(12)發(fā)明專利(22)申請(qǐng)日2022.11.22(43)申請(qǐng)公布日2023.02.03地址210024江蘇省南京市鼓樓區(qū)西康路1號(hào)黃蔓云周亦洲韓海騰朱瑛陳勝孫國(guó)強(qiáng)衛(wèi)志農(nóng)H02J3/00(2006.01)力的短期太陽(yáng)輻照度預(yù)測(cè).太陽(yáng)能學(xué)報(bào).20244卷(第12期),175-181頁(yè).(普通合伙)32204本發(fā)明公開(kāi)了一種短期太陽(yáng)輻照度預(yù)測(cè)方法及裝置，該預(yù)測(cè)方法包括：數(shù)據(jù)采集；利用入殘差注意力機(jī)制對(duì)二維氣象特征矩陣進(jìn)行重原始輻射序列氣象特征序列ICEEMDAN殘差注意力不同模態(tài)分量新型氣象特征堆疊LSTM堆疊LSTM特征融合多層感知器預(yù)測(cè)結(jié)果2數(shù)據(jù)采集，包括輻射數(shù)據(jù)和氣象數(shù)據(jù)，輻射數(shù)據(jù)為水平面總輻照度，包括輻照度序列，氣象數(shù)據(jù)包括多維氣象特征序列；利用ICEEMDAN算法，將原始輻照度序列分解為多尺度模態(tài)分量，合并多尺度模態(tài)分量，構(gòu)建能夠反映輻照度變化特性的多維輻射特征序列；基于多維輻射特征序列和多維氣象特征序列，按照時(shí)間步構(gòu)造二維輻射特征矩陣和二維氣象特征矩陣；引入殘差注意力機(jī)制對(duì)二維氣象特征矩陣進(jìn)行重構(gòu)，得到新型氣象特征矩陣；分別提取二維輻射特征矩陣和新型氣象特征矩陣的時(shí)序特征，并進(jìn)行融合；融合所得時(shí)序特征作為多層感知器的輸入，對(duì)短期太陽(yáng)輻照度進(jìn)行預(yù)測(cè)；定義原始輻照度序列為s;基于序列s構(gòu)造新的序列：其中，s1為添加i組白噪聲后所構(gòu)造的新序列，w3為向序列s表示由經(jīng)驗(yàn)?zāi)B(tài)分解算法分解產(chǎn)生的k階模態(tài)分量；計(jì)算得到第一組殘差R?:其中，<·>表示對(duì)整體求平均；M(·)為基于經(jīng)驗(yàn)?zāi)B(tài)分解算法所產(chǎn)生序列的局部均計(jì)算得到第一個(gè)模態(tài)分量IMF?:在得到的第一個(gè)模態(tài)分量IMF?的基礎(chǔ)上，繼續(xù)添加白噪聲，利用局部均值分解計(jì)算第二組殘差R?和第二個(gè)模態(tài)分量IMF?:以此類推，第k組殘差R和第k個(gè)模態(tài)分量IMF,為：重復(fù)上述殘差和模態(tài)分量的計(jì)算過(guò)程，直至計(jì)算結(jié)束，得到所有的模態(tài)分量和最終的殘差；上式中的a表示為：其中，ε?為首次添加的均值為0的高斯白噪聲序列與被分析原始輻照度序列間信噪比的合并分解所得不同模式的模態(tài)分量和殘差，得到能夠反映輻照度變化特性的多維輻射特征序列；3利用經(jīng)驗(yàn)?zāi)B(tài)分解算法對(duì)原始輻照度序列進(jìn)行分解，包括：不斷地(1)求序列的上下包絡(luò)線均值；(2)原始序列減掉均值包絡(luò)線；(3)反復(fù)迭代直至所得序列滿足固有模態(tài)函數(shù)的兩個(gè)約束條件；此時(shí)就得到了一個(gè)IMF分量，而局部均值指原始序列減去此IMF得到的部分；基于所得的i組局部均值，對(duì)其整體求平均，得利用殘差注意力機(jī)制對(duì)二維氣象特征矩陣進(jìn)行重構(gòu)，包括：基于二維氣象特征矩陣獲取注意力權(quán)重矩陣：輸入特征數(shù)，表示過(guò)去T個(gè)時(shí)間步里F個(gè)氣象特征的測(cè)量值；b?、b?為可更新權(quán)重矩陣對(duì)應(yīng)的偏置；對(duì)二維氣象特征矩陣添加注意力權(quán)重：引入殘差連接：X’即為經(jīng)殘差注意力重構(gòu)后的新型氣象特征矩陣。