基于去噪扩散概率模型的太阳辐照度预测方法与流程

1.本发明涉及太阳辐照度预测技术领域，具体涉及一种基于去噪扩散概率模型的太阳辐照度预测方法。


背景技术：

2.现有方案中，对于太阳辐照度的预测普遍为短期预测，主要对给定时间段内的下一个时间段的太阳辐照度观测结果进行预测。在预测结果方面，它对具有很强规律性的光伏曲线具有很高的表现力，但在预测方面仍存在滞后（预测滞后：光伏的现实表现为下一秒的数值往往与上一秒相近或相等。使用这样大量的数据对模型训练往往会使得模型的输出值也存在相同情况（因为深度学习是找最优解，需要符合普遍情况，所以模型往往会根据输入数据的最后一个数值来给定输出值）。但是在真实预测的情况往往会存在波动，这个波动就会模型预测存在所谓的“滞后”），不可能预测下一次的波动（深度学习是找最优解，需要符合普遍情况，所以模型往往会根据输入数据的最后一个数值来给定输出值，因此无法预测下一次的波动）。同时模型无法预测波动也对光伏工作的数据预处理以及预测存在另一大问题（光伏数据存在0值，如果做长时间预测的话模型可能一直都会输出0值，不符合现实逻辑），即大部分的工作都会直接丢弃光伏的0值区域而直接从非0区域开始预测，这是非常不科学的，0值区域的预测一样十分重要。但是多步预测对模型的预测能力提出了很高的要求，即有效捕获输出和输入之间精确的长距离相关性耦合的能力。然而，它对光伏的预测结果并不十分理想（多步预测一般只适用于预测平均结果，对波动性数据预测效果不佳）。对于光伏预测，各种工作已经提出了解决预测滞后问题的解决方案，例如：对输入数据的小波分解、奇异谱分析（ssa）、添加其他特征值等。然而，尽管已经取得了成果，但仍将受到逻辑回归原理的限制。
3.相关工作表明，生成对抗性网络（gan）可以更好地避免逻辑回归的限制，但其输入的唯一性使结果的多样性消失（gan始终以前一天的数据作为输入），并且存在模拟表现力低和训练困难等问题。


技术实现要素：

4.本发明以提高太阳辐照度预测的精度为目的，提供了一种基于去噪扩散概率模型的太阳辐照度预测方法。
5.为达此目的，本发明采用以下技术方案：提供一种基于去噪扩散概率模型的太阳辐照度预测方法，步骤包括：s1，以历史采集的每个地区的太阳辐照度时间序列数据为去噪扩散概率模型的训练样本进行模型训练；s2，以指定地区的太阳辐照度时间序列数据为所述去噪扩散概率模型的输入，模型输出对所述指定地区的太阳辐照度预测结果。
6.作为优选，步骤s1中，训练所述去噪扩散概率模型的方法包括如下步骤：
s11，对各地区的原始的所述太阳辐照度时间序列数据加入随机噪声；s12，将所述随机噪声还原为对应的原始的所述太阳辐照度时间序列数据；s13，计算模型预测损失；s14，验证模型预测损失是否达到预期，若是，则终止模型迭代训练，输出所述去噪扩散概率模型；若否，则调整模型参数后返回步骤s11继续进行模型迭代训练。
7.作为优选，步骤s14的“若是”判断后转入步骤：s15，评价所述去噪扩散概率模型的性能，若性能达标，则最终输出所述去噪扩散概率模型；若性能未达标，则返回步骤s11。
8.作为优选，步骤s11中，对所述原始的所述太阳辐照度时间序列数据加入随机噪声的方法通过如下公式（1）表达：公式（1）中，，表示对原始的太阳辐照度时间序列数据的第次加噪，表示当前的加噪次数；表示对作第次加噪后的数据表示；对加入随机噪声的过程是所述去噪扩散概率模型的前向过程，前向过程是一个马尔科夫过程，其将多次加噪最终得到一个高斯噪声，马尔科夫过程通过如下公式（2）-（3）表达：（3）表达：公式（2）-（3）中，是一个递增序列，且介于0～1之间；t表示加噪的总次数；t表示当前的加噪次数；表示第次对加噪；表示最后的第次对加噪；表示到的条件概率表达式；表示单位矩阵；表示这是一个正态分布函数；表示x的第一次加噪到第t次加噪中的任意一次；
表示和的概率关系；当，趋向于高斯分布，由于x的扩散过程符合马尔科夫原理，对的加噪过程被简化为如上述的公式（1）表达。
9.作为优选，步骤s12中，对所述随机噪声的还原过程通过如下公式（4）表达：公式（4）中，表示第次对原始的太阳辐照度时间序列数据的加噪结果；表示第次对的加噪结果；表示所述去噪扩散概率模型；为的换元表示；表示模型对的预测结果，和t为模型的控制条件；表示对第次加噪结果的还原误差；。
