CN117151303B - 一种基于混合模型的超短期太阳辐照度预测方法及*** - Google Patents
一种基于混合模型的超短期太阳辐照度预测方法及*** Download PDFInfo
- Publication number
- CN117151303B CN117151303B CN202311172549.4A CN202311172549A CN117151303B CN 117151303 B CN117151303 B CN 117151303B CN 202311172549 A CN202311172549 A CN 202311172549A CN 117151303 B CN117151303 B CN 117151303B
- Authority
- CN
- China
- Prior art keywords
- matrix
- time
- network
- historical
- solar irradiance
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000005855 radiation Effects 0.000 claims abstract description 44
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 27
- 238000013528 artificial neural network Methods 0.000 claims abstract description 22
- 239000011159 matrix material Substances 0.000 claims description 72
- 230000003044 adaptive effect Effects 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 15
- 230000015654 memory Effects 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 9
- 238000005096 rolling process Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000005065 mining Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 6
- 230000007787 long-term memory Effects 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 230000006403 short-term memory Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 230000007774 longterm Effects 0.000 claims description 4
- 210000005036 nerve Anatomy 0.000 claims description 4
- 230000014509 gene expression Effects 0.000 claims description 3
- 238000003475 lamination Methods 0.000 claims description 3
- 238000001556 precipitation Methods 0.000 claims description 3
- 238000002310 reflectometry Methods 0.000 claims description 3
- 238000000547 structure data Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 230000008569 process Effects 0.000 description 9
- 238000011156 evaluation Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000001364 causal effect Effects 0.000 description 2
- 230000010339 dilation Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- 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
- G06N3/0464—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
- G06N3/047—Probabilistic or stochastic networks
