一种分布式光伏电站的时空相关性模型构建方法及系统

1.本发明涉及光伏发电领域，尤其涉及一种分布式光伏电站的时空相关性模型构建方法及系统。


背景技术：

2.分布式光伏电站通常连接到中低压配电系统。分布式光伏电站的普及，使配电网变为有源系统。有了这种环保的可再生能源，配电系统的灵活性和可靠性可以大大提高。因此，近年来分布式光伏装机容量大大增加。然而，分布式光伏发电引入的随机性也将传统配电网的单向确定性潮流转变为双向随机潮流，给系统的经济稳定运行带来了巨大挑战。鉴于这些挑战和增长，分布式光伏发电功率预测模型的构建对于帮助运营商有效管理和规划配电系统至关重要。
3.与大型光伏电站不同，分布式光伏电站有很多接入点。每个接入点的容量通常很小，大多低于50mw或10mw。在这种情况下，越来越多的具有时空相关性的预测模型被提出。基于时空相关性模型的预测算法被广泛应用于多个领域，如太阳辐射度预测、边际价格预测、风电功率预测和负荷需求预测。此类算法的原理是基于时间序列数据的时空依赖性，利用多个站点之间的数据交换提高预测准确性。因此，这种算法可以描述为利用靠近目标位置的多个位置的历史数据来预测目标位置的未来状态。
4.基本上时空相关性建模方法可以分为两类：基于统计模型的建模方法和纯数据建模方法。传统的统计模型建模方法是使用统计模型的参数对不同位置的时空相关性进行建模。纯数据建模方法是利用数据挖掘和人工智能技术对时空相关性进行建模。
5.专利cn107437149a公开了一种光伏电站出力的确定性方法及系统，基于copula函数确定多个所述光伏电站出力的随机性分量的时空相关性模型；根据所述时空相关性模型，确定单个所述光伏电站出力的随机性分量；获取单个所述光伏电站出力的确定性分量；将所述光伏电站出力的随机性分量和所述光伏电站出力的确定性分量合成，得到所述光伏电站出力。此方案的时空相关性模型是基于copula函数的统计相关性模型，对于数学模型的依赖性较高，从而导致鲁棒性较差。


技术实现要素：

6.本发明要解决的技术问题就在于：针对现有技术存在的技术问题，本发明提供一种分布式光伏电站的时空相关性模型构建方法及系统，取消了对于数学模型的依赖性，对于预测模型具有良好的适用性。
7.为解决上述技术问题，本发明提出的技术方案为：
8.一种分布式光伏电站的时空相关性模型构建方法，包括以下步骤：
9.s1)获取所有光伏电站出力的历史数据，识别所述历史数据中的所有线性趋势段；
10.s2)对所述线性趋势段标准化后构建距离矩阵，对所述距离矩阵聚类得到线性趋势段模式；
11.s3)对每个线性趋势段模式用arima模型重建线性趋势时间序列数据；
12.s4)将所述历史数据转换为每个光伏电站的出力时间序列，根据所述线性趋势段和线性趋势段模式转换所述出力时间序列，得到空间相关模型；
13.s5)对所述空间相关模型建立自相关模型得到时空相关性模型。
14.进一步的，步骤s1)具体包括：
15.s11)获取所有光伏电站出力的历史数据，利用异常和旋转门数据压缩算法，处理历史数据的不良数据点并检测原始线性趋势；
16.s12)合并趋势方向相同的相邻线段；
17.s13)识别出具有轻微波动段的线性趋势，根据整体趋势确定所属的输出数据集。
18.进一步的，步骤s2)具体包括：
19.s21)对各线性趋势段的起点有功功率、终点有功功率和持续时间分别标准化；
20.s22)根据起点有功功率、终点有功功率和持续时间计算所有线性趋势段中每一对线性趋势段的欧几里德距离，得到线性趋势段的距离矩阵；
21.s23)用排序点识别集群结构算法对所述距离矩阵计算距离序列，根据所述距离序列对所有线性趋势段分组，每一组分别作为对应的线性趋势段模式。
22.进一步的，步骤s4)具体包括：
23.s41)根据每个光伏电站出力的历史数据表示对应的出力时间序列x
l
，表达式如下：
[0024][0025]
其中n是数据点的数量，t1至tn是数据点对应的时间，p1至pn是数据点对应的有功功率，l是光伏电站的序号；
[0026]
s42)根据各线性趋势段的起点和终点，将出力时间序列x
l
转换为线性趋势段时间序列l
l
，表达式如下：
[0027][0028]
