一种基于地基云图的超短期太阳辐射预测方法和系统技术方案

本发明专利技术提供了一种基于地基云图的超短期太阳辐射预测方法和系统，包括：获取预测时刻之前的地基云图图像时序数据集和太阳辐射时序数据集；将所述地基云图图像时序数据集输入到预先训练的卷积神经网络模型中提取云图特征向量时序数据集；将所述太阳辐射时序数据集和所述云图特征向量时序数据集输入到预先建立的循环神经网络模型中，得到预测时刻太阳能辐射数据；基于所述预测时刻太阳能辐射数据作为超短期太阳辐射预测结果；本发明专利技术利用机器学习的方法进行特征提取，改善了人工提取的缺点，具有了较强的抗干扰性和鲁棒性。具有了较强的抗干扰性和鲁棒性。具有了较强的抗干扰性和鲁棒性。

【技术实现步骤摘要】
一种基于地基云图的超短期太阳辐射预测方法和系统


[0001]本专利技术属于太阳辐射预测领域，尤其是涉及一种基于地基云图的超短期太阳辐射预测方法和系统。

技术介绍

[0002]由于到达地表的太阳辐射受季节、大气质量和天气状况等因素的影响使其在时间上具有较强的间歇性和波动性。太阳能资源的间歇性与波动性直接导致光伏发电具有间歇性和不稳定性。高精度光伏电站的输出功率预测，可以为区域电网的调度计划决策提供重要的数据支持，促进区域光伏消纳。而光伏发电输出功率的准确预测主要依赖于对地表太阳辐射的准确预测。而气象因素如云、大气气溶胶、沙尘等对太阳辐射能量的衰减是导致地表太阳辐射能量的间歇性与波动性的因素，其中云对太阳的遮挡是造成地表太阳辐射随机衰减的主要因素。结合地基云图与地表辐射观测来研究云对地面太阳辐射的衰减是建立基于全天空云图的地面太阳辐射预测模型的核心环节。
[0003]现有的较成熟的基于地基云图的太阳辐射预测方法，主要是根据云辐射衰减对云图进行分类，分析和提取了诸多色彩特征和纹理特征，包括相关性、边界频率、中心距等组成特征向量对云图进行分类。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于地基云图的超短期太阳辐射预测方法，其特征在于，包括：获取预测时刻之前的地基云图图像时序数据集和太阳辐射时序数据集；将所述地基云图图像时序数据集输入到预先训练的卷积神经网络模型中提取云图特征向量时序数据集；将所述太阳辐射时序数据集和所述云图特征向量时序数据集输入到预先建立的循环神经网络模型中，得到预测时刻太阳能辐射数据；基于所述预测时刻太阳能辐射数据作为超短期太阳辐射预测结果；其中，所述卷积神经网络模型是基于历史地基云图图像时序数据集训练得到的，所述循环神经网络模型是基于历史太阳辐射时序数据集和云图特征向量时序数据集训练得到的。2.根据权利要求1所述的方法，其特征在于，所述卷积神经网络模型的训练，包括：将所述历史图像时序数据集中的图像按要求进行缩放后构造训练图像数据集；对卷积神经网络模型的参数进行设置；并利用设置好的卷积神经网络模型的参数对多个类型的卷积神经网络模型进行训练，根据训练集输出的精度确定卷积神经网络模型类型；将所述训练图像数据集输入选定的卷积神经网络模型中，提取得到云图特征向量时序数据集。3.根据权利要求2所述的方法，其特征在于，所述卷积神经网络模型的参数，包括：卷积神经网络的学习率、迭代次数、批处理大小、最后一个全连接层的输出以及卷积神经网络的交叉熵损失函数。4.根据权利要求3所述的方法，其特征在于，所述卷积神经网络的交叉熵损失函数包括如下计算式：式中，L
CNN
为卷积神经网络的交叉熵损失函数，y为卷积神经网络输入数据的真实分类值，为卷积神经网络的输入数据的分类概率值。5.根据权利要求1所述的方法，其特征在于，所述循环神经网络模型的训练，包括：设置循环神经网络模型的参数；将云图特征向量时序数据集中预测时刻之前一段时间对应的图像特征向量，以及太阳辐射时序数据集预测时刻之前一段时间对应的太阳水平总辐射值作为太阳辐射时间序列数据集；基于所述太阳辐射时间序列训练数据集，利用所述循环神经网络模型的参数进行训练，得到预测时刻太阳能辐射数据。6.根据权利要求5所述的方法，其特征在于，所述...

【专利技术属性】
技术研发人员：叶荣波，曹潇，雷震，陆晓，苏大威，郝雨辰，孔伯骏，钱仲豪，朱月尧，
申请(专利权)人：国家电网有限公司国网江苏省电力有限公司，
类型：发明
国别省市：