一种基于transformer的短时辐照度预测的方法技术

本发明专利技术涉及一种基于transformer的短时辐照度预测的方法，首先根据太阳的位置和风速分割出太阳周围的区域，使用VGG16网络结构提取不同云的特征，其次将一组云特征连接使用transformer结构来训练云变化后辐照度的值，最后使用全连接输出辐照度预测的结果，最终辐照度的结果会根据光照影响的大小来决定使用晴天模型输出还是全连接输出，中间还加入晴天模型训练整个结构；通过结果表明在加入晴天模型后总水平辐照度的平均绝对误差较传统的神经网络模型可以下降6.83％。经网络模型可以下降6.83％。经网络模型可以下降6.83％。

【技术实现步骤摘要】
一种基于transformer的短时辐照度预测的方法


[0001]本专利技术涉及一种短时辐照度预测的方法，具体地说是涉及一种基于transformer的短时辐照度预测的方法。

技术介绍

[0002]太阳能是一种绿色无污染、潜能巨大、可持续发展的新型能源。目前对太阳能的利用主要是进行光伏并网发电，而光伏发电系统中辐照度是影响发电量的决定性因素。以往预测辐照度的算法大体可以分为两类，一类是直接用历史辐照度的数据进行单变量的预测，另一类是用温度、气压、湿度、云层信息等气象数据进行单变量或多变量的预测。其中复杂的气象信息的搜集难度大，运算过程复杂，预测精度较低。
[0003]针对地面辐照度的短时预测，通常采用的方法有：(1)自回归滑动平均(ARMA)模型；该方法利用辐照度的历史时间序列数据，经过模型识别、参数估计、模型检验来确定一个能够描述辐照度时间序列的数学模型，进而达到预测目的，但由于ARMA是线性模型，因此预测精度有限；(2)利用天空云图图象的预测法；该方法通常需要在光伏电站现场安装天空成像仪，成本昂贵，且预测算法复杂，因此实施起来较为困难。

