一种深度学习支持下的全天候太阳辐射遥感预报方法技术

本发明专利技术涉及一种深度学习支持下的全天候太阳辐射遥感预报方法，包括以下步骤：S1、获取时间序列多光谱遥感数据；S2、对获取的时间序列多光谱遥感数据进行数据预处理，获得预处理的时间序列多光谱遥感数据集；S3、将获取的预处理的时间序列多光谱遥感数据集输入ConvLSTM网络模型得到瞬时太阳短波辐射预测数据或多时间尺度太阳短波辐射预测；所述ConvLSTM网络模型为面向遥感图像并结合空间注意力机制的深度学习网络模型。本发明专利技术提供的预报方法完整的考虑了太阳辐射的空间特性和时间序列特性，并且在深度神经网络中增加了空间注意力机制，更有效的捕捉了自然界中太阳辐射存在的突变。射存在的突变。射存在的突变。

【技术实现步骤摘要】
一种深度学习支持下的全天候太阳辐射遥感预报方法


[0001]本专利技术属于遥感预报
，尤其涉及一种深度学习支持下的全天候太阳辐射遥感预报方法。

技术介绍

[0002]在太阳能光伏预测(太阳辐射预测)领域，准确预测太阳辐射变化趋势，提前预知太阳辐射数值，对于光伏发电峰值预测和光伏电站选址等新能源产业有着极为重要的意义。随着深度神经网络方法的不断发展，一些神经网络模型已经开始应用于太阳辐射的预测，并且已经展现出了较好的性能。然而，传统深度神经网络模型在对太阳辐射预测时，所依赖的训练和测试数据多为站点数据，即，单一位置的点数据，并且传统数值分析方法预测所参考的真值也多为单一站点的实测数据或者各种类型的再分析数据，并不能准确捕捉自然界中太阳辐射具有的空间分布特征和突变特性。
[0003]鉴于太阳辐射预测需要同时兼顾太阳辐射所具有空间特性和时间特性，因此之前只考虑太阳辐射单一特性的深度学习算法模型就有着无法回避的局限性。同时，普通的深度学习网络在对时序太阳辐射进行预测时，由于无法解决自然界中云的位置和结构发生的随机变化而导致的太阳辐射突变问本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种深度学习支持下的全天候太阳辐射遥感预报方法，其特征在于，包括以下步骤：S1、获取时间序列多光谱遥感数据；S2、对获取的时间序列多光谱遥感数据进行数据预处理，获得预处理的时间序列多光谱遥感数据集；S3、将获取的预处理的时间序列多光谱遥感数据集输入ConvLSTM网络模型得到瞬时太阳短波辐射预测数据或多时间尺度太阳短波辐射预测；所述ConvLSTM网络模型为面向遥感图像并结合空间注意力机制的深度学习网络模型。2.根据权利要求1所述的预报方法，其特征在于，所述ConvLSTM网络模型的基本模型公式如下：所述ConvLSTM网络模型的基本模型公式如下：所述ConvLSTM网络模型的基本模型公式如下：所述ConvLSTM网络模型的基本模型公式如下：所述ConvLSTM网络模型的基本模型公式如下：所述ConvLSTM网络模型的基本模型公式如下：所述ConvLSTM网络模型的基本模型公式如下：其中，SA为空间注意力模块，用以参与图像间权重的分配，和是通过注意力机制聚合得到的模块，即每个时间步所有位置的有选择性获取特征的加权值之和；W
i
为各个特征对应的权重矩阵；H
t
为当前输入时间步长的特征；i
t
为输入门，与之对应的是融合之后的特征值g
t
；通过输出经过更新的原始记忆特征o
t
，再经过注意力机制的权值重新分配，使得各个时间步的特征得到更新；*意为卷积操作；表示对应相乘，相乘结果为哈达玛积；b
i
为对应项的偏置；σ为神经网络对应的激活函数，在模型中为Relu函数；C
t
中则是存储的前一时刻的记忆，即记忆层；各个网络层之间通过卷积操作连接。3.根据权利要求2所述的预报方法，其特征在于，所述ConvLSTM网络模型的自定义损失函数如下式：∑k
×
SSIM+RMSE其中，K值为权重调节因子，用于调节结合图像间结构相似性函数SSIM和均方根误差RMSE之间的权重分配，以达到最佳的极值。4.根据权利要求3所述的预报方法，其特征在于，所述结构相似性函数SSIM的公式如下：
SSIM写作S(x，y)，在数值上分解为l，c，s这三个分量的线性函数组合：S(x，y)＝f(l(x，y)，c(x，y)，s(x，y))S(x，y)＝f(l(x，y)，c(x，y)，s(x，y))S(x，y)＝f(l(x，y)，c(x，y)，s(x，y))S(x，y)＝f(l(x，y)，c(x，y...

【专利技术属性】
技术研发人员：孔轩，王天星，程文杰，
申请(专利权)人：中山大学，
类型：发明
国别省市：