光伏发电功率预测方法、装置、电子设备及存储介质与流程

1.本发明属于电力技术领域，尤其涉及一种光伏发电功率预测方法、装置、电子设备及存储介质。


背景技术：

2.光伏发电功率的波动严重影响着电力系统的稳定经济运行，极大的限制了光伏发电行业与电力系统的发展。约束了光伏并网的进一步扩大。然而一个准确可靠的光伏发电功率预测方法可以有效的解决上述问题，通过预测光伏发电功率的变化趋势，制订相关方案对电力系统进行优化调度可以有效的提高光伏发电的能源利用率，降低电力系统的运行成本。
3.受外界环境因素的影响，传统的光伏发电预测模型预测精度不够准确，越来越多的学者采用数据统计的方式建立光伏发电功率的预测模型，常用方法有支持向量机、极限学习机、人工神经网络等。随着机器学习的发展，长短期记忆网络广泛地运用在复杂的时间序列预测领域上，在提高光伏发电预测的精度上取得了重大突破。本技术的发明人发现，采用单一模型对光伏发电功率进行预测容易出现过拟合以及欠拟合的问题，使预测精度降低；同时通过数据统计的方式建立的光伏发电预测模型受算法原理的制约，难以对不同天气类型下光伏发电功率的趋势以及云团运动导致的功率波动做出精准预测。


技术实现要素：

4.有鉴于此，本发明实施例提供了一种光伏发电功率预测方法、装置、电子设备及存储介质，以提高光伏发电功率的预测精度。
5.本发明实施例的第一方面提供了一种光伏发电功率预测方法，包括：
6.获取待预测日的多个天气指标的预报数据，根据待预测日的多个天气指标的预报数据确定待预测日的基本天气场景；
7.将待预测日划分为多个时段，根据每个时段的多个天气指标的预报数据，确定每个时段在基本天气场景下的云层状态；
8.根据每个时段在基本天气场景下的云层状态，从多个天气指标中选取每个时段的相关天气指标；
9.将每个时段的相关天气指标的预报数据输入至预先训练的光伏发电功率预测模型中，得到每个时段目标光伏电站的光伏发电功率预测数据。
10.结合第一方面，在第一方面的一种可能的实现方式中，根据待预测日的多个天气指标的预报数据确定待预测日的基本天气场景，包括：
11.根据待预测日的多个天气指标的预报数据，计算待预测日的云量日均值和降水量日均值；
12.基于待预测日的云量日均值和降水量日均值，确定待预测日的基本天气场景，基本天气场景为晴天、阴天、多云、雨天中的一种；
13.根据每个时段的多个天气指标的预报数据，确定每个时段在基本天气场景下的云层状态，包括：
14.将每个时段的多个天气指标的预报数据输入至预先训练的云层状态预测模型中，得到每个时段在基本天气场景下的云层状态。
15.结合第一方面，在第一方面的一种可能的实现方式中，预先训练云层状态预测模型的过程包括：
16.获取目标光伏电站在历史时期的历史光伏发电功率和多个天气指标的历史预报数据；
17.将历史时期每日划分为多个时段，根据每个时段的历史光伏发电功率确定每个时段的波动特征参数；
18.获取每个时段目标光伏电站上空的地基云图；
19.根据每个时段的波动特征参数和地基云图，确定每个时段的真实云层状态，将每个时段的多个天气指标的历史预报数据作为模型输入，根据每个时段的真实云层状态和模型输出的预测云层状态，训练云层状态预测模型的参数。
20.结合第一方面，在第一方面的一种可能的实现方式中，根据每个时段的历史光伏发电功率确定每个时段的波动特征参数，包括：
21.对每个时段的历史光伏发电功率进行变分模态分解，得到多个模式函数；
22.对每个模式函数进行快速傅里叶变换，得到每个模式函数的中心频率；
23.叠加不同中心频率下的模式函数，得到每个时段的历史光伏发电功率的平滑部分和波动部分；
24.计算每个时段的波动部分的移动均线、标准差与峰值比，得到每个时段的波动特征参数。
25.结合第一方面，在第一方面的一种可能的实现方式中，光伏发电功率预测模型为集成模型，集成模型的基模型为cnn-lstm神经网络模型和xgboost模型，集成模型的元模型为支持向量机。
26.结合第一方面，在第一方面的一种可能的实现方式中，预先训练光伏发电功率预测模型的过程包括：
27.获取目标光伏电站在历史时期的历史光伏发电功率和多个天气指标的历史预报数据；
28.确定历史时期每日每个时段相应的相关天气指标；
