CN117408145A - 一种区域短波辐射预测方法及系统 - Google Patents

一种区域短波辐射预测方法及系统 Download PDF

Info

Publication number
CN117408145A
CN117408145A CN202311326101.3A CN202311326101A CN117408145A CN 117408145 A CN117408145 A CN 117408145A CN 202311326101 A CN202311326101 A CN 202311326101A CN 117408145 A CN117408145 A CN 117408145A
Authority
CN
China
Prior art keywords
wave radiation
neural network
short wave
convolutional neural
gate
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
CN202311326101.3A
Other languages
English (en)
Inventor
徐崇斌
孙晓敏
李媛媛
左欣
陈前
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 Institute of Space Research Mechanical and Electricity
Original Assignee
Beijing Institute of Space Research Mechanical and Electricity
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 Institute of Space Research Mechanical and Electricity filed Critical Beijing Institute of Space Research Mechanical and Electricity
Priority to CN202311326101.3A priority Critical patent/CN117408145A/zh
Publication of CN117408145A publication Critical patent/CN117408145A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06N3/0464—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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0475—Generative 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
    • G06N3/048—Activation functions
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Informatics (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Probability & Statistics with Applications (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种区域短波辐射预测方法及系统，上述方法包括如下步骤：获取短波辐射数据，进行缺失数据补全和归一化处理，按照预设比例划分为训练集、验证集和预测集；构建门循环卷积神经网络模型，门循环卷积神经网络模型包括：卷积下采样层、轨迹门循环卷积神经网络、反卷积上采样层，确定模型超参数和训练超参数；基于训练集、验证集和预测集对门循环卷积神经网络模型进行训练优化；依据预设时长的短波辐射历史数据，基于门循环卷积神经网络模型计算得到区域短波辐射预测数据。通过短波辐射历史数据对门循环卷积神经网络模型进行训练优化，实现高精度、高时空分辨率的区域短波辐射预测，对推动新能源发电具有重要意义。

