本技術(shù)涉及機(jī)器學(xué)習(xí)和太陽(yáng)能供電，尤其涉及一種基于itransformer模型的太陽(yáng)能倉(cāng)儲(chǔ)柜供能預(yù)警方法、系統(tǒng)、終端以及存儲(chǔ)介質(zhì)。

背景技術(shù)：

1、倉(cāng)儲(chǔ)工具柜是工業(yè)生產(chǎn)中非常重要的組成部分，它可以幫助將工具、零件、材料等按照類(lèi)型、規(guī)格和使用頻率進(jìn)行分類(lèi)存放，便于快速檢索和取用。同時(shí)通過(guò)存儲(chǔ)柜系統(tǒng)，可以更有效地監(jiān)控庫(kù)存水平，避免過(guò)?；蚨倘薄Ｒ虼舜鎯?chǔ)柜在工業(yè)現(xiàn)場(chǎng)不僅是物品存放的簡(jiǎn)單容器，更是提升工作效率、保障生產(chǎn)安全、優(yōu)化物料管理的重要工具。隨著技術(shù)的發(fā)展，智能存儲(chǔ)柜的應(yīng)用將進(jìn)一步增強(qiáng)這些優(yōu)勢(shì)。智能工具存儲(chǔ)柜是集成了物聯(lián)網(wǎng)、大數(shù)據(jù)、云計(jì)算、人工智能、自動(dòng)化和節(jié)能環(huán)保技術(shù)的一種創(chuàng)新倉(cāng)儲(chǔ)管理系統(tǒng)，這些技術(shù)特點(diǎn)使其在多個(gè)行業(yè)中具有重要應(yīng)用價(jià)值。但是智能倉(cāng)儲(chǔ)柜的功能實(shí)現(xiàn)依賴(lài)穩(wěn)定的電力能源供給，在實(shí)際的工業(yè)應(yīng)用場(chǎng)景中，很多時(shí)候難以提供穩(wěn)定的電力能源供給，這大大減少了智能工具倉(cāng)儲(chǔ)柜的應(yīng)用場(chǎng)景。因此進(jìn)一步對(duì)智能倉(cāng)儲(chǔ)工具柜的供能系統(tǒng)進(jìn)行了優(yōu)化，引入獲取成本極低、分布極其廣的太陽(yáng)能對(duì)倉(cāng)儲(chǔ)工具柜進(jìn)行供電，即太陽(yáng)能倉(cāng)儲(chǔ)柜，大大增加了工具柜的應(yīng)用場(chǎng)景。

2、雖然太陽(yáng)能發(fā)電技術(shù)解決了智能倉(cāng)儲(chǔ)工具柜在沒(méi)有穩(wěn)定外部電源情況下的供電問(wèn)題。但是，由于太陽(yáng)能是一種不穩(wěn)定的能源，其受天氣、季節(jié)以及時(shí)刻等因素的影響非常嚴(yán)重，在部分情況下完全無(wú)法提供任何供電。而智能倉(cāng)儲(chǔ)工具柜的運(yùn)行需要穩(wěn)定的電壓環(huán)境，在工業(yè)現(xiàn)場(chǎng)中，工具柜斷電可能會(huì)嚴(yán)重影響生產(chǎn)進(jìn)程，從而造成經(jīng)濟(jì)損失。因此，提前評(píng)估太陽(yáng)能發(fā)電系統(tǒng)的供能能力，從而調(diào)配工具柜的電力能源供給方案，可以有效的保證工具柜在實(shí)際應(yīng)用中的穩(wěn)定運(yùn)行。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)上述技術(shù)問(wèn)題，本技術(shù)提供一種基于itransformer模型的太陽(yáng)能倉(cāng)儲(chǔ)柜供能預(yù)警方法、系統(tǒng)、終端以及存儲(chǔ)介質(zhì)，通過(guò)對(duì)太陽(yáng)能倉(cāng)儲(chǔ)柜的未來(lái)太陽(yáng)能發(fā)電量進(jìn)行預(yù)測(cè)，提高太陽(yáng)能倉(cāng)儲(chǔ)柜運(yùn)行的穩(wěn)定性。

2、第一方面，本技術(shù)實(shí)施例提供一種基于itransformer模型的太陽(yáng)能倉(cāng)儲(chǔ)柜供能預(yù)警方法，包括：

