一种太阳辐射预测方法、系统、电子设备及存储介质与流程

本发明涉及气象预测，特别是涉及一种太阳辐射预测方法、系统、电子设备及存储介质。

背景技术：

1、随着全球能源需求不断增长，化石燃料的长期开发和利用加剧了全球变暖、环境污染等问题。在这一背景下，太阳能的广泛应用成为了应对气候变化、实现全球经济社会可持续发展的重要途径。根据国际能源署报告，全球太阳能光伏装机容量已从2010年的40gw增长至2020年的760gw，太阳能光伏发电已成为全球新增电力装机容量的主要来源之一。然而，受昼夜交替、季节变化以及云层、大气光学性质等因素的影响，地面接收的太阳辐射能具有间歇性和波动性，这会限制光伏电力供应的稳定性，进而影响其大规模应用。因此，有必要对太阳辐射进行实时、精准的预测，从而支持光伏发电系统的智能调控，提高光伏电网运行的可靠性，实现经济和环境效益最大化。

2、在不同提前期的各类预测任务中，太阳辐射超短时预测最常被用于光伏电网的实时调度和评估，目前的超短时预测主要采用统计方法、物理方法或混合模型方法。其中，统计方法简单且易于实现，但泛化能力不足；物理方法的通用性较强，但模型复杂、计算成本高，且在多云地区预测效果不佳。混合模型方法综合了这两类方法的优势，但仅基于地面局部观测，未考虑大范围云层对太阳辐射变化的影响，在多云条件下存在显著的预测滞后问题，因此亟需在预测过程中纳入大尺度云层运动信息，以提高太阳辐射预测的准确性。

3、随着遥感技术的发展，静止卫星为获取高分辨率大范围连续云场观测提供了有效手段。目前，少量结合卫星影像的预测方法多采用数值天气预报或传统机器学习模型，在云层特征提取、云层运动-辐射变化关系模拟等方面能力有限。相比之下，深度学习可以通过大量前置观测序列及对应的未来辐射序列样本进行训练，自适应地进行时空特征提取，并拟合前置序列与未来辐射之间的非线性关系，得到更准确的预测结果。然而，现有深度学习模型在获取高时间分辨率预测方面仍有不足，因为需要处理的序列长度会随着分辨率的提高而增加，这就要求模型能有效学习未来时间步上的太阳辐射与较长时间路径前的云层和辐射变化信息之间的依赖关系(即长程依赖性)。但受限于对长程依赖关系的模拟能力、模型复杂度以及计算效率，现有方法最高只能以15分钟的分辨率进行预测，精细程度仍有很大的提升空间。

技术实现思路

1、本发明的目的是提供一种太阳辐射预测方法、系统、电子设备及存储介质，能够提高太阳辐射预测精细程度，实现10分钟级超短时太阳辐射预测。

2、为实现上述目的，本发明提供了如下方案：

3、一种太阳辐射预测方法，包括：

4、获取初始数据；所述初始数据包括静止卫星影像长序列和地面辐射观测长序列；

5、根据所述初始数据和太阳辐射预测模型确定10分钟级太阳辐射长序列预测结果；所述太阳辐射预测模型包括云层特征提取模块、辐射变化特征提取模块和长时序辐射预测模块；所述云层特征提取模块和所述辐射变化特征提取模块均与所述长时序辐射预测模块连接；

6、其中，所述云层特征提取模块是通过多个三维卷积块构建的；所述辐射变化特征提取模块是通过多个一维卷积块构建的；所述长时序辐射预测模块是根据多头概率分布稀疏自注意力机制、自注意力蒸馏机制和生成式解码器机制构建的；所述云层特征提取模块用于确定所述静止卫星影像长序列的云层空间特征；所述辐射变化特征提取模块用于确定所述地面辐射观测长序列的太阳辐射时间变化特征；所述长时序辐射预测模块用于根据所述云层空间特征和所述太阳辐射时间变化特征确定10分钟级太阳辐射长序列预测结果。

7、可选地，每个所述三维卷积块和每个所述一维卷积块均包括依次连接的卷积层和最大池化层；

8、所述长时序辐射预测模块包括第一嵌入子模块、第二嵌入子模块、编码器、解码器和全连接输出层；所述第一嵌入子模块、所述编码器和所述解码器依次连接；所述解码器还与所述第二嵌入子模块连接；

