一种基于深度序列模型的中长期云量预测方法及系统

本发明属于气象预测，具体地，涉及一种基于深度序列模型的中长期云量预测方法及系统。

背景技术：

1、云量包括总云量、高云量、中云量、低云量，可靠和准确的云参量预测方法在许多领域都具有重要的意义。例如在光伏能源发电领域，云量是影响太阳辐照能量供应的主要因素之一，直接影响光伏组件发电效率，云量的预测可以指导光伏发电功率预测，从而对电力进行更有效的调度，带来更大的经济效益。目前，云量预报的主流方法是数值模式预报和统计天气预报。数值模式预报通过对大气运动建立方程求解得到预测值，统计天气预报把数值模式预报和统计学相结合，对数值模式预报的输出进行修正。这两种方法的缺点是对大气运动方程求解的步骤对计算资源要求极高，需要超级计算机才能处理。

2、随着各类气象卫星的发射和气象监测站的布局，气象数据日益完备，使得使用纯数据驱动的方法进行气象预报成为了可能。近些年来，已有研究人员尝试通过使用机器学习的方法提升云量预测的准确性。传统的机器学习步骤一般由三个部分组成，分别是数据预处理、特征提取和分类器。传统的机器学习是通过人工特征选择和特征工程的构建，对于复杂的数据结构难以通用。深度学习可以很好地解决传统机器学习中特征提取困难的问题。深度学习是一种面向数据的学习方式，不依赖于专家经验筛选特征，可以通过大量的输入数据学习数据的特征，具备较好的泛化性、通用性、可移植性。在有大量数据支撑的条件下，深度学习模型的效果往往会比传统机器学习模型的效果更好。

3、当前，在气象预报领域，使用深度学习进行云量预测的研究仍然较少，现有云量预测技术主要不足是：一、预测精度较低，大部分预测技术都无法实现逐小时的预测；二、预测准确度随时间下降严重，对于72小时后的云参量预测准确度较差。

技术实现思路

1、为解决上述问题，本发明提出了一种基于深度序列模型的中长期云量预测方法及系统。

2、本发明通过以下技术方案实现：

3、一种基于深度序列模型的中长期云量预测系统：

4、所述云量预测系统包括：输入模块、基于趋势分解和周期增强的预测分支模块、天气系统提取模块和预测投影模块；

5、所述输入模块用于输入历史气象数据；包括输入1和输入2；将输入1输入至趋势分解和周期增强模块，将输入2输入至天气系统提取模块；

6、所述基于趋势分解和周期增强的预测分支模块由若干个基本块组成，每个基本块包含了一个趋势分解模块，一个周期增强模块和一个前馈网络模块；

7、将基于趋势分解和周期增强的预测分支模块的输出和天气系统提取模块的输出在通道维度进行向量拼接后作为预测投影模块的输入，预测投影模块将输入向量投影成指定的形状，得到最终的预测结果。

8、进一步的，输入1和输入2作为初始数据输入所述云量预测系统，具体为，输入1表示的是预测位置的历史气象数据，维度为，表示输入序列的长度，表示预测位置的气象数据特征通道数；

9、输入2表示的是预测位置附近区域的历史气象数据，维度为，表示输入序列的长度，表示区域的长度，表示区域的宽度，表示预测位置附近区域的气象数据特征通道数。

10、进一步的，所述趋势分解模块使用滑动平均的方法提取序列中的趋势项，滑动平均的计算公式如下：

11、

12、其中，表示趋势项中第 i个元素的值，表示时间序列第 j个时间点的值， n表示滑动窗口的大小；

13、使用 n个不同大小滑动窗口提取时间序列趋势项的计算公式如下：

14、

15、其中，表示最终提取出的趋势项，表示使用第 i个滑动窗口对时间序列进行趋势项提取，是一个可学习的权重，用于将不同滑动窗口提取出的趋势项进行整合。

16、进一步的，所述周期增强模块首先对输入序列进行傅里叶变换，得到序列在频域上的表示，分别计算 n个分量的幅值并选取其中 m个幅值最大的分量，得到，其余 n-m个分量用0填充后得到，使用一个可学习的参数在复数域上和相乘得到，以增强序列中的主要成分，

