基于迁移学习的太阳辐照度预测方法及预测系统与流程

1.本发明涉及太阳辐照度预测技术领域，具体涉及一种基于迁移学习的太阳辐照度预测方法及预测系统。


背景技术：

2.光伏发电与太阳辐照度密切相关，光伏发电的功率与太阳辐照度成正比，因此太阳辐照度是光伏发电的主要影响因素。但由于大气环境和天气条件的不稳定性，到达地面的直接和散射的太阳辐照度并不稳定，导致光伏发电存在波动性。为了减少光伏发电的不确定性，现有技术中，通过预测光伏发电设备的太阳辐照度以提前获知光伏设备的大致发电量，因此，准确预测太阳辐照度成为准确预测光伏发电量的前提。
3.目前，国内外关于太阳辐照度的预测主要分为经典统计方法和物理方法。经典统计方法如自回归积分移动平均法（arima）和多元线性回归分析预测法（mlr）可以有效地模拟太阳辐照度与气象参数等历史数据间的数学关系，但是，如果光伏发电设备安装点的历史太阳辐照度、气象参数等数据缺乏、缺失、不完整，通过这些历史数据构建的预测模型的鲁棒性较差。
4.物理方法以气象变量为基础，建立守恒方程，预测未来某一时刻的大气运动状态和天气现象。然而，通过物理方法建模存在建模复杂、参数求解复杂等问题，在短期或临时需要对太阳辐照度进行预测时，物理法建模难以适用。


技术实现要素：

5.本发明以区别于物理方法且解决当前太阳辐照度预测中因数据不足导致预测不够精确的问题为目的，提供了一种基于迁移学习的太阳辐照度预测方法及预测系统。
6.为达此目的，本发明采用以下技术方案：提供一种基于迁移学习的太阳辐照度预测方法，步骤包括：s1，采集目标地区和源地区若干天的历史太阳辐照度数据，并构建时序序列，分别记所述目标地区和所述源地区一天内的历史太阳辐照度数据时序序列为，，、分别表示时序序列、中的第个和第个太阳辐照度数据，、分别表示时序序列和中的元素个数，，，若干天的时序序列、分别构成目标数据集和源数据集；s2，对所述目标数据集和所述源数据集中的每个时序序列作数据归一化处理后采用ceemdan算法对每个时序序列、分别进行数据分解，得到每个时序序列对应的个分量以及每个时序序列对应的个分量；s3，对分解所述源数据集得到的每个所述分量进行数据重构，并将重构得到的数据划分为训练集和测试集，然后基于划分的所述训练集和所述测试集对每个所述分量构建单独的双向长短期记忆网络预测模型作为源模型；
s4，将每个所述源模型的模型参数迁移到预先构建的初始目标模型中，然后对分解所述目标数据集得到的每个所述分量进行数据重构，并将重构得到的数据划分为训练集和测试集分别输入到所述初始目标模型中进行模型参数优化调整后，输出分解所述目标数据集得到的每个所述分量对应的目标模型；s5，利用步骤s4得到的每个所述目标模型对输入数据分别进行太阳辐照度预测，输出每个所述目标模型对应的预测结果，然后将各所述目标模型输出的预测结果进行叠加后最终得到对所述输入数据的太阳辐照度预测结果。
7.作为本发明的一种优选方案，步骤s1中，采集所述目标地区连续30天的历史太阳辐照度数据。
8.作为本发明的一种优选方案，步骤s1中，采集所述源地区连续365天的历史太阳辐照度数据。
9.作为本发明的一种优选方案，采用平均绝对值误差、均方根误差、平均百分比误差、平均绝对比例误差评价方法中的任意一种或多种评价方法对各所述目标模型的预测精度进行评价。
10.本发明还提供了一种基于迁移学习的太阳辐照度预测系统，可实现所述的太阳辐照度预测方法，所述太阳辐照度预测系统包括：数据获取模块，用于获取目标地区和源地区若干天的历史太阳辐照度数据；时序序列构建模块，连接所述数据获取模块，用于按数据采集时间顺序将所获取的一天内的所述历史太阳辐照度数据构建为所述目标地区和所述源地区的历史太阳辐照度数据时序序列，分别记为，，、分别表示时序序列、中的第个和第个太阳辐照度数据，、分别表示时序序列和中的元素个数，，，若干天的时序序列、分别构成目标数据集和源数据集；数据归一化模块，连接所述时序序列构建模块，用于对所述目标数据集和所述源数据集中的每个时序序列作数据归一化处理；数据分解模块，连接所述数据归一化模块，用于采用ceemdan算法对归一化后的每个时序序列、分别进行数据分解，得到每个时序序列对应的个分量以及每个时序序列为对应的个分量；数据重构模块，连接所述数据分解模块，用于对分解所述源数据集以及分解所述目标数据集得到的每个所述分量进行数据重构，得到所述源数据集、所述目标数据集分别对应的重构数据；样本集划分模块，连接所述数据重构模块，用于将所述源数据集对应的重构数据划分为训练集和测试集，并用于将所述目标数据集对应的重构数据划分为训练集和测试集；样本集输入模块，连接所述样本集划分模块，用于对针对所述源数据集的重构数据划分的训练集和测试集输入给源模型构建模块；所述源模型构建模块，连接所述样本集划分模块，用于基于输入数据对分解所述源数据集得到的每个所述分量构建单独的双向长短期记忆网络预测模型作为源模型；
