基于图的融合时空注意力的地表太阳辐射度预测方法.pdf

《基于图的融合时空注意力的地表太阳辐射度预测方法.pdf》由会员分享，可在线阅读，更多相关《基于图的融合时空注意力的地表太阳辐射度预测方法.pdf（13页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 202010653007.9 (22)申请日 2020.07.08 (71)申请人 国网河北省电力有限公司 地址 050021 河北省石家庄市富强大街32 号 申请人 国家电网有限公司 中国科学院计算机网络信息中心 天津弘源慧能科技有限公司 (72)发明人 尹瑞王珏张沛时珉王一峰 王铁强王晓光刘晓艳姚铁锤 王彦棡 (74)专利代理机构 北京亿腾知识产权代理事务 所(普通合伙) 11309 代理人 陈霁 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/。

2、04(2006.01) G06N 3/08(2006.01) G06F 111/08(2020.01) (54)发明名称 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 (57)摘要 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。

3、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。 权利要求书2页 说明书7页 附图3页 CN 111814398 A 2020.10.23 CN 111814398 A 1.一种基于图的融合时空注意力的地表太阳辐射度预测方法， 其特征在于， 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。

4、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。 2.根据权利要求1所述的方法， 其特征在于， 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。 3.根据权利要求2所述的方法， 其特征在于， 结点vi的空间嵌入表示为使用 one-hot编码时间到RT中,再通过两个全连接网络将特征映射到RD,tj时间步的时间嵌入表 示为：融合空间嵌入和时间嵌。

5、入， 得到结点vi在时间步tj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ER(P+Q)ND, 将用于时空注意力机制和变换注意力机制。 4.根据权利要求2或3所述的方法， 其特征在于， 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vi在时间步tj的隐藏态表示为：第l层的输出为Hl， 结点vi在时间步tj 的第l层的隐。

6、藏态输出为： 是 时 间 步 tj的 结 点 vi对 t 时 间 步 的 结 点 v 的 注 意 力 分 数 ， 5.根据权利要求4所述的方法， 其特征在于， 将隐藏状态和时空嵌入拼接起来计算(vi, tj)和(v,t)的相关性： |表示拼接操作， 表示向量a和向量b的内积， 2D表示向量a和向量b的维度； 通过对做softmax归一化， 将得到注意力分数 权利要求书 1/2 页 2 CN 111814398 A 2 利用公式(3)得到的注意力分数 代入公式(1)中将得到tj时间步的vi结点的融合时空 注意力的l层输出进而得到Hl,H0为X经两个全连接层后由RPNC映射到RPND的结果。 6.。

7、根据权利要求1所述的方法， 其特征在于， 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步骤中， 对于结点vi来说,其未 来时间步tj(tjtP+1,tP+Q)和历史时间步t(tt1,tP)的相关性通过该结点在tj 时刻的空间嵌入向量和t时刻的空间嵌入来衡量， d表示向量和的维度： 未来时间步tj对历史时间步t的注意力分数为经softmax归一化后的结果： 第l层Transform-attention结点vi在时间步tj(jP)的输出为第l-1层该结点在所有tZ)。 8.根据权利要求7所述的方法， 其特征在于，将经过两个全连接网络(f)。

8、映射 到RZND,然后被赋予一个权重(1-z),同时Transform-attention输出的P+1,P+Z时间步 特征被赋予权重z,和加权和的结果与Transform- attention输出的P+Z+1,P+Q时间步特征拼接将作为decoder的输入。 9.根 据 权 利 要 求 8 所 述 的 方 法 ，其 特 征 在 于 ，所 述 权 重 z 先 经 过 计算， 然后通过一个 (sigmoid)函数归一化到 (0,1)之间,通过对Wz,1， Wz,2， bz的训练， 达到了自适应调整z的目的。 权利要求书 2/2 页 3 CN 111814398 A 3 一种基于图的融合时空注意力的。

9、地表太阳辐射度预测方法 技术领域 0001 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 0002 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。

10、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 0003 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。 0004 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。

11、射度 预测方法， 该方法包括以下步骤： 0005 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； 0006 使用空间嵌入和时间嵌入来表示图结构和时间信息； 0007 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； 0008 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； 0009 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。 0010 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。

12、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。 0011优选地， 结点vi的空间嵌入表示为使用one-hot编码时间到RT中,再通过 两 个 全 连 接 网 络 将 特 征 映 射 到 R D , tj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vi在时间步tj的时空 说明书 1/7 页 4 CN 111814398 A 4 嵌入的表示：N个结点在(P+Q)的时间步里的STE表示为ER(P+Q)ND,将用 于时空注意力机制和变换注意力机制。 0012 优选地， 在所述使用。

13、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vi在时 间步tj的隐藏态表示为：第l层的输出为Hl， 结点vi在时间步tj的第l层的隐藏态输出 为： 0013 0014是 时 间 步 tj的 结 点 vi对 t 时 间 步 的 结 点 v 的 注 意 力 分 数 ， 0015 优选地， 将隐藏状态和时空嵌入拼接起来计算(vi,tj)和(v,t)的相关。