Description

一种区域短波辐射预测方法及系统
技术领域
本发明涉及光伏发电技术领域，特别涉及一种区域短波辐射预测方法及系统。
背景技术
太阳能作为重要的可再生能源之一，不仅安全高效和来源丰富，而且还具有清洁、产业化等优点，具备大规模开发的条件。在不久的未来，光电的发展和利用会成为最重要的可再生能源的方向之一。在光伏发电方面，我国发展相对国际起步较晚，但发展迅速。目前我国已经成为全球最大的可再生能源投资国，在绿色能源的开发方面处于世界领先水平，其中太阳能电池占到世界市场份额的三分之一，且我国也是全球最大的太阳能设备出口国。随着光伏发电技术的进步和成本的降低，大规模光伏发电有望成为能源结构中占有重要地位的新型替代能源而得到大量应用。光伏发电分为离网和并网两种形式，随着光伏并网技术的成熟与发展，以及大规模甚至超大规模光伏电站的建立，并网光伏发电将成为主流趋势。但是，太阳能发电具有间歇性和不可控性等缺点，随着光伏发电并网电量不断增加，其间歇性和不稳定性对电网的冲击也就越大，如果不能准确预测光伏发电量，则会严重限制其在电网中的应用和所占比例。而光伏发电系统发电量受当地短波辐射、温度、太阳能电池板性能等因素的影响，而太阳短波辐射强度的大小直接影响发电量，也是造成光伏电站输出功率间歇性和不可控的直接原因。
数值气象预报模型通过一系列描述大气状态的微分方程来揭示天气系统的演变过程，从而计算出天气参数。著名的数值气象预报模式包含全球预报系统(GFS)，但是全球模式的分辨率太粗，无法显示小尺度的天气特征。故常用分辨率相对较高的区域中尺度模式并耦合全球模式进行太阳辐射的预报，如WRF(Weather Research and ForecastingModel)、欧洲中心中尺度模式ECMWF(European Centre for Medium-Range WeatherForecasts)等，并均以应用于短波辐射预报中。中尺度数值模式WRF在太阳辐射预报中的应用较为广泛，且不断对辐射方案进行修正以提高预报准确率。但对于1h以内的云的变化信息，模式无法有效模拟，故在有云天气下的误差较大，直接采用模式的辐射值预测来进行光伏功率预测仍有相当的难度。另外由于模式计算复杂度高，其预报频率有限。
近年来随着计算机硬件的发展，人工智能技术迎来了发展浪潮，以神经网络为代表的深度学习方法在高维度和庞大数据的图像和时序等复杂任务中都取得了优异表现。所以很多专家学者在短波辐射领域采用深度学习方法，且其相比数值模式预报性能有明显提升。其有以下三个方面的缺点：(1)这些方法通常是单站点短波辐射预测，忽略了短波辐射相邻区域之间的关联性；(2)时间分辨率较低，不能很好的捕捉云的快速变化，从而不能很好地解决随之而来的短波辐射的波动问题；(3)网络结构单一，没有采用最新最优的深度学习模型。
发明内容
本发明实施例的目的是提供一种区域短波辐射预测方法及系统，通过短波辐射历史数据对门循环卷积神经网络模型进行训练优化，实现高精度、高时空分辨率的区域短波辐射预测，对推动新能源发电具有重要意义。
为解决上述技术问题，本发明实施例的第一方面提供了一种区域短波辐射预测方法，包括如下步骤：
获取短波辐射数据，进行缺失数据补全和归一化处理，按照预设比例划分为训练集、验证集和预测集；
构建门循环卷积神经网络模型，所述门循环卷积神经网络模型包括：卷积下采样层、轨迹门循环卷积神经网络、反卷积上采样层，确定模型超参数和训练超参数；
基于所述训练集、所述验证集和所述预测集对所述门循环卷积神经网络模型进行训练优化；
依据预设时长的短波辐射历史数据，基于所述门循环卷积神经网络模型计算得到区域短波辐射预测数据。
进一步地，所述构建门循环卷积神经网络模型之前，还包括：
引入生成网络操作，通过卷积操作将当前时刻输入和上一时刻隐状态分别卷积后相加得到局部连接结构的光流域，其数学表达式为：
ut,vt＝g(Xt,Ht-1)；
其中，g、Xt和Ht-1分别表示生成网络操作、当前时刻输入和上一时刻隐状态，ut和vt则是存储由生成网络生成的局部连接结构的光流域，用于指导上一时刻隐状态的信息位置变化。
进一步地，所述门循环卷积神经网络包含重置门和更新门，其数学表达式如下：
