三维积云超短期时空预测模型结构、系统及模型训练方法技术方案

本发明专利技术提供一种三维积云超短期时空预测模型结构、系统及模型训练方法，以三维积云序列为研究对象，基于深度学习构建了一种基于3dCLSTM的三维时空预测网络，实现了三维积云的超短期时空预测。在此基础上，设计了一种顾及风速风向的积云瞬时运动计算单元WindGRU嵌入在3dCLSTM网络层间，实现在积云超短期时空预测中考虑风速风向对预测结果的影响，强化了主网络的时空运动建模能力。本发明专利技术可以结合三维积云数据集和风矢量数据集，预测超短期时间下，受风速风向影响的积云运动和形变。受风速风向影响的积云运动和形变。受风速风向影响的积云运动和形变。

【技术实现步骤摘要】
三维积云超短期时空预测模型结构、系统及模型训练方法


[0001]本专利技术涉及三维时空预测领域，特别是涉及一种三维积云超短期时空预测模型结构、系统及模型训练方法。

技术介绍

[0002]太阳能作为一种重要的清洁能源，正逐渐成为重要的可再生能源开发方向之一。然而光伏发电具有很强的随机性和波动性，尤其是在晴空环境下，低海拔积云的出现会对太阳造成瞬时遮挡并在地表形成具有明显边缘的阴影区域，导致该区域内的太阳辐照度减少，光伏发电水平可下降至无云晴空时的30％。因此，预测积云的形变和运动趋势是实现太阳辐照度超短期预测前提和基础，对评估光伏功率波动，保障电网安全稳定具有重要意义。
[0003]为了实现积云的超短期预测，通常以具有高时空分辨率的地基云图为研究对象，采用基于时空统计的方法或基于人工智能的方法预测云的运动。传统的基于时空统计的方法从若干幅连续的地基云图中检测并提取特征云像素，通过计算云团的运动速度和方向确定运动轨迹，进而预测未来时刻云的位置。此类方法实现了地基云图中有云像素的运动检测，但预测结果没有描述云的形变和生消特征。近年来，卷积神经本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种三维积云超短期时空预测模型结构，其特征在于：包括n个6层结构构成的时空预测网络框架，即垂直方向上一共有6层，构成一组3d
‑
ConvLSTM单元，水平方向上共有n组并排的3d
‑
ConvLSTM组成3dCLSTM网络，n≥4，3d
‑
ConvLSTM单元是基于ConvLSTM构造的能够输入输出高阶张量的卷积单元；该单元接受当前时刻t下的四维张量X
t
作为输入，输出的为当前时刻t下的细胞状态和隐藏状态其中，这里B表示批大小(batch size)，C表示输入的通道数，C
out
表示输出的通道数，D，H，W分别表示三维空间的深度、高度、宽度；在每一组3d
‑
ConvLSTM中，在层间引入最大值池化的下采样进行降维处理，再通过三线性插值的上采样还原至原始数据大小；垂直方向通过第一组第一层的3d
‑
ConvLSTM输入当前时刻t的真值X
t
，沿第1层至6层逐层卷积抽取特征，最终从第6层的3d
‑
ConvLSTM单元输出下一时刻t+1的预测值并将该值传入t+1时刻的第一层，在t至t+2时间点下，输入的数据是随机分配的真实值X
t
或预测值水平方向3d
‑
ConvLSTM单元与单元之间对应的层传递上一时刻的神经元状态和隐藏状态构建WindGRU单元，并将WindGRU单元内嵌在3dCLSTM网络中垂直方向上相邻的两层3d
‑
ConvLSTM单元之间，形成3dCLSTM+WindGRU网络结构，WindGRU单元推导表达式如下：vLSTM单元之间，形成3dCLSTM+WindGRU网络结构，WindGRU单元推导表达式如下：vLSTM单元之间，形成3dCLSTM+WindGRU网络结构，WindGRU单元推导表达式如下：vLSTM单元之间，形成3dCLSTM+WindGRU网络结构，WindGRU单元推导表达式如下：vLSTM单元之间，形成3dCLSTM+WindGRU网络结构，WindGRU单元推导表达式如下：vLSTM单元之间，形成3dCLSTM+WindGRU网络结构，WindGRU单元推导表达式如下：其中，表示一种运动过滤器，是体素瞬时运动动量和趋势动量的组合；是体素瞬时运动动量，由风矢量和体素运动矢量共同决定，是趋势动量，根据t时刻之前的趋势动量不断更新；通过Warp操作实现与原始隐藏层在三维网格中的配准，输出门g
t
由H
t
′
和共用决定，并输出2.根据权利要求1所述的三维积云超短期时空预测模型结构，其特征在于：所述三维空间的深度、高度、宽度，均为64。3.根据权利要求1所述的三维积云超短期时空预测模型结构，其特征在于：该模型结构构建数据集的过程如下：步骤a1，获取地基云图，对地基云图进行下采样得到64
×
64分辨率的图像；步骤a2，对下采样后的图像进行畸变校正、强光点去除和图像校正操作以提取积云区域；步骤a3，根据地基成像设备的地理位置和成像时间，结合积云区域的图像像素值计算云基高度、云团厚度作为三维积云建模参数进行体素三维积云建模，每个体素赋予云粒子密度作为体素属性信息，三维积云的空间范围为64
×
64
×
64；步骤a4，将三维体素积云数据按照时序组成为三维体素积云时序数据集，组成6D张量
(S,L,C,D,H,W)作为时空预测模型的输入；其中，S表示序列长度，L表示序列数量，C表示通道数，D，H，W分别表示三维空间的深度、高度、宽度；步骤a5，获取积云数据集时间范围T、空间范围R，扩大空间范围，记为R*，从导出运动风产品中提取与时空范围T和R*相匹配的风速风向信息；步骤a6，通过克里金空间插值获得整个R*范围的风速风向分布情况；步骤a7，从R*范围的计算结果中提取区域R范围内的风速风向值，记为Wind＝(WindSp,WindDir)，其中，WindSp表示风速，WindDir表示水平方向的风向；制作成与积云数据集相匹配的风矢量数据集，数据...

【专利技术属性】
技术研发人员：陈雨璇，陈静，
申请(专利权)人：武汉大学，
类型：发明
国别省市：