其中表示第l个光伏电站的第m个线性趋势段，表示第l个光伏电站历史数据中第一个数据点的有功功率，表示第l个光伏电站历史数据中第n个数据点的有功功率，t1表示第l个光伏电站历史数据中第一个数据点的时间，tn是表示第l个光伏电站历史数据中第n个数据点的时间，表示第l个光伏电站的第一个线性趋势段起点有功功率，表示第l个光伏电站的第m个线性趋势段终点有功功率，表示第l个光伏电站的第m个线性趋势段持续时间；
[0029]
s43)根据线性趋势段对应的线性趋势段模式，将线性趋势段时间序列l
l
转换为线性趋势段模式序列lp
l
，表达式如下：
[0030]
[0031]
其中ltsp
il
表示第l个光伏电站历史数据中第i个数据点所属的线性趋势段模式；
[0032]
s44)在所有光伏电站的线性趋势段模式序列lp
l
中，提取相同时刻的线性趋势段模式组成序列，作为每个时间点的空间模式spi，表达式如下：
[0033][0034]
其中ltsp
il
表示第l个光伏电站历史数据中第i个数据点所属的线性趋势段模式，n
l
表示光伏电站总数；
[0035]
s45)统计空间模式数量，并且计算各种空间模式的频率，构建空间相关模型，表达式如下：
[0036][0037]
其中ltsp
il
表示第l个光伏电站历史数据中第i个数据点所属的线性趋势段模式，n
l
表示光伏电站总数，nj表示统计后的空间模式的数量，sc(
·
)表示每种空间模式的频率；
[0038]
s46)根据空间模式的序列重构空间相关模型，得到：
[0039][0040]
其中si是空间相关模型中各空间模式的矩阵行号，i≥1且i≤n。
[0041]
进一步的，步骤s5)包括：用apriori算法记录空间相关模型中目标空间模式的概率，然后计算新的空间模式在目标空间模式出现后的概率，作为空间模式的自相关概率，表达式如下：
[0042][0043]
其中si是空间相关模型中各空间模式的矩阵行号，p(si…si k-2
|s
i k-1
)表示统计后的第i k-1个空间模式在统计后的第i至i k-2个空间模式出现后的概率，sc(
·
)是对应频繁k项集的频次，n
t
是频繁k项集的个数，频繁k项集记录了统计后的第i至i k-1个空间模式的频率，i≥1且i k-1≤n。
[0044]
本发明还提出一种分布式光伏电站的时空相关性模型构建系统，包括：
[0045]
线性趋势段识别模块，用于获取所有光伏电站出力的历史数据，识别所述历史数据中的所有线性趋势段；
[0046]
聚类模块，用于对所述线性趋势段标准化后构建距离矩阵，对所述距离矩阵聚类得到线性趋势段模式；
[0047]
重构模块，用于对每个线性趋势段模式用arima模型重建线性趋势时间序列数据；
[0048]
空间相关模型构建模块，用于将所述历史数据转换为每个光伏电站的出力时间序列，根据所述线性趋势段和线性趋势段模式转换所述出力时间序列，得到空间相关模型；
[0049]
时空相关性模型构建模块，用于对所述空间相关模型建立自相关模型得到时空相
关性模型。
[0050]
进一步的，所述线性趋势段识别模块具体用于：
[0051]
获取所有光伏电站出力的历史数据，利用异常和旋转门数据压缩算法，处理历史数据的不良数据点并检测原始线性趋势；
[0052]
合并趋势方向相同的相邻线段；
[0053]
识别出具有轻微波动段的线性趋势，根据整体趋势确定所属的输出数据集。
[0054]
进一步的，所述聚类模块具体用于：
[0055]
对各线性趋势段的起点有功功率、终点有功功率和持续时间分别标准化；
[0056]
根据起点有功功率、终点有功功率和持续时间计算所有线性趋势段中每一对线性趋势段的欧几里德距离，得到线性趋势段的距离矩阵；
[0057]
用排序点识别集群结构算法对所述距离矩阵计算距离序列，根据所述距离序列对所有线性趋势段分组，每一组分别作为对应的线性趋势段模式。
[0058]
进一步的，所述空间相关模型构建模块具体用于：
[0059]
根据每个光伏电站出力的历史数据表示对应的出力时间序列x
l
，表达式如下：
[0060][0061]
其中n是数据点的数量，t1至tn是数据点对应的时间，p1至pn是数据点对应的有功功率，l是光伏电站的序号；
[0062]