14、性： 0016 0017 |表示拼接操作， 表示向量a和向量b的内积， 2D表示向量a和向量b的维度； 0018通过对做softmax归一化， 将得到注意力分数 0019 0020 利用公式(3)得到的注意力分数 代入公式(1)中将得到tj时间步的vi结点的融合 时空注意力的l层输出进而得到Hl， H0为X经两个全连接层后由RPNC映射到RPND的结 果。 0021 优选地， 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步骤中， 对于结点vi来说,其未来时间步tj(tjtP+1,tP+Q) 和历史时间步t(tt1,tP)的相关性通过该。

15、结点在tj时刻的空间嵌入向量和t时 刻的空间嵌入来衡量， d表示向量和的维度： 0022 0023未来时间步tj对历史时间步t的注意力分数为经softmax归一化后的结果： 0024 0025 第l层Transform-attention结点vi在时间步tj(jP)的输出为第l-1层该结点在所 说明书 2/7 页 5 CN 111814398 A 5 有tZ)。 0028优选地， 所述将经过两个全连接网络(f)映射到RZND,然后被赋予一个 权重(1-z),同时Transform-attention输出的P+1,P+Z时间步特征被赋予 权重z,和加权和的结果与Transform-attenti。

16、on输出的P+Z+1,P+ Q时间步特征拼接将作为decoder的输入。 0029 0030优选地， 所述权重z先经过计算， 然后通 过一个 (sigmoid)函数归一化到(0,1)之间,通过对Wz,1， Wz,2， bz的训练， 达到了自适应调整 z的目的。 0031 0032 本发明的有益效果在于： 0033 1、 相比于仅考虑单点的时间相关性的辐射度预测方法， 本发明充分考虑了时空相 关性， 能够更准确的预测辐射度。 0034 2、 将SWR网格和实测站点嵌入到一个图中， 可以达到SWR网格和实测站点数据互相 更新校正的目的。 0035 3、 相比于单独的空间注意力机制和时间注意力机制，。

17、 融合时空的注意力机制考虑 了历史时刻周边结点对该结点当前时刻的影响。 0036 4、 根据站点辐射度实时获取， SWR网格滞后半小时获取的实际情况， 在decoder部 分加入未来半小时实测站点的真实辐射度能够更加准确的预测辐射度。 附图说明 0037 图1为本发明实施例提供的一种基于图的融合时空注意力的地表太阳辐射度预测 方法流程示意图； 0038 图2为实测站点和SWR网格的图嵌入示意图； 0039 图3为encoder、 decoder和Spatial-Temporal attention模块示意图； 0040 图4为Transform-attention和未来半小时实测站点辐射度的数。

18、据融合模块； 0041 图5为选取实测站点ABCDEF共6个实测站点及其周围的SWR网格构建图； 0042 图6为基于图的融合时空注意力机制的太阳辐射度预测方法的框架图。 说明书 3/7 页 6 CN 111814398 A 6 具体实施方式 0043 图1为本发明实施例提供的一种基于图的融合时空注意力的地表太阳辐射度预测 方法流程示意图； 如图1和图6所示， 该方法包括以下步骤： 0044 步骤一， 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。 0045 具体地， 使用SWR(Short Wave Radiation)产品和若干地面辐射度实测站点来。

19、构 建图。 SWR产品是由气象卫星葵花8号提供的分布于空间60N-60S,80E-160W,分辨率为0.05 0.05 的气象网格(如图2所示)。 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均作为图的结点。 图表示为G(V,E,A),V是N个结点的集合， E是边集， ARNN是邻接矩阵， 表示结点间相似性， 由结点在实际空间中的距离度量。 时间步t的图特 征为XtRNC,C为辐射度特征数。 本发明实施例通过对给定的N个结点P个时间步的辐射度 观 测 值来 预 测 未 来 Q 个 时 间 步 所 有 结 点 的 辐 射 度 0046 步骤二， 使用空间嵌入和时间嵌。

20、入来表示图结构和时间信息。 0047 空间嵌入是通过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 通过两个全连接神经网络将特征纬度变换到D维， 结点vi的空间嵌入表示为时间 嵌入是把每个时间步编码到向量中， 假设一天有T个时间步， 使用one-hot编码时间到RT中, 再 通 过 两 个 全 连 接 网 络 将 特 征 映 射 到 R D ,tj时 间 步 的 时 间 嵌 入 表 示 为 ： 为了捕捉各个结点间的动态相关性， 获得随时间变化的结 点表示， 融合空间嵌入和时间嵌入， 得到结点vi在时间步tj的时空嵌入(Spatial-Temporal Embedding,STE)。

21、的表示：N个结点在(P+Q)的时间步里的STE表示为ER(P +Q)ND,将用于时空注意力机制和变换注意力机制。 0048 步骤三， 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。 0049 具体地， 某个结点当前的辐射度受其自身历史时刻的辐射度影响也受其周围结点 当前和历史时刻的辐射度影响， 影响不同且影响会随时间变化。 本发明实施例使用融合时 空的注意力机制(spatial-temporal-attention)学习图中结点间的动态关联性。 本发明使 用encoder-decoder的结构， encoder和decoder均由L个spatial-temporal-attention堆。

