【技術實現步驟摘要】
本公開涉及氣象預報，特別涉及一種沙塵天氣太陽輻照度組合預報方法、系統及存儲介質。
技術介紹
1、目前主要采用cma、ecwmf等數值模式，結合機器學習等統計及動力降尺度釋用技術，對光伏電站發電條件太陽輻照度等氣象要素進行預報，但是在光伏發電設備在天氣沙塵場景下，太陽輻照度預報存在較大偏差。
2、由于受限于某些區域的太陽能發電基地地面氣象觀測站點稀疏、存在分布不均勻且數量不足等問題，缺乏pm10等沙塵天氣輸送的大氣污染物定量觀測數據，無法有效利用pm10等站點觀測數據及經驗模型對沙塵天氣條件下光伏發電集群的太陽輻照度情況進行更為準確的估算，導致受到沙塵顆粒物影響下光伏電站密集分布區域太陽輻照度預報出現較大偏差，光伏電站出力偏低。
技術實現思路
1、本公開提供一種沙塵天氣太陽輻照度組合預報方法、系統及存儲介質，用以解決現有沙塵天氣下太陽輻照度預報不精準導致光伏發電出力偏低的問題。
2、本公開提供一種沙塵天氣太陽輻照度組合預報方法，包括：
3、獲取氣象站觀測數據和沙塵監測數據；
4、將所述氣象站觀測數據和沙塵監測數據輸入至預訓練的太陽輻照度預報模型；
5、通過所述太陽輻照度預報模型對所述氣象站觀測數據和沙塵監測數據進行處理，構建多個獨立的長短期記憶網絡子預報模型；
6、將多個長短期記憶網絡子預報模型的預報結果累積求和進行重構，得到沙塵天氣下太陽輻照度短臨預報值；
7、其中，所述太陽輻照度預報模型是將氣象站
8、根據本公開提供的一種沙塵天氣太陽輻照度組合預報方法，所述太陽輻照度預報模型是將氣象站觀測數據和沙塵監測數據作為輸入，對預獲取的太陽輻照度觀測值經過變分模態分解后作為輸出基于長短期記憶網絡進行訓練得到的，具體包括：
9、獲取歷史氣象站觀測數據、沙塵監測數據和太陽輻照度觀測時間序列；
10、對所述太陽輻照度觀測時間序列通過變分模態分解方法進行分解，對所述氣象站觀測數據和沙塵監測數據進行預處理；
11、基于預處理后的氣象站觀測數據和沙塵監測數據以及變分模態分解后的太陽輻照度觀測時間序列對預設的長短期記憶網絡進行訓練，得到多變量多步太陽輻照度預測模型。
12、根據本公開提供的一種沙塵天氣太陽輻照度組合預報方法，所述對所述太陽輻照度觀測時間序列通過變分模態分解方法進行分解，具體包括：
13、基于所述太陽輻照度觀測時間序列通過變分模態分解方法構造約束變分問題，建立約束變分模型；
14、基于所述約束變分模型引入懲罰因子和拉格朗日算子，將約束變分問題轉換為非約束變分問題，通過乘法算子交替方向法求解變分問題，分解提取各本征模態函數和中心頻率。
15、根據本公開提供的一種沙塵天氣太陽輻照度組合預報方法，所述對所述氣象站觀測數據和沙塵監測數據進行預處理，具體包括：
16、對所述氣象站觀測數據進行缺失值填補，能見度單位轉換以及靜止風觀測數據置零；
17、基于監測站點經緯度位置信息對所述沙塵監測數據進行臨近插值得到站點沙塵分數數據。
18、根據本公開提供的一種沙塵天氣太陽輻照度組合預報方法，所述基于預處理后的氣象站觀測數據和沙塵監測數據以及變分模態分解后的太陽輻照度觀測時間序列對預設的長短期記憶網絡進行訓練，得到多變量多步太陽輻照度預測模型，具體包括：
19、基于預處理后的氣象站觀測數據和沙塵監測數據以及變分模態分解后的太陽輻照度觀測時間序列構建訓練數據集和測試數據集；
20、基于所述訓練數據集對預設的長短期記憶網絡進行訓練，以太陽輻照度觀測時間序列數據變分模態分解得到的多個本征模態函數作為預測標簽；
21、基于各個本征模態函數構建獨立的長短期記憶網絡子預報模型，將長短期記憶網絡子預報模型進行組合重構，得到多變量多步太陽輻照度預測模型。
22、根據本公開提供的一種沙塵天氣太陽輻照度組合預報方法，所述基于預處理后的氣象站觀測數據和沙塵監測數據以及變分模態分解后的太陽輻照度觀測時間序列構建訓練數據集和測試數據集，具體包括：
23、基于變分模態分解后的太陽輻照度觀測時間序列設置時間序列數據滑動窗口參數試驗；
24、通過預設的網格搜索方法分別按照設定數值為劃窗大小，對比訓練效果和測試效果，選取模型最優滑動窗口參數值，完成訓練數據集和測試數據集的構建。
25、本公開還提供一種沙塵天氣太陽輻照度組合預報系統，所述系統包括：
26、數據獲取模塊，用于獲取氣象站觀測數據和沙塵監測數據；
27、數據輸入模塊，用于將所述氣象站觀測數據和沙塵監測數據輸入至預訓練的太陽輻照度預報模型；
28、預報子模塊，用于通過所述太陽輻照度預報模型對所述氣象站觀測數據和沙塵監測數據進行處理，構建多個獨立的長短期記憶網絡子預報模型；
29、輻照度預測模塊，用于將多個長短期記憶網絡子預報模型的預報結果累積求和進行重構，得到沙塵天氣下太陽輻照度短臨預報值；