2.根據(jù)權(quán)利要求1所述的短期太陽(yáng)輻照度預(yù)測(cè)方法，其特征在于，采集的氣象數(shù)據(jù)包括3.根據(jù)權(quán)利要求1所述的短期太陽(yáng)輻照度預(yù)測(cè)方法，其特征在于，利用堆疊長(zhǎng)短期記憶網(wǎng)絡(luò)，分別提取二維輻射特征矩陣的時(shí)序特征和新型氣象特征矩陣的時(shí)序特征。4.根據(jù)權(quán)利要求1所述的短期太陽(yáng)輻照度預(yù)測(cè)方法，其特征在于，利用concatenate操作，融合二維輻射特征矩陣的時(shí)序特征和新型氣象特征矩陣的時(shí)序特征。5.一種實(shí)現(xiàn)權(quán)利要求1至4中任一項(xiàng)所述的短期太陽(yáng)輻照度預(yù)測(cè)方法的裝置，其特征在數(shù)據(jù)采集模塊，用于采集輻射數(shù)據(jù)和氣象數(shù)據(jù)，輻射數(shù)據(jù)為水平面總輻照度，包括輻照度序列，氣象數(shù)據(jù)包括多維氣象特征序列；并多尺度模態(tài)分量，構(gòu)建能夠反映輻照度變化特性的多維輻射特征序列；基于多維輻射特征序列和多維氣象特征序列，按照時(shí)間步構(gòu)造二維輻射特征矩陣和二維氣象特征矩陣；以及，利用殘差注意力機(jī)制對(duì)二維氣象特征矩陣進(jìn)行重構(gòu)，得到新型氣象特征矩陣；時(shí)序特征提取模塊，用于分別提取二維輻射特征矩陣和新型氣象特征矩陣的時(shí)序特多層感知器，用于以融合的時(shí)序特征作為輸入，對(duì)短期太陽(yáng)輻照度進(jìn)行預(yù)測(cè)。一個(gè)或多個(gè)處理器；以及一個(gè)或多個(gè)儲(chǔ)存器；其中一個(gè)或多個(gè)程序被存儲(chǔ)在所述一個(gè)或多個(gè)儲(chǔ)存器中，當(dāng)所述一個(gè)或多個(gè)程序被所述一個(gè)或多個(gè)處理器執(zhí)行時(shí)，實(shí)現(xiàn)權(quán)利要求1至4中任一項(xiàng)所述的預(yù)測(cè)方法。7.一種計(jì)算機(jī)存儲(chǔ)介質(zhì)，所述計(jì)算機(jī)存儲(chǔ)介質(zhì)中存儲(chǔ)有計(jì)算機(jī)指令，其特征在于，當(dāng)所4述計(jì)算機(jī)指令被執(zhí)行時(shí)，實(shí)現(xiàn)權(quán)利要求1至4中任一項(xiàng)所述的預(yù)測(cè)方法。5一種短期太陽(yáng)輻照度預(yù)測(cè)方法及裝置技術(shù)領(lǐng)域[0001]本發(fā)明屬于光伏發(fā)電技術(shù)領(lǐng)域，涉及一種短期太陽(yáng)輻照度預(yù)測(cè)方法及裝置。背景技術(shù)[0002]光伏發(fā)電系統(tǒng)的輸出功率具有波動(dòng)性和間歇性，不利于光伏并網(wǎng)時(shí)電力系統(tǒng)的安全穩(wěn)定運(yùn)行。太陽(yáng)輻照度是影響光伏發(fā)電功率的主要因素，對(duì)太陽(yáng)輻照度進(jìn)行準(zhǔn)確預(yù)測(cè)，有助于準(zhǔn)確預(yù)測(cè)光伏發(fā)電功率。[0003]近年來(lái)，以機(jī)器學(xué)習(xí)方法和深度學(xué)習(xí)方法為主的人工智能方法在太陽(yáng)輻射預(yù)測(cè)領(lǐng)域得到了廣泛應(yīng)用，機(jī)器學(xué)習(xí)方法例如人工神經(jīng)網(wǎng)絡(luò)、隨機(jī)森林等，深度學(xué)習(xí)方法，例如卷[0004]然而，現(xiàn)有的短期太陽(yáng)輻照度預(yù)測(cè)方法難以捕捉輻照度序列的波動(dòng)性和突變性，導(dǎo)致預(yù)測(cè)精度較低。研究表明，太陽(yáng)輻照度和氣象特征有著密切聯(lián)系，合理利用氣象特征能夠提升預(yù)測(cè)精度。