模型参数迁移模块，连接所述源模型构建模块，用于获取每个所述源模型的模型参数并迁移到预先构建的初始目标模型中；模型参数调整模块，连接所述样本集划分模块和所述模型参数迁移模块，用于以完成对所述初始目标模型的模型参数迁移为开始指令，将针对所述目标数据集的重构数据划分的训练集和测试集分别输入给完成模型参数迁移后的所述初始目标模型进行模型参数调整；目标模型输出模块，连接所述模型参数调整模块，用于输出完成模型参数调整后的分解所述时序序列得到的每个所述分量对应的目标模型；太阳辐照度预测模块，连接所述目标模型输出模块，用于利用每个所述目标模型对输入数据分别进行太阳辐照度预测并输出每个所述目标模型对应的预测结果，然后将各所述目标模型输出的预测结果进行叠加后最终得到对所述输入数据的太阳辐照度预测结果。
11.本发明具有以下有益效果：1、在采用ceemdan算法对目标地区和源地区的历史太阳辐照度数据时序序列、进行数据分解前，对时序序列、首先作数据归一化处理，有利于提升后续的太阳辐照度预测速度；2、采用ceemdan算法将归一化后的时序序列、对应分解为多个分量，并利用经模型参数迁移后得到的每个分量对应的目标模型对输入数据进行太阳辐照度预测，并最终将每个目标模型的太阳辐照度预测结果叠加为输入数据对应的太阳辐照度预测结果，其预测效果以及预测稳定性上相较于现有的太阳辐照度预测方法具有明显提升；3、通过迁移学习技术帮助目标模型获取源模型学习到的知识以提升自身模型的预测性能，解决了现有技术中因数据量不足太阳辐照度预测精度不高的问题。
附图说明
12.为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍。显而易见地，下面所描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
13.图1是本发明实施例提供的基于迁移学习的太阳辐照度预测方法的实现原理图；图2是本发明实施例采用的双向长短期记忆网络预测模型的网络结构图；图3是本发明实施例采用的基于迁移学习的太阳辐照度预测方法与现有的其他多种太阳辐照度预测方法的预测效果对比图；图4是本发明实施例提供的基于迁移学习的太阳辐照度预测方法的实现步骤图；图5是本发明实施例提供的基于迁移学习的太阳辐照度预测系统的结构示意图。
具体实施方式
14.下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
15.其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本
专利的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
16.本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若出现术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
17.在本发明的描述中，除非另有明确的规定和限定，若出现术语“连接”等指示部件之间的连接关系，该术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个部件内部的连通或两个部件的相互作用关系。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