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Fuzzy Systems (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Databases & Information Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于混合模型的超短期太阳辐照度预测方法及***。所述方法包括：采集历史太阳史辐照度和气象参数数据，构造历史辐射序列；利用滑动变分模态分解模型对历史辐射序列的时序特征进行解耦，并利用自适应图卷积网络获取历史辐射序列间的依赖关系，并将提取的两类特征进行拼接；通过组合多个时间卷积神经网络构造四核时间卷积神经网络，利用四核时间卷积神经网络学习拼接后的特征信息，预测未来30min的太阳辐照度。本发明能够实现精准的超短期太阳辐照度预测，为电网的可靠、稳定运行提供支撑。
Description
技术领域
本发明涉及太阳幅照度预测，具体涉及一种超短期太阳辐射照度预测方法及***。
背景技术
太阳能作为一种清洁、可再生能源，不仅可以满足全球电力需求，而且可以减缓传统能源造成的全球变暖。然而，太阳辐照度的时空变化较大，当大规模光伏发电并入电网时，会导致电网可靠性和稳定性的缺陷，加剧了电网管理的复杂性。因此需要对太阳辐照度进行准确的预测，以保障可靠的光伏发电，为电网运营提供了更为可靠的调度方案。
太阳辐照度预测可以被认为是一个多元时间序列预测问题，既需要构建一个多元特征提取机制，充分挖掘数据间的相关性和依赖性，还需要建立一个可靠的时间序列预测模型，能够提取时间序列数据中存在的长期相关性和非线性因素。大量实验已证明混合预测模型可以利用不同模型的独特优势，比单一模型具有更高的预测精度，但数据集中的有效特征提取不能完全依赖于混合模型。历史辐射数据本身包含趋势信息、季节信息、周期模式和噪声信息等，其时间依赖性被这复杂时间模式所模糊。此外，卷积神经网络(CNN)、长短期记忆网络(LSTM)等深度学习模型难以捕捉到特征序列间的关系。原始数据集中信息利用和有效特征提取的不充分，使得预测模型无法捕捉到数据集中的重要特征和趋势，从而导致预测精度下降。
发明内容
发明目的：本发明的目是提供一种基于混合模型的超短期太阳辐照度预测方法及***，提高太阳辐照度预测精度。
技术方案：为了实现上述发明目的，本发明提供的基于混合模型的超短期太阳辐照度预测方法，包括以下步骤：
采集历史太阳史辐照度和气象参数数据，构造历史辐射序列；
利用滑动变分模态分解模型对历史辐射序列的时序特征进行解耦，并利用自适应图卷积网络获取历史辐射序列间的依赖关系，并将提取的两类特征进行拼接，其中滑动变分模态分解模型的处理包括：选取指定长度的时间窗格构造输入样本，根据设定的时间窗口长度，将历史辐射序列滑动分割成片段样本，对每个片段内的数据分别使用变分模态分解方法将其解耦为k个IMF分量，所得的IMF被收集在相应采样片段中，并形成具有k个条目的矩阵列；自适应图卷积网络的处理包括：选取指定长度的时间窗格构造输入样本，利用图卷积网络根据不断更新的节点输入特征矩阵和通过长短期记忆网络生成的自适应邻接矩阵，挖掘输入气象特征序列间的依赖关系，动态评估气象因素对太阳辐照度预测的影响程度，并输出特征矩阵；
通过组合多个时间卷积神经网络构造四核时间卷积神经网络，利用四核时间卷积神经网络学习拼接后的特征信息，预测未来30min的太阳辐照度。
进一步地，采集的历史太阳史辐照度包括水平总辐射GHI，采集的气象参数数据包括：云的类型CT、露点DP、方向标FF、地表反射率SA、风速WS、预测降水PW、风向WD、相对湿度RH、温度T和气压P中的至少一项。
进一步地，滑动变分模态分解模型将每个模态解调到相关的频带以最小化估计总带宽，其中，模态分量uk(t)、中心频率ωk(t)和求解模型表达式为：
式中：为第k模态的相位，{uk}＝{u1,...,uK}为模态分量，K为模态数，{ωk}＝{ω1,...,ωK}为模态分量对应的中心频率，H(t)为原信号；δ(t)为冲激函数；j为虚数单位。
进一步地，节点输入特征矩阵通过以下方法构造：利用长度为t的时间窗格将包含F个气象特征的原始数据集重构为由n个样本构成的三维数据矩阵，该矩阵表示为x∈RF ×t×n；对于某一时刻下样本的原始二维数据矩阵，将每一气象特征作为图的节点，每一气象特征包含的历史数据作为节点信息，重构为节点特征矩阵；
自适应邻接矩阵的生成包括：利用长短期记忆网络捕获节点特征矩阵中的长期依赖关系和节点间的影响程度，生成自适应邻接矩阵。
进一步地，图卷积网络中添加隐层向量实现邻接节点间的信息传递，并通过参数学习完成对图结构数据进行局部信息融合、分类和回归任务，其中图卷积网络的卷积运算与自适应邻接矩阵的基本计算公式为：
M＝Relu(Lstm1(E))
A＝SoftMax(Relu(Lstm2(M)))
式中：H为图卷积层的输入，A为邻接矩阵，D为邻接矩阵的度矩阵，W为权矩阵，E为输入节点特征矩阵，Lstm1、Lstm2为长短期记忆网络。
进一步地，时间卷积神经网络采用了扩张卷积，对于一维序列输入x∈Rn，扩张卷积运算方程为：