其中，Xt、H′t、Ht-1和Ht分别是当前时刻的输入、当前时刻重置门存储过去时刻的信息、上一时刻的隐状态和当前时刻的隐状态，σ表示sigmoid函数，f表示激活函数，为模型参数，不同下标表示不同的输入和输出以及局部连接，pt和rt表示更新门和重置门，L表示设定的局部连接的数量，*表示卷积操作，/>表示哈达玛积。
进一步地，所述门循环卷积神经网络中的浅层门循环卷积神经网络的输出隐状态作为对应分辨率的深层门循环卷积神经网络的输入。
进一步地，所述门循环卷积神经网络模型包括三个反卷积上采样层，所述三个反卷积上采样层对解码器中的特征逐层进行上采样以实现预测，并将提取的深层特征解码，并逐步得到与输入短波辐射同分辨率的短波辐射预测结果。
进一步地，所述构建门循环卷积神经网络模型之前，还包括：
将所述短波辐射数据对应的时间变量进行时间编码，对输入第一帧对应时间进行编码，输入到所述门循环卷积神经网络模型深层的第一个反卷积上采样层进行特征解码。
进一步地，所述训练超参数中的损失函数为多尺度损失函数，其数学表达式如下：
其中，是平均绝对值损失(L2损失)，/>是平均平方损失(L1损失)，i表示尺度，yi表示短波辐射预测结果，/>表示短波辐射真实标签。
相应地，本发明实施例的第二方面提供了一种区域短波辐射预测系统，使用如权利要求1-7任一所述的区域短波辐射预测方法对区域短波辐射进行预测，包括：
数据获取模块，其用于获取短波辐射数据，进行缺失数据补全和归一化处理，按照预设比例划分为训练集、验证集和预测集；
模型构建模块，其用于构建门循环卷积神经网络模型，所述门循环卷积神经网络模型包括：卷积下采样层、轨迹门循环卷积神经网络、反卷积上采样层，确定模型超参数和训练超参数；
模型训练模块，其用于基于所述训练集、所述验证集和所述预测集对所述门循环卷积神经网络模型进行训练优化；
数据预测模块，其用于依据预设时长的短波辐射历史数据，基于所述门循环卷积神经网络模型计算得到区域短波辐射预测数据。
进一步地，所述区域短波辐射预测系统还包括：
网络操作模块，其用于引入生成网络操作，通过卷积操作将当前时刻输入和上一时刻隐状态分别卷积后相加得到局部连接结构的光流域，其数学表达式为：
ut,vt＝g(Xt,Ht-1)；
其中，g、Xt和Ht-1分别表示生成网络操作、当前时刻输入和上一时刻隐状态，ut和vt则是存储由生成网络生成的局部连接结构的光流域，用于指导上一时刻隐状态的信息位置变化。
进一步地，所述门循环卷积神经网络包含重置门和更新门，其数学表达式如下：
其中，Xt、H′t、Ht-1和Ht分别是当前时刻的输入、当前时刻重置门存储过去时刻的信息、上一时刻的隐状态和当前时刻的隐状态，σ表示sigmoid函数，f表示激活函数，为模型参数，不同下标表示不同的输入和输出以及局部连接，pt和rt表示更新门和重置门，L表示设定的局部连接的数量，*表示卷积操作，/>表示哈达玛积。
进一步地，所述门循环卷积神经网络中的浅层门循环卷积神经网络的输出隐状态作为对应分辨率的深层门循环卷积神经网络的输入。
进一步地，所述门循环卷积神经网络模型包括三个反卷积上采样层，所述三个反卷积上采样层对解码器中的特征逐层进行上采样以实现预测，并将提取的深层特征解码，并逐步得到与输入短波辐射同分辨率的短波辐射预测结果。
进一步地，还包括：
时间编码模块，其用于将所述短波辐射数据对应的时间变量进行时间编码，对输入第一帧对应时间进行编码，输入到所述门循环卷积神经网络模型深层的第一个反卷积上采样层进行特征解码。
进一步地，所述训练超参数中的损失函数为多尺度损失函数，其数学表达式如下：
其中，是平均绝对值损失(L2损失)，/>是平均平方损失(L1损失)，i表示尺度，yi表示短波辐射预测结果，/>表示短波辐射真实标签。
本发明实施例的上述技术方案具有如下有益的技术效果：
1.通过将浅层的轨迹门循环卷积神经网络层的隐状态输出作为深层的轨迹门循环卷积神经网络层的输入及引入多尺度损失，降低了计算量，并加强了深层与浅层参数之间的交流，有利于模型的参数更新；
2.通过在门循环卷积神经网络模型中引入时间编码，针对短波辐射随时间变化的间歇性，使得短波辐射预测更精准。
附图说明
图1是本发明实施例提供的区域短波辐射预测方法流程图；
图2是本发明实施例提供的区域短波辐射预测方法原理示意图；
图3是本发明实施例提供的轨迹门卷积神经网络模型结构图；
图4a是本发明实施例提供的10分钟的真实短波辐射可视化图；
图4b是本发明实施例提供的10分钟的预测短波辐射可视化图；
