一种基于多元时间序列图神经网络的多步长气象预测方法技术

本发明专利技术公开了一种基于多元时间序列图神经网络的多步长气象预测方法，包括获取历史数据；对历史数据进行预处理和构造训练数据，并根据预测任务制作监督数据集；根据训练数据训练多元时间序列图神经网络模型；根据多元时间序列图神经网络模型预测未来多步长的多元气象信息。本发明专利技术将多元气象信息用图的节点表示，利用图学习层动态地学习各类气象数据间的联系，利用图卷积模块融合节点的特征，充分利用了多元气象信息的特征，并利用时域卷积模块提取时域特征，最终使模型做到多步长预测。在仅依赖历史信息的前提下，本发明专利技术的模型可以获得高精度预测效果。得高精度预测效果。得高精度预测效果。

【技术实现步骤摘要】
一种基于多元时间序列图神经网络的多步长气象预测方法


[0001]本专利技术涉及光伏发电
，特别是一种基于多元时间序列图神经网络的多步长气象预测方法。

技术介绍

[0002]近年来，由于社会经济发展对化石能源的过度依赖，能源资源日渐枯竭，同时大量碳排放也导致温室效应日益加重，极端天气的频繁出现，减少温室气体排放引起了各国政府的重视。光伏发电是应对气候危机，实现节能减排的重要手段。光伏发电具有随机性、波动性、间歇性的特点，对电网的安全稳定运行是很大挑战。气象条件是影响光伏发电功率的重要因素，为了更准确地预测光伏发电功率，保障电网安全稳定运行，对气象信息的预测就变得非常重要。
[0003]但现实中对于一些光伏发电系统，受限于成本等因素，难以针对其所在区域提供专门的数值天气预报。对于这种情况，一种预测气象信息的方法就是将其当作时序数据处理，利用统计学方法和深度学习等工具，从历史数据中提取特征，从而预测未来的数据。本专利技术要解决的问题，即是在仅依靠历史数据的条件下，实现多元气象信息的多步长预测。