根据各线性趋势段的起点和终点，将出力时间序列x
l
转换为线性趋势段时间序列l
l
，表达式如下：
[0063][0064]
其中表示第l个光伏电站的第m个线性趋势段，表示第l个光伏电站历史数据中第一个数据点的有功功率，表示第l个光伏电站历史数据中第n个数据点的有功功率，t1表示第l个光伏电站历史数据中第一个数据点的时间，tn是表示第l个光伏电站历史数据中第n个数据点的时间，表示第l个光伏电站的第一个线性趋势段起点有功功率，表示第l个光伏电站的第m个线性趋势段终点有功功率，表示第l个光伏电站的第m个线性趋势段持续时间；
[0065]
根据线性趋势段对应的线性趋势段模式，将线性趋势段时间序列l
l
转换为线性趋势段模式序列lp
l
，表达式如下：
[0066][0067]
其中ltsp
il
表示第l个光伏电站历史数据中第i个数据点所属的线性趋势段模式；
[0068]
在所有光伏电站的线性趋势段模式序列lp
l
中，提取相同时刻的线性趋势段模式组成序列，作为每个时间点的空间模式spi，表达式如下：
[0069][0070]
其中ltsp
il
表示第l个光伏电站历史数据中第i个数据点所属的线性趋势段模式，n
l
表示光伏电站总数；
[0071]
统计空间模式数量，并且计算各空间模式频率，构建空间相关模型，表达式如下：
[0072][0073]
其中ltsp
il
表示第l个光伏电站历史数据中第i个数据点所属的线性趋势段模式，n
l
表示光伏电站总数，nj表示统计后的空间模式的数量，sc(
·
)表示空间模式的频率；
[0074]
根据空间模式的序列重构空间相关模型，得到：
[0075][0076]
其中si是空间相关模型中各空间模式的矩阵行号，i≥1且i≤n。
[0077]
进一步的，所述时空相关性模型构建模块具体用于：用apriori算法记录空间相关模型中目标空间模式的概率，然后计算新的空间模式在目标空间模式出现后的概率，作为空间模式的自相关概率，表达式如下：
[0078][0079]
其中si是空间相关模型中各空间模式的矩阵行号，p(si…si k-2
|s
i k-1
)表示统计后的第i k-1个空间模式在统计后的第i至i k-2个空间模式出现后的概率，sc(
·
)是对应频繁k项集的频次，n
t
是频繁k项集的个数，频繁k项集记录了统计后的第i至i k-1个空间模式的频率，i≥1且i k-1≤n。
[0080]
与现有技术相比，本发明的优点在于：
[0081]
1.相较于统计参数模型(如基于copula函数的统计相关性模型)，由于采用了聚类和apriori算法，相关性模型主要与数据的分布和排序相关，因此取消了对于数学模型的依赖性，提升了模型的鲁棒性；
[0082]
2.相较于纯数据模型，由于对于每一个类别都能够通过簇心的属性描述其波动特性，因此提升了物理可解释性，对于预测模型具有良好的适用性；
[0083]
3.在建模的过程中，空间模式的序列能够直接解耦为各个分布式光伏电站的模式序列，充分考虑了隐私，本地用户在提取时空相关性知识时，只需要本地的信息，因此不会涉及到侵犯他人隐私的问题，适用于各种分布式及分散式模型。
附图说明
[0084]
图1为本发明实施例一的总体框架图。
[0085]
图2为本发明实施例一的步骤示意图。
[0086]
图3为本发明实施例一中识别线性趋势的示意图。
[0087]
图4为本发明实施例二中各功能模块连接关系示意图。
具体实施方式
[0088]
以下结合说明书附图和具体优选的实施例对本发明作进一步描述，但并不因此而限制本发明的保护范围。
[0089]
实施例一
[0090]
如图1所示，本方案的构思为：对多个分布式光伏电站的出力时空相关特性进行建模。开发的模型只需要历史光伏发电数据。首先利用一种线性趋势识别算法，以检测多个分布式光伏电站的空间波动序列，在此基础上建立时空相关性模型。
[0091]
基于此方案构思，如图2所示，本实施例提出一种基于时空相关性模型的分布式光伏电站日前出力预测方法，具体步骤包括：
[0092]
s1)获取所有光伏电站出力的历史数据，识别所述历史数据中的所有线性趋势段；
[0093]
s2)对所述线性趋势段标准化后构建距离矩阵，对所述距离矩阵聚类得到线性趋势段模式；
