一种基于深度序列模型的中长期云量预测方法及系统

技术领域

本发明属于气象预测技术领域，具体地，涉及一种基于深度序列模型的中长期云量预测方法及系统。

背景技术

云量包括总云量、高云量、中云量、低云量，可靠和准确的云参量预测方法在许多领域都具有重要的意义。例如在光伏能源发电领域，云量是影响太阳辐照能量供应的主要因素之一，直接影响光伏组件发电效率，云量的预测可以指导光伏发电功率预测，从而对电力进行更有效的调度，带来更大的经济效益。目前，云量预报的主流方法是数值模式预报和统计天气预报。数值模式预报通过对大气运动建立方程求解得到预测值，统计天气预报把数值模式预报和统计学相结合，对数值模式预报的输出进行修正。这两种方法的缺点是对大气运动方程求解的步骤对计算资源要求极高，需要超级计算机才能处理。

随着各类气象卫星的发射和气象监测站的布局，气象数据日益完备，使得使用纯数据驱动的方法进行气象预报成为了可能。近些年来，已有研究人员尝试通过使用机器学习的方法提升云量预测的准确性。传统的机器学习步骤一般由三个部分组成，分别是数据预处理、特征提取和分类器。传统的机器学习是通过人工特征选择和特征工程的构建，对于复杂的数据结构难以通用。深度学习可以很好地解决传统机器学习中特征提取困难的问题。深度学习是一种面向数据的学习方式，不依赖于专家经验筛选特征，可以通过大量的输入数据学习数据的特征，具备较好的泛化性、通用性、可移植性。在有大量数据支撑的条件下，深度学习模型的效果往往会比传统机器学习模型的效果更好。

当前，在气象预报领域，使用深度学习进行云量预测的研究仍然较少，现有云量预测技术主要不足是：一、预测精度较低，大部分预测技术都无法实现逐小时的预测；二、预测准确度随时间下降严重，对于72小时后的云参量预测准确度较差。

发明内容

为解决上述问题，本发明提出了一种基于深度序列模型的中长期云量预测方法及系统。

本发明通过以下技术方案实现：

一种基于深度序列模型的中长期云量预测系统：

所述云量预测系统包括：输入模块、基于趋势分解和周期增强的预测分支模块、天气系统提取模块和预测投影模块；

所述输入模块用于输入历史气象数据；包括输入1和输入2；将输入1输入至趋势分解和周期增强模块，将输入2输入至天气系统提取模块；

所述基于趋势分解和周期增强的预测分支模块由若干个基本块组成，每个基本块包含了一个趋势分解模块，一个周期增强模块和一个前馈网络模块；

将基于趋势分解和周期增强的预测分支模块的输出和天气系统提取模块的输出在通道维度进行向量拼接后作为预测投影模块的输入，预测投影模块将输入向量投影成指定的形状，得到最终的预测结果。

进一步的，输入1和输入2作为初始数据输入所述云量预测系统，具体为，输入1表示的是预测位置的历史气象数据，维度为

输入2表示的是预测位置附近区域的历史气象数据，维度为

进一步的，所述趋势分解模块使用滑动平均的方法提取序列中的趋势项，滑动平均的计算公式如下：

其中，

使用

其中，

进一步的，所述周期增强模块首先对输入序列

为过滤幅值较低的频域分量后原始输入序列在频域上的表示，

为将原始序列在频域上幅值较低的频域分量替换为0后的结果，

为使用一个可学习的算子与/>

其中

最后对

其中

进一步的，趋势分解模块的输出和周期增强模块的输出相加后作为前馈网络的输入，前馈网络的输入和原始输入进行残差连接后得到一个基本块的输出；

一个基本块的计算公式如下所示：

其中，

进一步的，在所述天气系统提取模块中，使用了三维卷积层对输入数据进行卷积操作；三维卷积层可以同时考虑时间维度、空间维度和通道维度的信息；

对于历史天气数据，时间维度表示了不同时间步的数据，空间维度表示了不同空间位置的数据，通道维度表示了不同气象变量的数据；

通过三维卷积操作，网络利用这些维度之间的相关性和模式来提取特征，包括空间上的局部模式和时间上的趋势；

使用平均池化层，将输入的空间维度降低为1；在保持时间和通道维度不变的情况下，对空间维度进行降维；

通过这些卷积和池化操作，网络能够从历史天气数据中提取出具有时空信息的特征表示；这些特征表示包括某一区域内的气象模式、空间相关性和时间趋势信息；所述天气系统提取模块接收维度为

