买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：南京师范大学

摘要：本发明公开了一种基于多模态特征融合的超短期太阳辐照度预测方法，包括以下步骤：（1）获取待测光伏电站的多源历史数据并进行预处理；（2）利用TimesNet的二维时序卷积从时序多周期特性的角度学习时间序列特征，将历史序列转化为二维张量，利用二维卷积提取时序特征；（3）利用T2T‑ViT从局部和全局两个角度进行图像信息挖掘，提取表征云层分布和运动信息的特征；（4）利用变换器模型Transformer的编码器在图像特征中寻找与时序特征相似的部分并进行注意力的融合；（5）利用Transformer的解码器直接输出光伏发电功率多步预测结果，并对此进行误差评估；本发明能够提取表征云层分布和运动信息的特征。

主权项：1.一种基于多模态特征融合的超短期太阳辐照度预测方法，其特征在于，包括以下步骤：（1）获取待测光伏电站的多源历史数据并进行预处理；（2）利用时间二维变化模型TimesNet的二维时序卷积从时序多周期特性的角度学习时间序列特征，将历史序列转化为二维张量，利用二维卷积提取时序特征；TimesNet由堆叠的多层时间处理模块TimesBlock组成，包括以下步骤：（21）利用快速傅里叶变换计算一维时序特征的周期，并将其转换为二维张量，计算公式为： ； ；其中，表示周期计算函数，表示计算幅值，、表示频率和周期，表示变换后的2D张量，函数在时间序列末尾补0，函数将1D序列重构为2D张量；（22）选取经典的深度可分离卷积神经网络Inception提取二维时序特征，公式如下： ；其中，表示二维时序特征，对于提取的时序特征，将其转回一维空间进行信息聚合： ；其中，函数将序列补充的0去除，表示聚合的一维时序特征，然后，将得到的一维表征与对应的频率强度进行加权求和，输出如下： ； ；其中，为频率对应的计算幅值，表示激活函数，表示输出的一维特征；最后，时间序列经过多层TimesBlock输出为高度精细的映射时序特征；（3）利用多层级视觉变换器模型T2T-ViT从局部和全局两个角度进行图像信息挖掘，提取表征云层分布和运动信息的特征；包括以下步骤：（31）通过T2T-ViT的图像重构分割模块T2T对天空图像和光流图进行局部信息建模，T2T包括软分割和重组，包括以下步骤：（311）设给定的上层输出的令牌序列Ti，通过自注意力模块进行全局特征提取，然后进行重构，公式如下： ； ；其中，表示多层自注意力函数，表示多层感知机函数；表示重构函数，为自注意力模块的输出，为重构后图像，l为Ti’的长度，h、w、c分别为高度，宽度和通道数，并且；（312）对获得重构的图像Ii再进行软分割，将图像分割为具有重叠信息的分块，每个分块内的令牌通过连接方式变换为一个令牌，公式如下： ；其中，表示软分割函数；（32）在T2T模块的输出Tf上嵌入位置编码，保留位置信息，然后进行特征提取，公式如下： ； ； ；其中，为位置编码，表示原始图像中每个分块的位置；为T2T-ViT主干的输入；y为输出的图像特征；表示第j层全局特征提取模块的输出；最后，天空图像和光流图经过T2T-ViT编码，由多层感知机输出天空图像和光流图的特征映射结果；（4）利用变换器模型Transformer的编码器在图像特征中寻找与时序特征相似的部分并进行注意力的融合；（5）利用Transformer的解码器直接输出光伏发电功率多步预测结果，并对此进行误差评估。

全文数据：

权利要求：

百度查询： 南京师范大学 一种基于多模态特征融合的超短期太阳辐照度预测方法