图4c是本发明实施例提供的10分钟的真实短波辐射和预测短波辐射结果对比图；
图5a是本发明实施例提供的2小时的真实短波辐射可视化图；
图5b是本发明实施例提供的2小时的预测短波辐射可视化图；
图5c是本发明实施例提供的2小时的真实短波辐射和预测短波辐射结果对比图；
图6a是本发明实施例提供的4小时的真实短波辐射可视化图；
图6b是本发明实施例提供的4小时的预测短波辐射可视化图；
图6c是本发明实施例提供的4小时的真实短波辐射和预测短波辐射结果对比图；
图7a是本发明实施例提供的8小时的真实短波辐射可视化图；
图7b是本发明实施例提供的8小时的预测短波辐射可视化图；
图7c是本发明实施例提供的8小时的真实短波辐射和预测短波辐射结果对比图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
本技术方案中采用的是卫星短波辐射数据，对于其他的栅格类型的短波辐射数据本方法同样适用。
请参照图1和图2，本发明实施例的第一方面提供了一种区域短波辐射预测方法，包括如下步骤：
步骤S200，获取卫星短波辐射数据，进行缺失数据补全和归一化处理，按照预设比例划分为训练集、验证集和预测集。
在本发明实施例中，在设定的时间范围内收集葵花8卫星短波辐射数据，如图所示，收集的短波辐射数据有时间(时序)和空间(长宽)三个维度，同时葵花8卫星短波辐射数据的时空分辨率高，可以实现高时空分辨率的区域短波辐射。另外，会对数据进行缺失时刻数据补全和归一化的预处理，以便模型训练。将预处理好的数据划分为训练集、验证集和测试集，其中训练集用于模型训练迭代，验证集用于确定最优模型，测试集用于精度测试报告。
步骤S400，构建门循环卷积神经网络模型，门循环卷积神经网络模型包括：卷积下采样层、轨迹门循环卷积神经网络、反卷积上采样层，确定模型超参数和训练超参数。
步骤S600，基于训练集、验证集和预测集对门循环卷积神经网络模型进行训练优化。
步骤S800，依据预设时长的卫星短波辐射历史数据，基于门循环卷积神经网络模型计算得到区域短波辐射预测数据。
进一步地，步骤S400中的构建门循环卷积神经网络模型之前，还包括：
步骤S310，引入生成网络操作，通过卷积操作将当前时刻输入和上一时刻隐状态分别卷积后相加得到局部连接结构的光流域，其数学表达式为：
ut,vt＝g(Xt,Ht-1)；
其中，g、Xt和Ht-1分别表示生成网络操作、当前时刻输入和上一时刻隐状态，ut和vt则是存储由生成网络生成的局部连接结构的光流域，用于指导上一时刻隐状态的信息位置变化。
针对区域短波辐射预测，输入数据为3D序列数据，门循环神经网络基于卷积神经网络搭建。普通的卷积神经网络的卷积核的位置是固定的，对于历史的隐状态保留的信息是固定位置提取的，但是大多数运动模式对于不同的点其相关的区域是不同的，比如，旋转和缩放会生成指向不同方向的不同角度的光流域。因此需要引入位置变化的结构，即轨迹门循环卷积神经网络。
具体的，上述门循环卷积神经网络包含重置门和更新门，其数学表达式如下：
其中，Xt、H′t、Ht-1和Ht分别是当前时刻的输入、当前时刻重置门存储过去时刻的信息、上一时刻的隐状态和当前时刻的隐状态，σ表示sigmoid函数，f表示激活函数，为模型参数，不同下标表示不同的输入和输出以及局部连接，pt和rt表示更新门和重置门，L表示设定的局部连接的数量，*表示卷积操作，/>表示哈达玛积。因此，本发明一方面采用生成网络操作生成的光流域灵活捕捉短波辐射区域之间的关系，另一方面控制局部连接的数量来减小模型参数和计算量。
请参照图3，门循环卷积神经网络中的浅层门循环卷积神经网络的输出隐状态作为对应分辨率的深层门循环卷积神经网络的输入。
为了加强浅层特征和深层特征的交流以及模型参数更新，通过特征交流将浅层门循环卷积神经网络的输出隐状态作为对应分辨率的深层门循环卷积神经网络的输入。浅层门循环卷积神经网络和分辨率相同的深层门循环卷积神经网络有隐状态输入路径，实现了浅层特征和深层特征之间的交流。
进一步地，门循环卷积神经网络模型包括三个反卷积上采样层，三个反卷积上采样层对解码器中的特征逐层进行上采样以实现预测，并将提取的深层特征解码，并逐步得到与输入短波辐射同分辨率的短波辐射预测结果。
进一步地，构建门循环卷积神经网络模型之前，还包括：
