本技術(shù)涉及機器學習和太陽能供電，尤其涉及一種基于itransformer模型的太陽能倉儲柜供能預警方法、系統(tǒng)、終端以及存儲介質(zhì)。

背景技術(shù)：

1、倉儲工具柜是工業(yè)生產(chǎn)中非常重要的組成部分，它可以幫助將工具、零件、材料等按照類型、規(guī)格和使用頻率進行分類存放，便于快速檢索和取用。同時通過存儲柜系統(tǒng)，可以更有效地監(jiān)控庫存水平，避免過?；蚨倘薄Ｒ虼舜鎯裨诠I(yè)現(xiàn)場不僅是物品存放的簡單容器，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，智能存儲柜的應用將進一步增強這些優(yōu)勢。智能工具存儲柜是集成了物聯(lián)網(wǎng)、大數(shù)據(jù)、云計算、人工智能、自動化和節(jié)能環(huán)保技術(shù)的一種創(chuàng)新倉儲管理系統(tǒng)，這些技術(shù)特點使其在多個行業(yè)中具有重要應用價值。但是智能倉儲柜的功能實現(xiàn)依賴穩(wěn)定的電力能源供給，在實際的工業(yè)應用場景中，很多時候難以提供穩(wěn)定的電力能源供給，這大大減少了智能工具倉儲柜的應用場景。因此進一步對智能倉儲工具柜的供能系統(tǒng)進行了優(yōu)化，引入獲取成本極低、分布極其廣的太陽能對倉儲工具柜進行供電，即太陽能倉儲柜，大大增加了工具柜的應用場景。

2、雖然太陽能發(fā)電技術(shù)解決了智能倉儲工具柜在沒有穩(wěn)定外部電源情況下的供電問題。但是，由于太陽能是一種不穩(wěn)定的能源，其受天氣、季節(jié)以及時刻等因素的影響非常嚴重，在部分情況下完全無法提供任何供電。而智能倉儲工具柜的運行需要穩(wěn)定的電壓環(huán)境，在工業(yè)現(xiàn)場中，工具柜斷電可能會嚴重影響生產(chǎn)進程，從而造成經(jīng)濟損失。因此，提前評估太陽能發(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際應用中的穩(wěn)定運行。

技術(shù)實現(xiàn)思路

1、針對上述技術(shù)問題，本技術(shù)提供一種基于itransformer模型的太陽能倉儲柜供能預警方法、系統(tǒng)、終端以及存儲介質(zhì)，通過對太陽能倉儲柜的未來太陽能發(fā)電量進行預測，提高太陽能倉儲柜運行的穩(wěn)定性。

2、第一方面，本技術(shù)實施例提供一種基于itransformer模型的太陽能倉儲柜供能預警方法，包括：

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

4、將所述多維時間序列數(shù)據(jù)集輸入至預設(shè)的太陽能發(fā)電量預測模型，以使所述太陽能發(fā)電量預測模型對所述多維時間序列數(shù)據(jù)集進行維度轉(zhuǎn)換、特征提取以及數(shù)據(jù)歸一化后，生成第二時間段內(nèi)的輻照度序列數(shù)據(jù)，進而根據(jù)所述輻照度序列數(shù)據(jù)確定太陽能倉儲柜在所述第二時間段內(nèi)的太陽能發(fā)電量；

5、判斷所述太陽能發(fā)電量是否滿足所述太陽能倉儲柜在所述第二時間段內(nèi)的能量需求，若不滿足，則向預設(shè)設(shè)備發(fā)送預警信息；

6、其中，所述太陽能發(fā)電量預測模型是基于歷史多維時間序列數(shù)據(jù)集對初始太陽能發(fā)電量預測模型進行訓練獲得，所述初始太陽能發(fā)電量預測模型由初始itransformer模型和超參數(shù)優(yōu)化模型構(gòu)建獲得。