29.根据历史时期每日每个时段的历史光伏发电功率和相关天气指标的历史预报数据，构建训练集；
30.根据训练集采用三折交叉训练法训练基模型的参数，并基于已训练的基模型的预测结果训练元模型的参数，得到光伏发电功率预测模型。
31.结合第一方面，在第一方面的一种可能的实现方式中，在根据每个时段在基本天气场景下的云层状态，从多个天气指标中选取每个时段的相关天气指标之前，还包括：
32.计算不同基本天气场景的不同云层状态下，各个天气指标与光伏发电功率的相关性，以确定不同基本天气场景的不同云层状态对应的相关天气指标。
33.本发明实施例的第二方面提供了一种光伏发电功率预测装置，包括：
34.获取模块，用于获取待预测日的多个天气指标的预报数据，根据待预测日的多个天气指标的预报数据确定待预测日的基本天气场景；
35.确定模块，用于将待预测日划分为多个时段，根据每个时段的多个天气指标的预报数据，确定每个时段在基本天气场景下的云层状态；
36.选取模块，用于根据每个时段在基本天气场景下的云层状态，从多个天气指标中选取每个时段的相关天气指标；
37.预测模块，用于将每个时段的相关天气指标的预报数据输入至预先训练的光伏发电功率预测模型中，得到每个时段目标光伏电站的光伏发电功率预测数据。
38.本发明实施例的第三方面提供了一种电子设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如上述第一方面或第一方面的任意一种实现方式中的方法的步骤。
39.本发明实施例的第四方面提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现如上述第一方面或第一方面的任意一种实现方式中的方法的步骤。
40.本发明实施例与现有技术相比存在的有益效果是：
41.本发明实施例通过确定待预测日的基本天气场景，以及对待预测日划分时段，确定每个时段在基本天气场景下的云层状态，实现对光伏发电功率预测场景的进一步细化；进而，根据每个时段在基本天气场景下的云层状态选取相应的相关天气指标进行预测，能够更准确地预测光伏发电功率。
附图说明
42.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中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性的前提下，还可以根据这些附图获得其他的附图。
43.图1是本发明实施例提供的光伏发电功率预测方法的流程示意图；
44.图2是本发明实施例提供的训练光伏发电功率预测模型的示意图；
45.图3是本发明实施例提供的各种地基云图下光伏发电功率的预测对比图；
46.图4是本发明实施例提供的多云天气下不同模型的预测结果对比图；
47.图5是本发明实施例提供的阵雨天气下不同模型的预测结果对比图；
48.图6是本发明实施例提供的全雨天气下不同模型的预测结果对比图；
49.图7是本发明实施例提供的阴天天气下不同模型的预测结果对比图；
50.图8是本发明实施例提供的光伏发电功率预测装置的结构示意图；
51.图9是本发明实施例提供的电子设备的结构示意图。
具体实施方式
52.以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电
路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
53.为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
54.参见图1所示，本发明实施例提供了一种光伏发电功率预测方法，具体包括以下步骤：
55.步骤s101，获取待预测日的多个天气指标的预报数据，根据待预测日的多个天气指标的预报数据确定待预测日的基本天气场景。
56.在本实施例中，预报数据可以从气象部门获取，多个天气指标包括但不限于总辐射、环境温度、组件温度、湿度、风速、气压、云量、降水时间等，时间间隔均为15分钟，各数据需要进行归一化与反归一化处理。
57.例如，可以按如下公式对数据进行归一化与反归一化处理：
[0058][0059]
x
unscale
＝x
scaled
(x
max-x
min