步骤S320，将卫星短波辐射数据对应的时间变量进行时间编码，对输入第一帧对应时间进行编码，输入到门循环卷积神经网络模型深层的第一个反卷积上采样层进行特征解码。
具体的，太阳短波辐射与日照时间以及季节是相关的，从而呈现间歇性特点。如晴空条件下太阳短波辐射在上午至中午时间逐渐达到峰值，下午随着时间推移则逐渐减小，晚上则是0。另外夏季相比冬季太阳直射距离短，因此夏季太阳短波辐射峰值相比冬季较大(这里主要是针对大多数季节更迭变化大的区域)。因此，可以得出短波辐射的变化与时间信息是十分相关的。通过引入时间编码并进行了简化，仅将输入的短波辐射序列的第一帧对应的时间进行编码输入到深层的第一个反卷积层进行特征的解码，且在模型开始就直接输入，减小了模型的计算量。另外这里的时间编码包含短波辐射的年份、月份、日、小时和分钟信息。
具体的，模型超参数包括：卷积核大小、步长、输出通道数，训练超参数包括：损失函数、输入批次大小、网络优化器、学习率、迭代次数。
其中，在模型的深层网络中有三个反卷积上采样层，其作用是将提取的深层特征解码，并逐步得到与输入短波辐射同分辨率的短波辐射预测结果。本方法为进一步优化短波辐射预测结果，在其余两个反卷积上采样层添加了和最后一个反卷积层后加的相同的卷积层，最终得到三个尺度的短波辐射预测结果，其真实标签采用真实短波辐射结果双线性插值得到。多尺度损失的数学表达式如下：
其中，是平均绝对值损失(L2损失)，/>是平均平方损失(L1损失)，i表示尺度，yi表示短波辐射预测结果，/>表示短波辐射真实标签。
下面以一个具体实施例对上述预测方法进行详细说明：
步骤1：首先确定短波辐射预测的区域经纬度范围以及时间范围，下载对应范围的短波辐射数据，并将对应的时间信息记录，可以在数据命名时加入。同时补全缺失时刻的缺失数据以及模型训练时需要进行归一化操作。
步骤2：可以按照时间顺序设定固定比例将数据划分为训练集、验证集和测试集。
步骤3：对于第t时刻，模型输入为t到t+i时刻短波辐射和时间变量t，同时时间变量t需要进行时间编码，模型输出的真实标签是t+i+1到t+i+o+1时刻的短波辐射，i是输入短波辐射序列时间长度，o是输出短波辐射预测序列时间长度。按照步长s通过滑动窗口来生成下一时刻的数据，下一时刻为第t+s时刻，模型输入为t+s到t+s+i时刻短波辐射和时间变量t+s，同时时间变量t+s需要进行时间编码，模型输出的真实标签是t+s+i+1到t+s+i+o+1时刻的短波辐射，以此类推。
步骤4：确定模型卷积核大小、步长、输出通道数等模型超参数和输入批次大小、网络优化器、学习率、迭代次数等训练超参数，搭建模型用于步骤5的模型训练。
步骤5：按照步骤2中划分的训练数据集和验证数据集以及步骤3中的数据生成，进行网络前向计算，计算多尺度损失，按照选择的网络优化器进行梯度反传更新参数，直到满足达到制定的迭代次数停止训练，同时保存模型。
步骤6：步骤5中保存的模型在验证集上测试选择最优模型，为了能更好地选择模型的超参数，可以重复步骤4和5，直到模型在验证集上的性能不再提升即可找到最优的模型超参数。
步骤7：步骤6中获取的最优模型在测试数据集上进行精度测试并输出精度测试报告，精度评价指标为平均绝对误差MAPE和决定系数R2。
请参照图4a、图4b、图4c、图5a、图5b、图5c、图6a、图6b、图6c、图7a、图7b、图7c，以上是从10分钟间隔的预测结果中抽取的部分预测结果。其中图4a、图4b、图4c分别为10分钟时真实短波辐射可视化图、预测短波辐射可视化图和真实短波辐射和预测短波辐射结果对比图，从对比图可知：决定系数R2为0.96，平均绝对误差MAPE为32.87％；图5a、图5b、图5c为2h时真实短波辐射可视化图、预测短波辐射可视化图和真实短波辐射和预测短波辐射结果对比图，从对比图可知：决定系数R2为0.78，平均绝对误差MAPE为43.19％；图6a、图6b、图6c为4h时的真实短波辐射可视化图、预测短波辐射可视化图和真实短波辐射和预测短波辐射结果对比图，从对比图可知：决定系数R2为0.16，平均绝对误差MAPE为53.79％；图7a、图7b、图7c为8h时的真实短波辐射可视化图、预测短波辐射可视化图和真实短波辐射和预测短波辐射结果对比图，从对比图可知：决定系数R2为-1.57，平均绝对误差MAPE为98.68％。从这些可视化图和对比结果中可以看出本方法可以实现高时空分辨率的短波辐射预测，且短波辐射预测结果与真实短波辐射变化趋势保持一致。