[0094]
s3)对每个线性趋势段模式用arima模型重建线性趋势时间序列数据；
[0095]
s4)将所述历史数据转换为每个光伏电站的出力时间序列，根据所述线性趋势段和线性趋势段模式转换所述出力时间序列，得到空间相关模型；
[0096]
s5)对所述空间相关模型建立自相关模型得到时空相关性模型。
[0097]
通过上述步骤，本实施例的时空相关性模型基于对历史数据的统计和聚类得到，相较于模型驱动的预测方法，取消了对于数学模型的依赖性，提升了模型的鲁棒性；相较于纯数据驱动的预测方法，在提升预测精度的同时保证了预测方法的物理可解释性，基于本实施例的时空相关性模型，本地用户在提取时空相关性知识时，只需要本地的信息，因此不会涉及到侵犯他人隐私的问题，适用于各种分布式及分散式模型。
[0098]
以下对于上述各步骤进行详细说明
[0099]
本实施例的步骤s1)采用参数和分辨率自适应(parameter and resolution adaptive algorithm,praa)算法识别历史数据的线性趋势段(linear trend segments,ltss)，参数和分辨率自适应算法步骤如下：
[0100]
s11)获取所有光伏电站出力的历史数据，利用异常和旋转门数据压缩算法，处理历史数据的不良数据点并检测原始线性趋势；
[0101]
s12)合并趋势方向相同的相邻线段；
[0102]
s13)识别出具有轻微波动段的线性趋势，根据整体趋势确定所属的输出数据集，如图3所示，从样本点125到163，整个光伏出力是上下波动的，但是整体趋势是向下进行的，因此，根据该整体趋势，将其归属于对应的praa输出数据集。
[0103]
具体的，praa的输出数据集可以分为三组：up-ltss集、down-ltss集和interval-ltss集，其中interval-lts集合包括up-lts(down-lts)和down-lts(up-lts)之间的ltss，因此本实施例的步骤s2)利用排序点识别集群结构(ordering points to identify the cluster structure,optics)算法将上述三类ltss进行聚类得到ltss模式，具体包括：
[0104]
s21)对各线性趋势段的起点有功功率、终点有功功率和持续时间分别标准化，本
实施例用起点/终点的有功功率和持续时间来描述lts，这些参数被标准化为：
[0105][0106]
上式中，x分别表示当前ltss起点的有功功率p
s,i
、或终点的有功功率p
e,i
、或持续时间d
u,i
，x
mid
表示所有ltss起点的有功功率、或终点的有功功率、或持续时间的中位数，a
sd
表示绝对标准差，m是ltss的个数，x
ii
表示第ii个ltss起点的有功功率p
s,i
、或终点的有功功率p
e,i
、或持续时间d
u,i
；
[0107]
s22)根据起点有功功率、终点有功功率和持续时间计算所有线性趋势段中每一对线性趋势段的欧几里德距离，得到线性趋势段的距离矩阵，计算公式如下：
[0108][0109]
上式中，i、j分别表示ltss的序号，p
s,i
表示第i个ltss起点的有功功率，p
e,i
表示第i个ltss终点的有功功率，d
u,i
表示第i个ltss持续时间，p
s,j
表示第j个ltss起点的有功功率，p
e,j
表示第j个ltss终点的有功功率，d
u,j
表示第j个ltss持续时间；
[0110]
s23)用排序点识别集群结构算法对所述距离矩阵计算距离序列，根据所述距离序列对所有线性趋势段分组，每一组分别作为对应的线性趋势段模式，具体的，获得了m个ltss的距离矩阵之后，采用optics方法进行聚类。通过optics得到的距离序列，将m个ltss划分为n个簇，这在本实施例的方法中被定义为ltss模式，通常ltss模式可以被描述为一组具有相似幅度和持续时间的ltss。
[0111]
本实施例中，步骤s3)对每个线性趋势段模式用arima模型重建线性趋势时间序列数据，计算公式为：
[0112]
p
t
＝a1p
t-1
a2p
t-2

…au
p
t-u
ε
t
b1ε
t-1

…
bwε
t-w
ꢀꢀꢀ
(3)
[0113]