)+x
min
；
[0060]
式中，x
scaled
为归一化结果；x
unscale
为反归一化结果；x
max
为各指标序列中的最大值；x
min
为各指标序列中的最小值。
[0061]
根据待预测日的多个天气指标的预报数据，就可以确定待预测日的基本天气场景，例如可以分为晴天、阴天、多云、雨天四种基本天气场景。可以理解的是，不同的天气情况，对光伏发电功率能够产生较大的影响。
[0062]
步骤s102，将待预测日划分为多个时段，根据每个时段的多个天气指标的预报数据，确定每个时段在基本天气场景下的云层状态。
[0063]
在本实施例中，可以以小时为单位划分时段，并进一步分析每个时段的云层状态。不同的云层状态也会影响光伏发电功率。
[0064]
示例性的，每个基本天气场景下，划分晴空、运动速度慢的厚云层、运动速度慢复杂程度低的块状云、运动速度慢的薄云、运动速度慢复杂程度高的块状云、运动速度快的厚云层、运动速度快复杂程度低的块状云、运动速度快的薄云、运动速度快复杂程度高的块状云，共8种云层状态。
[0065]
步骤s103，根据每个时段在基本天气场景下的云层状态，从多个天气指标中选取每个时段的相关天气指标。
[0066]
不同基本天气场景下的不同云层状态下，各个天气指标与光伏发电功率的相关性也不相同。本实施例预先确定了不同基本天气场景的不同云层状态下，对光伏发电功率影响较大的指标，作为相关天气指标。
[0067]
作为一种可能的实现方式，可以通过皮尔逊相关系数法计算光伏发电功率与各个天气指标的相关性，其中相关性p的取值范围为[-1,1]，当p取负值时，说明负相关，当p取正值时，说明正相关。可以设置当|p|》0.6时，该指标就是相关天气指标。其中，皮尔逊相关系数计算公式为：
[0068]
[0069]
式中，x
ij
为各个天气指标的预报数据；yj为光伏发电功率。
[0070]
步骤s104，将每个时段的相关天气指标的预报数据输入至预先训练的光伏发电功率预测模型中，得到每个时段目标光伏电站的光伏发电功率预测数据。
[0071]
在每个时段，通过相关天气指标，能够更准确地进行光伏发电功率预测。光伏发电功率预测模型的输入参数中，不相关的天气指标默认为零。
[0072]
可见，本发明实施例通过确定待预测日的基本天气场景，以及对待预测日划分时段，确定每个时段在基本天气场景下的云层状态，实现对光伏发电功率预测场景的进一步细化；进而，根据每个时段在基本天气场景下的云层状态选取相应的相关天气指标进行预测，能够更准确地预测光伏发电功率。
[0073]
作为一种可能的实现方式，步骤s101根据待预测日的多个天气指标的预报数据确定待预测日的基本天气场景，包括：
[0074]
根据待预测日的多个天气指标的预报数据，计算待预测日的云量日均值和降水量日均值；
[0075]
基于待预测日的云量日均值和降水量日均值，确定待预测日的基本天气场景，基本天气场景为晴天、阴天、多云、雨天中的一种。
[0076]
具体的，该步骤可以详述为：
[0077]
步骤s1011，选取多个天气指标中的云量、降水量作为天气分型因子。
[0078]
步骤s1012，各天气分型因子在一天内的均值为天气分型因子日均值：
[0079][0080]
式中，v
s,t
为天气分型因子日均值；v
s,t
为第s个天气分型因子在t时刻的值；nd为以15min为时间间隔的预报下，一天内白天的数量点。
[0081]
从而，得到云量日均值c和降水量日均值t
p
。
[0082]
步骤s1013，设置c1为晴天与多云模型的分型阈值参数，c2为多云与阴天模型的分型阈值参数。
[0083]
当且t
p
＝0时，将当日基本天气场景划分为晴天；
[0084]
当且t
p
＝0时，将当日基本天气场景划分为多云；
[0085]
当且t
p
＝0时，将当日基本天气场景划分为阴天；
[0086]
当且t
p
≠0时，将当日基本天气场景划分为雨天。
[0087]
作为一种可能的实现方式，步骤s102根据每个时段的多个天气指标的预报数据，确定每个时段在基本天气场景下的云层状态，包括：
[0088]
将每个时段的多个天气指标的预报数据输入至预先训练的云层状态预测模型中，得到每个时段在基本天气场景下的云层状态。
