CN115618714A - 一种太阳辐射概率预报方法及相关设备 - Google Patents

Abstract

本发明公开了一种太阳辐射概率预报方法及相关设备。该方法包括：通过目标卷积神经网络模型对卫星数据进行卷积操作以获取目标地区的云层空间特性；将云层空间特性输入特定预测深度网络模型以获取太阳辐射的高斯概率分布参数；计算高斯概率分布参数的分布期望作为太阳辐射的确定性预报值；基于预设置信度和高斯概率分布参数获取概率性预报区间内的太阳辐射概率。本方法的卷积和预测深度网络模型可自动抽取卫星数据中云层空间特征，有效捕捉云层变化信息，并模拟云层动态和未来太阳辐射的非线性关系，极大地提高有云条件下预报的准确性；本预报方法可同时提供未来太阳辐射的确定性预报值和概率性预报区间，具有很强的实用性。

Description

一种太阳辐射概率预报方法及相关设备

技术领域

本说明书涉及太阳辐射预报领域，更具体地说，本发明涉及一种太阳辐射概率预报方法及相关设备。

背景技术

现有的太阳辐射预报方法主要包括三种：1)基于地面实时或历史数据的统计预报方法，没有直接纳入云层信息，无法准确预报由于云层变化导致的地面太阳辐射突变情况；2)数值天气预报方法，由于数值模式的空间分辨率低，初始条件和参数不确定性大，无法有效模拟生命期短的云变化，预报误差大；3)基于卫星云图反演太阳辐射的预报方法，受限于卫星数据的时空分辨率，这类方法难以捕捉小范围内快速变化的云信息，限制了反演的准确性，最终预报结果的精度不高。另外，现有方法只能给出太阳辐射的确定性预报值，无法体现短时地面太阳辐射的随机性、间歇性等不确定因素的影响，实用价值有限。

发明内容

在发明内容部分中引入了一系列简化形式的概念，这将在具体实施方式部分中进一步详细说明。本发明的发明内容部分并不意味着要试图限定出所要求保护的技术方案的关键特征和必要技术特征，更不意味着试图确定所要求保护的技术方案的保护范围。

为了提供一种实用方便的太阳辐射预估方法，第一方面，本发明提出一种太阳辐射概率预报方法，上述方法包括：

通过目标卷积神经网络模型对卫星数据进行卷积操作以获取目标地区的云层空间特性，其中，上述云层空间特性包括云遮挡信息、云位置信息和云面积信息中至少一种；

将上述云层空间特性输入特定预测深度网络模型以获取太阳辐射的高斯概率分布参数，其中，上述高斯概率分布参数包括平均值和方差；

计算上述高斯概率分布参数的分布期望作为太阳辐射的确定性预报值；

基于预设置信度和上述高斯概率分布参数获取概率性预报区间内的太阳辐射概率。

可选的，上述目标卷积神经网络模型包括至少三个卷积块，每个上述卷积块包括至少一个3D卷积层和至少一个2D最大池化层。

可选的，上述目标卷积神经模型采用sigmoid激活函数以引入非线性因素，上述目标卷积神经网络的边界像元采用填充策略，上述目标卷积神经网络的包括3个2D最大池化层，3个2D最大池化层分别在尺寸为2、2和4的窗口中对卷积提取的特征进行上下文聚合。

可选的，上述将上述云层空间特性输入特定预测深度网络模型以获取太阳辐射的高斯概率分布参数，包括：

将上述云层空间特性输入预设DeepAR模型以获取太阳辐射的高斯概率分布参数。

可选的，上述预设DeepAR模型包括编码长短时记忆网络、解码长短时记忆网络和参数转化层；

上述将上述云层空间特性输入预设DeepAR模型以获取太阳辐射的高斯概率分布参数，包括：

将上述云层空间特性进行编码输入至上述预设DeepAR模型；

通过编码长短时记忆网络对前序时间序列的数据进行编码；

将上述编码长短时记忆网络的隐藏层状态作为上述解码长短时记忆网络的初始状态以迭代输出未来时间步上的解码隐藏层状态；

通过参数转化层对上述解码隐藏层状态进行高斯计算以获取上述高斯概率分布参数。

可选的，上述DeepAR模型和/或上述目标卷积神经网络模型的损失函数基于高斯似然函数设计，其中，上述高斯似然函数

如下式所示：

t0为被预测的第一个时间步所对应的时间，T为被预测的最后一个时间步所对应的时间；θ(·)为参数转化层的运算操作，z表示太阳辐射，h_t为解码隐藏层状态。

可选的，上述预设DeepAR模型在模型的训练过程中是采用Adam算法优化并采用早停法控制的模型。

第二方面，本发明还提出一种太阳辐射概率预报装置，包括：

第一获取单元，用于通过目标卷积神经网络模型对卫星数据进行卷积操作以获取目标地区的云层空间特性，其中，上述云层空间特性包括云遮挡信息、云位置信息和云面积信息中至少一种；