式中：s为输入序列信息，d为膨胀系数；k为滤波器大小；Xs-d·i为历史时刻的信息，f(i)为对应于Xs-d·i的滤波器。
进一步地，四核时间卷积神经网络的构造包括：分别采用1×1、1×2、1×3及1×4大小卷积核构成的时间神经卷积网络对输入特征矩阵进行时序特征提取之后，对于不同卷积核的时间卷积神经网络所提取出的特征信息，采用拼接操作对其进行融合，融合后的特征序列输入全连接层，得到最终太阳辐照度预测结果。
本发明还提供一种基于混合模型的超短期太阳辐照度预测***，包括：
数据采集模块，被配置为采集历太阳史辐照度和气象参数数据，构造历史辐射序列；
特征提取融合模块，被配置为利用滑动变分模态分解模型对历史辐射序列的时序特征进行解耦，并利用自适应图卷积网络获取历史辐射序列间的依赖关系，并将提取的两类特征进行拼接，其中滑动变分模态分解模型的处理包括：选取指定长度的时间窗格构造输入样本，根据设定的时间窗口长度，将历史辐射序列滑动分割成片段样本，对每个片段内的数据分别使用变分模态分解方法将其解耦为k个IMF分量，所得的IMF被收集在相应采样片段中，并形成具有k个条目的矩阵列；自适应图卷积网络的处理包括：选取指定长度的时间窗格构造输入样本，利用图卷积网络根据不断更新的节点输入特征矩阵和通过长短期记忆网络生成的自适应邻接矩阵，挖掘输入气象特征序列间的依赖关系，动态评估气象因素对太阳辐照度预测的影响程度，并输出特征矩阵；
太阳辐照度预测模块，被配置为通过组合多个时间卷积神经网络构造四核时间卷积神经网络，利用四核时间卷积神经网络学习拼接后的特征信息，预测未来30min的太阳辐照度。
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混合模型的超短期太阳辐照度预测方法的步骤。
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混合模型的超短期太阳辐照度预测方法的步骤。
有益效果：
1、本发明建立了一种自适应时序解耦和气象因素动态影响评估的超短期太阳辐照度预测模型，利用滑动变分模态分解(SWVMD)、自适应图卷积网络(AGCN)和四核时间卷积神经网络(QTCN)模型对历史数据进行多尺度、多层次的特征提取，以有效提高太阳辐照度预测精度。
2、本发明利用SWVMD对历史辐射序列进行自适应时序解耦，解耦后的模态分量可以有效地提取出原序列的趋势分量和局部波动，可用于实际的太阳辐照度预测中，具有一定的工程价值。
3、本发明利用自AGCN自动挖掘序列间的未知依赖关系，不需要任何先验知识，可以自适应学习并调整图形邻接矩阵的各边权重，动态评估各气象因素对太阳辐照度预测的影响程度，以便在预测过程中突出与太阳辐照度依赖性更强的变量，提升预测精度。
附图说明
图1是本发明方法的预测流程图；
图2是SWVMD算法示意图；
图3是AGCN自适应图学习模块结构示意图；
图4是TCN因果扩张卷积和QTCN结构示意图；
图5是基于SWVMD的分解结果；
图6是不同预测模型的预测结果；
图7是自适应邻接矩阵中变量间权重可视化。
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。
参照图1，本发明提出的基于混合模型的超短期太阳辐照度预测方法，包括以下步骤：
步骤1：采集历史辐照度和气象因素等相关数据；
步骤2：利用滑动变分模态分解(SWVMD)和自适应图卷积网络(AGCN)并行结构，分别对历史辐射序列的时序特征进行解耦以及动态评估气象因素对太阳辐照度预测的影响；
步骤3：基于四核时间卷积神经网络(QTCN)充分挖掘融合后特征信息，预测未来30min的太阳辐照度。
在实施例中，步骤1中，选取来自国家太阳辐射库(NSRDB)的数据集，主要包含总辐射(GHI)、云的类型(CT)、露点(DP)、方向标(FF)、地表反射率(SA)、风速(WS)、预测降水(PW)、风向(WD)、相对湿度(RH)、温度(T)和气压(P)，采样间隔为30min，将2017年至2019年三个整年度的数据作为训练集和验证集，2020年度的数据作为测试集。
本发明在步骤2中所采用的SWVMD是一种自适应的、完全非递归的分解方法，能够在搜索和求解过程中自适应地匹配每个模态的最佳中心频率ωk(t)。变分模态分解(VMD)分解过程实质上是构造和求解变量问题。将每个模态解调到相关的频带以最小化估计总带宽。其中模态分量uk(t)、中心频率ωk(t)和求解模型表达式的公式为：
式中：为第k模态的相位，{uk}＝{u1,...,uK}为模态分量，{ωk}＝{ω1,...,ωK}为模态分量对应的中心频率；K为模态数；H(t)为原信号；δ(t)为冲激函数；j为虚数单位。模型的求解目标即最小化估计总带宽，求解的变量是每个模态分量uk。
实施例中，在步骤2中，选取长度为24的时间窗格构造SWVMD的输入样本，对于原始辐射序列根据设定的时间窗口长度24，将记录的历史辐射序列滑动分割成片段样本i，进而对每个片段内的数据分别使用VMD方法将其解耦为k个本征模态函数(IMF)分量，所得的IMF分量被收集在相应采样片段中，并形成具有k个条目的矩阵列，如图2所示，进而执行预测，即将t-24,t-23,...,t-1时刻的历史信息进行自适应时序解耦得到样本i以预测t时刻的太阳辐照度，其目的在于得到能够反映太阳辐射多尺度变化特性的多维特征序列，让模型能够实时挖掘不同特征尺度下的模态分量，并保证了实时应用的可行性和高效性。
