CN115099461B 基于双分支特征提取的太阳辐射预测方法及系统 （中国计量大学）

基于双分支特征提取的太阳辐射预测方法本发明公开了基于双分支特征提取的太阳其技术方案要点是：基于K-means++对预处理后采用多尺度卷积神经网络从气象数据集中提取2构建相应同类天气下太阳辐射预测的预测数据集，预测采用多尺度卷积神经网络从气象数据集中提取动态变化的采用双向门控循环网络从时序数据集中初步提取时序特征，并基于注意力机制自适应地赋予气象分支和时序分支的权值，优化多首先通过Reshape函数将气象特征矩阵化为大小为3×3然后将大小为3×3×8的特征向量分别经过三个所述双向门控循环网络和门控循环网络在设置时均采用Dropout机制，训练模型时随所述多维气象特征和双向时序特征的融合优化过将经过提取后具有相同尺寸大小的气象特征图和时序特征图，以元素相加对初步融合特征使用全局平均池化操作，在每一个通道上均获得一个将气象分支和时序分支的特征图与分支权重进行元素相乘，得采取Pearson相关系数来衡量气象特征与太阳将气象特征中总云量小于预设阈值的数据划分为晴类天气，并以手肘法确定聚类方法中的K值，并将聚类分析后的辐射数据依据气象特点分为相应34.基于双分支特征提取的太阳辐射预测系统，其特征是，数据构建模块，用于构建相应同类天气下的预测数据集，预测数据集气象处理模块，用于采用多尺度卷积神经网络从气象数据集中提取动时序处理模块，用于采用双向门控循环网络从时序数权重分配模块，用于基于注意力机制自适应地赋予气象分支和时序分支5.一种计算机终端，包含存储器、处理器执行可实现如权利要求1-3中任意一项所述的基于双分支特征提取的4整结构，在输入特征较少的太阳辐射预测任务中，存在精度下降的问题。卷积神经网络环神经网络(recurrentneuralnetwork,RNN)能够根据辐射序列分析太阳辐射的时序变元(GateRecurrentUnit,GRU)在预测过程中体现了良好的非线性表示能力和时间序列分分离时序因素与气象因素，使用多尺度CNN和BiGRU-GRU模型有效提取气象特征和时序特5[0021]以手肘法确定聚类方法中的K值，并将聚类分析后的辐射数据依据气象特点分为[0037]对初步融合特征使用全局平均池化操作，在每一个通道上均[0038]由紧凑特征Z引导，通过全连接层A,B升维，并6[0044]时序处理模块，用于采用双向门控循环网络从时序数据[0045]权重分配模块，用于基于注意力机制自适应地赋予气象分支被处理器执行可实现如第一方面中任意一项所述的基于双分支特征提取的太阳辐射预测CNN和BiGRU-GRU模型有效提取气象特征和时序特征，并结合注意力机制优化各分支的加7[0055]此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部[0066]本实施例中的数据来自国家气象数据中心海宁站点5年的太阳辐射数据，数据粒6月存在一个辐射降低点；日期和年份对太阳辐射影响不大，表现为辐射随日期呈随机波数据进行划分。采取Pearson相关系数来衡量气象特征与太阳辐射的相关性，计算公式如8[0072]将气象特征中总云量<30％的数据划分为晴类天气，剩余数据采用聚类方法进行初始聚类中心尽可能相互远离，以加速聚类算法的收敛过程，保证良好的聚类效果。K-[0086]式中，太阳辐射预测数据集Sample由当天的时序数据集RS(t)和气象数据集RW(t)组9[0089]CNN通常采用多个不同尺寸的卷积核对原始特征数据进行卷积操作，来更好地学改变了特征维度并增加了非线性特性；然后将大小为(3×3×8)的特征向量分别经过三个标准化层的输出对数据扩展和平移，保证每层神经网络的输入均在激活函数敏感的区域，[0103]信息在GRU等神经网络中的传递顺序均为单向的，但某一时间点的太阳辐射与历GRU神经网络由前向GRU层与后向GRU层组成，能够有效的学习时序序列的前向规律与后向[0107]BiGRU层包含前向GRU网络和反向GRU网络，分别计算前向传播状态和反向传播状]T下BiGRU层包含前向传播状态与反向传播状态的第i个时间步的输出单元，Bt为t时[0113]GRU层的输入为t时刻的双向时序特征Bt，本发明采用两层通道数目相同的GRU网GRU层的输出矩阵Yt经过Reshape层将大小转化为(3×3×8)的特征图，作为时序特征的提[0120]多尺度CNN模型的使用以及气象特征与时序特征的融合均存在权值分配问题。对[0127]对初步融合特征使用全局平均池化操作，在每一个通道上均A,Bex",双分支的情况下B为A的冗余矩阵。[0136]将两个分支的特征图与分支权重进行元素相乘，得到包c个分支下优化多尺度CNN特征融合的情况可以通过上述分析推导[0142]使用平均绝对百分比误差(MeanAbsolutePercentageError,MAPE)、均方根误过网格搜索的方法查找实验参数和训练参数的最优结果。表2展示了经过网格搜索优化后[0152](1)DeepCNN:深度CNN模型通过串联不同卷积核大小的卷积计算代替多尺度CNN雨和多雨天预测精度降低较小,证明了对于时序规律更为明显的数据类型，BiGRU相较于集中初步提取时序特征，并将学习到的双向时序特征输入门控循环网络继续学习潜在规图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装[0166]这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或其他可编程设备上执行的指