[发明专利]一种基于Transformer-LSTM及误差校正的太阳辐照度预测模型

说明书

本发明公开一种基于Transformer‑LSTM及误差校正的太阳辐照度预测模型，根据预设的时间分辨率获取所测地区的历史天气数据以及太阳辐照度数据；数据进行预处理后按照设定比例分为训练集数据，验证集数据以及测试集数据；利用现有的Transformer‑LSTM及误差校正模型，训练集数据对模型进行训练学习；预测模型进行筛选，筛选出最佳预测模型；将所测地区的历史天气数据输入至筛选出的最佳预测模型，得到太阳辐照度预测值。本发明克服了现有技术中太阳辐照度预测方法无法捕捉数据之间的长期依赖关系，过于关注全局数据的位置信息，并且忽视误差自相关所产生的影响；提高了太阳辐照度的长序列数据预测精度。

技术领域

本发明涉及太阳辐照度预测的技术领域，尤其涉及一种基于Transformer-LSTM及误差校正的太阳辐照度预测模型。

背景技术

近年来，光伏发电产业的规模迅速扩大，大规模光伏并网也已形成。光伏发电站输出功率主要受到太阳辐照度影响，而太阳辐照度极其相关气象数据存在着多变量，非线性，强耦合的关系，并且有着一定的随机性和时间相关性，因此需要对太阳辐照度进行有效精准的预测。

在太阳辐照度的预测方法上，早期采用传统物理方法，如ASHRAE模型、北京模型、半正弦模型及Collares-PereiraRabl模型，这些模型通过固定的规律计算太阳辐照度，难以保证计算结果的精确性；自回归滑动平均模型难以处理非线性数据；人工神经网络模型，如前馈神经网络，卷积神经网络，无法考虑数据之间的时间相关性。时序预测模型，如循环神经网络(Recurrent Neural Network,RNN)、LSTM以及门控循环单元网络(GatedRecurrent Unit,GRU)，虽然能利用其内部的循环结构处理数据之间的时间相关性，但难以捕捉数据的长期依赖关系；Transformer模型，能够利用多头注意力机制捕捉数据的长期依赖关系，但模型内部的位置编码操作过于关注全局数据的位置信息。

在进行时序预测时，通常存在着误差自相关的问题，即不同时间步长之间的误差存在自相关，误差自相关的产生有着多种原因，包括测量出现误差，模型误用，缺少影响变量等，该问题因违反最大似然估计中的假设，会使得模型的预测精度受到影响。

发明内容

基于上述说明，本发明提出一种基于Transformer-LSTM及误差校正的太阳辐照度预测模型，克服了现有技术中太阳辐照度预测方法无法捕捉数据之间的长期依赖关系，过于关注全局数据的位置信息，并且忽视误差自相关所产生的影响。

所采用的技术方案是：一种基于Transformer-LSTM及误差校正的太阳辐照度预测模型，其特征在于，包括以下步骤：

步骤1:根据预设的时间分辨率获取所测地区的历史天气数据以及太阳辐照度数据；

步骤2:对步骤1所得的数据进行预处理，预处理包括数据标准化处理，数据降维以及误差校正；

步骤3:将步骤2中预处理得到的数据按照设定比例分为训练集数据，验证集数据以及测试集数据；

步骤4:构建Transformer-LSTM及误差校正模型；

步骤5:利用训练集数据对步骤4的Transformer-LSTM及误差校正模型进行训练学习；

步骤6:使用步骤5中训练后的模型对测试集数据进行预测，并利用均方根误差法对模型的预测性能进行评估，并筛选出最佳预测模型；

步骤7:将步骤1中得到的所测地区的历史天气数据输入至步骤6所得模型，得到太阳辐照度预测值。

进一步的，步骤1中获取的历史天气数据以及太阳辐照度数据，包括：年、月、日、时、分、秒、直接辐射辐照度、漫射水平辐照度、全球水平辐照度、云型、露点、晴空直接辐射辐照度、晴空漫射水平辐照度、晴空全球水平辐照度、臭氧层、相对湿度、降水量、气压、风向、风速、太阳天顶角、地表反照率、气象类型标志。