其中

进一步的，将基于趋势分解和周期增强的预测分支模块的输出

将

一种基于深度序列模型的中长期云量预测方法：所述方法具体包括以下步骤：

步骤1，输入模块将历史气象数据分为预测位置的历史气象数据的输入1和预测位置附近区域的历史气象数据的输入2；

步骤2，将输入1通过趋势分解模块得到原始序列的趋势项，再通过原始序列和趋势项相减得到时间序列的季节项和残差项，将时间序列的季节项和残差项通过周期增强模块以增强主要周期性成分，

步骤3，将趋势分解模块的输出和周期增强模块的输出相加后作为前馈网络模块的输入，前馈网络的输入和原始输入进行残差连接后得到一个基本块的输出；多个基本块堆叠得到基于趋势分解与周期增强的预测分支模块的输出；

步骤4，将输入2输入至天气系统提取模块；

步骤5，将基于趋势分解和周期增强的预测分支模块的输出和天气系统提取模块的输出在通道维度进行向量拼接后作为预测投影模块的输入，预测投影模块将输入向量投影成指定的形状，得到最终的预测结果。

一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。

一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时实现上述方法的步骤。

本发明有益效果

本发明使用趋势分解模块和周期增强模块，增强了时序序列中可预测部分，减少了随机成分对预测产生的影响。

使用了天气系统提取模块，利用预测位置附近区域的历史气象条件辅助云量预测，更符合现实情况与气象规律。

使用投影模块将抽取出的时序特征一次性投影成预测结果，避免了在预测阶段的累计误差传播，并且可以达到小时级的预测精度。

附图说明

图1为本发明基于深度序列模型的中长期云量预测模型整体结构；

图2为本发明的趋势分解模块；

图3为本发明的周期增强模块；

图4为本发明基于3DCNN的天气系统提取模块。

具体实施方式

下面将结合本发明实施例中的附图对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

结合图1至图4.

一种基于深度序列模型的中长期云量预测系统：

所述云量预测系统包括：输入模块、基于趋势分解和周期增强的预测分支模块、基于3DCNN（三维卷积神经网络）的天气系统提取模块和预测投影模块；

所述输入模块用于输入历史气象数据；包括输入1和输入2；将输入1输入至趋势分解和周期增强模块，将输入2输入至天气系统提取模块；

所述基于趋势分解和周期增强的预测分支模块由若干个基本块组成，每个基本块包含了一个趋势分解模块，一个周期增强模块和一个前馈网络模块；

将基于趋势分解和周期增强的预测分支模块的输出和天气系统提取模块的输出在通道维度进行向量拼接后作为预测投影模块的输入，预测投影模块将输入向量投影成指定的形状，得到最终的预测结果。

输入1和输入2作为初始数据输入所述云量预测系统，具体为，输入1表示的是预测位置的历史气象数据，维度为

输入2表示的是预测位置附近区域的历史气象数据，维度为

所述趋势分解模块使用滑动平均的方法提取序列中的趋势项，滑动平均的计算公式如下：

其中，

使用

其中，

通过原始序列和趋势项相减得到时间序列的季节项和残差项，经过趋势分解得到的季节项和残差项作为周期增强模块的输入，所述的季节项和残差项并不是分开的，而是融合在一起的一个向量；

季节项反映了时间序列数据中的周期性或季节性模式；残差项代表了时间序列数据中无法由趋势项和季节项解释的部分，即剩余的随机波动或噪声；它包含了时间序列中的随机波动、异常值或其他不能被趋势项和季节项解释的变动；由于这个输入向量包含了残差项，因此随机性比较大，如果能够减少其中的随机性，增强其中具有主要周期性的成分，可以有效地提升预测准确度；周期增强模块的整体结构如图3所示；

所述周期增强模块首先对输入序列

为过滤幅值较低的频域分量后原始输入序列在频域上的表示，

为将原始序列在频域上幅值较低的频域分量替换为0后的结果，

为使用一个可学习的算子与/>

其中

最后对

其中

趋势分解模块的输出和周期增强模块的输出相加后作为前馈网络的输入，前馈网络的输入和原始输入进行残差连接后得到一个基本块的输出；

一个基本块的计算公式如下所示：

其中，

在对指定地区进行云量预测的时候，只使用该地区的历史气象数据作为预报因子会存在一定的局限性，无法对当地天气的变化形成准确的预测；天气和云量通常在空间上具有一定的变异性，仅仅依赖该地区的历史气象数据可能无法捕捉到空间上的差异和特征，通过考虑附近地区的数据，可以更好地反映空间上的变化和模式；附近地区的气象数据可以提供有关气象模式和趋势的信息，这些信息对于预测目标地区的云量是有帮助的；