3、獲取第一時(shí)間段內(nèi)的多維時(shí)間序列數(shù)據(jù)集，所述多維時(shí)間序列數(shù)據(jù)集包括第一時(shí)間段內(nèi)的輻照度數(shù)據(jù)集和環(huán)境特征數(shù)據(jù)集；

4、將所述多維時(shí)間序列數(shù)據(jù)集輸入至預(yù)設(shè)的太陽(yáng)能發(fā)電量預(yù)測(cè)模型，以使所述太陽(yáng)能發(fā)電量預(yù)測(cè)模型對(duì)所述多維時(shí)間序列數(shù)據(jù)集進(jìn)行維度轉(zhuǎn)換、特征提取以及數(shù)據(jù)歸一化后，生成第二時(shí)間段內(nèi)的輻照度序列數(shù)據(jù)，進(jìn)而根據(jù)所述輻照度序列數(shù)據(jù)確定太陽(yáng)能倉(cāng)儲(chǔ)柜在所述第二時(shí)間段內(nèi)的太陽(yáng)能發(fā)電量；

5、判斷所述太陽(yáng)能發(fā)電量是否滿(mǎn)足所述太陽(yáng)能倉(cāng)儲(chǔ)柜在所述第二時(shí)間段內(nèi)的能量需求，若不滿(mǎn)足，則向預(yù)設(shè)設(shè)備發(fā)送預(yù)警信息；

6、其中，所述太陽(yáng)能發(fā)電量預(yù)測(cè)模型是基于歷史多維時(shí)間序列數(shù)據(jù)集對(duì)初始太陽(yáng)能發(fā)電量預(yù)測(cè)模型進(jìn)行訓(xùn)練獲得，所述初始太陽(yáng)能發(fā)電量預(yù)測(cè)模型由初始itransformer模型和超參數(shù)優(yōu)化模型構(gòu)建獲得。

7、本技術(shù)實(shí)施例提供一種基于itransformer模型的太陽(yáng)能倉(cāng)儲(chǔ)柜供能預(yù)警方法，使用預(yù)設(shè)的太陽(yáng)能發(fā)電量預(yù)測(cè)模型結(jié)合多個(gè)維度的時(shí)間序列數(shù)據(jù)集對(duì)太陽(yáng)能倉(cāng)儲(chǔ)柜的未來(lái)太陽(yáng)能發(fā)電量進(jìn)行預(yù)測(cè)，進(jìn)而根據(jù)預(yù)測(cè)的發(fā)電量對(duì)太陽(yáng)能倉(cāng)儲(chǔ)柜供能，提高太陽(yáng)能倉(cāng)儲(chǔ)柜運(yùn)行的穩(wěn)定性。在本技術(shù)實(shí)施例中，考慮到太陽(yáng)能發(fā)電量序列預(yù)測(cè)任務(wù)本質(zhì)上就是更為復(fù)雜的時(shí)間序列預(yù)測(cè)，因此本技術(shù)實(shí)施例在預(yù)測(cè)過(guò)程中獲取了第一時(shí)間段內(nèi)的多維時(shí)間序列數(shù)據(jù)集用于后續(xù)的預(yù)測(cè)，能夠有效提高模型預(yù)測(cè)的準(zhǔn)確性。此外，供能系統(tǒng)中最重要的部分是對(duì)太陽(yáng)能供電系統(tǒng)的供能能力進(jìn)行預(yù)測(cè)，考慮到太陽(yáng)能供能系統(tǒng)的供能能力受工具柜部署位置的外部情況的影響極大，需要采用一個(gè)特征提取能力較強(qiáng)的長(zhǎng)時(shí)序列預(yù)測(cè)方法完成對(duì)太陽(yáng)能供電數(shù)據(jù)的預(yù)測(cè)。而itransformer模型在時(shí)間序列預(yù)測(cè)領(lǐng)域的預(yù)測(cè)性能要明顯優(yōu)于其他預(yù)測(cè)模型，因此本技術(shù)實(shí)施例選擇itransformer模型構(gòu)建初始太陽(yáng)能發(fā)電量預(yù)測(cè)模型，提高模型預(yù)測(cè)的準(zhǔn)確性。進(jìn)一步的，本技術(shù)實(shí)施例還結(jié)合了超參數(shù)優(yōu)化模型構(gòu)建所述初始太陽(yáng)能發(fā)電量預(yù)測(cè)模型，使得在訓(xùn)練過(guò)程中，itransformer模型的超參數(shù)能夠進(jìn)行自主優(yōu)化，提高模型訓(xùn)練的效率。