技术实现思路

[0004]本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。
[0005]鉴于上述和/或现有的多元气象信息的多步长预测中存在的问题，提出了本专利技术。
[0006]因此，本专利技术要解决的问题为在仅依靠历史数据的条件下，实现多元气象信息的多步长预测。
[0007]为解决上述技术问题，本专利技术提供如下技术方案：一种基于多元时间序列图神经网络的多步长气象预测方法，其包括，获取历史数据；对历史数据进行预处理和构造训练数据，并根据预测任务制作监督数据集；根据训练数据训练多元时间序列图神经网络模型；根据多元时间序列图神经网络模型预测未来多步长的多元气象信息。
[0008]作为本专利技术所述基于多元时间序列图神经网络的多步长气象预测方法的一种优选方案，其中：所述历史数据包括目标地区的多元气象信息数据，所述目标地区的多元气象信息数据包括但不限于太阳辐照度、温度、湿度、气压、风速等。
[0009]作为本专利技术所述基于多元时间序列图神经网络的多步长气象预测方法的一种优选方案，其中：所述历史数据进行预处理和构造训练数据，并根据预测任务制作监督数据集包括以下步骤：
[0010]对多元气象信息数据中的空缺值进行线性插值补全，具体公式为：
[0011][0012]其中，t
i
和t
j
表示数据空缺区间的前一个和后一个时间节点，和分别为时间节点t
i
和t
j
的数据值，x
t
为插值后介于t
i
和t
j
之间的时间节点t的数据值。
[0013]对补全后的数据进行归一化处理，归一化表达式为：
[0014][0015]其中，x表示数据集中的某一特征，x'表示归一化后的特征值，x
min
和x
max
分别表示历史数据中该特征的最小值和最大值。
[0016]对历史数据中的每连续P+Q个时间节点t1,...,t
P+Q
的数据进行划分，利用前P个时间节点t1～t
P
的多元气象信息作为输入数据，其后Q个时间节点t
P+1
～t
P+Q
的多元气象信息作为对应的监督信息，构造训练数据集。其中P和Q是根据任务需求确定的超参数。
[0017]作为本专利技术所述基于多元时间序列图神经网络的多步长气象预测方法的一种优选方案，其中：所述训练数据训练多元时间序列图神经网络模型包括初始化层、图学习层、图卷积模块、时域卷积模块、跳连接、以及输出模块；所述初始化层负责将初始数据映射到一个潜在空间，图学习层负责计算一个图邻接矩阵，用于获取节点之间的隐含关联，其中，一个节点是用来代表一个类别的气象信息，图卷积模块负责将节点的信息与其邻居的信息融合，以处理图中的空间依赖关系，时域卷积模块则负责提取时间特征，图卷积模块和时域卷积模块交错串联。
[0018]为了避免梯度消失的问题，使用残差连接将每个时间卷积模块的输入添加到紧随其后的图卷积模块的输出中。
[0019]在输入数据和每个时间卷积模块之后添加跳连接，将输入数据和每个时间卷积模块添加到输出模块，输出模块负责将其接收的数据映射到所需的输出维度。
[0020]作为本专利技术所述基于多元时间序列图神经网络的多步长气象预测方法的一种优选方案，其中，初始化层是一个1
×
1卷积层，负责将输入数据映射到一个潜在空间，该潜在空间的维数根据任务需要设定。
[0021]作为本专利技术所述基于多元时间序列图神经网络的多步长气象预测方法的一种优选方案，其中，图学习层的计算方法由以下公式表示：
[0022]M1＝tanh(αE1Θ1)
[0023]M2＝tanh(αE2Θ2)
[0024][0025]idx＝argtopk(A[i,:])
[0026]A[i,
‑
idx]＝0,for i＝1,2,...,N
[0027]其中，E1,E2是随机初始化的节点嵌入，可以随着模型训练更新；Θ1,Θ2是可学习的模型参数；tanh()和ReLU()是激活函数；α是用来控制激活函数饱和度的超参数；argtopk(A[i,:])表示矩阵A的第i行中最大的k个值的位置，其中k为超参数；A[i,
‑
idx]表示A的第i行中除idx位置以外的元素。
[0028]作为本专利技术所述基于多元时间序列图神经网络的多步长气象预测方法的一种优选方案，其中，所述图卷积模块由两个独立的混合跳跃传播层mix
‑
hop propagationlayer组成，分别用于处理每个节点输入和输出的信息流，将它们的输出加和后作为图卷积模块
的输出。具体地，所述混合跳跃传播层的特点如下：
[0029]两个混合跳跃传播层分别以和作为邻接矩阵，其中是所述图学习层输出的邻接矩阵，是的转置。以为邻接矩阵的情况下，混合跳跃传播层的计算方法如下：
[0030][0031]其中，β是超参数，用来控制保持节点输入状态的比例；H
in
表示本层的输入，它等于上一层的输出；H
(k)
和H
(k
‑
1)
分别表示第k层和第k
‑
1层传播的隐藏状态，其中k可取1,...,K，K是传播深度的超参数；是对角阵且H
out
表示本层的输出；H
(i)
表示第i层传播的隐藏状态；W
(i)
是可学习的参数。以A
T
为邻接矩阵的情况下，混合跳跃传播层的计算方法与A为邻接矩阵的情况相同，只本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多元时间序列图神经网络的多步长气象预测方法，其特征在于：包括，获取历史数据；对历史数据进行预处理和构造训练数据，并根据预测任务制作监督数据集；根据训练数据训练多元时间序列图神经网络模型；根据多元时间序列图神经网络模型预测未来多步长的多元气象信息。2.如权利要求1所述的基于多元时间序列图神经网络的多步长气象预测方法，其特征在于：所述历史数据包括目标地区的多元气象信息数据，所述目标地区的多元气象信息数据包括但不限于太阳辐照度、温度、湿度、气压、风速等。3.如权利要求2所述的基于多元时间序列图神经网络的多步长气象预测方法，其特征在于：所述历史数据进行预处理和构造训练数据，并根据预测任务制作监督数据集包括以下步骤：对多元气象信息数据中的空缺值进行线性插值补全，具体公式为：其中，t
i
和t
j
表示数据空缺区间的前一个和后一个时间节点，和分别为时间节点t
i
和t
j
的数据值，x
t
为插值后介于t
i
和t
j
之间的时间节点t的数据值，对补全后的数据进行归一化处理，归一化表达式为：其中，x表示数据集中的某一特征，x'表示归一化后的特征值，x
min
和x
max
分别表示历史数据中该特征的最小值和最大值；对历史数据中的每连续P+Q个时间节点t1,...,t
P+Q
的数据进行划分，利用前P个时间节点t1～t
P
的多元气象信息作为输入数据，其后Q个时间节点t
P+1
～t
P+Q
的多元气象信息作为对应的监督信息，构造训练数据集，其中P和Q是根据任务需求确定的超参数。4.如权利要求1所述的基于多元时间序列图神经网络的多步长气象预测方法，其特征在于：所述训练数据训练多元时间序列图神经网络模型包括初始化层、图学习层、图卷积模块、时域卷积模块、跳连接、以及输出模块；所述初始化层负责将初始数据映射到一个潜在空间，图学习层负责计算一个图邻接矩阵，用于获取节点之间的隐含关联，其中，一个节点是用来代表一个类别的气象信息；所述图卷积模块负责将节点的信息与其邻居的信息融合，以处理图中的空间依赖关系；所述时域卷积模块则负责提取时间特征；所述图卷积模块和时域卷积模块交错串联。5.如权利要求4所述的基于多元时间序列图神经网络的多步长气象预测方法，其特征在于：所述初始化层是一个1
×
1卷积层，其负责将输入数据映射到一个潜在空间，该潜在空间的维数根据任务需要设定。6.如权利要求4所述的基于多元时间序列图神经网络的多步长气象预测方法，其特征在于：所述图学习层的计算方法由以下公式表示：M1＝tanh(αE1Θ1)M2＝tanh(αE2Θ2)
idx＝argtopk(A[i,:])A[i,
‑
idx]＝0,for i＝1,2,...,N其中，E1,E2是随机初始化的节点嵌入，可以随着模型训练更新；Θ1,Θ2是可学习的模型参数；tanh()和ReLU()是激活函数；α是用来控制激活函数饱和度的超参数；argtopk(A[i,:])表示矩阵A的第i行中最大的k个值的位置，其中k为超参数；A[...

【专利技术属性】
技术研发人员：朱涛，李俊伟，辛平安，刘思明，徐光林，文玉兴，潘堋，闫文棋，叶志明，
申请(专利权)人：云南电网有限责任公司昆明供电局，
类型：发明
国别省市：