第二获取单元，用于将上述云层空间特性输入特定预测深度网络模型以获取太阳辐射的高斯概率分布参数，其中，上述高斯概率分布参数包括平均值和方差；

计算单元，用于计算上述高斯概率分布参数的分布期望作为太阳辐射的确定性预报值；

确定单元，用于基于预设置信度和上述高斯概率分布参数获取概率性预报区间内的太阳辐射概率。

第三方面，一种电子设备，包括：存储器、处理器以及存储在上述存储器中并可在上述处理器上运行的计算机程序，上述处理器用于执行存储器中存储的计算机程序时实现如上述的第一方面任一项的太阳辐射概率预报方法的步骤。

第四方面，本发明还提出一种计算机可读存储介质，其上存储有计算机程序，上述计算机程序被处理器执行时实现第一方面上述任一项的太阳辐射概率预报方法。

综上，本申请实施例的太阳辐射概率预报方法包括：通过目标卷积神经网络模型对卫星数据进行卷积操作以获取目标地区的云层空间特性，其中，上述云层空间特性包括云遮挡信息、云位置信息和云面积信息中至少一种；将上述云层空间特性输入特定预测深度网络模型以获取太阳辐射的高斯概率分布参数；计算上述高斯概率分布参数的分布期望作为太阳辐射的确定性预报值；基于预设置信度和上述高斯概率分布参数获取概率性预报区间内的太阳辐射概率。本申请实施例提出的太阳辐射概率预报方法，通过卷积神经网络模型对卫星数据进行卷积操作获取云层空间特性，并对云层空间特性通过预测深度网络模型获取太阳辐射的高斯概率分布参数，取分布的期望作为太阳辐射的确定性预报值，取预设置置信度的分布区间作为太阳辐射的概率性预报区间。本方法的卷积和预测深度网络模型可自动抽取卫星数据中云层空间特征，有效捕捉云层变化信息，并模拟云层动态和未来太阳辐射的非线性关系，极大地提高有云条件下预报的准确性；本预报方法可同时提供未来太阳辐射的确定性预报值和概率性预报区间，具有很强的实用性。

本发明的太阳辐射概率预报方法，本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本说明书的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1为本申请实施例提供的一种太阳辐射概率预报方法流程示意图；

图2为本申请实施例提供的一种太阳辐射概率预报模型结构示意图；

图3为本申请实施例提供的一种太阳辐射概率预报装置结构示意图；

图4为本申请实施例提供的一种太阳辐射概率预报电子设备结构示意图。

具体实施方式

本申请实施例提出的太阳辐射概率预报方法，通过卷积神经网络模型对卫星数据进行卷积操作获取云层空间特性，并对云层空间特性通过预测深度网络模型获取太阳辐射的高斯概率分布参数，取分布的期望作为太阳辐射的确定性预报值，取预设置置信度的分布区间作为太阳辐射的概率性预报区间。本方法的卷积和预测深度网络模型可自动抽取卫星数据中云层空间特征，有效捕捉云层变化信息，并模拟云层动态和未来太阳辐射的非线性关系，极大地提高有云条件下预报的准确性；本预报方法可同时提供未来太阳辐射的确定性预报值和概率性预报区间，具有很强的实用性。

本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。

请参阅图1，为本申请实施例提供的一种太阳辐射概率预报方法流程示意图，具体可以包括：

S110、通过目标卷积神经网络模型对卫星数据进行卷积操作以获取目标地区的云层空间特性，其中，上述云层空间特性包括云遮挡信息、云位置信息和云面积信息中至少一种；

示例性的，卫星数据能够实时记录被预测时间步前一段时间内的目标地区的云层的状态情况，通过目标卷积神经网络模型对卫星数据进行卷积操作，可以从卫星数据中提取出的每个时间步上有关云层覆盖的高维、抽象信息，即云层空间特性。云层空间特性可以包括云遮挡信息，即云是否遮挡住目标地区；还可以包括云的位置信息和云的面积信息。