而現(xiàn)有的預(yù)測(cè)方法大多根據(jù)相關(guān)系數(shù)或經(jīng)驗(yàn)人為選取氣象特征，比較繁瑣，且忽略了不同氣象特征對(duì)預(yù)測(cè)任務(wù)不同程度的影響，缺乏合理性，進(jìn)而影響到預(yù)測(cè)精發(fā)明內(nèi)容[0005]發(fā)明目的：本發(fā)明的目的是提出一種短期太陽(yáng)輻照度預(yù)測(cè)方法及裝置，能夠提高短期太陽(yáng)輻照度預(yù)測(cè)精度。[0006]技術(shù)方案：本發(fā)明第一方面提供一種短期太陽(yáng)輻照度預(yù)測(cè)方法，包括：[0007]數(shù)據(jù)采集，包括輻射數(shù)據(jù)和氣象數(shù)據(jù)，輻射數(shù)據(jù)為水平面總輻照度，包括輻照度序列，氣象數(shù)據(jù)包括多維氣象特征序列；[0008]利用ICEEMDAN算法，將原始輻照度序列分解為多尺度模態(tài)分量，合并多尺度分量，構(gòu)建能夠反映輻照度變化特性的多維輻射特征序列；[0009]基于多維輻射特征序列和多維氣象特征序列，按照時(shí)間步構(gòu)造二維輻射特征矩陣和二維氣象特征矩陣；[0010]引入殘差注意力機(jī)制對(duì)二維氣象特征矩陣進(jìn)行重構(gòu)，得到新型氣象特征矩陣；[0011]分別提取二維輻射特征矩陣和新型氣象特征矩陣的時(shí)序特征，并進(jìn)行融合；[0012]融合所得時(shí)序特征作為多層感知器的輸入，對(duì)短期太陽(yáng)輻照度進(jìn)行預(yù)測(cè)。[0015]定義原始輻照度序列為s;[0016]基于序列s構(gòu)造新的序列：其中，s1為添加i組白噪聲后所構(gòu)造的新序列，w2為向序列s中添加的i組白噪聲，E6(·)表示由經(jīng)驗(yàn)?zāi)B(tài)分解算法分解產(chǎn)生的k階模態(tài)分量；[0019]計(jì)算得到第一組殘差R?:[0021]其中，<·>表示對(duì)整體求平均；M(·)為基于經(jīng)驗(yàn)?zāi)B(tài)分解算法所產(chǎn)生序列的局部[0022]計(jì)算得到第一個(gè)模態(tài)分量IMF?:[0024]在得到的第一個(gè)模態(tài)分量IMF?的基礎(chǔ)上，繼續(xù)添加白噪聲，利用局部均值分解計(jì)算第二組殘差R?和第二個(gè)模態(tài)分量IMF?:[0027]以此類推，第k組殘差R[0030]重復(fù)上述殘差和模態(tài)分量的計(jì)算過(guò)程，直至計(jì)算結(jié)束，得到所有的模態(tài)分量和最終的殘差；[0033]其中，ε?為首次添加的均值為0的高斯白噪聲序列與被分析原始輻照度序列間信[0034]合并分解所得不同模式的模態(tài)分量和殘差，得到能夠反映輻照度變化特性的多維輻射特征序列。[0035]進(jìn)一步地，利用經(jīng)驗(yàn)?zāi)B(tài)分解算法對(duì)原始輻照度序列進(jìn)行分解，包括：不斷地(1)求序列的上下包絡(luò)線均值；(2)原始序列減掉均值包絡(luò)線；(3)反復(fù)迭代直至所得序列滿足固有模態(tài)函數(shù)的兩個(gè)約束條件；此時(shí)就得到了一個(gè)IMF分量，而局部均值指原始序列減去此[0037]基于二維氣象特征矩陣獲取注意力權(quán)重矩陣：[0039]其中，A表示基于二維氣象特征所得到數(shù)，F(xiàn)為輸入特征數(shù)，表示過(guò)去T個(gè)時(shí)間步里F對(duì)應(yīng)的偏置；對(duì)二維氣象特征矩陣添加注意力權(quán)重：引入殘差連接：7[0045]X’即為經(jīng)殘差注意力重構(gòu)后的新型氣象特征矩陣。[0046]進(jìn)一步地，利用堆疊長(zhǎng)短期記憶網(wǎng)絡(luò)，分別提取二維輻射特征矩陣的時(shí)序特征和新型氣象特征矩陣的時(shí)序特征。