本发明在步骤2中所采用的AGCN在GCN中添加隐层向量实现邻接节点间的信息传递，并通过参数学习完成对图结构数据进行局部信息融合、分类和回归等任务，其中GCN的卷积运算与自适应邻接矩阵的基本计算公式为：
M＝Relu(Lstm1(E))
A＝SoftMax(Relu(Lstm2(M)))
式中：H为图卷积层的输入，A为邻接矩阵，D为邻接矩阵的度矩阵，W为权矩阵，E为输入节点特征矩阵，Lstm1、Lstm2为长短期记忆网络。
在实施例中，步骤2中，首先利用长度为t(选取的长度为24)的时间窗格将包含F个气象特征的原始数据集重构为由n个样本构成的三维数据矩阵，该矩阵可以表示为x∈RF ×t×n。其次对于某一时刻下(某一样本)的原始二维数据矩阵，将每一气象特征作为图的节点，每一气象特征包含的历史数据作为节点信息，重构为节点特征矩阵。然后利用节点特征矩阵生成自适应邻接矩阵，即利用LSTM捕获节点信息中的长期依赖关系并评估节点间的影响程度，自适应地生成邻接矩阵。最后利用图卷积网络根据不断更新的节点输入特征矩阵和生成的自适应邻接矩阵，自动挖掘输入气象特征序列间的依赖关系，动态评估气象因素对太阳辐照度预测的影响程度，并输出特征矩阵。图3说明了时间步长t的三维矩阵和节点特征矩阵构造及特征矩阵提取的过程。
实施例中，通过Python中的拼接函数Concatenate将SWVMD和AGCN提取到的特征进行拼接，并将拼接所得结果输入到后续的QTCN模型中以便能同时学习SWVMD和AGCN提取的特征，进而充分学习不同时间尺度下的时序特征，以提升预测精度。
本发明在步骤3中构建的QTCN模型是通过组合多个时间卷积神经网络(TCN)的模型，如图4所示，四个TCN组合形成。与传统卷积的相比，TCN的卷积区域受到严格限制，在特征提取过程中不考虑未来时刻的值。为了有效地处理长时间序列，TCN采用了扩张卷积提高网络的感受野，在处理长时间序列时能够有效地降低时间复杂度。对于一维序列输入x∈Rn和滤波器f:{0,1,...,k-1}，扩张因果卷积运算方程为：
式中：s为输入序列信息；d为膨胀系数；k为滤波器大小；Xs-d·i为历史时刻的信息。随着d的增加，TCN的感知场增加，接收信息量增加。
在QTCN分别采用1×1、1×2、1×3及1×4大小卷积核构成的TCN对输入特征矩阵进一步进行时序特征提取之后，对于不同卷积核的TCN所提取出的特征信息，采用拼接操作对其进行融合，进而得到能够反映原始数据多尺度局部时间依赖关系的特征序列。将特征序列输入Dense层(全连接层)，得到最终太阳辐照度预测结果。
为了验证本发明所提方法预测太阳辐照度的准确性，设计了如下几个算例进行对比实验。使用的数据集来自于国家太阳辐射数据库(NSRDB)，包含了从2017年1月1日到2020年12月31日四年的完整数据，主要包含GHI，温度，湿度，风速和其他相关的天气参数，时间分辨率为30min。选取数据集中70％的数据作训练集，30％的数据作测试集，并选择如下的评估方法作为评估指标：均方根误差(RMSE)、均方误差(MAE)、决定系数(R2)，计算公式如下：
式中：n为样本数；为第i个样本的预测值；yi为第i个样本的实际值；σ2为测试集的方差。
算例1：SWVMD解耦实验
为验证SWVMD能够有效地从辐射序列中提取出更为丰富的特征信息，实验设定时间跨度为一天的数据作为滑动窗口的长度，对历史辐射数据进行自适应时序解耦。从测试数据中抽取1天的分解结果进行展示，分解得到的各模态如图5所示。
图5展示了从低频到高频的模态分量模态1—模态4。中心频率最较低的模态1、2反映了辐射序列的整体的波动趋势相对平缓，有效地提取出了太阳辐射值从白天—中午—夜晚，先升后降的总体趋势；而较高频的模态3、4则提取出了太阳辐射的局部波动趋势和随机波动情况，能够识别出太阳辐射明显的起伏波动，为太阳辐射的突变预测提供相应的特征。分解后的每种模态不仅挖掘出了原始辐射序列多层次特征，降低了其复杂性。
算例2：基于神经网络模型的太阳辐照度预测结果对比
为验证本文所提出的SWVMD-AGCN-MTCN太阳辐照度预测模型的优越性，采用历史GHI和相关天气特征作为模型输入，建立太阳辐照度预测模型，并与LSTM，TCN，CNN-Bi-LSTM模型进行对比。表1展示了为各模型的评价指标，图6展示了各个模型的预测结果。
表1不同预测模型的评价指标
表1给出了SWVMD-AGCN-MTCN模型与对比模型的误差结果。由表1可见，所提出SWVMD-AGCN-MTCN太阳辐照度预测模型获得了最低的RMSE和MAE值，最高的R2，分别为40.260W/m2，15.646W/m2和0.9731。与其他模型相比，RMSE分别下降15.31％，12.75％，6.19％，MAE分别下降32.21％，32.13％，13.35％，R2分别提升1.11％，0.88％，0.38％。从评价指标上来看，所提模型的预测性能均明显优于其他3种模型。
