一种太阳辐射概率预报方法及相关设备技术

本发明专利技术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。性。性。

【技术实现步骤摘要】
一种太阳辐射概率预报方法及相关设备


[0001]本说明书涉及太阳辐射预报领域，更具体地说，本专利技术涉及一种太阳辐射概率预报方法及相关设备。

技术介绍

[0002]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。

技术实现思路

[0003]在
技术实现思路
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。本专利技术的
技术实现思路
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。
[0004]为了提供一种实用方便的太阳辐射预估方法，第一方面，本专利技术提出一种太阳辐射概率预报方法，上述方法包括：
[0005]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；
[0006]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；
[0007]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；
[0008]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。
[0009]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。
[0010]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。
[0011]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：
[0012]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。
[0013]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；
[0014]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：
[0015]将上述云层空间特性进行编码输入至上述预设DeepAR模型；
[0016]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；
[0017]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；
[0018]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。
[0019]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：
[0020][0021]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。
[0022]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。
[0023]第二方面，本专利技术还提出一种太阳辐射概率预报装置，包括：
[0024]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；
[0025]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；
[0026]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；
[0027]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。
[0028]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。
[0029]第四方面，本专利技术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。
[0030]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。
[0031]本专利技术的太阳辐射概率预报方法，本专利技术的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本专利技术的研究和实践而为本领域的技术人员所理解。
附图说明
[0032]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：
[0033]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；
[0034]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；
[0035]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；
[0036]图4为本申请实施例提供本文档来自技高网...

【技术保护点】

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：吕宁，秦军，
申请(专利权)人：北京思源知行科技发展有限公司，
类型：发明
国别省市：