[發明專利]基于編碼解碼器的深度學習多步長輻照度預測方法

在審

• 申請號: 202210492332.0
• 申請日: 2022-05-07
• 公開（公告）號: CN114781744A
• 公開（公告）日: 2022-07-22
• 發明（設計）人: 謝利萍;童俊龍;張晗津;張侃健;魏海坤
• 申請（專利權）人: 東南大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/04;G06N3/08
• 代理公司: 南京眾聯專利代理有限公司 32206
• 代理人: 張天哲

1.一種基于編碼解碼器的深度學習多步長輻照度預測方法，其特征在于，包括如下步驟：

S1，訓練數據獲取，獲取目標地區歷史輻照度數據及其對應的氣象數據，并根據預測任務制作監督數據集；

S2，數據預處理，包括氣象信息特征編碼以及數據歸一化；

S3，訓練編碼解碼器模型，利用讀取當前時段t₀～t_N的輻照度作為監督信息，以及t₀時刻之前的歷史輻照度和氣象信息作為輸入數據，訓練編碼解碼器模型；

S4，預測，將歷史數據輸入步驟S3訓練得到的編碼解碼器模型，預測未來多步太陽輻照度。

2.根據權利要求1所述的預測方法，其特征在于，所述步驟S1包括以下內容：

(1)獲取目標地區歷史輻照度數據及其對應的氣象數據，包括但不限于溫度，濕度，氣壓，風速；

(2)若歷史數據某一片段缺失或者不合法，則利用前后相鄰數據的均值代替，確保數據的連續性和真實性，以保證訓練數據的質量；

(3)匹配監督信息以制作監督數據集，通過讀取當前時段t₀～t_N的輻照度作為監督信息，匹配歷史輻照度與對應的氣象信息作為輸入信息，制作監督數據集。

3.根據權利要求1所述的預測方法，其特征在于，所述步驟S2具體包含以下內容：

(1)對輻照度對應的氣象信息進行編碼，利用one-hot編碼方式對天氣類型進行編碼，對數值型的信息采用數值本身作為編碼值；

(2)為保證訓練過程中模型梯度變化合理，需要對輸入數據進行歸一化操作，歸一化公式入下：

其中，a表示數據集中的特征，a′表示歸一化后的特征值，a_max和a_min分別表示歷史數據中該特征的最大值和最小值。

4.根據權利要求1所述的預測方法，其特征在于，所述步驟S3中編碼解碼器包括編碼器和解碼器，其中：

編碼器由時間卷積網絡TCN和長短期記憶網絡LSTM的串聯結構組成，由TCN負責獲取長序列輸入并保持時序依賴關系，壓縮后的短序列經過LSTM保持時序依賴；具體而言，編碼器首先通過TCN接收長序列輸入，網絡層數取決于輸入序列的長度，其次TCN提取的特征序列壓縮輸出到LSTM，最終LSTM的輸出作為編碼器的編碼輸出；

解碼器由長短期記憶網絡LSTM和多層感知機MLP的串聯結構組成，利用LSTM在時間上循環獲取多步長預測，并通過損失函數平衡多步輸出的性能；解碼器首先接收編碼器的輸出，由LSTM負責解碼，解碼后輸出到MLP，其中MLP用于與輸出維度匹配。

5.根據權利要求4所述的預測方法，其特征在于，所述編碼解碼器的特點如下：

(1)編碼器由TCN和LSTM級聯構成；TCN接收長序列輸入，多層提取特征后得到輸出序列，截取序列后段作為LSTM的輸入；

(2)解碼器由LSTM和MLP級聯構成；LSTM接收編碼器狀態，MLP用于LSTM輸出的維度匹配；

(3)TCN的每一層由TCN殘差塊構成，TCN殘差塊包含一個串聯模塊和殘差連接；該串聯模塊由兩組相同的空洞因果卷積層，權重歸一化層，ReLu激活單元以及丟棄層構成；

(4)通過設計損失函數，平衡多步長輸出的預測性能，其中損失函數設計如下：

其中K表示預測的步長數，loss_i表示第i個步長的輸出損失，α_i表示loss_i的權重，w表示模型的參數，β表示正則化系數。

6.根據權利要求4所述的預測方法，其特征在于，所述編碼解碼器的TCN和LSTM操作過程包含：

(1)空洞因果卷積操作通過下式表述：

其中*表示卷積操作，d表示空洞系數，χ表示輸入序列，s表示序列的一個元素，f表示卷積核，k表示卷積核的大小，s-d·i表示空洞卷積選擇的元素,F(s)表示空洞因果卷積的輸出；

(2)TCN殘差塊：

O₁＝dropout(ReLU(Norm(F(s))))，

O₂＝dropout(ReLU(Norm(O₁)))，

O_tcn＝s+O₂，

其中Norm表示權重歸一化，ReLU表示激活函數，dropout表示丟棄層；O_tcn表示TCN殘差塊的輸出，即TCN每一層的輸出；

(3)LSTM包括：

遺忘門f_t：

f_t＝sigmoid(W_ifx_t+b_if+W_hfh_t-1+b_hf)，

輸入門i_t：

i_t＝sigmoid(W_iix_t+b_ii+W_hih_t-1+b_hi)，

激活函數g_t：

g_t＝tanh(W_iix_t+b_ii+W_hih_t-1+b_hi)，

輸出門o_t：

o_t＝sigmoid(W_iox_t+b_io+W_hoh_t-1+b_ho)，

當前時刻對應記憶單元的狀態c_t：

LSTM輸出狀態h_t：

其中W_if和b_if分別表示遺忘門外部輸入的權重矩陣和偏置矩陣，W_hf和b_hf分別表示遺忘門隱藏狀態輸入的權重矩陣和偏置矩陣，W_ii和b_ii分別表示輸入門外部輸入的權重矩陣和偏置矩陣，W_hi和b_hi分別表示輸入門隱藏狀態輸入的權重矩陣和偏置矩陣，W_io和b_io分別表示輸出門外部輸入的權重矩陣和偏置矩陣，W_ho和b_ho分別表示輸出門隱藏狀態輸入的權重矩陣和偏置矩陣，f_t、i_t以及o_t分別為遺忘門、輸入門和輸出門在時刻t的輸出，h_t為時刻t的隱藏狀態，x_t為外部輸入。