9、所述编码器包括依次交替连接的两个多头概率分布稀疏自注意力层和两个自注意力蒸馏层；所述解码器包括依次连接的掩膜多头概率分布稀疏自注意力层和多头自注意力层。

10、可选地，根据所述初始数据和太阳辐射预测模型确定10分钟级太阳辐射长序列预测结果，具体包括：

11、利用三维卷积对所述静止卫星影像长序列进行特征提取，得到云层空间特征；

12、利用一维卷积对所述地面辐射观测长序列进行特征提取，得到太阳辐射时间变化特征；

13、根据所述云层空间特征和所述太阳辐射时间变化特征进行特征预测，得到10分钟级太阳辐射长序列预测结果。

14、可选地，根据所述云层空间特征和所述太阳辐射时间变化特征进行特征预测，得到10分钟级太阳辐射长序列预测结果，具体包括：

15、对所述云层空间特征和所述太阳辐射时间变化特征进行时空融合预处理，得到前置时空特征序列和生成式解码器输入序列；

16、对所述前置时空特征序列进行标记嵌入、位置嵌入和全局时间嵌入，并根据对应序列时间步和特征维度相加，得到第一输入序列；

17、利用多头概率分布稀疏自注意力运算和自注意力蒸馏操作，对所述第一输入序列的长程依赖性进行提取，得到长程依赖特征图；

18、对所述生成式解码器输入序列进行标记嵌入、位置嵌入和全局时间嵌入，并根据对应序列时间步和特征维度相加，得到第二输入序列；

19、利用特征掩膜方法和多头概率分布稀疏自注意力运算，根据所述第二输入序列和所述长程依赖特征图生成10分钟级太阳辐射长序列预测结果。

20、可选地，对所述云层空间特征和所述太阳辐射时间变化特征进行预处理，得到前置时空特征序列和生成式解码器输入序列，具体包括：

21、将所述云层空间特征和所述太阳辐射时间变化特征按时间步对齐拼接，得到前置时空特征序列；

22、将所述前置时空特征序列划分为等长的两段，并在后半段序列之后，沿时间维拼接长度为被预测时间步数的0值序列，得到生成式解码器输入序列。

23、本发明提供了一种太阳辐射预测系统，包括：

24、数据采集模块，用于获取初始数据；所述初始数据包括静止卫星影像长序列和地面辐射观测长序列；

25、辐射预测模块，用于根据所述初始数据和太阳辐射预测模型确定10分钟级太阳辐射长序列预测结果；所述太阳辐射预测模型包括云层特征提取模块、辐射变化特征提取模块和长时序辐射预测模块；所述云层特征提取模块和所述辐射变化特征提取模块均与所述长时序辐射预测模块连接；

26、其中，所述云层特征提取模块是通过多个三维卷积块构建的；所述辐射变化特征提取模块是通过多个一维卷积块构建的；所述长时序辐射预测模块是根据多头概率分布稀疏自注意力机制、自注意力蒸馏机制和生成式解码器机制构建的；所述云层特征提取模块用于确定所述静止卫星影像长序列的云层空间特征；所述辐射变化特征提取模块用于确定所述地面辐射观测长序列的太阳辐射时间变化特征；所述长时序辐射预测模块用于根据所述云层空间特征和所述太阳辐射时间变化特征确定10分钟级太阳辐射长序列预测结果。

27、本发明提供了一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行根据上述的太阳辐射预测方法。

28、本发明提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的太阳辐射预测方法。

29、根据本发明提供的具体实施例，本发明公开了以下技术效果：

30、本发明公开了一种太阳辐射预测方法、系统、电子设备及存储介质，所述方法包括利用太阳辐射预测模型对静止卫星影像长序列和地面辐射观测长序列进行特征提取以及根据特征进行长时序辐射预测，得到10分钟级超短时太阳辐射预测结果，其中，太阳辐射预测模型包括云层特征提取模块、辐射变化特征提取模块和长时序辐射预测模块，且长时序辐射预测模块是根据多头概率分布稀疏自注意力机制、自注意力蒸馏机制和生成式解码器机制构建的，通过上述深度学习方法对区域未来超短时太阳辐射进行预测，能够提高现有技术对太阳辐射预测的精细程度，实现10分钟级超短时太阳辐射预测。