图6展示了各模型的预测结果，可以得出无论是太阳辐照度无大幅波动的晴天，还是太阳辐照度存在突变的云雨天，本文所提模型的预测效果均优于其他模型，其预测曲线和实际曲线的拟合程度更高。即便在复杂波动天气情况下，所提模型仍然能够灵敏地捕捉到太阳辐照度的变化趋势，说明了所提模型对于各种天气类型都具备良好的泛化能力。
算例3：基于神经网络模型的太阳辐照度预测结果对比
为验证特征节点间的影响程度以及气象因素对太阳辐照度预测的贡献程度，随机选取了模型在两个时刻下的自适应学习的图矩阵并将其变量间权重可视化，如图7所示。
图7展示了随着时间的变化，图学习层能自适应地捕捉到的天气特征节点之间的关联性。为了更好地捕捉、利用节点间的关联信息，图形邻接矩阵在动态学习过程中，不断地调整和优化其各边权重。此外，通过观察热力图可以发现，GHI和CT，GHI和T这两对变量之间存在较强的依赖性。在预测过程中，突出对GHI影响程度更强的变量，可以更有针对性地提取优质特征，有效提升预测精度。
综上所述，本发明方法太阳辐射序列具有波动性以及受气象因素影响而导致太阳辐照度预测精度降低等问题，建立基于SWVMD-AGCN-QTCN的超短期太阳辐照度预测模型，能够实现精准的超短期太阳辐照度预测，为电网的可靠、稳定运行提供支撑。
基于与方法实施例相同的技术构思，本发明还提供了一种基于混合模型的超短期太阳辐照度预测***，包括：
数据采集模块，被配置为采集历史太阳史辐照度和气象参数数据，构造历史辐射序列；
特征提取融合模块，被配置为利用滑动变分模态分解模型对历史辐射序列的时序特征进行解耦，并利用自适应图卷积网络获取历史辐射序列间的依赖关系，并将提取的两类特征进行拼接，其中滑动变分模态分解模型的处理包括：选取指定长度的时间窗格构造输入样本，根据设定的时间窗口长度，将历史辐射序列滑动分割成片段样本，对每个片段内的数据分别使用变分模态分解方法将其解耦为k个IMF分量，所得的IMF被收集在相应采样片段中，并形成具有k个条目的矩阵列；自适应图卷积网络的处理包括：选取指定长度的时间窗格构造输入样本，利用图卷积网络根据不断更新的节点输入特征矩阵和通过长短期记忆网络生成的自适应邻接矩阵，挖掘输入气象特征序列间的依赖关系，动态评估气象因素对太阳辐照度预测的影响程度，并输出特征矩阵；
太阳辐照度预测模块，被配置为通过组合多个时间卷积神经网络构造四核时间卷积神经网络，利用四核时间卷积神经网络学习拼接后的特征信息，预测未来30min的太阳辐照度。
应当理解，本发明实施例中的基于混合模型的超短期太阳辐照度预测***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混合模型的超短期太阳辐照度预测方法的步骤。
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混合模型的超短期太阳辐照度预测方法的步骤。
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、装置(***)、计算机设备或计算机程序产品。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的流程图来描述的。应理解可由计算机程序指令实现流程图中的每一流程以及流程图中的流程的结合。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中指定的功能的步骤。
Claims (10)
1.一种基于混合模型的超短期太阳辐照度预测方法，其特征在于，包括以下步骤：
采集历史太阳史辐照度和气象参数数据，构造历史辐射序列；
利用滑动变分模态分解模型对历史辐射序列的时序特征进行解耦，并利用自适应图卷积网络获取历史辐射序列间的依赖关系，并将提取的两类特征进行拼接，其中滑动变分模态分解模型的处理包括：选取指定长度的时间窗格构造输入样本，根据设定的时间窗口长度，将历史辐射序列滑动分割成片段样本，对每个片段内的数据分别使用变分模态分解方法将其解耦为k个IMF分量，所得的IMF被收集在相应采样片段中，并形成具有k个条目的矩阵列；自适应图卷积网络的处理包括：选取指定长度的时间窗格构造输入样本，利用图卷积网络根据不断更新的节点输入特征矩阵和通过长短期记忆网络生成的自适应邻接矩阵，挖掘输入气象特征序列间的依赖关系，动态评估气象因素对太阳辐照度预测的影响程度，并输出特征矩阵；
通过组合多个时间卷积神经网络构造四核时间卷积神经网络，利用四核时间卷积神经网络学习拼接后的特征信息，预测未来30min的太阳辐照度。
2.根据权利要求1所述的方法，其特征在于，采集的历史太阳史辐照度包括水平总辐射GHI，采集的气象参数数据包括：云的类型CT、露点DP、方向标FF、地表反射率SA、风速WS、预测降水PW、风向WD、相对湿度RH、温度T和气压P中的至少一项。
3.根据权利要求1所述的方法，其特征在于，滑动变分模态分解模型将每个模态解调到相关的频带以最小化估计总带宽，其中，模态分量uk(t)、中心频率ωk(t)和求解模型表达式为：
