

图3为因子分析法特称提取流程图；

图4为本发明构建的Patch-informer神经网络结构示意图。

具体实施方式

下面结合附图对本发明作进一步详细说明。

本发明提供一种基于改进patch-informer的太阳辐射预测方法，如图1所示，本发明预测方法主要包括数据预处理、特征提取、改进智能优化算法、建立预测模型四部分；具体实现过程如下：

步骤1：在待测站点获取并记录太阳辐射历史数据，利用无迹卡尔曼滤波UKF对太阳辐射历史数据进行数据预处理。

将太阳辐射数据当作无迹卡尔曼滤波的输入，对初始非线性的太阳辐射数据进行滤波处，通过Sigma点方法，对由均值和协方差矩阵产生的Sigma点进行非线性变换，再对变换后的结果进行加权平均，从而减少了噪声信号对系统的影响。

如图2所示，无迹卡尔曼滤波的步骤如下：

建立非线性状态数学模型，模型表示如下：

式中，为t时刻的太阳辐射模型状态方程，ξ(t)为系统状态噪声，β(t)为状态转移矩阵，Q(t)为前一时刻的太阳辐射状态方程。

建立观测方程，观测方程的表达式如下：

式中，D(t)为t时刻的站点太阳辐射的测量向量，为t时刻限幅滤波后的测量噪声，H函数为非线性函数。

分别对状态方程和观测方程进行离散化处理后，选取sigma点，选取的sigma点的表达式为：

式中，n为状态方程中状态变量个数，为太阳辐射数据均值，/>为状态向量的协方差矩阵，矩阵/>定义为/>经过Cholesky分解后得到的平方根矩阵第i列，λ_u为比例缩放因子。

计算预测协方差矩阵表达式如下：

式中，为方差权重，X_i为选取的sigma点，/>为标准差，U_k-1为协方差矩阵。

计算观测更新方程：

式中，Y_i为第i个粒子的量测量，Z_i为第i个粒子的观测预测量。

更新无迹卡尔曼滤波后的的卡尔曼增益K_k、状态估计Q_k和协方差矩阵U_k，表达式如下：

式中，为第k步传感器观测数据跟踪变换所得。

步骤2：将预处理后的太阳辐射数据通过因子分析法FA进行特征提取，获取隐藏在一组可观测的太阳辐射数据变量中的隐变量，实现数据的降维，选择能反应太阳辐射数据离散特性的隐变量数据作为IWSO-patch-informer的输入数据。

如图3所示，因子分析法通过以下步骤实现：

构建因子分析法数学模型，模型表示如下：

X＝WZ+ε

式中，X＝(x₁,x₂,…,x_D)^T为D维可观测太阳辐射数据变量，Z＝(z₁,z₂,…,z_M)^T为M维与X相对应的不可观测太阳辐射数据因变量，即X降维后的形式，ε＝(ε₁,ε₂,…,ε_M)^T为特殊因子，代表太阳辐射数据原始变量中不能被因子变量解释的部分，W为因子载荷矩阵。

计算通过无迹卡尔曼滤波处理后的太阳辐射数据的协方差矩阵，计算表达式表示为：

式中，λ_i表示协方差矩阵的特征根，e_i表示的是特征根所对应的特征向量，U表示特征向量的矩阵。

计算协方差矩阵的特征根，计算方法如下：

基于模型假设，协方差阵有如下表示方法：

∑＝Cov(X)

＝Cov(WZ+ε)

＝WCov(Z)W^T+Cov(ε)

＝WW^T+D_σ

式中，为太阳辐射数据原始变量中不能被因子变量解释的部分所变换而来的对角矩阵。

结合上面两式，可以得到因子载荷矩阵的估计：

得到载荷矩阵后，可以将因子模型表示为：

所求矩阵Z＝(z₁,z₂,…,z_M)^T为特征提取后的太阳辐射数据集。

步骤3：改进WSO算法，采用Circle混沌映射-免疫的矢量距浓度法生成初始化种群，再利用高斯-柯西变异来优化位置更新，具体通过以下步骤实现：

首先采用Circle混沌映射初始化种群，再利用免疫的矢量距浓度进行初始群体的挑选，最终获得高质量的初始粒子，初始化步骤如下所示：

1)首先采用Circle混沌映射法生成N个多头注意力机制的head。

2)进行免疫矢量距浓度优化，将N个多头注意力机制的head输入至抗体选择概率公式中，概率选择公式表示如下：

G(x_α)＝γG_f+(1-γ)G_c α＝1,2,…,N

式中，γ为比例系数，G_f为基于抗体适应度函数值的选择概率，G_c为基于抗体浓度被选择的概率。

3)计算出每个抗体的综合概率值，通过概率值的大小进行排序，概率值越大排在越前面。最终选择出适应度值小且浓度低的前n_c(n_c≤N)个数据较优的太阳辐射数据作为初始种群。