17、为过滤幅值较低的频域分量后原始输入序列在频域上的表示，

18、为将原始序列在频域上幅值较低的频域分量替换为0后的结果，

19、为使用一个可学习的算子与相乘后的结果，

20、其中 r为实数域， s为数据序列的长度， d为数据的特征通道数， c为复数域，

21、最后对进行傅里叶逆变换还原到时域，得到周期增强模块的输出；周期增强模块的计算公式如下所示：

22、

23、

24、其中表示傅里叶变换，表示傅里叶逆变换，表示选择幅值最大的成分，表示用0扩充向量。

25、进一步的，趋势分解模块的输出和周期增强模块的输出相加后作为前馈网络的输入，前馈网络的输入和原始输入进行残差连接后得到一个基本块的输出；

26、一个基本块的计算公式如下所示：

27、

28、

29、

30、其中，表示趋势分解模块，表示周期增强模块，feedforward表示前馈网络，t为序列趋势，x表示基本块的输入，s’表示基本块的输出；多个基本块堆叠得到基于趋势分解与周期增强的预测分支模块的输出，其中为基于趋势分解与周期增强的预测分支模块输出的特征通道数。

31、进一步的，在所述天气系统提取模块中，使用了三维卷积层对输入数据进行卷积操作；三维卷积层可以同时考虑时间维度、空间维度和通道维度的信息；

32、对于历史天气数据，时间维度表示了不同时间步的数据，空间维度表示了不同空间位置的数据，通道维度表示了不同气象变量的数据；

33、通过三维卷积操作，网络利用这些维度之间的相关性和模式来提取特征，包括空间上的局部模式和时间上的趋势；

34、使用平均池化层，将输入的空间维度降低为1；在保持时间和通道维度不变的情况下，对空间维度进行降维；

35、通过这些卷积和池化操作，网络能够从历史天气数据中提取出具有时空信息的特征表示；这些特征表示包括某一区域内的气象模式、空间相关性和时间趋势信息；所述天气系统提取模块接收维度为的输入数据，输出为，

36、其中表示天气系统提取模块输出的特征通道数，取值取决于天气系统提取模块在输出中包含的天气属性的数量或需要进行分类的类别数，根据实际任务需求进行定义。

37、进一步的，将基于趋势分解和周期增强的预测分支模块的输出和天气系统提取模块的输出在通道维度进行向量拼接；得到

38、将作为预测投影模块的输入，预测投影模块将输入向量投影成指定的形状，得到最终的预测结果。

39、一种基于深度序列模型的中长期云量预测方法：所述方法具体包括以下步骤：

40、步骤1，输入模块将历史气象数据分为预测位置的历史气象数据的输入1和预测位置附近区域的历史气象数据的输入2；

41、步骤2，将输入1通过趋势分解模块得到原始序列的趋势项，再通过原始序列和趋势项相减得到时间序列的季节项和残差项，将时间序列的季节项和残差项通过周期增强模块以增强主要周期性成分，

42、步骤3，将趋势分解模块的输出和周期增强模块的输出相加后作为前馈网络模块的输入，前馈网络的输入和原始输入进行残差连接后得到一个基本块的输出；多个基本块堆叠得到基于趋势分解与周期增强的预测分支模块的输出；

43、步骤4，将输入2输入至天气系统提取模块；

44、步骤5，将基于趋势分解和周期增强的预测分支模块的输出和天气系统提取模块的输出在通道维度进行向量拼接后作为预测投影模块的输入，预测投影模块将输入向量投影成指定的形状，得到最终的预测结果。

45、一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。

46、一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时实现上述方法的步骤。

47、本发明有益效果

48、本发明使用趋势分解模块和周期增强模块，增强了时序序列中可预测部分，减少了随机成分对预测产生的影响。

49、使用了天气系统提取模块，利用预测位置附近区域的历史气象条件辅助云量预测，更符合现实情况与气象规律。

50、使用投影模块将抽取出的时序特征一次性投影成预测结果，避免了在预测阶段的累计误差传播，并且可以达到小时级的预测精度。