[0047]進(jìn)一步地，利用concatenate操作，融合二維輻射特征矩陣的時(shí)序特征和新型氣象特征矩陣的時(shí)序特征。[0048]本發(fā)明第二方面提供一種短期太陽(yáng)輻照度預(yù)測(cè)裝置，包括：[0049]數(shù)據(jù)采集模塊，用于采集輻射數(shù)據(jù)和氣象數(shù)據(jù)，輻射數(shù)據(jù)為水平面總輻照度，包括輻照度序列，氣象數(shù)據(jù)包括多維氣象特征序列；[0050]數(shù)據(jù)處理模塊，用于通過(guò)ICEEMDAN算法，將原始輻照度序列分解為多尺度模態(tài)分量，合并多尺度模態(tài)分量，構(gòu)建能夠反映輻照度變化特性的多維輻射特征序列；基于多維輻射特征序列和多維氣象特征序列，按照時(shí)間步構(gòu)造二維輻射特征矩陣和二維氣象特征矩陣；以及，利用殘差注意力機(jī)制對(duì)二維氣象特征矩陣進(jìn)行重構(gòu)，得到新型氣[0051]時(shí)序特征提取模塊，用于分別提取二維輻射特征矩陣和新型氣象特征矩陣的時(shí)序[0052]多層感知器，用于以融合的時(shí)序特征作為輸入，對(duì)短期太陽(yáng)輻照度進(jìn)行[0053]本發(fā)明第三方面提供一種短期太陽(yáng)輻照度預(yù)測(cè)裝置[0055]其中一個(gè)或多個(gè)程序被存儲(chǔ)在所述一個(gè)或多個(gè)儲(chǔ)存器中，當(dāng)所述一個(gè)或多個(gè)程序被所述一個(gè)或多個(gè)處理器執(zhí)行時(shí)，實(shí)現(xiàn)上述第一方面的預(yù)測(cè)方法。[0056]本發(fā)明第四方面提供一種計(jì)算機(jī)存儲(chǔ)介質(zhì)，所述計(jì)算機(jī)存儲(chǔ)介質(zhì)中存儲(chǔ)有計(jì)算機(jī)指令，當(dāng)所述計(jì)算機(jī)指令被執(zhí)行時(shí)，實(shí)現(xiàn)上述第一方面的預(yù)測(cè)方法。[0057]本發(fā)明第五方面提供一種計(jì)算機(jī)程序產(chǎn)品，當(dāng)所述計(jì)算機(jī)程序產(chǎn)品在計(jì)算機(jī)上運(yùn)行時(shí)，使得計(jì)算機(jī)執(zhí)行上述第一方面的預(yù)測(cè)方法。[0059](1)利用ICEEMDAN算法分解原始輻照度序列，可得到更多表征輻照度變化特性的多尺度模態(tài)分量，降低了原始輻照度序列波動(dòng)性和突變性對(duì)太陽(yáng)輻射預(yù)測(cè)的影響，提高了預(yù)測(cè)結(jié)果的準(zhǔn)確性和可靠性。[0060](2)引入殘差注意力機(jī)制對(duì)二維氣象特征矩陣進(jìn)行重構(gòu)，可充分考慮不同氣象特征在預(yù)測(cè)時(shí)的重要程度，同時(shí)避免原始?xì)庀筇卣餍畔⒌膩G失，提升了太陽(yáng)輻射預(yù)測(cè)精度，具有較高的魯棒性和可行性。附圖說(shuō)明[0061]為了更清楚地說(shuō)明本發(fā)明實(shí)施例的技術(shù)方案，下面對(duì)本發(fā)明實(shí)施例中所需要使用的附圖作簡(jiǎn)單介紹，顯而易見(jiàn)地，下面所描述的附圖僅僅是本發(fā)明的實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)說(shuō)，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其他的附圖。[0062]圖1是本發(fā)明的預(yù)測(cè)方法流程框圖；[0063]圖2是本發(fā)明的預(yù)測(cè)裝置的結(jié)構(gòu)框圖；[0064]圖3是原始輻照度序列的分解結(jié)果圖；8[0065]圖4是對(duì)原始?xì)庀筇卣鲗?shí)施殘差注意力的示意圖；[0066]圖5是不同模型的RMSE和MAE誤差指標(biāo)對(duì)比圖；[0067]圖6是輻照度不同程度波動(dòng)下模型曲線擬合示意圖。