S120、将上述云层空间特性输入特定预测深度网络模型以获取太阳辐射的高斯概率分布参数，其中，上述高斯概率分布参数包括平均值和方差；

示例性的，将步骤S110得到的云层空间特性输入至特定的预测深度网络模型提取其时间变化模式，预测深度网络据此能够输出未来每个时间步上太阳辐射的高斯概率分布参数。

S130、计算上述高斯概率分布参数的分布期望作为太阳辐射的确定性预报值；

示例性的，根据步骤S120得到的高斯概率分布参数计算其对应的期望值，作为太阳辐射的确定性预报值。

S140、基于预设置信度和上述高斯概率分布参数获取概率性预报区间内的太阳辐射概率。

示例性的，取分布的期望作为太阳辐射的确定性预报值，并基于预设置信度的分布区间作为太阳辐射的概率性预报区间，以此概率性预报区间的确定行预报值作为太阳辐射概率。取置信度可以设置为50％。

综上，本申请实施例提出的太阳辐射概率预报方法，通过卷积神经网络模型对卫星数据进行卷积操作获取云层空间特性，并对云层空间特性通过预测深度网络模型获取太阳辐射的高斯概率分布参数，取分布的期望作为太阳辐射的确定性预报值，取预设置置信度的分布区间作为太阳辐射的概率性预报区间。本方法的卷积和预测深度网络模型可自动抽取卫星数据中云层空间特征，有效捕捉云层变化信息，并模拟云层动态和未来太阳辐射的非线性关系，极大地提高有云条件下预报的准确性；本预报方法可同时提供未来太阳辐射的确定性预报值和概率性预报区间，具有很强的实用性。

在一些示例中，上述目标卷积神经网络模型包括至少三个卷积块，每个上述卷积块包括至少一个3D卷积层和至少一个2D最大池化层。

示例性的，如图2所述，本申请实施例利用3D卷积，从卫星图像中提取云的空间模式。该部分网络包含3个卷积块，每个卷积块由1个3D卷积层和1个2D最大池化层组成。通过三个卷积层和最大池化层间隔设置，能够有效地在卫星数据中提取到适用的云层特征信息。将云层空间特征信息输入到DeepAR模型求取概率分布参数，计算高斯概率分布参数的分布期望作为太阳辐射的确定性预报值；基于预设置信度和确定性预报值获取概率性预报区间内的太阳辐射概率。

在一些示例中，上述目标卷积神经模型采用sigmoid激活函数以引入非线性因素，上述目标卷积神经网络的边界像元采用填充策略，上述目标卷积神经网络的包括3个2D最大池化层，3个2D最大池化层分别在尺寸为2、2和4的窗口中对卷积提取的特征进行上下文聚合。

示例性的，可以设定3个3D卷积层的卷积核数量依次为64、128和256，卷积核大小均为3×3×3，卷积步长为1，采用sigmoid激活函数以引入非线性因素，边界像元采用填充(padding)策略保证卷积前后特征图尺寸一致；设定3个2D最大池化层分别在尺寸为2、2和4的窗口中对卷积提取的特征进行上下文聚合。需要说明的是，激活函数的主要作用是提供网络的非线性建模能力。如果没有激活函数，那么该网络仅能够表达线性映射，此时即便有再多的隐藏层，其整个网络跟单层神经网络也是等价的，sigmoid是使用范围最广的一类激活函数，具有指数函数形状。

综上，本申请实施例提出的太阳辐射概率预报方法，通过引入sigmoid激活函数并采用填充策略保证卷积前后特征图尺寸一致，并基于卷积提取的特征进行上下文聚合提取的云层空间特性能够很好地反应当前地区当前时间下云的特性，基于此得出的太阳辐射的预测结果更为准确。

在一些示例中，上述将上述云层空间特性输入特定预测深度网络模型以获取太阳辐射的高斯概率分布参数，包括：

将上述云层空间特性输入预设DeepAR模型以获取太阳辐射的高斯概率分布参数。

示例性的，DeepAR模型并不是直接简单地输出一个确定的预测值，而是输出预测值的一个概率分布，这样做的好处有两点，很多过程本身就具有随机属性，因此输出一个概率分布更加贴近本质，预测的精度反而更高；可以评估出预测的不确定性和相关的风险。对于预测概率分布的DeepAR模型，最大化未来序列的似然函数的方式能够更好地反映出数据内在的随机性质，它不仅能够预测数值，还可以预测未来的波动。

综上，本申请实施例提出的太阳辐射概率预报方法，采用DeepAR模型以获取太阳辐射的高斯概率分布参数，能够更好地反映出数据内在的随机性质，它不仅能够预测数值，还可以给出相应的不确定性信息预测未来的波动。