经过上述步骤，基于门循环卷积神经网络模型可以实现10分钟预测一次短波辐射。
相应地，本发明实施例的第二方面提供了一种区域短波辐射预测系统，使用如权利要求1-7任一的区域短波辐射预测方法对区域短波辐射进行预测，包括：
数据获取模块，其用于获取卫星短波辐射数据，进行缺失数据补全和归一化处理，按照预设比例划分为训练集、验证集和预测集；
模型构建模块，其用于构建门循环卷积神经网络模型，门循环卷积神经网络模型包括：卷积下采样层、轨迹门循环卷积神经网络、反卷积上采样层，确定模型超参数和训练超参数；
模型训练模块，其用于基于训练集、验证集和预测集对门循环卷积神经网络模型进行训练优化；
数据预测模块，其用于依据预设时长的卫星短波辐射历史数据，基于门循环卷积神经网络模型计算得到区域短波辐射预测数据。
进一步地，区域短波辐射预测系统还包括：
网络操作模块，其用于引入生成网络操作，通过卷积操作将当前时刻输入和上一时刻隐状态分别卷积后相加得到局部连接结构的光流域，其数学表达式为：
ut,vt＝g(Xt,Ht-1)；
其中，g、Xt和Ht-1分别表示生成网络操作、当前时刻输入和上一时刻隐状态，ut和vt则是存储由生成网络生成的局部连接结构的光流域，用于指导上一时刻隐状态的信息位置变化。
进一步地，门循环卷积神经网络包含重置门和更新门，其数学表达式如下：
其中，Xt、H′t、Ht-1和Ht分别是当前时刻的输入、当前时刻重置门存储过去时刻的信息、上一时刻的隐状态和当前时刻的隐状态，σ表示sigmoid函数，f表示激活函数，为模型参数，不同下标表示不同的输入和输出以及局部连接，pt和rt表示更新门和重置门，L表示设定的局部连接的数量，*表示卷积操作，/>表示哈达玛积。
进一步地，门循环卷积神经网络中的浅层门循环卷积神经网络的输出隐状态作为对应分辨率的深层门循环卷积神经网络的输入。
进一步地，门循环卷积神经网络模型包括三个反卷积上采样层，三个反卷积上采样层对解码器中的特征逐层进行上采样以实现预测，并将提取的深层特征解码，并逐步得到与输入短波辐射同分辨率的短波辐射预测结果。
进一步地，区域短波辐射预测系统还包括：
时间编码模块，其用于将卫星短波辐射数据对应的时间变量进行时间编码，对输入第一帧对应时间进行编码，输入到门循环卷积神经网络模型深层的第一个反卷积上采样层进行特征解码。
进一步地，训练超参数中的损失函数为多尺度损失函数，其数学表达式如下：
其中，是平均绝对值损失(L2损失)，/>是平均平方损失(L1损失)，i表示尺度，yi表示短波辐射预测结果，/>表示短波辐射真实标签。
相应地，本发明实施例的第三方面还提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器连接的存储器；其中，存储器存储有可被一个处理器执行的指令，指令被一个处理器执行，以使至少一个处理器执行上述智能变电站多间隔系统级保护功能检测方法。
此外，本发明实施例的第四方面还提供了一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现上述智能变电站多间隔系统级保护功能检测方法。
本发明实施例旨在保护一种区域短波辐射预测方法及系统，上述方法包括如下步骤：获取卫星短波辐射数据，进行缺失数据补全和归一化处理，按照预设比例划分为训练集、验证集和预测集；构建门循环卷积神经网络模型，门循环卷积神经网络模型包括：卷积下采样层、轨迹门循环卷积神经网络、反卷积上采样层，确定模型超参数和训练超参数；基于训练集、验证集和预测集对门循环卷积神经网络模型进行训练优化；依据预设时长的卫星短波辐射历史数据，基于门循环卷积神经网络模型计算得到区域短波辐射预测数据。上述技术方案具备如下效果：
1.通过将浅层的轨迹门循环卷积神经网络层的隐状态输出作为深层的轨迹门循环卷积神经网络层的输入及引入多尺度损失，降低了计算量，并加强了深层与浅层参数之间的交流，有利于模型的参数更新；
2.通过在门循环卷积神经网络模型中引入时间编码，针对短波辐射随时间变化的间歇性，使得短波辐射预测更精准。
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。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (14)