[0068]下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域技術(shù)人員在沒(méi)有作出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明的保護(hù)范圍。[0069]如圖1所示為本申請(qǐng)實(shí)施例提供的一種短期太陽(yáng)輻照度預(yù)測(cè)方法流程框圖，該預(yù)測(cè)方法具體包括如下步驟：[0070](1)數(shù)據(jù)采集，包括輻射數(shù)據(jù)和氣象數(shù)據(jù)；[0071]輻射數(shù)據(jù)為包括水平面總輻照度(GHI)的輻照度序列，氣象數(shù)據(jù)為包括太陽(yáng)天頂[0073]該步驟(2)具體包括：[0074]定義原始輻照度序列為s;[0075]基于序列s構(gòu)造新的序列：[0077]其中，s1為添加i組白噪聲后所構(gòu)造的新序列，w3為向序列s中添加的i組白噪聲，E(·)表示由經(jīng)驗(yàn)?zāi)B(tài)分解算法分解產(chǎn)生的k階模態(tài)分量；[0078]計(jì)算得到第一組殘差R?:[0083]在得到的第一個(gè)模態(tài)分量IMF?的基礎(chǔ)上，繼續(xù)添加白噪聲，利用局部均值分解計(jì)算第二組殘差R?和第二個(gè)模態(tài)分量IMF?:[0086]以此類推，第k組殘差R和第k個(gè)模態(tài)分量IMF為：[0089]重復(fù)上述殘差和模態(tài)分量的計(jì)算過(guò)程，直至計(jì)算結(jié)束，得到所有的模態(tài)分量和最9終的殘差；[0090]上式中的α表示為：[0092]其中，ε?為首次添加的均值為0的高斯白噪聲序列與被分析原始輻照度序列間信噪比的倒數(shù)；std表示標(biāo)準(zhǔn)差；[0093]合并分解所得不同模式的模態(tài)分量和殘差，得到能夠反映輻照度變化特性的多維輻射特征序列。[0094](3)基于多維輻射特征序列和多維氣象特征序列，按照時(shí)間步構(gòu)造二維輻射特征矩陣和二維氣象特征矩陣；[0095](4)利用殘差注意力(RA)機(jī)制對(duì)二維氣象特征矩陣進(jìn)行重構(gòu)，得到新型氣象特征矩陣；[0096]該步驟(4)具體包括：[0097]基于二維氣象特征矩陣獲取注意力權(quán)重矩陣：[0099]其中，A表示基于二維氣象特征所得到的注意力權(quán)重矩陣；σ為sigmoid激活函數(shù)；W?、W?表示可更新權(quán)重矩陣；δ為ReLU激活函數(shù)；X∈R×F為二維氣象特征矩陣，T為時(shí)間步數(shù)，F(xiàn)為輸入特征數(shù)，表示過(guò)去T個(gè)時(shí)間步里F個(gè)氣象特征的測(cè)量值；b?、b?為可更新權(quán)重矩陣對(duì)應(yīng)的偏置；[0100]如圖3所示，對(duì)二維氣象特征矩陣添加注意力權(quán)重：[0102]其中，Xatt為引入注意力權(quán)重后的氣象特征矩陣；◎表示哈達(dá)瑪積；[0103]引入殘差連接：[0105]X’即為經(jīng)殘差注意力重構(gòu)后的新型氣象特征矩陣。[0106](4)利用堆疊長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTM),分別提取二維輻射特征矩陣的時(shí)序特征和新型氣象特征矩陣的時(shí)序特征；[0107]利用concatenate操作，融合多二維輻射特征矩陣的時(shí)序特征和新型氣象特征矩陣的時(shí)序特征。[0108](5)將融合的時(shí)序特征作為多層感知器(MLP)的輸入，對(duì)短期水平面總輻照度進(jìn)行預(yù)測(cè)。