7、本技術(shù)實施例提供一種基于itransformer模型的太陽能倉儲柜供能預警方法，使用預設(shè)的太陽能發(fā)電量預測模型結(jié)合多個維度的時間序列數(shù)據(jù)集對太陽能倉儲柜的未來太陽能發(fā)電量進行預測，進而根據(jù)預測的發(fā)電量對太陽能倉儲柜供能，提高太陽能倉儲柜運行的穩(wěn)定性。在本技術(shù)實施例中，考慮到太陽能發(fā)電量序列預測任務本質(zhì)上就是更為復雜的時間序列預測，因此本技術(shù)實施例在預測過程中獲取了第一時間段內(nèi)的多維時間序列數(shù)據(jù)集用于后續(xù)的預測，能夠有效提高模型預測的準確性。此外，供能系統(tǒng)中最重要的部分是對太陽能供電系統(tǒng)的供能能力進行預測，考慮到太陽能供能系統(tǒng)的供能能力受工具柜部署位置的外部情況的影響極大，需要采用一個特征提取能力較強的長時序列預測方法完成對太陽能供電數(shù)據(jù)的預測。而itransformer模型在時間序列預測領(lǐng)域的預測性能要明顯優(yōu)于其他預測模型，因此本技術(shù)實施例選擇itransformer模型構(gòu)建初始太陽能發(fā)電量預測模型，提高模型預測的準確性。進一步的，本技術(shù)實施例還結(jié)合了超參數(shù)優(yōu)化模型構(gòu)建所述初始太陽能發(fā)電量預測模型，使得在訓練過程中，itransformer模型的超參數(shù)能夠進行自主優(yōu)化，提高模型訓練的效率。

8、在一種可能實現(xiàn)的方式中，所述基于歷史多維時間序列數(shù)據(jù)集對初始太陽能發(fā)電量預測模型進行訓練獲得所述太陽能發(fā)電量預測模型，包括：

9、獲取歷史多維時間序列數(shù)據(jù)集；

10、將所述歷史多維時間序列數(shù)據(jù)集輸入至所述初始太陽能發(fā)電量預測模型，以使所述初始太陽能發(fā)電量預測模型通過超參數(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)所述歷史多維時間序列數(shù)據(jù)集生成模型內(nèi)部參數(shù)，進而根據(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模型作為所述太陽能發(fā)電量預測模型。

13、本技術(shù)實施例提供一種太陽能發(fā)電量預測模型的訓練方法，考慮到在工業(yè)生產(chǎn)實際中，工具柜作為基礎(chǔ)設(shè)施應該便于維護和管理，其操作不應該對技術(shù)知識與能力有過高的要求，因此本技術(shù)實施例結(jié)合超參數(shù)優(yōu)化模型和歷史多維時間序列數(shù)據(jù)集實現(xiàn)itransformer模型的超參數(shù)的自動調(diào)優(yōu)。當確定最優(yōu)超參數(shù)向量后，再次將歷史多維時間序列數(shù)據(jù)集輸入至itransformer模型，進一步訓練獲得itransformer模型的模型內(nèi)部參數(shù)，完成太陽能發(fā)電量預測模型的訓練。本技術(shù)實施例通過采用兩階段且自動化的模型訓練方法，既提高了模型訓練的效率，也提高了模型的預測精確度。

14、進一步的，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)實施例中，進一步限定了超參數(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。但是灰狼算法沒有貪心機制，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)機制提高算法的收斂速度，同時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、在一種可能實現(xiàn)的方式中，所述太陽能發(fā)電量預測模型包括嵌入層、特征提取層、歸一化層以及線性神經(jīng)網(wǎng)絡(luò)；所述太陽能發(fā)電量預測模型對所述多維時間序列數(shù)據(jù)集進行維度轉(zhuǎn)換、特征提取以及數(shù)據(jù)歸一化后，生成第二時間段內(nèi)的輻照度序列數(shù)據(jù)，包括：

17、將所述多維時間序列數(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間序列數(shù)據(jù)集中各個維度的時間序列數(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制將各個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所述特征融合向量中的各個數(shù)據(jù)進行歸一化處理，生成單維時間序列數(shù)據(jù)；

20、將所述單維時間序列數(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)生成對應的輻照度序列數(shù)據(jù)。

