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！

摘要：本发明提出一种基于卫星云图预训练和模仿学习的光伏超短期预测方法，包括：获取无标签视频数据集，收集有标签数据集，使用所述有标签数据集和逆动力学模型进行训练，建立初始模型；使用所述初始模型为所述无标签视频数据生成光伏场站辐照度数据的伪标签，将无标签视频数据集转化为伪标签数据集；使用所述伪标签数据集和所述逆动力学模型进行训练，建立预训练模型；对所述预训练模型进行强化学习微调，得到精准预测模型，用于光伏场站辐照度预测。本发明能在线耦合地面光伏场站的辐照度信息和卫星云图信息，利用卫星的多波段数据以及光伏场站辐照度数据来预测光伏场站未来的辐照度或功率。

主权项：1.一种基于卫星云图预训练和模仿学习的光伏超短期预测方法，其特征在于，包括：S1、获取无标签视频数据集，所述无标签视频数据集为卫星云图视频数据的历史数据集；收集有标签数据集，所述有标签数据集为同时存在光伏场站辐照度数据和对应的卫星云图视频数据的历史数据集；所述卫星云图视频数据包括卫星云图的波段数据和反演的云属性和辐照度数据；所述有标签数据集以光伏场站辐照度数据为标签，处理为与所述无标签视频数据相同的时间分辨率；S2、使用所述有标签数据集和逆动力学模型进行训练，建立初始模型；所述训练包括：在逆动力学模型中输入所述有标签数据集的光伏场站辐照度数据和对应的卫星云图的波段数据、云属性和辐照度数据，通过训练得到预测光伏场站太阳辐照度数据的初始模型；具体为：使用卷积神经网络CNN提取卫星图像特征，；其中是时间步t的卫星图像输入，是特征提取后得到的时间步t的辐照度状态矩阵，表示卷积神经网络；使用Transformer网络模型处理时间序列数据，；其中是前一时间步的辐照度状态矩阵，是时间步t的隐藏状态，表示Transformer网络模型；基于Transformer的输出进行预测，；其中，是时间步t的预测辐照度，f是全连接层，实现最后一步的映射；S3、使用所述初始模型为所述无标签视频数据集生成光伏场站辐照度数据的伪标签，将无标签视频数据集转化为伪标签数据集；S4、使用所述伪标签数据集和所述逆动力学模型进行训练，建立预训练模型；包括：数据预处理，融合无标签卫星多时刻数据和生成的场站伪标签数据，使其在时间和空间位置上一一对应，将对应好的数据进行标准化处理；基于伪标签来训练模型，使用Transformer处理长时间序列数据，公式如下：；其中，是时间步t的辐照度输入，是前一时间步的隐藏状态；损失函数设定为：；其中是实测辐照度，是预测辐照度，其中含有伪标签；i表示第i时刻，N为总时间点数；S5、对所述预训练模型进行强化学习微调，得到精准预测模型，用于光伏场站辐照度预测；所述强化学习微调的过程包括：输入所述预训练模型和最近实测数据和数据质量较好的光伏场站实测辐照度数据，使用强化学习算法对所述预训练模型进行微调；具体为：定义奖励函数，；其中是状态，即某时刻的卫星云图辐照度分布矩阵，是行动，即站点辐照度与卫星云图辐照度的对应IDM函数关系，R是奖励函数；初始化预训练模型参数，使用如下目标函数的强化学习算法优化模型：；其中E代表一段时间内奖励函数R的期望值，代表强化学习算法优化模型。

全文数据：

权利要求：

百度查询： 国能日新科技股份有限公司 基于卫星云图预训练和模仿学习的光伏超短期预测方法