[0109]本申請(qǐng)實(shí)施例還提供一種短期太陽(yáng)輻照度預(yù)測(cè)裝置，包括：[0110]數(shù)據(jù)采集模塊，用于采集輻射數(shù)據(jù)和氣象數(shù)據(jù)，輻射數(shù)據(jù)為水平面總輻照度，包括輻照度序列，氣象數(shù)據(jù)包括多維氣象特征序列；[0111]數(shù)據(jù)處理模塊，用于通過(guò)ICEEMDAN算法，將原始輻照度序列分解為多尺度模態(tài)分量，合并多尺度模態(tài)分量，構(gòu)建能夠反映輻照度變化特性的多維輻射特征序列；基于多維輻射特征序列和多維氣象特征序列，按照時(shí)間步構(gòu)造二維輻射特征矩陣和二維氣象特征矩陣；以及，利用殘差注意力機(jī)制對(duì)二維氣象特征矩陣進(jìn)行重構(gòu)，得到新型氣象特征矩陣；[0112]時(shí)序特征提取模塊，用于分別提取二維輻射特征矩陣和新型氣象特征矩陣的時(shí)序[0113]多層感知器，用于以融合的時(shí)序特征作為輸入，對(duì)短期太陽(yáng)輻照度進(jìn)行預(yù)測(cè)。[0114]本申請(qǐng)實(shí)施例還提供另一種短期太陽(yáng)輻照度預(yù)測(cè)裝置，包括：[0116]其中一個(gè)或多個(gè)程序被存儲(chǔ)在一個(gè)或多個(gè)儲(chǔ)存器中，當(dāng)一個(gè)或多個(gè)程序被一個(gè)或多個(gè)處理器執(zhí)行時(shí)，實(shí)現(xiàn)上述實(shí)施例中的預(yù)測(cè)方法。[0117]本申請(qǐng)實(shí)施例還提供一種計(jì)算機(jī)存儲(chǔ)介質(zhì)，計(jì)算機(jī)存儲(chǔ)介質(zhì)中存儲(chǔ)有計(jì)算機(jī)指令，當(dāng)計(jì)算機(jī)指令被執(zhí)行時(shí)，實(shí)現(xiàn)上述實(shí)施例中的預(yù)測(cè)方法。等各種可以用于存儲(chǔ)計(jì)算機(jī)指令的介質(zhì)。[0119]本申請(qǐng)實(shí)施例還提供一種計(jì)算機(jī)程序產(chǎn)品，當(dāng)該計(jì)算機(jī)程序產(chǎn)品在計(jì)算機(jī)上運(yùn)行時(shí)，使得計(jì)算機(jī)執(zhí)行上述相關(guān)步驟，實(shí)現(xiàn)上述實(shí)施例中的預(yù)測(cè)方法。[0120]本申請(qǐng)實(shí)施例提供的預(yù)測(cè)裝置、計(jì)算機(jī)存儲(chǔ)介質(zhì)、計(jì)算機(jī)程序產(chǎn)品均用于執(zhí)行上文提供的預(yù)測(cè)方法，因此其具有與預(yù)測(cè)方法同樣的有益效果。[0121]下面結(jié)合具體的示例，詳細(xì)介紹本發(fā)明的預(yù)測(cè)方法用于短時(shí)太陽(yáng)輻射預(yù)測(cè)的實(shí)施過(guò)程。[0122]選取江蘇省南京市的輻射數(shù)據(jù)和氣象數(shù)據(jù)進(jìn)行測(cè)試，具體為2016年1月1日至2020年12月31日的數(shù)據(jù)，數(shù)據(jù)采集的時(shí)間間隔為1小時(shí)，共計(jì)43800個(gè)樣本。其中，2016年1月1日至2019年12月31日的數(shù)據(jù)作為訓(xùn)練樣本對(duì)模型進(jìn)行訓(xùn)練，2020年1月1日至2020年12月31日的數(shù)據(jù)作為測(cè)試樣本用于評(píng)估模型表現(xiàn)。[0123]采集的數(shù)據(jù)包括輻射數(shù)據(jù)和氣象數(shù)據(jù)，輻射數(shù)據(jù)為水平面總輻照度，氣象數(shù)據(jù)包[0125]如圖2所示，分解結(jié)果包括15個(gè)本征模態(tài)函數(shù)(IMF)和殘差(Res),其中高頻分量對(duì)應(yīng)原始輻照度序列中波動(dòng)性和突變性較大的分量，低頻分量對(duì)應(yīng)原始輻照度序列中規(guī)律性較強(qiáng)的分量，合并15個(gè)本征模態(tài)函數(shù)和殘差，即可得到能夠反映輻照度變化特性的16維特征序列。