18.本发明实施例提供的基于迁移学习的太阳辐照度预测方法，如图4和图1所示，包括如下步骤：步骤s1，采集目标地区（历史太阳辐照度数据量较少的待进行太阳辐照度预测的地区）和源地区（历史太阳辐照度数据量充足的地区）若干天的历史太阳辐照度数据，并构建时序序列，分别记目标地区一天内的历史太阳辐照度数据时序序列为，源地区一天内的历史太阳辐照度时序序列为，、分别表示时序序列、中的第个和第个太阳辐照度数据，、分别表示时序序列和中的元素个数，，，若干天的时序序列、分别构成目标数据集和源数据集；这里需要强调的是，时序序列、中的数据为同一天的历史太阳辐照度数据，时序序列、中的数据采集时间间隔优选为15分钟，即与的数据采集时间间隔优选为15分钟，由于目标地区的历史太阳辐照度数据量比较少，我们选取目标地区30天的历史太阳辐照度数据，即选取30个时序序列作为目标数据集，并选取源地区一年365天的历史太阳辐照度数据，即选取365个时序序列作为源数据集。
19.步骤s2，对目标数据集和源数据集中的每个时序序列作数据归一化处理（对时序序列作数据归一化的现有方法有许多，因此关于本实施例采用的具体的数据归一化方法在此不做说明），并采用ceemdan算法（完全自适应噪声集合经验模态分解）对归一化后的每个时序序列、分别进行数据分解，得到每个时序序列对应的个分量（包含个具有不同尺度的固有模态函数分量和1个剩余残差分量）以及每个时序序列对应的个分量（包含个具有不同尺度的固有模态函数分量和1个剩余残差分量）；这里的“不同尺度”指时序信号中局部两个连续过零点之间的时间宽度。
20.ceemdan算法分解时序序列、的过程可通过以下公式（1）和公式（2）表达：
公式（1）-（2）中，、分别表示ceemdan算法在时刻分解的时序序列和时序序列，、分别表示时刻分解时序序列得到的第个和第个固有模态函数分量；分别表示时刻分解时序序列得到的剩余残差分量，代表信号的直流分量或信号的趋势。经ceemdan算法的数据分解后，时序序列被分解为个分量，比如分别表示为、、
…
、、，其中，为分解得到的固有模态函数分量，为分解得到的剩余残差分量。同样地，时序序列被分解为个分量。
21.步骤s3，对分解源数据集得到的每个分量进行数据重构（重构方法为：将分量的数据维度转化为适于模型输入的数据维度），并将重构得到的数据划分为训练集和测试集（将重构得到的数据按8:2的比例划分为训练集和测试集），然后基于划分的训练集和测试集对每个分量构建单独的双向长短期记忆网络预测模型作为源模型，关于本实施例采用的双向长短期记忆网络预测模型的网络结构请参见附图2；这里需要说明的是，本实施例中，对分解源数据集得到的每个分量构建单独的双向长短期记忆网络预测模型，每个分量都包含原信号的不同时间尺度的局部特征信号且较原信号更加平稳，有利于提高预测精度。
22.步骤s4，将每个源模型的模型参数迁移到预先构建的初始目标模型中，然后对分解目标数据集得到的每个分量进行数据重构（重构方法为：将分量的数据维度转化为适于模型输入的数据维度），并将重构得到的关数据划分为训练集和测试集分别输入到初始目标模型中进行模型参数优化调整后，输出分解目标数据集得到的每个分量对应的目标模型；参数优化调整具体为在目标训练集上对目标模型进行训练，固定前面几层的参数，对最后两层全连接层进行微调。
23.步骤s5，利用步骤s4得到的每个目标模型对输入数据分别进行太阳辐照度预测，输出每个目标模型对应的预测结果，然后将各目标模型输出的预测结果进行叠加后最终得到对输入数据的太阳辐照度预测结果（预测结果叠加的现有方法有许多，因此对于本实施例具体采用的预测结果叠加方法在此不做说明）。
24.由于本发明的其中一个发明目的是通过迁移学习技术帮助目标模型获取源模型学习到的知识以提升自身模型的预测性能，因此步骤s1中采集的历史太阳辐照度时序序列的数据量比时序序列的数据量要来的多，我们选取目标地区30天的历史太阳辐照度数
据，即选取30个时序序列作为目标数据集，并选取源地区一年365天的历史太阳辐照度数据，即选取365个时序序列作为源数据集。
25.为了评价目标模型对太阳辐照度的预测性能，本发明实施例采用平均绝对值误差（mae）、均方根误差（rmse）、平均百分比误差（mape）、平均绝对比例误差（mase）评价方法中的任意一种或多种对各目标模型的预测性能进行评价。各个误差评价方法的评价过程通过以下公式（3）-（6）表达：（6）表达：（6）表达：（6）表达：公式（3）-（6）中，分别表示真实值和目标模型的预测值；分别表示第个真实值和第个目标模型的预测值；表示测试集的长度。