1.一种区域短波辐射预测方法，其特征在于，包括如下步骤：
获取短波辐射数据，进行缺失数据补全和归一化处理，按照预设比例划分为训练集、验证集和预测集；
构建门循环卷积神经网络模型，所述门循环卷积神经网络模型包括：卷积下采样层、轨迹门循环卷积神经网络、反卷积上采样层，确定模型超参数和训练超参数；
基于所述训练集、所述验证集和所述预测集对所述门循环卷积神经网络模型进行训练优化；
依据预设时长的短波辐射历史数据，基于所述门循环卷积神经网络模型计算得到区域短波辐射预测数据。
2.根据权利要求1所述的区域短波辐射预测方法，其特征在于，所述构建门循环卷积神经网络模型之前，还包括：
引入生成网络操作，通过卷积操作将当前时刻输入和上一时刻隐状态分别卷积后相加得到局部连接结构的光流域，其数学表达式为：
ut,vt＝g(Xt,Ht-1)；
其中，g、Xt和Ht-1分别表示生成网络操作、当前时刻输入和上一时刻隐状态，ut和vt则是存储由生成网络生成的局部连接结构的光流域，用于指导上一时刻隐状态的信息位置变化。
3.根据权利要求1所述的区域短波辐射预测方法，其特征在于，所述门循环卷积神经网络包含重置门和更新门，其数学表达式如下：
其中，Xt、H′t、Ht-1和Ht分别是当前时刻的输入、当前时刻重置门存储过去时刻的信息、上一时刻的隐状态和当前时刻的隐状态，σ表示sigmoid函数，f表示激活函数，为模型参数，不同下标表示不同的输入和输出以及局部连接，pt和rt表示更新门和重置门，L表示设定的局部连接的数量，*表示卷积操作，°表示哈达玛积。
4.根据权利要求1所述的区域短波辐射预测方法，其特征在于，所述门循环卷积神经网络中的浅层门循环卷积神经网络的输出隐状态作为对应分辨率的深层门循环卷积神经网络的输入。
5.根据权利要求1所述的区域短波辐射预测方法，其特征在于，所述门循环卷积神经网络模型包括三个反卷积上采样层，所述三个反卷积上采样层对解码器中的特征逐层进行上采样以实现预测，并将提取的深层特征解码，并逐步得到与输入短波辐射同分辨率的短波辐射预测结果。
6.根据权利要求5所述的区域短波辐射预测方法，其特征在于，所述构建门循环卷积神经网络模型之前，还包括：
将所述短波辐射数据对应的时间变量进行时间编码，对输入第一帧对应时间进行编码，输入到所述门循环卷积神经网络模型深层的第一个反卷积上采样层进行特征解码。
7.根据权利要求1-6任一所述的区域短波辐射预测方法，其特征在于，所述训练超参数中的损失函数为多尺度损失函数，其数学表达式如下：
其中，是平均绝对值损失(L2损失)，/>是平均平方损失(L1损失)，i表示尺度，yi表示短波辐射预测结果，/>表示短波辐射真实标签。
8.一种区域短波辐射预测系统，其特征在于，使用如权利要求1-7任一所述的区域短波辐射预测方法对区域短波辐射进行预测，包括：
数据获取模块，其用于获取短波辐射数据，进行缺失数据补全和归一化处理，按照预设比例划分为训练集、验证集和预测集；
模型构建模块，其用于构建门循环卷积神经网络模型，所述门循环卷积神经网络模型包括：卷积下采样层、轨迹门循环卷积神经网络、反卷积上采样层，确定模型超参数和训练超参数；
模型训练模块，其用于基于所述训练集、所述验证集和所述预测集对所述门循环卷积神经网络模型进行训练优化；
数据预测模块，其用于依据预设时长的短波辐射历史数据，基于所述门循环卷积神经网络模型计算得到区域短波辐射预测数据。
9.根据权利要求8所述的区域短波辐射预测系统，其特征在于，还包括：
网络操作模块，其用于引入生成网络操作，通过卷积操作将当前时刻输入和上一时刻隐状态分别卷积后相加得到局部连接结构的光流域，其数学表达式为：
ut,vt＝g(Xt,Ht-1)；
其中，g、Xt和Ht-1分别表示生成网络操作、当前时刻输入和上一时刻隐状态，ut和vt则是存储由生成网络生成的局部连接结构的光流域，用于指导上一时刻隐状态的信息位置变化。
10.根据权利要求8所述的区域短波辐射预测系统，其特征在于，所述门循环卷积神经网络包含重置门和更新门，其数学表达式如下：
其中，Xt、H′t、Ht-1和Ht分别是当前时刻的输入、当前时刻重置门存储过去时刻的信息、上一时刻的隐状态和当前时刻的隐状态，σ表示sigmoid函数，f表示激活函数，为模型参数，不同下标表示不同的输入和输出以及局部连接，pt和rt表示更新门和重置门，L表示设定的局部连接的数量，*表示卷积操作，°表示哈达玛积。
11.根据权利要求8所述的区域短波辐射预测系统，其特征在于，所述门循环卷积神经网络中的浅层门循环卷积神经网络的输出隐状态作为对应分辨率的深层门循环卷积神经网络的输入。
12.根据权利要求8所述的区域短波辐射预测系统，其特征在于，所述门循环卷积神经网络模型包括三个反卷积上采样层，所述三个反卷积上采样层对解码器中的特征逐层进行上采样以实现预测，并将提取的深层特征解码，并逐步得到与输入短波辐射同分辨率的短波辐射预测结果。
13.根据权利要求12所述的区域短波辐射预测系统，其特征在于，还包括：
时间编码模块，其用于将所述短波辐射数据对应的时间变量进行时间编码，对输入第一帧对应时间进行编码，输入到所述门循环卷积神经网络模型深层的第一个反卷积上采样层进行特征解码。
14.根据权利要求8-13任一所述的区域短波辐射预测系统，其特征在于，
所述训练超参数中的损失函数为多尺度损失函数，其数学表达式如下：
其中，是平均绝对值损失(L2损失)，/>是平均平方损失(L1损失)，i表示尺度，yi表示短波辐射预测结果，/>表示短波辐射真实标签。
CN202311326101.3A 2023-10-13 2023-10-13 一种区域短波辐射预测方法及系统 Pending CN117408145A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311326101.3A CN117408145A (zh) 2023-10-13 2023-10-13 一种区域短波辐射预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311326101.3A CN117408145A (zh) 2023-10-13 2023-10-13 一种区域短波辐射预测方法及系统