技术实现思路

[0004]为了克服现有技术存在的不足，本专利技术提供了一种基于transformer的短时辐照度预测的方法。
[0005]一种基于transformer的短时辐照度预测的方法，包括下述步骤：
[0006](1)根据太阳的位置和云的风速来分割太阳周围的区域，太阳中心在图像上的位置根据下面公式计算：
[0007][0008][0009]ω＝(k
‑
12)
×
15
°
[0010][0011]θ
s
表示太阳天顶角，表示观测站点的纬度，δ表示赤纬角，ω表示时角，DOY表示天数，k表示样本采集时刻，单位为小时，α表示太阳方位角；
[0012]太阳的位置(x
s
,y
s
)根据下面公式计算：
[0013]r
s
＝R
Z
sinθ
[0014]x
s
＝x0+r
s
sinα
[0015]y
s
＝y0+r
s
cosα
[0016]其中，r
s
表示图片中心离太阳中心的距离；x0,y0为图像中心的位置，R
Z
为太阳天顶角90度时太阳与天空图像中心的距离；
[0017]利用地基全景相机对天空云图像进行时间等周期采样,使用Lucas
‑
Kanade算法分别计算出第t，t+1，t+2，t+3张图像太阳周围云的平均速度(u
t
,v
t
),(u
t+1
,v
t+1
),(u
t+2
,v
t+2
),(u
t+3
,v
t+3
)，其中u代表水平方向速度，v代表垂直方向速度；
[0018]第t，t+1，t+2，t+3张图像太阳位置为(x
t
,y
t
),(x
t+1
,y
t+1
),(x
t+2
,y
t+2
),(x
t+3
,y
t+3
)
[0019]第t张分割的图像是通过在原图上以(u
t
+x
t
,v
t
+y
t
)为中心分割出64
×
64像素的图像，第t+1，t+2，t+3张同理；(2)将分割后的第t，t+1，t+2，t+3张图像分别经过VGG16模型训练并提取全连接特征f
t
,f
t+1
,f
t+2
,f
t+3
∈R
1024
×1，f
t
表示采集的第t张图片经过VGG16网络后提取的特征，R(Realdomain)表示实数域；其中VGG16模型的标签是g
t
‑
m
t
，g
t
表示第t张图像的当前GHI，m
t
表示第t张图像晴天模型的GHI；
[0020]晴天模型的GHI计算如下：
[0021]在春分或秋分的太阳正午即当太阳穿过子午线时，天顶角θ
s
等于观测站点的纬度
[0022][0023]在一年中的其他任何一天，太阳正午时的天顶角θ
s
为：
[0024][0025]根据步骤(1)计算太阳正午以外的天顶角θ
s
；
[0026]晴天模型的GHI为：
[0027]GHI＝1159.24
×
(cosθ
s
)
1.179
×
exp(
‑
0.0019
×
(90
°‑
θ
s
))
[0028]对晴天模型进行修正，
[0029][0030]GHI＝GHI+error
[0031]i表示在第t张图像前面的i张图像；
[0032](3)将VGG16模型提取的特征连接
[0033]f＝(f
t
,f
t+1
,f
t+2
,f
t+3
)∈R
4096
×1[0034]给每一个特征进行编码得到e表示每个特征嵌入的维度；
[0035](4)位置编码PE∈R
4096
×
e
的计算公式如下：
[0036]PE
(pos,2j)
＝sin(pos/10000
2j/e
)
[0037]PE
(pos,2j+1)
＝cos(pos/10000
2j/e
)
[0038]其中pos表示特征的位置，j表示编码向量的位置；
[0039]将位置编码PE和输入编码相加得到H∈R
4096
×
e
作为多头注意力机制的输入，
[0040][0041](5)经过多头注意力机制后得到将做归一化，其中transformer的标签是g
t+6
‑
m
t+6
；
[0042](6)将H
′
经过全局平均池化和全连接层后输出预测30分钟后GHI的值p；
[0043](7)根据第t+3张图像GHI的值g
t+3
和第t+3张图像晴天模型GHI的值m
t+3
来评估光照
对实验的影响，如果g
t+3
‑
m
t+3本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于transformer的短时辐照度预测的方法，其特征在于包括下述步骤：(1)根据太阳的位置和云的风速来分割太阳周围的区域，太阳中心在图像上的位置根据下面公式计算：据下面公式计算：ω＝(k
‑
12)
×
15
°
θ
s
表示太阳天顶角，表示观测站点的纬度，δ表示赤纬角，ω表示时角，DOY表示天数，k表示样本采集时刻，单位为小时，α表示太阳方位角；太阳的位置(x
s
,y
s
)根据下面公式计算：r
s
＝R
Z
sinθx
s
＝x0+r
s
sinαy
s
＝y0+r
s
cosα其中，r
s
表示图片中心离太阳中心的距离；x0,y0为图像中心的位置，R
Z
为太阳天顶角90度时太阳与天空图像中心的距离；利用地基全景相机对天空云图像进行周期采样,使用Lucas
‑
Kanade算法分别计算出第t，t+1，t+2，t+3张图像太阳周围云的平均速度(u
t
,v
t
),(u
t+1
,v
t+1
),(u
t+2
,v
t+2
),(u
t+3
,v
t+3
)，其中u代表水平方向速度，v代表垂直方向速度；第t，t+1，t+2，t+3张图像太阳位置为(x
t
,y
t
),(x
t+1
,y
t+1
),(x
t+2
,y
t+2
),(x
t+3
,y
t+3
)第t张分割的图像是通过在原图上以(u
t
+x
t
,v
t
+y
t
)为中心分割出64
×
64像素的图像，第t+1，t+2，t+3张同理；(2)将分割后的第t，t+1，t+2，t+3张图像分别经过VGG16模型训练并提取全连接特征f
t
,f
t+1
,f
t+2
,f
t+3
∈R
1024
×1，其中VGG16模型的标签是g
t
‑
...

【专利技术属性】
技术研发人员：于爱华，唐明，侯北平，李刚，朱广信，朱必宏，陈天亮，曹超，
申请(专利权)人：浙江科技学院，
类型：发明
国别省市：