30、其中，所述太陽輻照度預報模型是將氣象站觀測數據和沙塵監測數據作為輸入，對預獲取的太陽輻照度觀測值經過變分模態分解后作為輸出基于長短期記憶網絡進行訓練得到的。
31、本公開還提供一種電子設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執行所述程序時實現如上述任一種所述沙塵天氣太陽輻照度組合預報方法。
32、本公開還提供一種非暫態計算機可讀存儲介質，其上存儲有計算機程序，該計算機程序被處理器執行時實現如上述任一種所述沙塵天氣太陽輻照度組合預報方法。
33、本公開還提供一種計算機程序產品，包括計算機程序，所述計算機程序被處理器執行時實現如上述任一種所述沙塵天氣太陽輻照度組合預報方法。
34、本公開提供的一種沙塵天氣太陽輻照度組合預報方法、系統及存儲介質，通過對沙塵天氣條件下pm2.5等大氣污染物觀測站稀疏區域，采用變分模態分解方法和長短期記憶網絡組合方法對太陽輻照度預報進行建模預報，能夠有效提升太陽輻照度的預測精度，基于光伏電站或臨近氣象觀測站觀測及預報數據，充分發揮成像儀沙塵監測dst數據的覆蓋范圍廣、頻次高、沙塵持續監測能力等優勢特點，采用變分模態分解方法和長短期記憶網絡組合算法進行建模、訓練，對太陽輻照短臨進行多步預報，得到考慮當前沙塵天氣影響下未來短期內的太陽輻照度情況。
35、應當理解，本部分所描述的內容并非旨在標識本公開的實施例的關鍵或重要特征，也不用于限制本公開的范圍。本公開的其它特征將通過以下的說明書而變得容易理解。
本文檔來自技高網...【技術保護點】
1.一種沙塵天氣太陽輻照度組合預報方法，其特征在于，包括：
2.根據權利要求1所述的沙塵天氣太陽輻照度組合預報方法，其特征在于，所述太陽輻照度預報模型是將氣象站觀測數據和沙塵監測數據作為輸入，對預獲取的太陽輻照度觀測值經過變分模態分解后作為輸出基于長短期記憶網絡進行訓練得到的，具體包括：
3.根據權利要求2所述的沙塵天氣太陽輻照度組合預報方法，其特征在于，所述對所述太陽輻照度觀測時間序列通過變分模態分解方法進行分解，具體包括：
4.根據權利要求2所述的沙塵天氣太陽輻照度組合預報方法，其特征在于，所述對所述氣象站觀測數據和沙塵監測數據進行預處理，具體包括：
5.根據權利要求2所述的沙塵天氣太陽輻照度組合預報方法，其特征在于，所述基于預處理后的氣象站觀測數據和沙塵監測數據以及變分模態分解后的太陽輻照度觀測時間序列對預設的長短期記憶網絡進行訓練，得到多變量多步太陽輻照度預測模型，具體包括：
6.根據權利要求5所述的沙塵天氣太陽輻照度組合預報方法，其特征在于，所述基于預處理后的氣象站觀測數據和沙塵監測數據以及變分模態分解后的太陽
7.一種沙塵天氣太陽輻照度組合預報系統，其特征在于，所述系統包括：
8.一種電子設備，包括存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的計算機程序，其特征在于，所述處理器執行所述計算機程序時實現如權利要求1至6任一項所述沙塵天氣太陽輻照度組合預報方法。
9.一種非暫態計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時實現如權利要求1至6任一項所述沙塵天氣太陽輻照度組合預報方法。
10.一種計算機程序產品，包括計算機程序，其特征在于，所述計算機程序被處理器執行時實現如權利要求1至6任一項所述沙塵天氣太陽輻照度組合預報方法。
...【技術特征摘要】
1.一種沙塵天氣太陽輻照度組合預報方法，其特征在于，包括：
2.根據權利要求1所述的沙塵天氣太陽輻照度組合預報方法，其特征在于，所述太陽輻照度預報模型是將氣象站觀測數據和沙塵監測數據作為輸入，對預獲取的太陽輻照度觀測值經過變分模態分解后作為輸出基于長短期記憶網絡進行訓練得到的，具體包括：
3.根據權利要求2所述的沙塵天氣太陽輻照度組合預報方法，其特征在于，所述對所述太陽輻照度觀測時間序列通過變分模態分解方法進行分解，具體包括：
4.根據權利要求2所述的沙塵天氣太陽輻照度組合預報方法，其特征在于，所述對所述氣象站觀測數據和沙塵監測數據進行預處理，具體包括：
5.根據權利要求2所述的沙塵天氣太陽輻照度組合預報方法，其特征在于，所述基于預處理后的氣象站觀測數據和沙塵監測數據以及變分模態分解后的太陽輻照度觀測時間序列對預設的長短期記憶網絡進行訓練，得到多變量多步太陽輻照度預測模型，具體...
【專利技術屬性】
技術研發人員：達選芳，葉冬，申彥波，程鵬，姚錦烽，王小勇，王寧，劉抗，閆曉敏，李遙，景慧，王丹，王玫玨，莫景越，
申請(專利權)人：中國氣象局公共氣象服務中心國家預警信息發布中心，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。