式中：为第k模态的相位，{uk}＝{u1,...,uK}为模态分量，K为模态数，{ωk}＝{ω1,...,ωK}为模态分量对应的中心频率，H(t)为原信号；δ(t)为冲激函数；j为虚数单位。
4.根据权利要求1所述的方法，其特征在于，节点输入特征矩阵通过以下方法构造：利用长度为t的时间窗格将包含F个气象特征的原始数据集重构为由n个样本构成的三维数据矩阵，该矩阵表示为x∈RF×t×n；对于某一时刻下样本的原始二维数据矩阵，将每一气象特征作为图的节点，每一气象特征包含的历史数据作为节点信息，重构为节点特征矩阵；
自适应邻接矩阵的生成包括：利用长短期记忆网络捕获节点特征矩阵中的长期依赖关系和节点间的影响程度，生成自适应邻接矩阵。
5.根据权利要求4所述的方法，其特征在于，图卷积网络中添加隐层向量实现邻接节点间的信息传递，并通过参数学习完成对图结构数据进行局部信息融合、分类和回归任务，其中图卷积网络的卷积运算与自适应邻接矩阵的基本计算公式为：
M＝Relu(Lstm1(E))
A＝SoftMax(Relu(Lstm2(M)))
式中：H为图卷积层的输入，A为邻接矩阵，D为邻接矩阵的度矩阵，W为权矩阵，E为输入节点特征矩阵，Lstm1、Lstm2为长短期记忆网络。
6.根据权利要求1所述的方法，其特征在于，时间卷积神经网络采用了扩张卷积，对于一维序列输入x∈Rn，扩张卷积运算方程为：
式中：s为输入序列信息，d为膨胀系数；k为滤波器大小；Xs-d.i为历史时刻的信息，f(i)为对应于Xs-d·i的滤波器。
7.根据权利要求6所述的方法，其特征在于，四核时间卷积神经网络的构造包括：分别采用1×1、1×2、1×3及1×4大小卷积核构成的时间神经卷积网络对输入特征矩阵进行时序特征提取之后，对于不同卷积核的时间卷积神经网络所提取出的特征信息，采用拼接操作对其进行融合，融合后的特征序列输入全连接层，得到最终太阳辐照度预测结果。
8.一种基于混合模型的超短期太阳辐照度预测***，其特征在于，包括：
数据采集模块，被配置为采集历史太阳史辐照度和气象参数数据，构造历史辐射序列；
特征提取融合模块，被配置为利用滑动变分模态分解模型对历史辐射序列的时序特征进行解耦，并利用自适应图卷积网络获取历史辐射序列间的依赖关系，并将提取的两类特征进行拼接，其中滑动变分模态分解模型的处理包括：选取指定长度的时间窗格构造输入样本，根据设定的时间窗口长度，将历史辐射序列滑动分割成片段样本，对每个片段内的数据分别使用变分模态分解方法将其解耦为k个IMF分量，所得的IMF被收集在相应采样片段中，并形成具有k个条目的矩阵列；自适应图卷积网络的处理包括：选取指定长度的时间窗格构造输入样本，利用图卷积网络根据不断更新的节点输入特征矩阵和通过长短期记忆网络生成的自适应邻接矩阵，挖掘输入气象特征序列间的依赖关系，动态评估气象因素对太阳辐照度预测的影响程度，并输出特征矩阵；
太阳辐照度预测模块，被配置为通过组合多个时间卷积神经网络构造四核时间卷积神经网络，利用四核时间卷积神经网络学习拼接后的特征信息，预测未来30min的太阳辐照度。
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混合模型的超短期太阳辐照度预测方法的步骤。
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混合模型的超短期太阳辐照度预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311172549.4A CN117151303B (zh) | 2023-09-12 | 2023-09-12 | 一种基于混合模型的超短期太阳辐照度预测方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311172549.4A CN117151303B (zh) | 2023-09-12 | 2023-09-12 | 一种基于混合模型的超短期太阳辐照度预测方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117151303A CN117151303A (zh) | 2023-12-01 |
| CN117151303B true CN117151303B (zh) | 2024-05-31 |
Family
ID=88905933
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311172549.4A Active CN117151303B (zh) | 2023-09-12 | 2023-09-12 | 一种基于混合模型的超短期太阳辐照度预测方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117151303B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112529282A (zh) * | 2020-12-03 | 2021-03-19 | 清华大学 | 基于时空图卷积神经网络的风电场集群短期功率预测方法 |