26.本实施例提供的基于迁移学习的太阳辐照度预测方法的步骤s4中，根据对初始目标模型的预测结果的误差评价，调整模型内部参数，达到最低预测误差，即平均绝对值误差（mae）、均方根误差（rmse）、平均百分比误差（mape）、平均绝对比例误差（mase）降到最低。为了对比传统机器学习和深度学习模型，实验选取一些模型进行测试，机器学习模型有极限学习机（elm）和反向传播神经网络（bpnn），深度学习模型有长短期记忆网络（lstm）、双向长短期记忆网络（bilstm）、emd算法结合双向长短期记忆网络（emd-bilstm）和ceemdan算法结合双向长短期记忆网络（ceemdan-bilstm），如下表1中的误差结果以及图3显示，对比传统机器学习和深度学习模型（表1中的elm模型、bpnn模型、lstm模型、bilstm模型、emd-bilstm模型、ceemdan-bilstm模型），本发明基于迁移学习训练的目标模型（表1中用“proposed”表示）预测误差更低，性能更好。图3中的“true”表示真实值。
27.表1本发明还提供了一种基于迁移学习的太阳辐照度预测系统，可实现上述的太阳辐照度预测方法，如图5所示，该太阳辐照度预测系统包括：数据获取模块，用于获取目标地区和源地区若干天的历史太阳辐照度数据；时序序列构建模块，连接数据获取模块，用于按数据采集时间顺序将所获取的一天内的历史太阳辐照度数据构建为目标地区和源地区的历史太阳辐照度数据时序序列，分别记为，，、分别表示时序序列、中的第个和第个太阳辐照度数据，、分别表示时序序列和中的元素个数，，，若干天的时序序列、分别构成目标数据集和源数据集；数据归一化模块，连接时序序列构建模块，用于对所述目标数据集和所述源数据集中的每个的时序序列作数据归一化处理；数据分解模块，连接数据归一化模块，用于采用ceemdan算法对归一化后的每个时序序列、分别进行数据分解，得到每个时序序列对应的个分量以及每个时序序列为对应的个分量；数据重构模块，连接数据分解模块，用于对分解源数据集以及分解目标数据集得到的每个分量进行数据重构，得到源数据集、目标数据集分别对应的重构数据；样本集划分模块，连接数据重构模块，用于将源数据集对应的重构数据划分为训练集和测试集，并用于将目标数据集对应的重构数据划分为训练集和测试集；样本集输入模块，连接样本集划分模块，用于将针对源数据集的重构数据划分的训练集和测试集输入给源模型构建模块；源模型构建模块，连接样本集划分模块，用于基于输入数据对分解源数据集得到的每个分量构建单独的双向长短期记忆网络预测模型作为源模型；模型参数迁移模块，连接源模型构建模块，用于获取每个源模型的模型参数并迁移到预先构建的初始目标模型中；模型参数调整模块，连接样本集划分模块和模型参数迁移模块，用于以完成对初始目标模型的模型参数迁移为开始指令，将针对目标数据集的重构数据划分的训练集和测试集分别输入给完成模型参数迁移后的初始目标模型进行模型参数调整；
目标模型输出模块，连接所述模型参数调整模块，用于输出完成模型参数调整后的分解所述时序序列得到的每个所述分量对应的目标模型；太阳辐照度预测模块，连接目标模型输出模块，用于利用每个目标模型对输入数据分别进行太阳辐照度预测并输出每个目标模型对应的预测结果，然后将各目标模型输出的预测结果进行叠加后最终得到对输入数据的太阳辐照度预测结果。
28.综上，本发明通过迁移学习技术帮助目标模型获取源模型学习到的知识以提升自身模型的预测性能，解决了现有技术中因数据量不足太阳辐照度预测精度不高的问题，且采用ceemdan算法将归一化后的时序序列、对应分解为多个分量，并利用经模型参数迁移后得到的每个分量对应的目标模型对输入数据进行太阳辐照度预测，并最终将每个目标模型的太阳辐照度预测结果叠加为输入数据对应的太阳辐照度预测结果，其预测效果以及预测稳定性上相较于现有的太阳辐照度预测方法具有明显提升。
29.需要声明的是，上述具体实施方式仅仅为本发明的较佳实施例及所运用技术原理。本领域技术人员应该明白，还可以对本发明做各种修改、等同替换、变化等等。但是，这些变换只要未背离本发明的精神，都应在本发明的保护范围之内。另外，本技术说明书和权利要求书所使用的一些术语并不是限制，仅仅是为了便于描述。