上式中，a1到au是ar系数，b1到bw是ma系数，ε
t
是高斯分布白噪声，p
t
到p
t-u
为历史数据中t时刻到t-u时刻的光伏功率值；
[0114]
对每个ltss模式用式(3)重建后，第i个ltss模式的arima模型可以表述为arima(ui,vi,wi)，其中ui为自回归项数，wi为滑动平均项数，vi是保证时间序列数据平稳性的差分顺序。
[0115]
本实施例中，步骤s4)具体包括以下步骤：
[0116]
s41)根据每个光伏电站出力的历史数据表示对应的出力时间序列x
l
，每个光伏电站出力时间序列表达式如下：
[0117][0118]
上式中，n是历史数据中数据点的数量，t1至tn是数据点对应的时间，p1至pn是数据点对应的有功功率，l是光伏电站的序号；
[0119]
s42)根据各线性趋势段的起点和终点，将出力时间序列x
l
转换为线性趋势段时间序列l
l
，表达式如下：
[0120][0121]
上式中，表示第l个光伏电站的第m个线性趋势段，表示第l个光伏电站历史数据中第一个数据点的有功功率，表示第l个光伏电站历史数据中第n个数据点的有功功率，t1表示第l个光伏电站历史数据中第一个数据点的时间，tn是表示第l个光伏电站历史数据中第n个数据点的时间，表示第l个光伏电站的第一个线性趋势段起点有功功率，表示第l个光伏电站的第m个线性趋势段终点有功功率，表示第l个光伏电站的第m个线性趋势段持续时间；
[0122]
s43)根据线性趋势段对应的线性趋势段模式，将线性趋势段时间序列l
l
转换为线性趋势段模式序列lp
l
，表达式如下：
[0123][0124]
上式中，ltsp
il
表示第l个光伏电站历史数据中第i个数据点所属的线性趋势段模式，n是数据点的总数；
[0125]
s44)在所有光伏电站的线性趋势段模式序列lp
l
中，提取相同时刻的线性趋势段模式组成序列，作为每个时间点的空间模式spi，表达式如下：
[0126][0127]
上式中，ltsp
il
表示第l个光伏电站历史数据中第i个数据点所属的线性趋势段模式，n
l
表示光伏电站总数；
[0128]
s45)统计空间模式数量，并且计算各种空间模式的频率，构建空间相关模型，表达式如下：
[0129][0130]
上式中，ltsp
il
表示第l个光伏电站历史数据中第i个数据点所属的线性趋势段模式，n
l
表示光伏电站总数，nj表示统计后的空间模式的数量，sc(
·
)表示每种空间模式的频率；
[0131]
例如，5个站点和3个数据点下，空间模式有：
[0132]
1 1 2 2 3
[0133]
1 1 2 2 3
[0134]
2 2 1 1 3
[0135]
存在两种空间模式，则统计后的空间模式的数量为2，每个第一种空间模式的频率为2/3，第二种空间模式的频率为1/3；
[0136]
s46)根据空间模式的序列重构空间相关模型，得到所有光伏电站的线性趋势段模
式，表达式如下：
[0137][0138]
上式中，si是空间相关模型中各空间模式的矩阵行号，i≥1且i≤n，n是数据点的总数。
[0139]
例如，5个站点和3个数据点下，空间模式有：
[0140]
1 1 2 2 3
[0141]
1 1 2 2 3
[0142]
2 2 1 1 3
[0143]
则根据式(9)转换为：1 1 2。
[0144]
一旦得到式(8)所示的空间相关模型，时空相关模型就是基于式(9)应用apriori算法，开发空间模式的自相关模型，apriori是一种关联规则挖掘算法，它生成频繁k集，频繁k集记录了{si,
…
,s
i k-1
}的频率，其中i≥1且i k-1≤n，因此本实施例中的步骤s5)具体包括：用apriori算法记录空间相关模型中目标空间模式的概率，然后计算新的空间模式在目标空间模式出现后的概率，作为空间模式的自相关概率，表达式如下：
[0145][0146]
上式中，si是空间相关模型中各空间模式的矩阵行号，p(si…si k-2
|s
i k-1
)表示统计后的第i k-1个空间模式在统计后的第i至i k-2个空间模式出现后的概率，sc(
·
)是对应频繁k项集的频次，n
t