通过考虑附近地区的数据，可以利用共享的气象特征和趋势来改进预测模型；在云量预测模型中加入目标预测地区附近区域的历史气象数据能够综合考虑空间上的变异性、地理条件、气象模式和趋势等因素，从而提高预测的精度和可信度；为了能够在预测模型中使用区域范围内的天气数据，采用了基于3DCNN的天气系统提取模块，其结构如图4所示；

在所述天气系统提取模块中，使用了三维卷积层对输入数据进行卷积操作；三维卷积层可以同时考虑时间维度、空间维度和通道维度的信息；

对于历史天气数据，时间维度表示了不同时间步的数据，空间维度表示了不同空间位置的数据，通道维度表示了不同气象变量的数据；

通过三维卷积操作，网络利用这些维度之间的相关性和模式来提取特征，包括空间上的局部模式和时间上的趋势；

使用平均池化层，将输入的空间维度降低为1；这种池化操作可以在保持时间和通道维度不变的情况下，对空间维度进行降维；这样做的目的是捕捉输入数据在空间范围内的整体特征，而不仅仅关注于每个具体位置的细节；

通过这些卷积和池化操作，网络能够从历史天气数据中提取出具有时空信息的特征表示；这些特征表示可以包括某一区域内的气象模式、空间相关性和时间趋势等信息；这种特征提取的过程使得网络能够更好地理解和利用历史天气数据，从而提高对该范围内的天气预测或分析的准确性和可靠性；

如图4，基于3DCNN的天气系统提取模块接收一个维度为

在本发明中，所述天气系统提取模块接收维度为

其中

将基于趋势分解和周期增强的预测分支模块的输出

将

一种基于深度序列模型的中长期云量预测方法：所述方法具体包括以下步骤：

步骤1，输入模块将历史气象数据分为预测位置的历史气象数据的输入1和预测位置附近区域的历史气象数据的输入2；

步骤2，将输入1通过趋势分解模块得到原始序列的趋势项，再通过原始序列和趋势项相减得到时间序列的季节项和残差项，将时间序列的季节项和残差项通过周期增强模块以增强主要周期性成分，

步骤3，将趋势分解模块的输出和周期增强模块的输出相加后作为前馈网络模块的输入，前馈网络的输入和原始输入进行残差连接后得到一个基本块的输出；多个基本块堆叠得到基于趋势分解与周期增强的预测分支模块的输出；

步骤4，将输入2输入至天气系统提取模块；使得网络能够更好地理解和利用预测位置附近区域历史天气数据，从而提高对该范围内的天气预测或分析的准确性和可靠性；

步骤5，将基于趋势分解和周期增强的预测分支模块的输出和天气系统提取模块的输出在通道维度进行向量拼接后作为预测投影模块的输入，预测投影模块将输入向量投影成指定的形状，得到最终的预测结果。

一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。

一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时实现上述方法的步骤。

本申请实施例中的存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器read only memory，ROM、可编程只读存储器programmable ROM，PROM、可擦除可编程只读存储器erasablePROM，EPROM、电可擦除可编程只读存储器electrically EPROM，EEPROM或闪存。易失性存储器可以是随机存取存储器random access memory，RAM，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM 可用，例如静态随机存取存储器static RAM，SRAM、动态随机存取存储器dynamic RAM，DRAM、同步动态随机存取存储器synchronous DRAM，SDRAM、双倍数据速率同步动态随机存取存储器double data rate SDRAM，DDR SDRAM、增强型同步动态随机存取存储器enhanced SDRAM，ESDRAM、同步连接动态随机存取存储器synchlink DRAM，SLDRAM和直接内存总线随机存取存储器direct rambus RAM，DR RAM。应注意，本发明描述的方法的存储器旨在包括但不限于这些和任意其它适合类型的存储器。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线例如同轴电缆、光纤、数字用户线digital subscriber line，DSL或无线例如红外、无线、微波等方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质例如，软盘、硬盘、磁带、光介质例如，高密度数字视频光盘digital video disc，DVD、或者半导体介质例如，固态硬盘solid state disc，SSD等。

在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软 件形式的指令完成。结合本申请实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。

应注意，本申请实施例中的处理器可以是一种集成电路芯片，具有信号处理能力。在实现过程中，上述方法实施例的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器、数字信号处理器DSP、专用集成电路ASIC、现场可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。

以上对本发明所提出的一种基于深度序列模型的中长期云量预测方法及系统，进行了详细介绍，对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。