【技术实现步骤摘要】
本专利技术属于数字图像处理领域，具体地，涉及一种基于中心区域优化的卫星云图预测方法和系统。
技术介绍
1、开展云图预测能够提高光伏基地功率预测精度，在现有的云图预测任务中，通常输入云图所覆盖的区域不仅包含光伏基地，还包括周边区域，以便让模型学习目标云层的时空演变规律。其中，周边区域大小与历史云图帧数以及预测尺度成正比。因此，当为了获得足够的目标云层时空信息而选取较大帧数，以及开展小时级的功率预测时，输入云图所覆盖的范围也会较大，则通过编码-解码器网络所生成的预测云图不仅包含以光伏基地为中心的核心区域，还包含大量无关区域，导致云图整体预测精度与核心区域的云图预测精度存在冲突。
技术实现思路
1、有鉴于此，本专利技术的目的是提供了一种基于中心区域优化的卫星云图预测方法和系统，提出了一种新的卫星云图预测网络和优化框架，通过时空分离的编码特性和时空混合的解码特性生成高精度初始预测云图，再通过卫星云图中心区域优化模块持续优化中心区域云图，能够提高中心区域的云图预测精度，避免云图整体预测精度与核心区域云图预测精度的冲突。
2、为了实现上述专利技术目的，本专利技术提供以下技术方案：
3、按照本专利技术的第一方面，提出了一种基于中心区域优化的卫星云图预测方法，包括：
4、步骤s1：获取历史卫星云图，历史卫星云图的尺寸为(b,c,t,h,w)，其中c、h和w分别为卫星云图的通道数、高度和宽度，b为神经网络训练时的超参数批大小，t为卫星云图的帧数；
5、
6、步骤s3：将原始时间特征输入到时间编码器生成多尺度时间编码特征；将原始空间特征输入到空间编码器生成多尺度空间编码特征，具体：
7、时间编码器和空间编码器的结构完全一致，时间编码器和空间编码器均由三个网络架构一致的编码模块串联组成，且上一个编码模块的输出作为下一个编码模块的输入；原始时间特征输入到时间编码器，按照位置的先后顺序时间编码器中三个编码模块分别输出多尺度时间编码特征f1e,t、和f1e,t、和的分辨率分别为(h/2,w/2)、(h/4,w/4)和(h/8,w/8)，且的尺寸为(b×c,t3′,h/8,w/8)，将原始空间特征输入到空间编码器，按照位置的先后顺序空间编码器中三个编码模块分别输出多尺度空间编码特征f1e,s、和f1e,s、和的分辨率分别为(h/2,w/2)、(h/4,w/4)和(h/8,w/8)，且的尺寸为(b×t,c3′,h/8,w/8)；
8、步骤s4：将和f3e,s通过重构和拼接操作合成时空特征fts，fts的尺寸为(b,ct3′+tc3′,h/8,w/8)；
9、步骤s5：将时空特征fts、多尺度时间编码特征和多尺度空间编码特征输入到时空解码器中，生成用于预测云图的多尺度时空解码特征，具体：
10、时空解码器由三个串联的解码模块组成，且上一个解码模块的输出作为下一个解码模块的输入，三个解码模块网络架构一致，按照位置的先后顺序时空解码器中三个解码模块分别输出多尺度时空解码特征f1d,ts、和f1d,ts、和的分辨率分别为(h/4,w/4)、(h/2,w/2)和(h,w)；
11、解码步骤如下：
12、步骤s51：将时空特征fts输入到时空解码器中，经时空解码器中第一个解码模块输出f1d,ts，f1d,ts的分辨率为fts分辨率的2倍，f1d,ts的尺寸为(b,c1′,h/4,w/4)；
13、步骤s52：将f1d,ts、以及拼接在一起，组成混合特征输入到时空解码器中的第二个解码模块，输出
14、步骤s53：将和拼接在一起，组成混合特征输入到时空解码器中的第三个解码模块，输出的分辨率为时空特征fts的8倍，的尺寸为(b,c3′,h,w)；
15、步骤s6：将f1d,ts、和输入到卫星云图中心区域优化模块，生成未来时刻的中心区域卫星云图；
16、具体生成步骤如下：
17、步骤s61：将送入预测层生成初始卫星云图；
18、预测层为卷积核大小为3×3、卷积步长为1的卷积层；
19、通过预测层将的尺寸(b,c3′,h,w)变换为(b,1,h,w)，初始卫星云图的分辨率为(h,w)；
20、步骤s62：将步骤s61中的初始卫星云图和步骤s52生成的输入到卫星云图中心区域优化模块中，优化中心区域云图；
21、具体优化步骤如下：
22、步骤s621：裁剪初始卫星云图，得到初始卫星云图的中心区域云图；中心区域云图的分辨率为(h/2,w/2)；
23、步骤s622：中心区域云图和拼接，利用残差生成器生成中心区域云图优化残差；