8、在一種可能實(shí)現(xiàn)的方式中，所述基于歷史多維時(shí)間序列數(shù)據(jù)集對(duì)初始太陽(yáng)能發(fā)電量預(yù)測(cè)模型進(jìn)行訓(xùn)練獲得所述太陽(yáng)能發(fā)電量預(yù)測(cè)模型，包括：

9、獲取歷史多維時(shí)間序列數(shù)據(jù)集；

10、將所述歷史多維時(shí)間序列數(shù)據(jù)集輸入至所述初始太陽(yáng)能發(fā)電量預(yù)測(cè)模型，以使所述初始太陽(yáng)能發(fā)電量預(yù)測(cè)模型通過(guò)超參數(shù)優(yōu)化模型迭代生成所述初始itransformer模型的最優(yōu)超參數(shù)向量，進(jìn)而根據(jù)所述最優(yōu)超參數(shù)向量更新所述初始itransformer模型，獲得第一itransformer模型；

11、將所述歷史多維時(shí)間序列數(shù)據(jù)集輸入至所述第一itransformer模型，以使所述第一itransformer模型根據(jù)所述歷史多維時(shí)間序列數(shù)據(jù)集生成模型內(nèi)部參數(shù)，進(jìn)而根據(jù)所述模型內(nèi)部參數(shù)更新所述第一itransformer模型，獲得第二itransformer模型；

12、將所述第二itransformer模型作為所述太陽(yáng)能發(fā)電量預(yù)測(cè)模型。

13、本技術(shù)實(shí)施例提供一種太陽(yáng)能發(fā)電量預(yù)測(cè)模型的訓(xùn)練方法，考慮到在工業(yè)生產(chǎn)實(shí)際中，工具柜作為基礎(chǔ)設(shè)施應(yīng)該便于維護(hù)和管理，其操作不應(yīng)該對(duì)技術(shù)知識(shí)與能力有過(guò)高的要求，因此本技術(shù)實(shí)施例結(jié)合超參數(shù)優(yōu)化模型和歷史多維時(shí)間序列數(shù)據(jù)集實(shí)現(xiàn)itransformer模型的超參數(shù)的自動(dòng)調(diào)優(yōu)。當(dāng)確定最優(yōu)超參數(shù)向量后，再次將歷史多維時(shí)間序列數(shù)據(jù)集輸入至itransformer模型，進(jìn)一步訓(xùn)練獲得itransformer模型的模型內(nèi)部參數(shù)，完成太陽(yáng)能發(fā)電量預(yù)測(cè)模型的訓(xùn)練。本技術(shù)實(shí)施例通過(guò)采用兩階段且自動(dòng)化的模型訓(xùn)練方法，既提高了模型訓(xùn)練的效率，也提高了模型的預(yù)測(cè)精確度。

14、進(jìn)一步的，所述超參數(shù)優(yōu)化模型為dingo優(yōu)化算法模型。

15、在本技術(shù)實(shí)施例中，進(jìn)一步限定了超參數(shù)優(yōu)化模型為dingo優(yōu)化算法模型，dingo算法是一種尋優(yōu)算法，它的框架與灰狼算法有相似之處，它們的位置更新方式與最優(yōu)解搜索方式基本相同。但是灰狼算法沒(méi)有貪心機(jī)制，所以收斂速度較慢，而dingo算法將灰狼算法與遺傳算法相結(jié)合，加入選優(yōu)機(jī)制提高算法的收斂速度，同時(shí)為了維持原算法的搜索能力，避免落入局部最優(yōu)解，保證了模型的超參數(shù)優(yōu)化效果。

16、在一種可能實(shí)現(xiàn)的方式中，所述太陽(yáng)能發(fā)電量預(yù)測(cè)模型包括嵌入層、特征提取層、歸一化層以及線性神經(jīng)網(wǎng)絡(luò)；所述太陽(yáng)能發(fā)電量預(yù)測(cè)模型對(duì)所述多維時(shí)間序列數(shù)據(jù)集進(jìn)行維度轉(zhuǎn)換、特征提取以及數(shù)據(jù)歸一化后，生成第二時(shí)間段內(nèi)的輻照度序列數(shù)據(jù)，包括：