| CN113962441A (zh) * | 2021-09-26 | 2022-01-21 | 华能澜沧江水电股份有限公司 | 一种基于历史数据分析的短期辐照度预测方法及预测*** |
| CN113988364A (zh) * | 2021-09-16 | 2022-01-28 | 贵州电网有限责任公司 | 一种基于变分模态分解和多尺度下采样的光伏功率出力预测方法 |
| CN114548532A (zh) * | 2022-02-09 | 2022-05-27 | 华南师范大学 | 一种基于vmd的tgcn-gru超短期负荷预测方法、装置和电子设备 |
| CN115347571A (zh) * | 2022-10-17 | 2022-11-15 | 国网江西省电力有限公司电力科学研究院 | 基于迁移学习的光伏发电功率短期预测方法及装置 |
| CN115409258A (zh) * | 2022-08-25 | 2022-11-29 | 东南大学 | 一种混合深度学习短期辐照度预测方法 |
| CN115496257A (zh) * | 2022-07-23 | 2022-12-20 | 南京信息工程大学 | 基于时空融合的短时车速预测 |
| 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*** |
| CN116187563A (zh) * | 2023-02-28 | 2023-05-30 | 南京信息工程大学 | 一种融合改进变分模态分解的海表温度时空智能预测方法 |
-
2023
- 2023-09-12 CN CN202311172549.4A patent/CN117151303B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112529282A (zh) * | 2020-12-03 | 2021-03-19 | 清华大学 | 基于时空图卷积神经网络的风电场集群短期功率预测方法 |
| CN113988364A (zh) * | 2021-09-16 | 2022-01-28 | 贵州电网有限责任公司 | 一种基于变分模态分解和多尺度下采样的光伏功率出力预测方法 |
| CN113962441A (zh) * | 2021-09-26 | 2022-01-21 | 华能澜沧江水电股份有限公司 | 一种基于历史数据分析的短期辐照度预测方法及预测*** |
| CN114548532A (zh) * | 2022-02-09 | 2022-05-27 | 华南师范大学 | 一种基于vmd的tgcn-gru超短期负荷预测方法、装置和电子设备 |
| CN115496257A (zh) * | 2022-07-23 | 2022-12-20 | 南京信息工程大学 | 基于时空融合的短时车速预测 |
| CN115409258A (zh) * | 2022-08-25 | 2022-11-29 | 东南大学 | 一种混合深度学习短期辐照度预测方法 |
| CN115347571A (zh) * | 2022-10-17 | 2022-11-15 | 国网江西省电力有限公司电力科学研究院 | 基于迁移学习的光伏发电功率短期预测方法及装置 |
| 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*** |
| CN116187563A (zh) * | 2023-02-28 | 2023-05-30 | 南京信息工程大学 | 一种融合改进变分模态分解的海表温度时空智能预测方法 |
Non-Patent Citations (4)
| Title |
|---|
| Ultra-short-Term Load Forecasting Model Based on VMD and TGCN-GRU;Meirong Ding等;《International Conference on Industrial, Engineering and Other Applications of Applied Intelligent Systems》;20220830;全文 * |
| 基于改进LSSVM的太阳辐射量预测;张东寅;吴小涛;袁晓辉;袁艳斌;许汉平;;水电能源科学;20170925(09);全文 * |
| 基于自适应时序表征和多级注意力的超短期风电功率预测;张越等;《电力自动化设备》;20230630;全文 * |
| 融合变分模态分解的时空卷积短时车速预测;张凯等;《***仿真学报》;20220725;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117151303A (zh) | 2023-12-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11537889B2 (en) | Systems and methods of data preprocessing and augmentation for neural network climate forecasting models | |