Publications (1)

Publication Number Publication Date
CN117408145A true CN117408145A (zh) 2024-01-16

Family

ID=89488153

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311326101.3A Pending CN117408145A (zh) 2023-10-13 2023-10-13 一种区域短波辐射预测方法及系统

Country Status (1)

Country Link
CN (1) CN117408145A (zh)

Similar Documents

Publication Publication Date Title
CN108711847B (zh) 一种基于编码解码长短期记忆网络的短期风电功率预测方法
Rodríguez et al. Forecasting intra-hour solar photovoltaic energy by assembling wavelet based time-frequency analysis with deep learning neural networks
CN109657839A (zh) 一种基于深度卷积神经网络的风电功率预测方法
CN105160423A (zh) 一种基于马尔科夫残差修正的光伏发电预测方法
CN112417752B (zh) 基于卷积lstm神经网络的云层轨迹预测方法及系统
CN117293809A (zh) 一种基于大模型的多时空尺度新能源发电功率预测方法
CN117374956A (zh) 一种针对综合能源站光伏发电的短期预测方法
CN117030957A (zh) 近海营养盐和化学需氧量的遥感反演方法及系统
Niu et al. De-Trend First, Attend Next: A Mid-Term PV forecasting system with attention mechanism and encoder–decoder structure
Zhang et al. SolarGAN: Synthetic annual solar irradiance time series on urban building facades via Deep Generative Networks
CN116467933A (zh) 基于深度学习的风暴潮增水预测方法及系统
CN116401939A (zh) 一种基于梯度约束神经网络的北极海冰短期预报方法
CN118297364A (zh) 一种流域集控水电站生产调度系统及方法
CN114819264A (zh) 一种基于时空依赖的光伏电站辐照度超短期预测方法及存储介质
CN113984198A (zh) 一种基于卷积神经网络的短波辐射预测方法及系统
CN116260141B (zh) 一种光伏电站功率的重构方法、系统及重构终端
CN116579509A (zh) 一种基于虚拟现实的光伏发电预测方法
Zhang et al. Spatial-temporal offshore wind speed characteristics prediction based on an improved purely 2D CNN approach in a large-scale perspective using reanalysis dataset
CN116777066A (zh) 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
CN117408145A (zh) 一种区域短波辐射预测方法及系统
CN114612751B (zh) 一种基于语义学习的整机点云数据的下采样方法
CN116128211A (zh) 基于风光不确定性预报场景的风光水联合短期优化调度方法
CN115840261A (zh) 一种台风降水短临预测模型优化及预测方法
CN115330085A (zh) 基于深度神经网络且无未来信息泄露的风速预测方法
Dong et al. An integrated ultra short term power forecasting method for regional wind–pv–hydro

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