基于去噪扩散概率模型的太阳辐照度预测方法技术

本发明专利技术公开了一种基于去噪扩散概率模型的太阳辐照度预测方法，新定制了由Transformer框架、残差网络、嵌入网络搭建而成的去噪扩散概率模型，首次提出了应用去噪扩散概率模型来预测太阳辐照度，通过与各种现有模型的实验数据对比，基于本发明专利技术定制的去噪扩散概率模型预测太阳辐照度具有更高的预测精度。采用去噪扩散概率模型预测太阳辐照度，在模型训练和预测过程中，不再需要去除太阳辐照度时间序列数据中的“0”值，预测更加方便、快捷，且更适于对长期的太阳辐照度的预测。更适于对长期的太阳辐照度的预测。更适于对长期的太阳辐照度的预测。

【技术实现步骤摘要】
基于去噪扩散概率模型的太阳辐照度预测方法


[0001]本专利技术涉及太阳辐照度预测
，具体涉及一种基于去噪扩散概率模型的太阳辐照度预测方法。

技术介绍

[0002]现有方案中，对于太阳辐照度的预测普遍为短期预测，主要对给定时间段内的下一个时间段的太阳辐照度观测结果进行预测。在预测结果方面，它对具有很强规律性的光伏曲线具有很高的表现力，但在预测方面仍存在滞后（预测滞后：光伏的现实表现为下一秒的数值往往与上一秒相近或相等。使用这样大量的数据对模型训练往往会使得模型的输出值也存在相同情况（因为深度学习是找最优解，需要符合普遍情况，所以模型往往会根据输入数据的最后一个数值来给定输出值）。但是在真实预测的情况往往会存在波动，这个波动就会模型预测存在所谓的“滞后”），不可能预测下一次的波动（深度学习是找最优解，需要符合普遍情况，所以模型往往会根据输入数据的最后一个数值来给定输出值，因此无法预测下一次的波动）。同时模型无法预测波动也对光伏工作的数据预处理以及预测存在另一大问题（光伏数据存在0值，如果做长时间预测的话模型可能一直都会输出0值，不符合现实逻本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于去噪扩散概率模型的太阳辐照度预测方法，其特征在于，步骤包括：S1，以历史采集的每个地区的太阳辐照度时间序列数据为去噪扩散概率模型的训练样本进行模型训练；S2，以指定地区的太阳辐照度时间序列数据为所述去噪扩散概率模型的输入，模型输出对所述指定地区的太阳辐照度预测结果；所述太阳辐照度时间序列数据的元素包括“0”值，“0”值表示元素数据内容为空。2.根据权利要求1所述的基于去噪扩散概率模型的太阳辐照度预测方法，其特征在于，步骤S1中，训练所述去噪扩散概率模型的方法包括如下步骤：S11，对各地区的原始的所述太阳辐照度时间序列数据加入随机噪声；S12，将所述随机噪声还原为对应的原始的所述太阳辐照度时间序列数据；S13，计算模型预测损失；S14，验证模型预测损失是否达到预期，若是，则终止模型迭代训练，输出所述去噪扩散概率模型；若否，则调整模型参数后返回步骤S11继续进行模型迭代训练。3.根据权利要求2所述的基于去噪扩散概率模型的太阳辐照度预测方法，其特征在于，步骤S14的“若是”判断后转入步骤：S15，评价所述去噪扩散概率模型的性能，若性能达标，则最终输出所述去噪扩散概率模型；若性能未达标，则返回步骤S11。4.根据权利要求2所述的基于去噪扩散概率模型的太阳辐照度预测方法，其特征在于，步骤S11中，对所述原始的所述太阳辐照度时间序列数据加入随机噪声的方法通过如下公式（1）表达：公式（1）中，，，表示对原始的太阳辐照度时间序列数据的第次加噪，表示当前的加噪次数；表示对作第次加噪后的数据表示；对加入随机噪声的过程是所述去噪扩散概率模型的前向过程，前向过程是一个马尔科夫过程，其将多次加噪最终得到一个高斯噪声，马尔科夫过程通过如下公式（2）
‑
（3）表达：表达：公式（2）
‑
（3）中，是一个递增序列；T表示加噪的总次数；
t表示当前的加噪次数；表示第次对加噪；表示最后的第次对加噪；表示到的条件概率表达式；表示单位矩阵；表示正态分布函数；表...

【专利技术属性】
技术研发人员：黄晶，刘仁来，吴风景，钟宜国，张伟，陈坤琦，严珂，
申请(专利权)人：杭州经纬信息技术股份有限公司，
类型：发明
国别省市：