[发明专利]一种基于图的融合时空注意力的地表太阳辐射度预测方法

说明书

本发明涉及一种基于图的融合时空注意力的地表太阳辐射度预测方法，该方法包括以下步骤：选择覆盖实测站点的SWR子网格来构建图，气象网格点和地面辐射度实测站点作为图的结点；使用空间嵌入和时间嵌入来表示图结构和时间信息；使用融合时空的注意力机制学习图中结点间的动态关系联性；在编码器encoder和解码器decoder中间加入变换注意力模块,通过时空嵌入来建模历史和未来的关系；将实测站点的结点特征作为解码器decoder的输入来进行太阳辐射度预测。本发明充分考虑了时空相关性，能够更准确的预测辐射度。

技术领域

本发明涉及地表太阳辐射度预测技术，尤其涉及一种基于图的融合时空注意力的地表太阳辐射度预测方法。

背景技术

太阳辐射度是指太阳辐射经过大气层的吸收、散射、反射等作用后到达固体地球表面上单位面积单位时间内的辐射能量。其单位为：瓦特/平方米(W/m²)。太阳辐射是最重要的外部能源，是影响光伏发电的重要因素，它的微小变化也将导致全球范围能量循环、水、碳和氮循环过程的变动，引起地球环境和气候、气象的巨大变化。所以太阳辐射度的预测有着重要意义。根据建模方法的原理不同，预测太阳辐射度的模型基本划分为物理法和统计法两种。物理法是将数值天气预报的数值直接带入现有物理模型，即可得到预测值。优点是可分析每个大气过程，并根据分析结果优化预测模型。统计法是结合各种机器学习算法如回归分析、时间序列、支持向量机等，建立数值天气预报和历史数据之间的关系，再进行预测。物理法和统计法的缺点在于，对太阳辐射度预测的准确性不高。

发明内容

本发明目的在于，解决现有物理法和统计法对太阳辐射度预测的准确性不高的问题，提出了一种基于图的融合时空注意力的地表太阳辐射度预测方法，从而提升对太阳辐射度预测的准确性。

为解决上述目的，本发明提供了一种基于图的融合时空注意力的地表太阳辐射度预测方法，该方法包括以下步骤：

选择覆盖实测站点的SWR子网格来构建图，气象网格点和地面辐射度实测站点作为图的结点；

使用空间嵌入和时间嵌入来表示图结构和时间信息；

使用融合时空的注意力机制学习图中结点间的动态关系联性；

在编码器encoder和解码器decoder中间加入变换注意力模块,通过时空嵌入来建模历史和未来的关系；

将实测站点的结点特征作为解码器decoder的输入来进行太阳辐射度预测。

优选地，在所述使用空间嵌入和时间嵌入来表示图结构和时间信息步骤中，所述空间嵌入是通过图卷积神经网络GCN将结点嵌入到向量中来保存图结构信息，得到结点表示后将通过两个全连接图卷积神经网络将特征纬度变换到D维；时间嵌入是把每个时间步编码到向量中。

优选地，结点v_i的空间嵌入表示为使用one-hot编码时间到R^T中,再通过两个全连接网络将特征映射到R^D,t_j时间步的时间嵌入表示为：融合空间嵌入和时间嵌入，得到结点v_i在时间步t_j的时空嵌入的表示：N个结点在(P+Q)的时间步里的STE表示为E∈R^(P+Q)×N×D,将用于时空注意力机制和变换注意力机制。

优选地，在所述使用融合时空的注意力机制学习图中结点间的动态关联性步骤中，使用encoder-decoder的结构，encoder和decoder均由L个spatial-temporal-attention堆叠而成，设第l个spatial-temporal-attention层的输入为H^(l-1),结点v_i在时间步t_j的隐藏态表示为：第l层的输出为H^l，结点v_i在时间步t_j的第l层的隐藏态输出为：