基于图注意力机制的船载太阳辐照度区间时空预测.pdf

基于图注意力机制的船载太阳辐照度区间时空预测

摘要

随着化石燃料的日益枯竭，太阳能作为一种清洁低碳的能源，其发电技术在太阳能

船舶领域应用广泛。但太阳能船舶面临着比陆地光伏电站更复杂的气候条件，使得船载

太阳能发电预测极具挑战性。本文围绕船载太阳辐照度预测展开研究，采用基于上下限

估计方法生成预测区间来表征太阳能辐照度的不确定性，并提出了基于图注意力网络的

时空预测模型和针对特殊时间段内太阳辐照度的改进预测模型，实验表明模型整体预测

效果有所改善。

为了解决确定性预测无法有效反映太阳辐照度不确定性的问题，本文研究了一种基

于上下限估计方法的太阳能辐照度区间预测模型。该模型利用门控神经网络的非线性逼

近能力和记忆功能，能够有效地捕捉太阳辐照度的动态变化特征。由于区间预测模型难

以收敛导致模型预测精度低且训练时间长，针对这一问题，对区间预测模型的两种训练

方式进行对比，实验结果表明，相较于启发式算法，使用梯度下降算法训练模型综合指

标改善了25%，训练时间平均缩短35%。

针对传统的船载太阳辐照度预测模型未充分考虑航线附近气象站特征而导致的预

测精度低的问题，本文设计了一种结合图注意力网络和递归序列到序列模型的时空预测

模型，该模型通过融合航线周围气象站的有效特征提高了模型的预测精度，并对图注意

力网络中节点连接方式进行改进，实验结果表明，相较于星型连接，基于线型连接的模

型综合指标改善了14%。为了解决较远的气象站特征对模型预测精度影响较大的问题，

引入自注意力机制，对融合后特征中关联度高的气象站特征给予更大权重，实验结果表

明，本文提出的时空预测模型相较于其他模型具有较高的预测精度，综合指标改善了8%

以上。

通过对时空预测模型的全年预测结果统计分析，发现在每日的特定时间段内，模型

的预测区间覆盖率要低全时段平均覆盖率，区间宽度要高于全时段平均宽度，表明该时

间段的预测准确度较低。针对这一问题，采用一种加入时间注意力机制的递归序列到序

列模型，对特殊时间段内太阳辐照度重新预测，并将其与时空预测模型的结果结合，得

到修正后的太阳辐照度预测区间。实验结果表明，特殊时间段的修正模型综合指标改进

了17%，证明了改进模型的有效性。本文提出的改进时空预测模型在船载光伏发电预测

问题上有借鉴意义。

哈尔滨工程大学专业学位硕士学位论文

关键词：太阳辐照度预测；区间预测；图注意力网络；序列到序列模型；注意力机制

基于图注意力机制的船载太阳辐照度区间时空预测

Abstract

Withtheincreasingdepletionoffossilfuels,solarenergy,asacleanandlow-carbonenergy,

hasbeenwidelyusedinthefieldofsolarships.However,solarshipsfacemorecomplex

climaticconditionsthanterrestrialphotovoltaicpowerplants,makingthepredictionof

shipbornesolarpowergenerationextremelychallenging.Thisthesisfocusesontheprediction

ofshipbornesolarirradiance.Thepredictionintervalisgeneratedbasedontheupperandlower

boundestimationmethodtocharacterizetheuncertaintyofsolarirradiance.Aspatial-temporal

predictionmodelbasedongraphattentionnetworkandanimprovedpredictionmodelforsolar

irradianceinspecialtimeperiodsarepropose