| Ma et al. | A hybrid attention-based deep learning approach for wind power prediction | |
| Lipu et al. | Artificial intelligence based hybrid forecasting approaches for wind power generation: Progress, challenges and prospects | |
| CN112783940A (zh) | 基于图神经网络的多源时序数据故障诊断方法和介质 | |
| CN111582551B (zh) | 风电场短期风速预测方法、***及电子设备 | |
| CN111461463B (zh) | 一种基于tcn-bp的短期负荷预测方法、***及设备 | |
| 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 | |
| Xie et al. | Attention Mechanism‐Based CNN‐LSTM Model for Wind Turbine Fault Prediction Using SSN Ontology Annotation | |
| CN111967675A (zh) | 光伏发电量的预测方法以及预测装置 | |
| Liu et al. | Deep neural network for forecasting of photovoltaic power based on wavelet packet decomposition with similar day analysis | |
| Girimurugan et al. | Application of deep learning to the prediction of solar irradiance through missing data | |
| CN115186923A (zh) | 光伏发电功率的预测方法、装置及电子设备 | |
| CN116842337A (zh) | 基于LightGBM优选特征与COA-CNN模型的变压器故障诊断方法 | |
| Karbasi et al. | Developing a novel hybrid Auto Encoder Decoder Bidirectional Gated Recurrent Unit model enhanced with empirical wavelet transform and Boruta-Catboost to forecast significant wave height | |
| Bai et al. | Evolutionary algorithm-based error parameterization methods for data assimilation | |
| CN113361782B (zh) | 基于改进mkpls的光伏发电功率短期滚动预测方法 | |
| CN117151303B (zh) | 一种基于混合模型的超短期太阳辐照度预测方法及*** | |
| CN112132344A (zh) | 一种基于相似日和frs-svm的短期风电功率预测方法 | |
| CN117154680A (zh) | 一种基于非平稳Transformer模型的风电功率预测方法 | |
| Jiang et al. | Research on time-series based and similarity search based methods for PV power prediction | |
| Wang et al. | Combined ultra-short-term prediction method of PV power considering ground-based cloud images and chaotic characteristics | |
| Tamal et al. | Forecasting of solar photovoltaic output energy using lstm machine learning algorithm | |
| CN113962432A (zh) | 一种融合三维卷积与轻量卷积门限单元的风电预测方法及*** | |
| Jiang et al. | Short-term PV power prediction based on VMD-CNN-IPSO-LSSVM hybrid model | |
| Pham et al. | LS-SPP: A LSTM-Based Solar Power Prediction Method from Weather Forecast Information |
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 |