[发明专利]基于CNN-LSTM的短期太阳辐射预测方法及装置

权利要求书

1.一种基于CNN-LSTM的短期太阳辐射预测方法，其特征在于，包括：

(1)将目标站点和邻近站点作为样本站点，采集所述样本站点的气象参数和辐射数据；

(2)基于所有所述样本站点的气象参数组成二维矩阵，重构空间特征；包括：

(21)将所有样本站点待预测时刻的气象参数构成二维矩阵，每列表示所有站点的一种气象参数，每行表示一个站点的所有气象参数；所述二维矩阵的元素由下式表示：

f_i,j(i＝1,2,…,S；j＝1,2,…,F)

其中，S表示站点数量，F表示气象参数的数量，f_i,j表示第i个站点的第j个气象参数；

(22)特定的气象参数在不同的站点间存在第一相关性，具体表现为同一列中相邻两个元素之间的相关性，第一相关性corr₁定义如下：

corr₁＝g₁(f_i,j,f_i+1,j)

其中g₁(·)表示站点相关性函数；

同时，同一站点的不同气象参数之间存在第二相关性，具体表现为同一行相邻两个元素之间的相关性，第二相关性corr₂定义如下：

corr₂＝g₂(f_i,j,f_i,j+1)

其中g₂(·)表示气象参数相关性函数；第一相关性和第二相关性共同构成空间相关性；

(3)基于所有所述样本站点的历史太阳辐射序列重构时间特征；包括：

(31)将每个时间步的输入设置为所有样本站点在该时间步的辐射值；

(32)将所有样本站点的辐射序列按照时间步依次输入到LSTM部分中，以提取历史太阳辐射序列中的时间特征；

(4)将所述空间特征和所述时间特征分别作为CNN-LSTM混合模型的CNN部分和LSTM部分的输入，预测目标站点太阳总辐射。

2.根据权利要求1所述的方法，其特征在于，所述CNN-LSTM混合模型包括CNN部分和LSTM部分；将所述空间特征输入到CNN部分的卷积层中，经过池化层、平坦层和全连接层得到第一特征；将所述时间特征输入到LSTM部分的LSTM层中，经过全连接层后得到第二特征；将所述第一特征和所述第二特征通过concatenate操作融合，经过全连接层后得到最终的输出。

3.根据权利要求2所述的方法，其特征在于，步骤(4)包括：

(41)将重构的空间特征作为CNN部分的输入，以提取空间相关性；

(42)将重构的时间特征作为LSTM部分的输入，以提取时间相关性；

(43)将提取的空间相关性和时间相关性相融合，通过神经网络层来预测目标站点太阳总辐射。