在一些示例中，上述预设DeepAR模型包括编码长短时记忆网络、解码长短时记忆网络和参数转化层；

上述将上述云层空间特性输入预设DeepAR模型以获取太阳辐射的高斯概率分布参数，包括：

将上述云层空间特性进行编码输入至上述预设DeepAR模型；

通过编码长短时记忆网络对前序时间序列的数据进行编码；

将上述编码长短时记忆网络的隐藏层状态作为上述解码长短时记忆网络的初始状态以迭代输出未来时间步上的解码隐藏层状态；

通过参数转化层对上述解码隐藏层状态进行高斯计算以获取上述高斯概率分布参数。

示例性的，DeepAR是一个时间序列预测深度网络模型，目标是给出被预测对象未来的概率分布。如图2所示，预设DeepAR模型内部由Encoder LSTM(编码长短时记忆网络)、Decoder LSTM(解码长短时记忆网络)和Gaussian Layer(参数转化层)组成。其中，EncoderLSTM用于对前序时间序列的数据进行编码；Decoder LSTM将Encoder LSTM的隐藏层状态作为其初始状态，进一步迭代输出未来时间步上的隐藏层状态；Gaussian Layer根据DecoderLSTM的隐藏层状态，输出被预测对象在未来每个时间步上概率分布的参数。

此处假设太阳辐射服从高斯分布，并采用高斯似然函数来表示：

其中，z表示太阳辐射；μ和σ为高斯似然函数的参数，分别代表期望和标准差。

每个未来时间步上的μ和σ均为该时间步上Decoder LSTM隐藏层状态h_t的映射，由Gaussian Layer计算：

综上，本申请实施例提出的太阳辐射概率预报方法，通过内部的编码长短时记忆网络、解码长短时记忆网络和参数转化层进行迭代运算并基于高斯似然函数获取的高斯概率分布参数能够更好地反映出数据内在的随机性质，它不仅能够预测数值，还可以给出相应的不确定性信息。

在一些示例中，上述DeepAR模型和/或上述目标卷积神经网络模型的损失函数基于高斯似然函数设计，其中，上述高斯似然函数

如下式所示：

t₀为被预测的第一个时间步所对应的时间，T为被预测的最后一个时间步所对应的时间；θ(·)为参数转化层的运算操作，z表示太阳辐射，h_t为解码隐藏层状态。

在一些示例中，上述预设DeepAR模型在模型的训练过程中是采用Adam算法优化并采用早停法控制的模型。

示例性的，Adam能基于训练数据迭代地更新神经网络权重。Adam算法和传统的随机梯度下降不同。随机梯度下降保持单一的学习率(即alpha)更新所有的权重，学习率在训练过程中并不会改变。而Adam通过计算梯度的一阶矩估计和二阶矩估计而为不同的参数设计独立的自适应性学习率，它能很快地实现优良的结果。采用早停法可以有效地避免过拟合，并避免训练时间过长，及时获取结果。

综上，本申请实施例提出的太阳辐射概率预报方法，通过采用Adam算法和早停法，得出的DeepAR模型计算速度更快，能够快速获取太阳辐射的概率。

在一些示例中通过本方法，利用2007–2008年的Himawari-8气象卫星和北京站地面太阳辐射观测数据对产品性能进行测试，太阳辐射确定性预报值的总体均方根误差为36.37MJ/m²，概率性预报区间的覆盖宽度准则指数为0.066，能够有效对太阳辐射概率做出有效预报。

请参阅图3，本申请实施例中太阳辐射概率预报装置的一个实施例，可以包括：

第一获取单元21，用于通过目标卷积神经网络模型对卫星数据进行卷积操作以获取目标地区的云层空间特性，其中，上述云层空间特性包括云遮挡信息、云位置信息和云面积信息中至少一种；

第二获取单元22，用于将上述云层空间特性输入特定预测深度网络模型以获取太阳辐射的高斯概率分布参数，其中，上述高斯概率分布参数包括平均值和方差；

计算单元23，用于计算上述高斯概率分布参数的分布期望作为太阳辐射的确定性预报值；

确定单元24，用于基于预设置信度和上述高斯概率分布参数获取概率性预报区间内的太阳辐射概率。

如图4所示，本申请实施例还提供一种电子设备300，包括存储器310、处理器320及存储在存储器310上并可在处理器上运行的计算机程序311，处理器320执行计算机程序311时实现上述太阳辐射概率预报的任一方法的步骤。