10.作为优选，步骤s13中，通过如下公式（5）表达的损失函数来计算模型预测损失：公式（5）中，表示对第次加噪结果进行还原的预测损失；表示第次加噪的噪声；表示模型的输出；表示训练模型时将和t最为输入后得到的结果；表示的换元表示；表示对原始的太阳辐照度时间序列数据作第次加噪后的数据表示。
11.作为优选，步骤s15中，通过计算预测值和真实值的平均绝对值误差来评价所述去噪扩散概率模型的性能，计算方法通过如下公式（6）表达：公式（6）中，分别表示所述指定地区的太阳辐照度真实值和模型对所述指
定地区的太阳辐照度的预测值；分别表示对所述指定地区的第个测试样本的太阳辐照度的真实值和模型对所述指定地区的第个测试样本的太阳辐照度的预测值；表示测试集的长度。
12.作为优选，步骤s15中，通过计算预测值和真实值的平均绝对百分比误差来评价所述去噪扩散概率模型的性能，计算方法通过如下公式（7）表达：公式（7）中，分别表示所述指定地区的太阳辐照度真实值和模型对所述指定地区的太阳辐照度的预测值；分别表示对所述指定地区的第个测试样本的太阳辐照度的真实值和模型对所述指定地区的第个测试样本的太阳辐照度的预测值；表示测试集的长度。
13.作为优选，所述太阳辐照度时间序列数据的元素包括“0”值，“0”值表示元素数据内容为空。
14.本发明具有以下有益效果：1、新定制了由transformer框架、残差网络、嵌入网络搭建而成的去噪扩散概率模型，首次提出了应用去噪扩散概率模型来预测太阳辐照度，通过与各种现有模型的实验数据对比，基于本发明定制的去噪扩散概率模型预测太阳辐照度具有更高的预测精度。
15.2、采用去噪扩散概率模型预测太阳辐照度，在模型训练和预测过程中，不再需要去除太阳辐照度时间序列数据中的“0”值，预测更加方便、快捷，且更适于对长期的太阳辐照度的预测。
附图说明
16.为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍。显而易见地，下面所描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
17.图1是本发明实施例提供的去噪扩散概率模型的预测算法框架图；图2是用于训练去噪扩散概率模型的深度学习网络的网络结构图；图3是去噪扩散概率模型的前向过程的示意图；图4是真实数据、实验数据与对照组的测试集采样图；图5是本发明实施例提供的基于去噪扩散概率模型的太阳辐照度预测方法的实现步骤图。
具体实施方式
18.下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
19.其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本专利的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
20.本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若出现术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
21.在本发明的描述中，除非另有明确的规定和限定，若出现术语“连接”等指示部件之间的连接关系，该术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个部件内部的连通或两个部件的相互作用关系。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
22.本发明实施例提供的基于去噪扩散概率模型的太阳辐照度预测方法，如图5所示，包括步骤：s1，以历史采集的每个地区的太阳辐照度时间序列数据为去噪扩散概率模型的训练样本进行模型训练；s2，以指定地区的太阳辐照度时间序列数据为去噪扩散概率模型的输入，模型输出对该指定地区的太阳辐照度预测结果。
23.步骤s1中，训练去噪扩散概率模型的方法具体包括如下步骤：s11，对各地区的原始的太阳辐照度时间序列数据加入随机噪声；s12，将随机噪声还原为对应的原始的太阳辐照度时间序列数据；s13，计算模型预测损失；s14，验证模型预测损失是否达到预期；若是，则终止模型迭代训练，输出去噪扩散概率模型；若否，则调整模型参数后返回步骤s11继续进行模型迭代训练。
