一种基于GAT-GRU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GAT‑GRU的太阳辐照度预测方法，首先获取不同气象站的太阳辐照度历史数据，并进行预处理和归一化处理；然后，计算观测站间的皮尔逊相关系数，将皮尔逊相关系数绝对值大于等于设定阈值的两个观测站视为具有强相关性，反之不具有强相关性；将具有强相关性的观测站之间建立边，不具有强相关性的观测站之间不建立边，进而得到邻接矩阵；构建GAT‑GRU模型；GAT‑GRU模型包括GAT模块和GRU模块，将太阳辐照度时间序列和邻接矩阵输入到GAT模块中，GAT模块的输出特征输入到GRU模块中，提取太阳辐照度的时间特征；时间特征经过全连接层，得到预测结果；利用太阳辐照度历史数据对GAT‑GRU模型进行训练，将训练后的GAT‑GRU模型用于太阳辐照度预测。该方法充分挖掘了太阳辐照度的时间相关性和空间相关性，具有更小的预测误差和更强的泛化能力。

【技术实现步骤摘要】

本专利技术涉及太阳辐照度预测，尤其设计一种基于gat-gru的太阳辐照度预测方法。

技术介绍

1、随着能源行业的快速变革，可再生能源是减轻化石燃料依赖、降低温室气体排放、实现能源可持续发展的重要途径，也是实现能源转型的关键技术。在众多可再生能源中，太阳能因其巨大的潜力而备受瞩目，太阳能的高效利用和集成需要对太阳辐照度进行精确预测。然而，太阳辐射受到季节、日照时间、云层、大气湿度等多种因素的影响，具有高度的非线性、间歇性和不确定性。预测太阳辐射非常具有挑战性，其预测的准确性和高时空分辨率对于太阳能系统的设计、运营和效益具有重要意义。

2、目前，太阳辐射的预测模型主要分为四类：(1)物理模型，如数值天气预报(nwp)、基于卫星的预报等；(2)统计模型，如自回归移动平均模型(arma)、多元线性回归等；(3)传统机器学习模型，如极限学习机(elm)、支持向量机(svm)等；(4)深度学习模型，如循环神经网络(rnn)、长短期记忆网络(lstm)等。其中，物理模型根据太阳辐射的物理过程建立数学模型，考虑了如地球运动、大气层、云层、地形等各种影响因素。与本文档来自技高网...

【技术保护点】

1.一种基于GAT-GRU的太阳辐照度预测方法，其特征在于，该方法包括以下步骤：

2.根据权利要求1所述的基于GAT-GRU的太阳辐照度预测方法，其特征在于，预处理包括去噪，去噪采用卡尔曼滤波算法；根据下式对去噪后的太阳辐照度进行归一化处理：

3.根据权利要求1或2所述的基于GAT-GRU的太阳辐照度预测方法，其特征在于，强相关性的设定阈值为0.9。

【技术特征摘要】

1.一种基于gat-gru的太阳辐照度预测方法，其特征在于，该方法包括以下步骤：

2.根据权利要求1所述的基于gat-gru的太阳辐照度预测方法，其特征在于，预处理包括去噪，去...

【专利技术属性】
技术研发人员：马国伟，吴梦歌，薛桂香，
申请(专利权)人：河北工业大学，
类型：发明
国别省市：