[发明专利]一种基于多元时间序列图神经网络的多步长气象预测方法

说明书

本发明公开了一种基于多元时间序列图神经网络的多步长气象预测方法，包括获取历史数据；对历史数据进行预处理和构造训练数据，并根据预测任务制作监督数据集；根据训练数据训练多元时间序列图神经网络模型；根据多元时间序列图神经网络模型预测未来多步长的多元气象信息。本发明将多元气象信息用图的节点表示，利用图学习层动态地学习各类气象数据间的联系，利用图卷积模块融合节点的特征，充分利用了多元气象信息的特征，并利用时域卷积模块提取时域特征，最终使模型做到多步长预测。在仅依赖历史信息的前提下，本发明的模型可以获得高精度预测效果。

技术领域

本发明涉及光伏发电技术领域，特别是一种基于多元时间序列图神经网络的多步长气象预测方法。

背景技术

近年来，由于社会经济发展对化石能源的过度依赖，能源资源日渐枯竭，同时大量碳排放也导致温室效应日益加重，极端天气的频繁出现，减少温室气体排放引起了各国政府的重视。光伏发电是应对气候危机，实现节能减排的重要手段。光伏发电具有随机性、波动性、间歇性的特点，对电网的安全稳定运行是很大挑战。气象条件是影响光伏发电功率的重要因素，为了更准确地预测光伏发电功率，保障电网安全稳定运行，对气象信息的预测就变得非常重要。

但现实中对于一些光伏发电系统，受限于成本等因素，难以针对其所在区域提供专门的数值天气预报。对于这种情况，一种预测气象信息的方法就是将其当作时序数据处理，利用统计学方法和深度学习等工具，从历史数据中提取特征，从而预测未来的数据。本发明要解决的问题，即是在仅依靠历史数据的条件下，实现多元气象信息的多步长预测。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述和/或现有的多元气象信息的多步长预测中存在的问题，提出了本发明。

因此，本发明要解决的问题为在仅依靠历史数据的条件下，实现多元气象信息的多步长预测。

为解决上述技术问题，本发明提供如下技术方案：一种基于多元时间序列图神经网络的多步长气象预测方法，其包括，获取历史数据；对历史数据进行预处理和构造训练数据，并根据预测任务制作监督数据集；根据训练数据训练多元时间序列图神经网络模型；根据多元时间序列图神经网络模型预测未来多步长的多元气象信息。

作为本发明所述基于多元时间序列图神经网络的多步长气象预测方法的一种优选方案，其中：所述历史数据包括目标地区的多元气象信息数据，所述目标地区的多元气象信息数据包括但不限于太阳辐照度、温度、湿度、气压、风速等。

作为本发明所述基于多元时间序列图神经网络的多步长气象预测方法的一种优选方案，其中：所述历史数据进行预处理和构造训练数据，并根据预测任务制作监督数据集包括以下步骤：

对多元气象信息数据中的空缺值进行线性插值补全，具体公式为：

其中，t_i和t_j表示数据空缺区间的前一个和后一个时间节点，和分别为时间节点t_i和t_j的数据值，x_t为插值后介于t_i和t_j之间的时间节点t的数据值。

对补全后的数据进行归一化处理，归一化表达式为：

其中，x表示数据集中的某一特征，x'表示归一化后的特征值，x_min和x_max分别表示历史数据中该特征的最小值和最大值。