24.具体而言，训练去噪扩散概率模型的过程包括如下几个环节：1）采集各地区近几年（比如3年）的太阳辐照度数据，按时间顺序依次记录辐照度数值，得到时间序列数据，其中，表示对某个地区采集的第个太阳辐照度数据，表示采集的太阳辐照度数据的数量，；这里需要特别说明的是，时间序列中的数据是同一地区的历史太阳辐照度数据，时间序列的数据采集时间间隔优选为10分钟。
25.2）将采集到的各地区的太阳辐照度时间序列数据进行缺失值处理和归一化处理。对于每个地区的时间序列数据，首先进行缺失值处理，处理方法为：若序列中某个时刻的值
缺失，则以该时刻的上一时刻的值代替。接着，对数据进行归一化处理，对时间序列作数据归一化处理的现有方法有许多，因此有关本实施例具体采用的数据归一化的方法在此不做说明。最后再将预处理后的数据，根据预设的时间步长制作放入模型训练网络的训练数据和相应的数据标签。例如，若希望用前一天的太阳辐照度时间序列数据来预测后一天的太阳辐照度，则可制作数据集，以前一天的数据去预测后一天的数据。
26.3）将2）中预处理后的数据按照数据原有的顺序划分为训练集、验证集和测试集，划分比例为3:1:1。
27.4）将划分后的数据输入到用于训练去噪扩散概率模型的深度学习网络中进行模型训练，该深度学习网络如图2所示，由transformer框架、残差网络、嵌入网络搭建而成。训练去噪扩散概率模型的方法由3个重要阶段组成：首先，准备放入网络数据为前向过程，前向过程就是对原始太阳辐照度时间序列数据不断加入高斯噪声最后生成随机噪声的过程。前向过程具体如图3所示，图3中左右两边的数字为当前步数的采样结果。图左边从上往下的5组为1，20，40，60，80的采样结果与未采样结果的对比。图右边从上往下的前四张为200，300，400，500次采样结果与最终结果的对比。最后一张图为最终结果采样与最初结果的对比图。其次，网络模拟链的反向过程，通过预测噪声，将随机噪声逐步还原为原始数据，这与前向过程一样，也是一个马尔科夫过程，反向过程中，期望从一段高斯噪声中逐步去噪从而得到期望得到的曲线（反向过程具体为：首先，随机初始化一段高斯噪声曲线；然后，通过模型对其进行多次去噪；最后，得到一条预测目标的光伏曲线）。最后，计算模型的损失函数以优化模型参数。
28.去噪扩散概率模型的具体算法如图1所示，包括以下几个过程：a）前向过程是一个马尔科夫过程，它会将原始数据多次加噪最终得到一个随机噪声，该马尔科夫过程通过如下公式（2）-（3）表达：（3）表达：公式（2）-（3）中，是一个递增序列，且介于0～1之间。例如在实验中假定是一个等差递增，且t等于100，则可以表示为0，0.01，0.02,
……
，1；t表示加噪的总次数；t表示当前的加噪次数；表示第次对加噪；表示最后的第次对加噪；表示到的条件概率表达式；表示单位矩阵；
表示这是一个正态分布函数；表示x的第一次加噪到第t次加噪中的任意一次；表示和的概率关系；当，趋向于高斯分布，由于我们假设x的扩散过程符合马尔科夫原理，对的加噪过程被简化为如下的公式（1）表达：公式（1）中，，表示对原始的太阳辐照度时间序列数据的第次加噪，表示当前的加噪次数；表示对作第次加噪后的数据表示。
29.b）模型模拟马尔科夫链的反向传播来模拟反向过程：通过预测噪声，将随机噪声逐步还原为原始数据，这也是一个马尔科夫过程，以期望从一段高斯噪声中逐步去噪从而得到期望得到的曲线，可以用如下公式（4）表达这个反向过程：公式（4）中，表示第次对原始的太阳辐照度时间序列数据的加噪结果；表示第次对的加噪结果；表示所述去噪扩散概率模型；为的换元表示；表示模型对的预测结果，和t为模型的控制条件；表示对第次加噪结果的还原误差；。
30.上述的反向过程也可用如下公式（8）-（9）来表达：基于条件概率化简可以得到模型预测公式为：公式（8）-（9）中，表示计算得到的t去噪过程下的均值，为其方差，表示的正态分布函数，表
示的条件概率函数；则分别对应模型计算的均值和方差，表示模型预测的的正态分布函数，表示模型预测的的条件概率函数，为他们的条件。
