一种基于风云4A卫星的地表入射太阳辐射智能化预报方法

本发明公开了一种基于风云4a卫星的地表入射太阳辐射智能化预报方法，涉及太阳能资源短临预报领域。

背景技术：

1、2021年太阳能光伏发电量创纪录地增加了179太瓦时，成为仅次于水电和风能的第三大新能源技术。但太阳能与风能相似，受大气条件的限制，具有波动性和间歇性，会导致负荷供电质量下降，如电压不稳定、谐波增加等问题。因此，最好的解决方案是尽可能提高短期太阳辐射预测的精度，以获得更准确的太阳能发电，并结合智能电网调度方案，保证电网的稳定高效运行。

2、现有的数值天气预报模式大多是中尺度模式，小于网格分辨率的过程只能通过参数化来实现，且预测结果严重依赖于参数化方案。虽然许多基于机器学习的预测模型已经显示出高精度的太阳辐射预测性能，但每个模型提取和处理的特征不同；因此，为了处理具有不同特征的数据，每个模型都有一些差异。随着神经网络的发展，许多研究结果证明cnn可以很好地处理太阳辐射中的非线性特征，非常适合于短期的太阳辐射预测。太阳辐射短临预报方法有了新的解决方案。

技术实现思路

1、本发明针对上述背景技术中的缺陷，提供一种基于风云4a卫星的地表入射太阳辐射智能化预报方法，结合深度神经网络处理非线性特征的优势，实现了准确度更高、预测速度更快的短期的太阳辐射预测方法。

2、为实现上述目的，本发明采用的技术方案如下：一种基于风云4a卫星的地表入射太阳辐射智能化预报方法，其特征在于，包括以下步骤：

3、获取预测时刻之前的风云4a卫星地表入射太阳辐射数据集，将其输入预先训练的地表入射太阳辐射短临预报模型，输出地表入射太阳辐射预测结果；

4、所述地表入射太阳辐射短临预报模型是基于历史风云4a卫星地表入射太阳辐射数据训练得到；

5、所述的地表入射太阳辐射短临预报模型的训练过程包括：

6、获取历史风云4a卫星地表入射太阳辐射数据，对历史风云4a卫星地表入射太阳辐射数据进行预处理并划分为训练集、验证集和测试集；

7、将训练集和验证集输入待训练的短临预报模型训练，通过构建动态加权损失函数优化训练参数，得到训练好的短临预报模型；

8、测试集用来验证模型的最终效果。

9、进一步的，所述对对历史风云4a卫星地表入射太阳辐射数据进行预处理并划分为训练集、验证集和测试集具体包括以下步骤：

10、从风云4a卫星地表入射太阳辐射数据中按地域提取中国区域数据，并对中国区域数据进行插值和数据清洗操作；

11、采用滑动窗口法对中国区域数据连续时间序列划分为若干组，生成固定长度的序列数据并构建查找字典，每组包含32个中国区域地表入射太阳辐射数据；其中前16个中国区域地表入射太阳辐射数据作为模型输入，后16个作为中国区域地表入射太阳辐射模型预测数据的标签；

12、由每月1日至25日构建训练集，每月25至28日构建验证集，每月29日至月底构建测试集。

13、进一步的，从风云4a卫星地表入射太阳辐射数据中提取中国区域数据具体方法包括：

14、通过行列号和经纬度对应的方法，提取风云4a卫星全圆盘数据中国区域的地表入射太阳辐射数据；

15、风云4a卫星所提供的地表入射太阳辐射全圆盘数据的空间分辨率为4km,中国区域的范围是经度范围73°33′e至135°05′e和纬度范围3°51′n至53°33′n；卫星星下点所在经度λd可表示为：

16、

17、首先将地理经纬度的角度表示转化为弧度表示，处理方式和卫星星下点所在经度相同，然后将地理经纬度转化成地心经度和地心纬度，再根据地心经纬度得出地心距离，公式如下：

18、λe＝longitude

19、

20、

21、其中longitude表示经度，latitude表示纬度；ea表示地球的半长轴，eb表示地球的短半轴；表示地球椭球体的偏心率，λe表示地心经度和表示地心纬度；re表示地心距离；

22、最后通过计算出来的经纬度返回对应全圆盘数据中的行列号，公示如下所示：

23、

24、

25、

26、

27、

28、

29、column＝coff+x*2-16*cfac

30、row＝loff+y*2-16*lfac

31、其中：h表示地心到卫星质心的距离；rn表示地心到卫星质心的距离，r1，r2和r3均是过渡变量；x表示计算所得经度，y表示计算所得纬度；coff为列偏移，cfac为列偏移因子；loff为行偏移，lfac为行偏移因子；column和row分别为x和y对应中国区域的行列号。

32、进一步的，所述对中国区域数据进行插值和数据清洗操作具体包括：

33、插值具体包括：采用线性插值将其插值为时间分辨率为15分钟，假设目标点的坐标为(x,y)，已知的四个邻近点的坐标及对应辐射值分别为：分别位于坐标p1(x1,y1,v1)、p2(x2,y1,v2)、p3(x1,y2,v3)和p4(x2,y2,v4)处，公式可表达为：