17、將所述多維時(shí)間序列數(shù)據(jù)集輸入至所述嵌入層，以使所述嵌入層將所述多維時(shí)間序列數(shù)據(jù)集中各個(gè)維度的時(shí)間序列數(shù)據(jù)分別映射至不同的特征通道，獲得若干不同特征通道的特征向量；

18、將各個(gè)所述特征向量輸入至所述特征提取層，以使所述特征提取層基于多頭自注意力機(jī)制將各個(gè)特征向量融合至混合通道，獲得特征融合向量；

19、將所述融合特征向量輸入至所述歸一化層，以使所述歸一化層對(duì)所述特征融合向量中的各個(gè)數(shù)據(jù)進(jìn)行歸一化處理，生成單維時(shí)間序列數(shù)據(jù)；

20、將所述單維時(shí)間序列數(shù)據(jù)輸入至所述線性神經(jīng)網(wǎng)絡(luò)，以使所述線性神經(jīng)網(wǎng)絡(luò)生成對(duì)應(yīng)的輻照度序列數(shù)據(jù)。

21、在本技術(shù)實(shí)施例中，太陽(yáng)能發(fā)電量預(yù)測(cè)模型通過(guò)對(duì)輸入數(shù)據(jù)進(jìn)行維度轉(zhuǎn)換、特征提取以及數(shù)據(jù)歸一化后，生成第二時(shí)間段內(nèi)的輻照度序列數(shù)據(jù)。具體的，由于輸入數(shù)據(jù)是多個(gè)維度的混合數(shù)據(jù)，因此首先需要對(duì)其進(jìn)行數(shù)據(jù)映射，將不同維度的數(shù)據(jù)映射至不同的特征通道，這樣可以保證在模型輸入時(shí)各個(gè)特征的通道獨(dú)立，避免不同特征之間的干擾。在通過(guò)嵌入層后，各個(gè)特征向量的通道依然是獨(dú)立的，而后續(xù)的線性網(wǎng)絡(luò)對(duì)單維序列的預(yù)測(cè)效果要遠(yuǎn)遠(yuǎn)好于多維序列，因此，需要通過(guò)多頭自注意力機(jī)制將各個(gè)獨(dú)立通道融合為混合通道，實(shí)現(xiàn)對(duì)各個(gè)特征向量的特征提取與融合，獲得融合特征向量。最后對(duì)數(shù)據(jù)進(jìn)行歸一化處理，消除計(jì)算過(guò)程中可能出現(xiàn)的量級(jí)差異，并將歸一化后的數(shù)據(jù)輸入至線性神經(jīng)網(wǎng)絡(luò)，生成最終的輻照度序列數(shù)據(jù)，實(shí)現(xiàn)了基于多維時(shí)間序列數(shù)據(jù)集的未來(lái)輻照度預(yù)測(cè)，為后續(xù)的太陽(yáng)能倉(cāng)儲(chǔ)柜供能預(yù)警提供判斷依據(jù)。

22、進(jìn)一步的，所述線性神經(jīng)網(wǎng)絡(luò)為lstm網(wǎng)絡(luò)，包括rnn網(wǎng)絡(luò)、遺忘門(mén)以及輸出門(mén)。

23、在本技術(shù)實(shí)施例中，使用lstm網(wǎng)絡(luò)作為所述線性神經(jīng)網(wǎng)絡(luò)，而現(xiàn)有技術(shù)通常使用循環(huán)神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)這一步驟。循環(huán)神經(jīng)網(wǎng)絡(luò)通過(guò)隱藏層之間的鏈接在不同時(shí)間步之間傳遞特征信息，從而實(shí)現(xiàn)在不同時(shí)間步之間的特征的記憶。但是不加選擇的在時(shí)間步之間傳遞信息很容易造成無(wú)關(guān)信息的累積，從而擴(kuò)大特征信息之中的噪聲占比，造成模型的梯度爆炸或者梯度消失現(xiàn)象，嚴(yán)重影響模型的穩(wěn)定性以及預(yù)測(cè)精度。lstm網(wǎng)絡(luò)在rnn網(wǎng)絡(luò)的基礎(chǔ)上增加了遺忘門(mén)、更新門(mén)與輸出門(mén)，對(duì)隱藏層之間的信息傳輸進(jìn)行一定的選擇，從而降低無(wú)關(guān)特征信息累積的可能，在一定程度上緩解了rnn網(wǎng)絡(luò)預(yù)測(cè)不穩(wěn)定以及精度低的問(wèn)題，可以較好的完成與時(shí)間序列相關(guān)的預(yù)測(cè)任務(wù)，因此本技術(shù)實(shí)施例選擇lstm網(wǎng)絡(luò)作為線性預(yù)測(cè)的模型。