21、在本技術(shù)實施例中，太陽能發(fā)電量預測模型通過對輸入數(shù)據(jù)進行維度轉(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)是多個維度的混合數(shù)據(jù)，因此首先需要對其進行數(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各個特征的通道獨立，避免不同特征之間的干擾。在通過嵌入層后，各個特征向量的通道依然是獨立的，而后續(xù)的線性網(wǎng)絡(luò)對單維序列的預測效果要遠遠好于多維序列，因此，需要通過多頭自注意力機制將各個獨立通道融合為混合通道，實現(xiàn)對各個特征向量的特征提取與融合，獲得融合特征向量。最后對數(shù)據(jù)進行歸一化處理，消除計算過程中可能出現(xiàn)的量級差異，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)，實現(xiàn)了基于多維時間序列數(shù)據(jù)集的未來輻照度預測，為后續(xù)的太陽能倉儲柜供能預警提供判斷依據(jù)。

22、進一步的，所述線性神經(jīng)網(wǎng)絡(luò)為lstm網(wǎng)絡(luò)，包括rnn網(wǎng)絡(luò)、遺忘門以及輸出門。

23、在本技術(shù)實施例中，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)實現(xiàn)這一步驟。循環(huán)神經(jīng)網(wǎng)絡(luò)通過隱藏層之間的鏈接在不同時間步之間傳遞特征信息，從而實現(xiàn)在不同時間步之間的特征的記憶。但是不加選擇的在時間步之間傳遞信息很容易造成無關(guān)信息的累積，從而擴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，嚴重影響模型的穩(wěn)定性以及預測精度。lstm網(wǎng)絡(luò)在rnn網(wǎng)絡(luò)的基礎(chǔ)上增加了遺忘門、更新門與輸出門，對隱藏層之間的信息傳輸進行一定的選擇，從而降低無關(guān)特征信息累積的可能，在一定程度上緩解了rnn網(wǎng)絡(luò)預測不穩(wěn)定以及精度低的問題，可以較好的完成與時間序列相關(guān)的預測任務，因此本技術(shù)實施例選擇lstm網(wǎng)絡(luò)作為線性預測的模型。

24、在一種可能實現(xiàn)的方式中，所述輻照度數(shù)據(jù)集包括太陽高度角、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、進一步的，所述第二時間段內(nèi)的輻照度序列數(shù)據(jù)為第二時間段內(nèi)的全球水平輻照度序列數(shù)據(jù)。

26、第二方面，相應的，本技術(shù)實施例提供一種基于itransformer模型的太陽能倉儲柜供能預警系統(tǒng)，包括獲取模塊、預測模塊以及判斷模塊；

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

28、所述預測模塊用于將所述多維時間序列數(shù)據(jù)集輸入至預設(shè)的太陽能發(fā)電量預測模型，以使所述太陽能發(fā)電量預測模型對所述多維時間序列數(shù)據(jù)集進行維度轉(zhuǎn)換、特征提取以及數(shù)據(jù)歸一化后，生成第二時間段內(nèi)的輻照度序列數(shù)據(jù)，進而根據(jù)所述輻照度序列數(shù)據(jù)確定太陽能倉儲柜在所述第二時間段內(nèi)的太陽能發(fā)電量；

29、所述判斷模塊用于判斷所述太陽能發(fā)電量是否滿足所述太陽能倉儲柜在所述第二時間段內(nèi)的能量需求，若不滿足，則向預設(shè)設(shè)備發(fā)送預警信息；

30、其中，所述太陽能發(fā)電量預測模型是基于歷史多維時間序列數(shù)據(jù)集對初始太陽能發(fā)電量預測模型進行訓練獲得，所述初始太陽能發(fā)電量預測模型由初始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)實施例提供一種終端，包括處理器、存儲器以及存儲在所述存儲器中且被配置為由所述處理器執(zhí)行的計算機程序，所述處理器執(zhí)行所述計算機程序時實現(xiàn)如本技術(shù)實施例所述的任意一種基于itransformer模型的太陽能倉儲柜供能預警方法。

32、第四方面，本技術(shù)實施例提供一種計算機可讀存儲介質(zhì)，所述計算機可讀存儲介質(zhì)包括存儲的計算機程序，其中，在所述計算機程序運行時控制所述計算機可讀存儲介質(zhì)所在設(shè)備執(zhí)行如本技術(shù)實施例所述的任意一種基于itransformer模型的太陽能倉儲柜供能預警方法。