34、f(x,y)＝(1-u)(1-v)v1+u(1-v)v2+(1-u)vv3+uvv4

35、

36、

37、其中：f(x,y)表示目标点(x,y)的像素值，由四个邻近点的像素值进行加权平均得到的，

38、u表示目标点在水平方向上相对于邻近点的位置比例，

39、v表示目标点在垂直方向上相对于邻近点的位置比例，

40、v1表示p1点的辐射值；v2表示p2点的辐射值；

41、v3表示p3点的辐射值；

42、v4表示p4点的辐射值；

43、根据上述位置比例，对四个邻近点的像素值进行加权平均，即可得到目标点(x,y)的像素值；

44、数据清洗具体包括以下步骤：

45、将因为太阳天顶角超过70度的无辐射数据全部剔除；

46、随后将剔除后的所有数据中值为nan的替换为0，将所有辐射值变为符合模型输入的合理值；

47、最后进行数据归一化，数据归一化的表达式可表示为：

48、

49、其中，min(i)表示所使用的整个数据组中太阳辐射的最小值，max(i)表示所使用的整个数据集中太阳辐射的最大值，i表示一个太阳辐射数据点；

50、inorm表示归一化后的太阳辐射数据。

51、进一步的，所述将训练集和验证集输入待训练的短临预报模型训练，通过构建动态加权损失函数优化训练参数，得到训练好的短临预报模型具体包括以下步骤：

52、构建编码器-翻译器-解码器的短临预报模型，

53、通过编码器提取中国区域地表入射太阳辐射数据的空间特征，并将其输入至翻译器进行进一步提取强辐射区域空间和时间两个维度的变化，最后通过解码器逆向运算将提取到的特征转换为实际的预测结果。

54、进一步的，所述编码器通过叠加由dwconv、layernorm和leakyrelu组成的残差块提取空间特征，输入数据时间步长为t，通道数为c，图像的高度和宽度分别为h和w，即输入特征形状为(t,c,h,w)，编码器的表达式表示为：

55、x′i＝xi⊙(σ(layernorm(dwconv(xi))))

56、其中，输入x′i和输出xi形状均为(t,c,h,w)，σ表示sigmoid函数，⊙代表hadamard乘积。

57、进一步的，所述翻译器通过引入attunet，单独构建了一个编码器-解码器结构；attunet编码器部分用于提取时空特征，而attunet解码器部分用于将特征映射恢复到原始图像的分辨率，在attunet编码器和attunet解码器之间引入了cbam的注意模块，注意模块用于计算特征的重要性权重，并将其应用于解码器的特征表示，以第t层为例，第t层的上采样输出可表示为:

58、x′t＝concat(deconv(xt-1),a(x′t-1,xt))

59、其中，xt表示attunet编码器t层的特征图，xt-1表示attunet编码器t-1层的特征图，x′t表示attunet编码器t层的特征图，x′t-1表示attunet编码器t-1层的特征图，a代表注意门函数；

60、上述注意门函数的attention gate首先经过一个aspp模块(空洞空间金字塔池化)使用不同的空洞率对输入特征进行卷积操作，再将aspp输出结果送入通道注意力机制和空间注意力机制，attention gate的计算公式表示如下：

61、z＝conv(x′t-1)+conv(xt)

62、z′＝concat(branch1,branch6,branch12,branch18,mean(conv(upsample(z))))

63、

64、

65、其中，xt表示attunet编码器t层的特征图，x′t-1表示attunet编码器t-1层的特征图，

66、concat表示拼接操作，

67、branch1、branch6、branch12、branch18是aspp中不同分割率的输出，

68、mean表示自适应平均池化层，upsample表示上采样操作，

69、mc表示通道注意力函，

70、ms表示空间注意力函数，

71、表示的是逐元素相乘；

72、z表示attunet编码器t层的特征图xt与attunet编码器t-1层的特征图x′t-1相加后所得特征图。

73、z′表示aspp输出特征图，z″表示通道注意力的输出特征图，z″′表示空间注意力的输出特征图。

74、进一步的，

75、所述解码器通过convtranspose2d、layernorm和leakyrelu组成的块叠加重建真实的地表太阳入射辐射，解码器的表达式可以表示为:：

76、xk＝σ(layernorm(unconv2d(xk-1)))

77、其中，输入xk-1和输出xk形状均为(t,c,h,w)，σ表示sigmoid函数，unconv2d代表convtranspose2d。

78、进一步的，通过构建动态加权损失函数不断优化训练参数具体包括以下步骤：

79、根据太阳辐射强度设计的加权损失函数如下所示：

80、

81、其中：w(y)表示当辐射值为y的权重；

82、当w(y)＝1时，光伏发电效率较低；

83、当w(y)＝5时，光伏发电效率逐渐提高，可以产生相当数量的电力；

84、当w(y)＝20时，光伏系统效率高，发电量大；

85、当w(y)＝50时，光伏系统的效率达到峰值，输出功率最大；

86、根据短临预报模型输出的地表入射太阳辐射预测值与地表入射太阳辐射真实值建立损失函数的方法包括：使用的损失函数是加权均方误差(mse)和加权平均绝对误差(mae)的和，并通过乘以给定的权重w(y)，公式表达如下：

87、

88、其中，n表示每组序列的总长度，即n＝32；wn,i,j代表该组第n个序列数据像第i行第j列位置辐射值的权重，yn,i,j代表该组第n个序列数据第i行第j列位置辐射值，代表该组第n个序列数据第i行第j列位置辐射预测值。

89、有益效果：本发明使用高时空分辨率的卫星观测数据，预报未来一段时间的太阳辐射的区域分布及强度，本发明通过基于编码器-翻译器-解码器的短临预报模型，研究太阳辐射的空间分布特征随时间的变化，并使用符合气象标准的方法进行评估，以确保预测的高效性和准确性。