24、在一種可能實(shí)現(xiàn)的方式中，所述輻照度數(shù)據(jù)集包括太陽(yáng)高度角、全球水平輻照度以及漫輻照度，所述環(huán)境特征數(shù)據(jù)集包括干球溫度、濕度以及天頂亮度。

25、進(jìn)一步的，所述第二時(shí)間段內(nèi)的輻照度序列數(shù)據(jù)為第二時(shí)間段內(nèi)的全球水平輻照度序列數(shù)據(jù)。

26、第二方面，相應(yīng)的，本技術(shù)實(shí)施例提供一種基于itransformer模型的太陽(yáng)能倉(cāng)儲(chǔ)柜供能預(yù)警系統(tǒng)，包括獲取模塊、預(yù)測(cè)模塊以及判斷模塊；

27、其中，所述獲取模塊用于獲取第一時(shí)間段內(nèi)的多維時(shí)間序列數(shù)據(jù)集，所述多維時(shí)間序列數(shù)據(jù)集包括第一時(shí)間段內(nèi)的輻照度數(shù)據(jù)集和環(huán)境特征數(shù)據(jù)集；

28、所述預(yù)測(cè)模塊用于將所述多維時(shí)間序列數(shù)據(jù)集輸入至預(yù)設(shè)的太陽(yáng)能發(fā)電量預(yù)測(cè)模型，以使所述太陽(yáng)能發(fā)電量預(yù)測(cè)模型對(duì)所述多維時(shí)間序列數(shù)據(jù)集進(jìn)行維度轉(zhuǎn)換、特征提取以及數(shù)據(jù)歸一化后，生成第二時(shí)間段內(nèi)的輻照度序列數(shù)據(jù)，進(jìn)而根據(jù)所述輻照度序列數(shù)據(jù)確定太陽(yáng)能倉(cāng)儲(chǔ)柜在所述第二時(shí)間段內(nèi)的太陽(yáng)能發(fā)電量；

29、所述判斷模塊用于判斷所述太陽(yáng)能發(fā)電量是否滿(mǎn)足所述太陽(yáng)能倉(cāng)儲(chǔ)柜在所述第二時(shí)間段內(nèi)的能量需求，若不滿(mǎn)足，則向預(yù)設(shè)設(shè)備發(fā)送預(yù)警信息；

30、其中，所述太陽(yáng)能發(fā)電量預(yù)測(cè)模型是基于歷史多維時(shí)間序列數(shù)據(jù)集對(duì)初始太陽(yáng)能發(fā)電量預(yù)測(cè)模型進(jìn)行訓(xùn)練獲得，所述初始太陽(yáng)能發(fā)電量預(yù)測(cè)模型由初始itransformer模型和超參數(shù)優(yōu)化模型構(gòu)建獲得。

31、第三方面，本技術(shù)實(shí)施例提供一種終端，包括處理器、存儲(chǔ)器以及存儲(chǔ)在所述存儲(chǔ)器中且被配置為由所述處理器執(zhí)行的計(jì)算機(jī)程序，所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)如本技術(shù)實(shí)施例所述的任意一種基于itransformer模型的太陽(yáng)能倉(cāng)儲(chǔ)柜供能預(yù)警方法。

32、第四方面，本技術(shù)實(shí)施例提供一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)包括存儲(chǔ)的計(jì)算機(jī)程序，其中，在所述計(jì)算機(jī)程序運(yùn)行時(shí)控制所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)所在設(shè)備執(zhí)行如本技術(shù)實(shí)施例所述的任意一種基于itransformer模型的太陽(yáng)能倉(cāng)儲(chǔ)柜供能預(yù)警方法。