[0126]基于多維輻射特征序列和多維氣象特征序列，按照時(shí)間步構(gòu)造二維輻射特征矩陣和二維氣象特征矩陣。實(shí)際測(cè)試時(shí)，時(shí)間步數(shù)設(shè)置為48,即過(guò)去48個(gè)小時(shí)的多維輻射特征和氣象特征。[0127]利用殘差注意力機(jī)制對(duì)二維氣象特征矩陣進(jìn)行重構(gòu)，得到新型氣象特征矩陣。[0128]利用堆疊長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTM),分別提取二維輻射特征矩陣的時(shí)序特征和新型氣象特征矩陣的時(shí)序特征；利用concatenate操作，融合二維輻射特征矩陣的時(shí)序特征和新型氣象特征矩陣的時(shí)序特征。[0129]將融合的時(shí)序特征作為多層感知器(MLP)的輸入，對(duì)短期水平面總輻照度進(jìn)行預(yù)[0130]為驗(yàn)證本申請(qǐng)實(shí)施例提出的預(yù)測(cè)方法性能，基于測(cè)試樣本對(duì)根據(jù)預(yù)測(cè)方法建立的模型的預(yù)測(cè)效果進(jìn)行評(píng)估，所選模型評(píng)估指標(biāo)為均方根誤差(RMSE)、絕對(duì)平均誤差(MAE)和11相關(guān)系數(shù)(R),計(jì)算公式分別為：[0134]其中，n表示測(cè)試樣本總數(shù)，3和y,分別表示第i個(gè)樣本的預(yù)測(cè)值和實(shí)際值，和y分別表示預(yù)測(cè)均值和實(shí)際均值。[0135]為了進(jìn)一步評(píng)估預(yù)測(cè)模型的預(yù)測(cè)表現(xiàn)，設(shè)置共計(jì)六個(gè)對(duì)比模型，分別為MLP、LSTM、對(duì)原始?xì)庀筇卣鞑粚?shí)施殘差注意力，而是將其直接作為模型的輸入。[0136]表1為各模型進(jìn)行提前1小時(shí)水平面總輻照度預(yù)測(cè)時(shí)的預(yù)測(cè)誤差，圖5所示為根據(jù)[0137]表1不同模型預(yù)測(cè)結(jié)果的比較R[0139]由表1可知，無(wú)論基于哪種評(píng)估指標(biāo)，本發(fā)明的預(yù)測(cè)方法都有著最高的預(yù)測(cè)精度，且相對(duì)于不采用ICEEMDAN對(duì)原始輻照序列進(jìn)行分解的方法，利用ICEEMDAN對(duì)原始輻照度序列進(jìn)行分解的方法預(yù)測(cè)效果提升明顯，這在圖5中可以明顯看出。本發(fā)明的預(yù)測(cè)方法在分解原始輻照度序列基礎(chǔ)上，對(duì)原始?xì)庀筇卣鲗?shí)施了殘差注意力，取得了最小的預(yù)測(cè)誤差。[0140]為了進(jìn)一步評(píng)估預(yù)測(cè)模型的預(yù)測(cè)表現(xiàn)，圖6展示了不同天氣狀況下各模型預(yù)測(cè)曲線與實(shí)際輻照度曲線的擬合情況?？梢钥闯?，對(duì)于輻照度波動(dòng)較小的情形，大部分模型的預(yù)線，其在輻照度值上升和下降階段與實(shí)際值曲線的偏差最小，曲線擬合效果最好。對(duì)于輻照度波動(dòng)較大的情形，大部分模型的預(yù)測(cè)值曲線與實(shí)際值曲線產(chǎn)生了較大偏移，而本發(fā)明對(duì)應(yīng)的預(yù)測(cè)值曲線，其整體趨勢(shì)與實(shí)際輻照度值的變化趨勢(shì)十分接近，這是因?yàn)榛贗CEEMDAN的分解結(jié)果能夠獲取波動(dòng)性顯著的輻照度分量，使得模型適用于不同天氣狀況，輻照度值不同波動(dòng)程度下的預(yù)測(cè)。[0141]綜