由于本实施例所介绍的电子设备为实施本申请实施例中一种太阳辐射概率预报装置所采用的设备，故而基于本申请实施例中所介绍的方法，本领域所属技术人员能够了解本实施例的电子设备的具体实施方式以及其各种变化形式，所以在此对于该电子设备如何实现本申请实施例中的方法不再详细介绍，只要本领域所属技术人员实施本申请实施例中的方法所采用的设备，都属于本申请所欲保护的范围。

在具体实施过程中，该计算机程序311被处理器执行时可以实现图1对应的实施例中任一实施方式。

需要说明的是，在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其它实施例的相关描述。

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、***、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(***)、和计算机程序产品的流程图和/或方框图来描述。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、嵌入式计算机或者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。

本申请实施例还提供了一种计算机程序产品，该计算机程序产品包括计算机软件指令，当计算机软件指令在处理设备上运行时，使得处理设备执行如图1对应实施例中的太阳辐射概率预报的流程。

计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时，全部或部分地产生按照本申请实施例的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一计算机可读存储介质传输，例如，计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line，DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘(solid state disk，SSD))等。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的***，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (10)

1.一种太阳辐射概率预报方法，其特征在于，包括：

通过目标卷积神经网络模型对卫星数据进行卷积操作以获取目标地区的云层空间特性，其中，所述云层空间特性包括云遮挡信息、云位置信息和云面积信息中至少一种；

将所述云层空间特性输入特定预测深度网络模型以获取太阳辐射的高斯概率分布参数，其中，所述高斯概率分布参数包括平均值和方差；

计算所述高斯概率分布参数的分布期望作为太阳辐射的确定性预报值；

基于预设置信度和所述高斯概率分布参数获取概率性预报区间内的太阳辐射概率。

2.如权利要求1所述的方法，其特征在于，所述目标卷积神经网络模型包括至少三个卷积块，每个所述卷积块包括至少一个3D卷积层和至少一个2D最大池化层。

3.如权利要求1所述的方法，其特征在于，所述目标卷积神经模型为采用sigmoid激活函数以引入非线性因素，所述目标卷积神经网络的边界像元采用填充策略，所述目标卷积神经网络包括3个2D最大池化层，3个2D最大池化层分别在尺寸为2、2和4的窗口中对卷积提取的特征进行上下文聚合。

4.如权利要求1所述的方法，其特征在于，所述将所述云层空间特性输入特定预测深度网络模型以获取太阳辐射的高斯概率分布参数，包括：

将所述云层空间特性输入预设DeepAR模型以获取太阳辐射的高斯概率分布参数。

5.如权利要求4所述的方法，其特征在于，所述预设DeepAR模型包括编码长短时记忆网络、解码长短时记忆网络和参数转化层；

所述将所述云层空间特性输入预设DeepAR模型以获取太阳辐射的高斯概率分布参数，包括：

将所述云层空间特性进行编码输入至所述预设DeepAR模型；

通过所述编码长短时记忆网络对前序时间序列的数据进行编码；

将所述编码长短时记忆网络的隐藏层状态作为所述解码长短时记忆网络的初始状态以迭代输出未来时间步上的解码隐藏层状态；

通过参数转化层对所述解码隐藏层状态进行高斯计算以获取所述高斯概率分布参数。

6.如权利要求5所述的方法，其特征在于，所述DeepAR模型和/或所述目标卷积神经网络模型的损失函数基于高斯似然函数设计，其中，所述高斯似然函数

如下式所示：

t₀为被预测的第一个时间步所对应的时间，T为被预测的最后一个时间步所对应的时间，θ(·)为参数转化层的运算操作，z表示太阳辐射，h_t为解码隐藏层状态。

7.如权利要求5所述的方法，其特征在于，所述预设DeepAR模型在模型的训练过程中是采用Adam算法优化并采用早停法控制的模型。

8.一种太阳辐射概率预报装置，其特征在于，包括：

第一获取单元，用于通过目标卷积神经网络模型对卫星数据进行卷积操作以获取目标地区的云层空间特性，其中，所述云层空间特性包括云遮挡信息、云位置信息和云面积信息中至少一种；

第二获取单元，用于将所述云层空间特性输入特定预测深度网络模型以获取太阳辐射的高斯概率分布参数，其中，所述高斯概率分布参数包括平均值和方差；

计算单元，用于计算所述高斯概率分布参数的分布期望作为太阳辐射的确定性预报值；

确定单元，用于基于预设置信度和所述高斯概率分布参数获取概率性预报区间内的太阳辐射概率。

9.一种电子设备，包括：存储器和处理器，其特征在于，所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1-7中任一项所述的太阳辐射概率预报方法的步骤。

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中任一项所述的太阳辐射概率预报方法。

Images