当进行攻击策略时，种群对应的多头注意力机制值的在进行高斯-柯西变异后的位置表示为：

式中，Y_w(t_f+1)为第t_f+1次迭代替换的种群对应的多头注意力机制位置信息，rand为生成均匀分布在0到1之间的随机数，R为次优多头注意力机制值的位置信息，G为最佳多头注意力机制值的位置信息,C(1,0)为服从柯西分布的随机变量，N(0,1)为服从高斯分布的随机变量；如果士兵成功更新位置，则士兵的军衔将升级，即适应度值将提升，适应度值越大，预测的结果越好，士兵军衔表示为：

式中，为第t_f+1次迭代时的适应度值，S_n为太阳辐射的预测值，S_p为太阳辐射的实测值。

在进行t_f+1次迭代后，最新权重表示为：

式中，为第t_f+1次迭代时优化后的权重值，Max_iter为最大迭代次数，α为权重因子。

当进行防御策略时，种群对应的多头注意力机制值的在进行高斯-柯西变异后的位置表示为：

式中，Y_w(t_f)为第t_f次迭代种群对应的多头注意力机制值的位置信息。

步骤4：建立基于patch-informer神经网络的预测模型，如图4所示，采用IWSO对patch-informer模型中的多头注意力机制的head个数进行优化，使得经过IWSO算法优化后的patch-informer多头注意力机制值，在太阳辐射预测中得出更精准的预测结果。具体通过以下步骤实现：

建立一个具有回视窗口L的太阳辐射多元时间序列样本集合，太阳辐射样本设定为：

x＝{x₁,x₂,…,x_L}；

将从索引1开始的长度为L的第ο个变量序列表示为其中ο＝1,2,…,M；输入x＝{x₁,x₂,…,x_L}被分隔成单变量序列x^(ο)∈R^1×L。

将被分隔后的每个时间序列都根据独立信道设置，进入informer网络。将经过patch分隔后的数据输入至Encoder编码器中，经过自注意力机制评估，评估公式如下：

式中，为包含稀疏评估下的Query，由采样factor c控制，Q为Query，K为Key，V为Value。

对输入的时间维度进行修剪，“distilling”的过程从第η层往η+1层推进，推进方法如下：

式中，[i]_AB包含Multi-HeadProbSparse self-attention的操作，为时间维度修剪后的数据集。

将修剪过的数据输入进入Decoder译码器中，输入向量公式如下：

式中，是start tocken，/>是一个占位符。

将Masked multi-head attention应用于ProbSparse self-attention，将mask的点积设置为-inf，它可以防止每个位置都关注未来位置，从而避免了自回归。将数据连接，获得一个完整的太阳辐射预测输出值。

本发明还提供一种装置设备，包括存储器和处理器，其中，存储器，用于存储能够在处理器上运行的计算机程序；处理器，用于在运行所述计算机程序时，执行上述基于改进patch-informer的太阳辐射预测方法的步骤。

本发明还提供一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被至少一个处理器执行时实现上述基于改进patch-informer的太阳辐射预测方法的步骤。

上述实施方式只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所做的等效变换或修饰，都应涵盖在本发明的保护范围之内。

Claims (5)

1.一种基于改进patch-informer的太阳辐射预测方法，其特征在于，包括以下步骤：

(1)在待测站点获取并记录太阳辐射历史数据，利用无迹卡尔曼滤波UKF对太阳辐射历史数据进行数据预处理；

(2)将预处理后的太阳辐射数据通过因子分析法FA进行特征提取，获取可观测的太阳辐射数据变量中的隐变量，实现数据的降维，选择能反应太阳辐射数据离散特性的隐变量数据作为IWSO-patch-informer的输入数据；

(3)采用矢量距免疫浓度结合Circle混沌映射生成WSO算法初始种群，再采用高斯-柯西变异对WSO算法个体位置进行更新，形成改进的战争优化算法IWSO；

(4)构建IWSO-patch-informer模型：将多元时间序列样本分隔成多个patch单变量序列，使得通道独立化；采用IWSO对patch-informer模型中的多头注意力机制的head个数进行优化；将分隔后的数据从独立信道输入进informer网络中的Encoder-Decoder译码器中，输出多因子通道的独立预测结果，并将通道拼接输出预测数据；

步骤(3)所述采用矢量距免疫浓度结合Circle混沌映射生成WSO算法初始种群实现过程如下：

首先采用Circle混沌映射法生成N个多头注意力机制的head；

进行免疫矢量距浓度优化，将N个多头注意力机制的head输入至抗体选择概率公式中，概率选择公式表示如下：

G(x_α)＝γG_f+(1-γ)G_cα＝1,2,…,N

式中，γ为比例系数，G_f为基于抗体适应度函数值的选择概率，G_c为基于抗体浓度被选择的概率；

计算出每个抗体的综合概率值，通过概率值的大小进行排序，概率值越大排在越前面；选择出适应度值小且浓度低的前n_c个数据较优的太阳辐射数据作为初始种群，其中n_c≤N)；

