CN115689055B 一种短期太阳辐照度预测方法及装置 （河海大学）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN115689055B(45)授权公告日2025.07.01

(21)申请号202211463998.X

(22)申请日2022.11.22

(65)同一申请的已公布的文献号申请公布号CN115689055A

(43)申请公布日2023.02.03

(73)专利权人河海大学

地址210024江苏省南京市鼓楼区西康路1

号

(72)发明人臧海祥刘璟璇程礼临黄蔓云周亦洲韩海腾朱瑛陈胜孙国强卫志农

(51)Int.CI.

GO6Q10/04(2023.01)

G06Q50/06(2012.01)

H02J3/00(2006.01)

GO6N3/048(2023.01)

GO6F18/25(2023.01)

(56)对比文件

臧海祥等.基于ICEEMDAN-LSTM和残差注意力的短期太阳辐照度预测.太阳能学报.2023,第44卷(第12期),175-181页.

审查员耿梅

(74)专利代理机构南京苏高专利商标事务所

(普通合伙)32204专利代理师苏良

权利要求书3页说明书8页附图4页

(54)发明名称

一种短期太阳辐照度预测方法及装置

(57)摘要

CN115689055B本发明公开了一种短期太阳辐照度预测方法及装置，该预测方法包括：数据采集；利用ICEEMDAN算法，将原始辐照度序列分解为多尺度模态分量，合并多尺度模态分量，构建能够反映辐照度变化特性的多维辐射特征序列；基于多维辐射特征序列和多维气象特征序列，按照时间步构造二维辐射特征矩阵和二维气象特征矩阵；引入残差注意力机制对二维气象特征矩阵进行重构，得到新型气象特征矩阵；分别提取二维辐射特征矩阵和新型气象特征矩阵的时序特征，并进行融合；融合所得时序特征作为多层感知器的输

CN115689055B

数据采集

数据采集

原始辐射序列气象特征序列

ICEEMDAN残差注意力原始数据处理

不同模态分量新型气象特征

时序特征提取

堆叠LSTM堆叠LSTM

特征融合

多层感知器

预测结果

CN115689055B权利要求书1/3页

2

1.一种短期太阳辐照度预测方法，其特征在于，包括：

数据采集，包括辐射数据和气象数据，辐射数据为水平面总辐照度，包括辐照度序列，气象数据包括多维气象特征序列；

利用ICEEMDAN算法，将原始辐照度序列分解为多尺度模态分量，合并多尺度模态分量，构建能够反映辐照度变化特性的多维辐射特征序列；

基于多维辐射特征序列和多维气象特征序列，按照时间步构造二维辐射特征矩阵和二维气象特征矩阵；

引入残差注意力机制对二维气象特征矩阵进行重构，得到新型气象特征矩阵；

分别提取二维辐射特征矩阵和新型气象特征矩阵的时序特征，并进行融合；

融合所得时序特征作为多层感知器的输入，对短期太阳辐照度进行预测；

利用ICEEMDAN算法，对原始辐照度序列进行分解，包括：

定义原始辐照度序列为s;

基于序列s构造新的序列：

s1=s+a?E?(w3)

其中，s1为添加i组白噪声后所构造的新序列，w3为向序列s中添加的i组白噪声，E(·)表示由经验模态分解算法分解产生的k阶模态分量；

计算得到第一组残差R?:

R?=M(s)

其中，·表示对整体求平均；M(·)为基于经验模态分解算法所产生序列的局部均值；

计算得到第一个模态分量IMF?:

IMF?=s-R?

在得到的第一个模态分量IMF?的基础上，继续添加白噪声，利用局部均值分解计算第二组残差R?和第二个模态分量IMF?:

R?=M(R?+a?E?(w3))

IMF?=R?-R?

以此类推，第k组残差R和第k个模态分量IMF,为：

R=M(R?+ak-1E(w3))

IMF=Rk-1-R

重复上述残差和模态分量的计算过程，直至计算结束，得到所有的模态分量和最终的残差；

上式中的a表示为：

其中，ε?为首次添加的均值为0的高斯白噪声序列与被分析原始辐照度序列间信噪比的倒数；std表示标准差；

合并分解所得不同模式的模态分量和残差，得到能够反映辐照度变化特性的