24、步骤s623：将步骤s622中生成的中心区域云图优化残差与s621中的中心区域云图求和，得到被优化后的中心区域云图；
25、步骤s624：将步骤s623中被优化后的中心区域云图和步骤s51中的f1d,ts输入到卫星云图中心区域优化模块，重复优化步骤，得到被二次优化的中心区域云图；
26、重复步骤s62的优化步骤，直至生成未来时刻中心区域卫星云图，至此基于中心区域优化的卫星云图预测完成。
27、根据本专利技术实施例，步骤s2中，重构操作采用pytorch深度学习框架中的reshape。
28、根据本专利技术实施例，步骤s3中，时间编码器和空间编码器中的所有编码模块均由两个卷积核大小3×3的卷积层构成，其中第一个卷积层的卷积步长为1，第二个卷积层的卷积步长为2。
29、根据本专利技术实施例，步骤s4中，将和通过重构和拼接操作合成时空特征fts的过程为：通过reshape操作将的尺寸由(b×c,t3′,h/8,w/8)变换为(b,ct3′,h/8,w/8)，将的尺寸由(b×t,c3′,h/8,w/8)变换为(b,tc3′,h/8,w/8)，再通过拼接变化后的和得到时空特征fts，fts的尺寸为(b,ct3′+tc3′,h/8,w/8)。
30、根据本专利技术实施例，步骤s5中，时空解码器中的三个解码模块均由两个卷积核大小3×3的卷积层构成，其中第一个卷积层的卷积步长为2，第二个卷积层的卷积步长为1。
31、根据本专利技术实施例，步骤s622中，残差生成器由两个卷积核大小3×3的卷积层构成，卷积步长均为1。
32、按照本专利技术的第二方面，提出了一种基于中心区域优化的卫星云图预测系统，包括：计算机可读存储介质和处理器；
33、所述计算机可读存储介质用于存储可执行指令；
34、所述处理器用于读取所述计算机可读存储介质中存储的可执行指令，执行所述的基于中心区域优化的卫星云图预测方法的步骤。
35、与现有技术相比，本专利技术的有益效果：
<本文档来自技高网...【技术保护点】
1.基于中心区域优化的卫星云图预测方法，其特征在于，包括：
2.根据权利要求1所述的基于中心区域优化的卫星云图预测方法，其特征在于，步骤S2中，重构操作采用Pytorch深度学习框架中的Reshape。
3.根据权利要求1所述的基于中心区域优化的卫星云图预测方法，其特征在于，步骤S3中，时间编码器和空间编码器中的所有编码模块均由两个卷积核大小3×3的卷积层构成，其中第一个卷积层的卷积步长为1，第二个卷积层的卷积步长为2。
4.根据权利要求1所述的基于中心区域优化的卫星云图预测方法，其特征在于，步骤S4中，将和通过重构和拼接操作合成时空特征Fts的过程为：通过Reshape操作将的尺寸由(B×C,T3′,H/8,W/8)变换为(B,CT3′,H/8,W/8)，将的尺寸由(B×T,C3′,H/8,W/8)变换为(B,TC3′,H/8,W/8)，再通过拼接变化后的和得到时空特征Fts，Fts的尺寸为(B,CT3′+TC3′,H/8,W/8)。
5.根据权利要求1所述的基于中心区域优化的卫星云图预测方法，其特征在于，步骤S5中，时空解码器中
6.根据权利要求1所述的基于中心区域优化的卫星云图预测方法，其特征在于，步骤S622中，残差生成器由两个卷积核大小3×3的卷积层构成，卷积步长均为1。
7.一种基于中心区域优化的卫星云图预测系统，其特征在于，包括：计算机可读存储介质和处理器；
...【技术特征摘要】
1.基于中心区域优化的卫星云图预测方法，其特征在于，包括：
2.根据权利要求1所述的基于中心区域优化的卫星云图预测方法，其特征在于，步骤s2中，重构操作采用pytorch深度学习框架中的reshape。
3.根据权利要求1所述的基于中心区域优化的卫星云图预测方法，其特征在于，步骤s3中，时间编码器和空间编码器中的所有编码模块均由两个卷积核大小3×3的卷积层构成，其中第一个卷积层的卷积步长为1，第二个卷积层的卷积步长为2。
4.根据权利要求1所述的基于中心区域优化的卫星云图预测方法，其特征在于，步骤s4中，将和通过重构和拼接操作合成时空特征fts的过程为：通过reshape操作将的尺寸由(b×c,t3′,h/8,w/8)变换为(b,ct3′,h/...
【专利技术属性】
技术研发人员：崔杨，朱晗，杨海威，付小标，仲悟之，程雪婷，刘新元，
申请(专利权)人：东北电力大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。