步骤(3)所述采用高斯-柯西变异对WSO算法个体位置进行更新实现过程如下：

当进行攻击策略时，种群对应的多头注意力机制值的在进行高斯-柯西变异后的位置表示为：

式中，Y_w(t_f+1)为第t_f+1次迭代替换的种群对应的多头注意力机制位置信息，rand为生成均匀分布在0到1之间的随机数，R为次优多头注意力机制值的位置信息，G为最佳多头注意力机制值的位置信息,C(1,0)为服从柯西分布的随机变量，N(0,1)为服从高斯分布的随机变量；如果士兵成功更新位置，则士兵的军衔将升级，即适应度值将提升，适应度值越大，预测的结果越好，士兵军衔表示为：

式中，为第t_f+1次迭代时的适应度值，S_n为太阳辐射的预测值，S_p为太阳辐射的实测值；

在进行t_f+1次迭代后，最新权重表示为：

式中，为第t_f+1次迭代时优化后的权重值，Max_iter为最大迭代次数，α为权重因子；

当进行防御策略时，种群对应的多头注意力机制值的在进行高斯-柯西变异后的位置表示为：

式中，Y_w(t_f)为第t_f次迭代种群对应的多头注意力机制值的位置信息；

所述步骤(4)实现过程如下：

(41)建立一个具有回视窗口L的太阳辐射多元时间序列样本集合，太阳辐射样本设定为：

(42)将从索引1开始的长度为L的第ο个变量序列表示为其中ο＝1,2,…,M；输入x＝{x₁,x₂,…,x_L}被分隔成单变量序列x^(ο)∈R^1×L；

(43)将被分隔后的每个时间序列都根据独立信道设置，进入informer网络；

(44)将经过patch分隔后的数据输入至Encoder编码器中，经过自注意力机制评估，评估公式如下：

式中，为包含稀疏评估下的Query，由采样factor c控制，Q为Query，K为Key，V为Value；

(45)对输入的时间维度进行修剪，“distilling”的过程从第η层往η+1层推进，推进方法如下：

式中，[i]_AB包含Multi-Head ProbSparse self-attention的操作，为时间维度修剪后的数据集；

(46)将修剪过的数据输入进入Decoder译码器中，输入向量公式如下：

式中，是start tocken，/>是一个占位符；

(47)将Masked multi-head attention应用于ProbSparse self-attention，将mask的点积设置为-inf；

(48)将数据连接，获得一个完整的太阳辐射预测输出值。

2.根据权利要求1所述的一种基于改进patch-informer的太阳辐射预测方法，其特征在于，所述步骤(1)实现过程如下：

建立非线性状态数学模型：

式中，为t时刻的太阳辐射模型状态方程，ξ(t)为系统状态噪声，β(t)为状态转移矩阵，Q(t)为前一时刻的太阳辐射状态方程；

建立观测方程：

式中，D(t)为t时刻的站点太阳辐射的测量向量，为t时刻限幅滤波后的测量噪声，H函数为非线性函数；

分别对状态方程和观测方程进行离散化处理后，选取sigma点：

式中，n为经过Cholesky分解后得到的平方根矩阵的列数，为太阳辐射数据均值，为状态向量的协方差矩阵，矩阵/>定义为/>经过Cholesky分解后得到的平方根矩阵第i列，λ_u为比例缩放因子；

计算预测协方差矩阵

式中，为方差权重，X_i为选取的sigma点，/>为标准差，U_k-1为协方差矩阵；

计算观测更新方程：

式中，Y_i为第i个粒子的量测量，Z_i为第i个粒子的观测预测量；

更新无迹卡尔曼滤波后的的卡尔曼增益K_k、状态估计Q_k和协方差矩阵U_k，表达式如下：

式中，为第k步传感器观测数据跟踪变换所得。

3.根据权利要求1所述的一种基于改进patch-informer的太阳辐射预测方法，其特征在于，所述步骤(2)实现过程如下：

构建因子分析法数学模型：

X＝WZ+ε

式中，X＝(x₁,x₂,…,x_D)^T为D维可观测太阳辐射数据变量，Z＝(z₁,z₂,…,z_M)^T为M维与X相对应的不可观测太阳辐射数据因变量，即X降维后的形式，ε＝(ε₁,ε₂,…,ε_M)^T为特殊因子，代表太阳辐射数据原始变量中不能被因子变量解释的部分，W为因子载荷矩阵；

计算通过无迹卡尔曼滤波处理后的太阳辐射数据的协方差矩阵：

式中，λ_i表示协方差矩阵的特征根，e_i表示的是特征根所对应的特征向量，U表示特征向量的矩阵；

计算协方差矩阵的特征根：

基于模型假设，协方差阵有如下表示方法：

式中，为太阳辐射数据原始变量中不能被因子变量解释的部分所变换而来的对角矩阵；

得到因子载荷矩阵的估计：

将因子模型表示为：

所求矩阵Z＝(z₁,z₂,…,z_M)^T为特征提取后的太阳辐射数据集。

4.一种装置设备，其特征在于，包括存储器和处理器，其中：

存储器，用于存储能够在处理器上运行的计算机程序；

处理器，用于在运行所述计算机程序时，执行如权利要求1-3任一项所述基于改进patch-informer的太阳辐射预测方法的步骤。

5.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被至少一个处理器执行时实现如权利要求1-3任一项所述基于改进patch-informer的太阳辐射预测方法的步骤。