31.c）采用如下公式（5）表达的损失函数来计算模型预测损失：公式（5）中，表示对第次加噪结果进行还原的预测损失；表示第次加噪的噪声；表示模型的输出；表示训练模型时将和t最为输入后得到的结果；表示的换元表示；表示对原始的太阳辐照度时间序列数据作第次加噪后的数据表示。
32.上述公式（5）由以下公式（10）化简而得：公式（10）中，是一个递增序列，且介于0～1之间。例如我们在实验中假定是一个等差递增，且t等于100，则可以表示为0，0.01，0.02,
……
，1；表示每一次去噪的误差；表示模型的期望损失函数，在模型的输入值为时候，为正太分布噪声。
33.5）根据误差评价指标调整模型训练的迭代次数和模型参数，最终训练得到用于预测太阳辐照度的去噪扩散概率模型。
34.为了评价去噪扩散概率模型对太阳辐照度的预测性能，本实施例采用平均绝对值误差（mae）和/或平均绝对百分比误差（mape）评价方法，两个评价方法分别通过如下公式（6）和（7）表达：
公式（6）-（7）中，分别表示所述指定地区的太阳辐照度真实值和模型对所述指定地区的太阳辐照度的预测值；分别表示对所述指定地区的第个测试样本的太阳辐照度的真实值和模型对所述指定地区的第个测试样本的太阳辐照度的预测值；表示测试集的长度。
35.6）对太阳辐照度进行预测，具体为：将采集到的太阳辐照度时间序列数据输入到训练完成的去噪扩散概率模型中，模型通过上述的前向过程和反向过程等等，输出太阳辐照度预测结果。
36.为了验证本实施例提供的去噪扩散概率模型预测太阳辐照度的性能，选择了太阳辐照度预测技术领域目前较为流行的机器学习模型进行对比。这些模型包括informer（informer模型是aaai会议 2021的最佳论文。主要贡献在长序列预测）、lstnet（lstnet是专门设计用于时间序列预测的深度学习网络）、deepar（deepar模型是一种深度学习模型，用于时间序列预测和生成。旨在处理具有复杂季节性和趋势的时间序列数据）、ast（ast模型是一个将gan与transformer结合的模型）、arima（arima模型结合了自回归（ar）模型、差分（i）和移动平均（ma）模型的特性）。图4示出了上述2种现有模型（informer和arima）和本实施例提供的去噪扩散概率模型（ddpm）的模型性能对比曲线，图4中的label为真实值曲线。此外，下表1、2分别展示了上述的5种现有模型和本实施例提供的去噪扩散概率模型的预测性能对比数据。从图4表示的拟合曲线和下表1、2给定的性能评估指标来看，本实施例提出的去噪扩散概率模型的预测表现明显优于对比模型。
37.表1：去噪扩散概率模型与其他机器学习模型的mape评估指标对比表2：去噪扩散概率模型与其他机器学习模型的mse评估指标对比综上，本发明具有如下有益效果：
1、新定制了由transformer框架、残差网络、嵌入网络搭建而成的去噪扩散概率模型，首次提出了应用去噪扩散概率模型来预测太阳辐照度，通过与各种现有模型的实验数据对比，基于本发明定制的去噪扩散概率模型预测太阳辐照度具有更高的预测精度。
38.2、采用去噪扩散概率模型预测太阳辐照度，在模型训练和预测过程中，不再需要去除太阳辐照度时间序列数据中的“0”值，预测更加方便、快捷，且更适于对长期的太阳辐照度的预测。
39.需要声明的是，上述具体实施方式仅仅为本发明的较佳实施例及所运用技术原理。本领域技术人员应该明白，还可以对本发明做各种修改、等同替换、变化等等。但是，这些变换只要未背离本发明的精神，都应在本发明的保护范围之内。另外，本技术说明书和权利要求书所使用的一些术语并不是限制，仅仅是为了便于描述。

技术特征：