是频繁k项集的个数，频繁k项集记录了统计后的第i至i k-1个空间模式的频率，i≥1且i k-1≤n。
[0147]
本实施例所构建的时空相关性模型是一种统计和数据混合时空相关性模型，相较于统计参数模型(如基于copula函数的统计相关性模型)，取消了对于数学模型的依赖性，提升了模型的鲁棒性；相较于纯数据模型，提升了物理可解释性，对于预测模型具有良好的适用性。
[0148]
实施例二
[0149]
本实施例基于实施例一，提出一种分布式光伏电站的时空相关性模型构建系统，如图4所示，包括：
[0150]
线性趋势段识别模块，用于获取所有光伏电站出力的历史数据，识别所述历史数据中的所有线性趋势段；
[0151]
聚类模块，用于对所述线性趋势段标准化后构建距离矩阵，对所述距离矩阵聚类得到线性趋势段模式；
[0152]
重构模块，用于对每个线性趋势段模式用arima模型重建线性趋势时间序列数据；
[0153]
空间相关模型构建模块，用于将所述历史数据转换为每个光伏电站的出力时间序列，根据所述线性趋势段和线性趋势段模式转换所述出力时间序列，得到空间相关模型；
[0154]
时空相关性模型构建模块，用于对所述空间相关模型建立自相关模型得到时空相关性模型。
[0155]
本实施例中，线性趋势段识别模块实现实施例一步骤s1)的功能，具体用于：
[0156]
获取所有光伏电站出力的历史数据，利用异常和旋转门数据压缩算法，处理历史数据的不良数据点并检测原始线性趋势；
[0157]
合并趋势方向相同的相邻线段；
[0158]
识别出具有轻微波动段的线性趋势，根据整体趋势确定所属的输出数据集。
[0159]
本实施例中，聚类模块实现实施例一步骤s2)的功能，具体用于：
[0160]
对各线性趋势段的起点有功功率、终点有功功率和持续时间分别标准化；
[0161]
根据起点有功功率、终点有功功率和持续时间计算所有线性趋势段中每一对线性趋势段的欧几里德距离，得到线性趋势段的距离矩阵；
[0162]
用排序点识别集群结构算法对所述距离矩阵计算距离序列，根据所述距离序列对所有线性趋势段分组，每一组分别作为对应的线性趋势段模式。
[0163]
本实施例中，重构模块实现实施例一步骤s3)的功能，具体用于：对每个线性趋势段模式用arima模型重建线性趋势时间序列数据，计算公式如实施例一中式(3)所示；
[0164]
对每个ltss模式用式(3)重建后，第i个ltss模式的arima模型可以表述为arima(ui,vi,wi)，其中vi是保证时间序列数据平稳性的差分顺序。
[0165]
本实施例中，空间相关模型构建模块实现实施例一步骤s4)的功能，具体用于：
[0166]
根据每个光伏电站出力的历史数据表示对应的出力时间序列x
l
，表达式如实施例一中式(4)所示；
[0167]
根据各线性趋势段的起点和终点，将出力时间序列x
l
转换为线性趋势段时间序列l
l
，表达式如实施例一中式(5)所示；
[0168]
根据线性趋势段对应的线性趋势段模式，将线性趋势段时间序列l
l
转换为线性趋势段模式序列lp
l
，表达式如实施例一中式(6)所示；
[0169]
在所有光伏电站的线性趋势段模式序列lp
l
中，提取相同时刻的线性趋势段模式组成序列，作为每个时间点的空间模式spi，表达式如实施例一中式(7)所示；
[0170]
统计空间模式数量，并且计算各空间模式频率，构建空间相关模型，表达式如实施例一中式(8)所示；
[0171]
根据空间模式的序列重构空间相关模型，表达式如实施例一中式(9)所示。
[0172]
本实施例中，时空相关性模型构建模块实现实施例一步骤s5)的功能，具体用于：
[0173]
用apriori算法记录空间相关模型中目标空间模式的概率，然后计算新的空间模式在目标空间模式出现后的概率，作为空间模式的自相关概率，表达式如实施例一中式(10)所示
[0174]
上述只是本发明的较佳实施例，并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明。因此，凡是未脱离本发明技术方案的内容，依据本发明技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均应落在本发明技术方案保护的范围内。