22、叠 而成， 设第l个spatial-temporal-attention层的输入为H(l-1),结点vi在时间步tj的隐藏态 表示为：第l层的输出为Hl(如图3所示)， 结点vi在时间步tj的第l层的隐藏态输出为： 0050 0051是 时 间 步 tj的 结 点 vi对 t 时 间 步 的 结 点 v 的 注 意 力 分 数 ， 图的结构也会影响点间关联性， 所以将隐藏状态和时空嵌入拼 接起来计算(vi,tj)和(v,t)的相关性： 说明书 4/7 页 7 CN 111814398 A 7 0052 0053|表示拼接操作， 表示内积， 2D表示向量a和向量b的维度。 通过对 做softma。

23、x归一化， 将得到注意力分数 0054 0055 利用公式(3)得到的注意力分数 代入公式(1)中将得到tj时间步的vi结点的融合 时空注意力的l层输出进而得到Hl,当l0时， H0为X经两个全连接层后由RPNC映射到 RPND的结果。 0056 步骤四， 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。 0057 具体地， 在encoder和decoder中间加入变换注意力模块(Transform-attention) 通过时空嵌入来建模历史和未来的关系。 对于结点vi来说,其未来时间步tj(tjtP+1, tP+Q)和历史时间步t(。

24、tt1,tP)的相关性通过该结点在tj时刻的空间嵌入向量 和t时刻的空间嵌入来衡量， d表示向量和的维度： 0058 0059未来时间步tj对历史时间步t的注意力分数为经softmax归一化后的结 果： 0060 0061 第l层Transform-attention结点vi在时间步tj(jP)的输出为第l-1层该结点在所 有tZ) , 说明书 5/7 页 8 CN 111814398 A 8 将和Transform-attention输出的P+1,P+Z时间步特征经数据融合后与 Transform-attention输出的P+Z+1,P+Q时间步特征拼接一起作为 decoder的输入， 相当。

25、于给decoder提供了更多先验， 起到了增强学习的作用。和 将通过图4所示的数据融合模块完成数据融合。 0065将经过两个全连接网络(f)映射到RZND,然后被赋予一个权重(1-z),同 时被赋予权重z,和加权和的结果与拼 接将作为decoder的输入， 如公式7。 0066 0067 为 实 现 自 适 应 的 数 据 融 合 ， 需 要 自 适 应 调 整 z 。 其 中 权 重 z 先 经 过 计算， 然后通过一个 (sigmoid)函数归一化到 (0,1)之间,Wz,1， Wz,2， bz是可学习的参数矩阵， 经梯度下降法等优化算法对Wz,1， Wz,2， bz训练， 从而达到自适应。

26、调整z的目的。 训练过程中随着z的调整将对和产生 不同的偏好， 如公式8所示。 0068 0069 在一个具体的实施例中， 如图5所示， A、 B、 C、 D、 E、 F表示6个实测光伏站点， 可以选 取的SWR网格左上角至右下角共140个网格点， 所以构建的图G共有N146个结点。 辐射度数 据集选取上述146个结点在2018年7月1日-2018年12月31日半年逐15分钟的太阳辐射度。 每 天的数据剔除黑夜， 保留5:15-19:30的辐射度数据。 每天有58个时间步的数据， 共10672个 时间步的数据。 0070 本 实 施 例 通 过 对 给 定 的 N 个 结 点 P 个 时 间 。

27、步 的 辐 射 度 观 测 值 来预测未来Q个时间步所有结点的辐射度 N个结点在(P+Q)的时间步里的STE表示为ER(P +Q)ND， 将用于时空注意力和变换注意力机制。 0071 假设使用历史一小时辐射度预测未来两小时的辐射度， P4， Q8， Z2,指定D 64维 ,则时空嵌入ER (P + Q)ND为 ： ER1 21 4 66 4。 P个时间步的辐射度观测值 为： X(X1,X2,X3,X4)R41461， Q个时间步所有结点的辐射 度为： X作为encoder 的输入，作为decoder的输入来预测地表太阳辐射度 0072 本发明实施例的优点在于： 0073 1、 相比于仅考虑单点。

28、的时间相关性的辐射度预测方法， 本发明实施例充分考虑了 时空相关性， 能够更准确的预测辐射度。 说明书 6/7 页 9 CN 111814398 A 9 0074 2、 将SWR网格和实测站点嵌入到一个图中， 可以达到SWR网格和实测站点数据互相 更新校正的目的。 0075 3、 相比于单独的空间注意力机制和时间注意力机制， 融合时空的注意力机制考虑 了历史时刻周边结点对该结点当前时刻的影响。 0076 4、 根据站点辐射度实时获取， SWR网格滞后半小时获取的实际情况， 在decoder部 分加入未来半小时实测站点的真实辐射度能够更加准确的预测辐射度。 说明书 7/7 页 10 CN 111814398 A 10 图1 图2 说明书附图 1/3 页 11 CN 111814398 A 11 图3 图4 说明书附图 2/3 页 12 CN 111814398 A 12 图5 图6 说明书附图 3/3 页 13 CN 111814398 A 13 。