1.一种基于去噪扩散概率模型的太阳辐照度预测方法，其特征在于，步骤包括：s1，以历史采集的每个地区的太阳辐照度时间序列数据为去噪扩散概率模型的训练样本进行模型训练；s2，以指定地区的太阳辐照度时间序列数据为所述去噪扩散概率模型的输入，模型输出对所述指定地区的太阳辐照度预测结果；所述太阳辐照度时间序列数据的元素包括“0”值，“0”值表示元素数据内容为空。2.根据权利要求1所述的基于去噪扩散概率模型的太阳辐照度预测方法，其特征在于，步骤s1中，训练所述去噪扩散概率模型的方法包括如下步骤：s11，对各地区的原始的所述太阳辐照度时间序列数据加入随机噪声；s12，将所述随机噪声还原为对应的原始的所述太阳辐照度时间序列数据；s13，计算模型预测损失；s14，验证模型预测损失是否达到预期，若是，则终止模型迭代训练，输出所述去噪扩散概率模型；若否，则调整模型参数后返回步骤s11继续进行模型迭代训练。3.根据权利要求2所述的基于去噪扩散概率模型的太阳辐照度预测方法，其特征在于，步骤s14的“若是”判断后转入步骤：s15，评价所述去噪扩散概率模型的性能，若性能达标，则最终输出所述去噪扩散概率模型；若性能未达标，则返回步骤s11。4.根据权利要求2所述的基于去噪扩散概率模型的太阳辐照度预测方法，其特征在于，步骤s11中，对所述原始的所述太阳辐照度时间序列数据加入随机噪声的方法通过如下公式（1）表达：公式（1）中，，，表示对原始的太阳辐照度时间序列数据的第次加噪，表示当前的加噪次数；表示对作第次加噪后的数据表示；对加入随机噪声的过程是所述去噪扩散概率模型的前向过程，前向过程是一个马尔科夫过程，其将多次加噪最终得到一个高斯噪声，马尔科夫过程通过如下公式（2）-（3）表达：表达：公式（2）-（3）中，是一个递增序列；t表示加噪的总次数；
t表示当前的加噪次数；表示第次对加噪；表示最后的第次对加噪；表示到的条件概率表达式；表示单位矩阵；表示正态分布函数；表示x的第一次加噪到第t次加噪中的任意一次；表示和的概率关系；当，趋向于高斯分布，由于x的扩散过程符合马尔科夫原理，对的加噪过程被简化为如上述的公式（1）表达。5.根据权利要求4所述的基于去噪扩散概率模型的太阳辐照度预测方法，其特征在于，步骤s12中，对所述随机噪声的还原过程通过如下公式（4）表达：公式（4）中，表示第 次对原始的太阳辐照度时间序列数据的加噪结果；表示第次对的加噪结果；表示所述去噪扩散概率模型；为的换元表示；表示模型对的预测结果，和t为模型的控制条件；表示对第次加噪结果的还原误差；。6.根据权利要求4所述的基于去噪扩散概率模型的太阳辐照度预测方法，其特征在于，步骤s13中，通过如下公式（5）表达的损失函数来计算模型预测损失：公式（5）中，表示对第次加噪结果进行还原的预测损失；表示第次加噪的噪声；表示模型的输出；表示训练模型时将和t作为输入后得到的结果；表示的换元表示；表示对原始的太阳辐照度时间序列数据作第次加噪后的数据表示。7.根据权利要求3所述的基于去噪扩散概率模型的太阳辐照度预测方法，其特征在于，
步骤s15中，通过计算预测值和真实值的平均绝对值误差来评价所述去噪扩散概率模型的性能，计算方法通过如下公式（6）表达：公式（6）中，分别表示所述指定地区的太阳辐照度真实值和模型对所述指定地区的太阳辐照度的预测值；分别表示对所述指定地区的第个测试样本的太阳辐照度的真实值和模型对所述指定地区的第个测试样本的太阳辐照度的预测值；表示测试集的长度。8.根据权利要求3所述的基于去噪扩散概率模型的太阳辐照度预测方法，其特征在于，步骤s15中，通过计算预测值和真实值的平均绝对百分比误差来评价所述去噪扩散概率模型的性能，计算方法通过如下公式（7）表达：公式（7）中，分别表示所述指定地区的太阳辐照度真实值和模型对所述指定地区的太阳辐照度的预测值；分别表示对所述指定地区的第个测试样本的太阳辐照度的真实值和模型对所述指定地区的第个测试样本的太阳辐照度的预测值；表示测试集的长度。

技术总结
本发明公开了一种基于去噪扩散概率模型的太阳辐照度预测方法，新定制了由Transformer框架、残差网络、嵌入网络搭建而成的去噪扩散概率模型，首次提出了应用去噪扩散概率模型来预测太阳辐照度，通过与各种现有模型的实验数据对比，基于本发明定制的去噪扩散概率模型预测太阳辐照度具有更高的预测精度。采用去噪扩散概率模型预测太阳辐照度，在模型训练和预测过程中，不再需要去除太阳辐照度时间序列数据中的“0”值，预测更加方便、快捷，且更适于对长期的太阳辐照度的预测。更适于对长期的太阳辐照度的预测。更适于对长期的太阳辐照度的预测。


技术研发人员：黄晶 刘仁来 吴风景 钟宜国 张伟 陈坤琦 严珂
受保护的技术使用者：杭州经纬信息技术股份有限公司
技术研发日：2023.06.20
技术公布日：2023/7/21