[0089]
本实施例通过预先训练一个云层状态预测模型，识别每个时段的云层状态。具体的，云层状态预测模型能够输出晴空、运动速度慢的厚云层、运动速度慢复杂程度低的块状云、运动速度慢的薄云、运动速度慢复杂程度高的块状云、运动速度快的厚云层、运动速度
快复杂程度低的块状云、运动速度快的薄云、运动速度快复杂程度高的块状云，共8种云层状态。
[0090]
本实施例预先训练云层状态预测模型的过程包括：
[0091]
步骤s201，获取目标光伏电站在历史时期的历史光伏发电功率和多个天气指标的历史预报数据；
[0092]
步骤s202，将历史时期每日划分为多个时段，根据每个时段的历史光伏发电功率确定每个时段的波动特征参数；
[0093]
步骤s203，获取每个时段目标光伏电站上空的地基云图；
[0094]
步骤s204，根据每个时段的波动特征参数和地基云图，确定每个时段的真实云层状态，将每个时段的多个天气指标的历史预报数据作为模型输入，根据每个时段的真实云层状态和模型输出的预测云层状态，训练云层状态预测模型的参数。
[0095]
对于步骤s201和步骤s202：
[0096]
可以提取目标光伏电站近一年内的历史光伏发电功率和多个天气指标的历史预报数据，将每日以小时为单位划分时段。对每个时段的历史光伏发电功率进行变分模态分解，可以得到m个模式函数，记第m个固有模式函数为imfm(m＝1,2,
…
m)，为了获取低频信号以表示平滑过程，需要确定合适的模态个数m。对每个m值对应的imfm进行快速傅里叶变换，确定m个固有模态函数的中心频率ωm。定义在离散信号情况下，如果相邻的采样值具有不同的代数符号就称发生了穿透。穿透次数与信号长度的比例为穿透率t，用来划分含波动数据固有模式函数，穿透率计算方法为式中n
zero
为发生穿透数据的个数，n为序列中数据的总数。通过叠加不同中心频率下的imfm，即可得到历史光伏发电功率的波动部分与平滑部分。
[0097]
进一步，对每个时段的波动数据进行处理，计算各个时间窗口内波动数据的移动均线、标准差与峰值比，并将波动数据的移动均线r(1)、标准差r(2)与峰值比r(3)作为波动特征参数。计算方式如下：
[0098][0099][0100][0101]
式中，k为时段内的时间节点个数；bi为该时段内第i时刻的波动值；为该时段的波动均值；n为统计该时段内的极值点数。
[0102]
本实施例定义了移动均线、标准差、峰值比3个参数。通过移动平均线能够判断地基上空云团运动的快慢，当移动平均线走势平滑时代表地基上空云团运动速度较慢或者不动，此时光伏波动程度较低，光伏发电功率趋于平缓。当移动平均线呈现较高的正值或负值时，代表地基上空云团运动速度较快，光伏波动程度高，光伏发电功率变化程度较大。通过标准差与峰值比的组合可以判断地基上空的云图类型。标准差与峰值比可以反映云层的复
杂程度与连续程度。标准差越大，云层复杂程度越大；标准差越小，云层复杂程度越低。峰值比越高，云层的连续性越低；峰值比越低，云层的连续性越强。
[0103]
对于步骤s203和步骤s204：
[0104]
通过获取每个时段目标光伏电站上空的地基云图，并将其变换为灰度图，结合灰度图中各像素点的灰度值可以计算出厚薄云团的灰度阈值，依照阈值将地基云图分为晴空状态、厚云层状态、薄云状态、块状云状态；通过检测得到不同云团的特征点，记录不同时间节点下云团特征点在图像中的位置，设第一张图像上特征点的位置为初始位置，计算特征点移动的速度与方向，可以判定云图中云团的运动快慢；结合波动特征参数以及地基云图的分析，能够确定每个时段的真实云层状态。本方法能够大幅提高数据标注的效率。进一步，基于已标注的数据能够训练云层状态预测模型的参数。
[0105]
作为一种可能的实现方式，光伏发电功率预测模型为集成模型，集成模型的基模型为cnn-lstm神经网络模型和xgboost模型，集成模型的元模型为支持向量机。预先训练光伏发电功率预测模型的过程包括：
[0106]
获取目标光伏电站在历史时期的历史光伏发电功率和多个天气指标的历史预报数据；
[0107]
确定历史时期每日每个时段相应的相关天气指标；
[0108]
根据历史时期每日每个时段的历史光伏发电功率和相关天气指标的历史预报数据，构建训练集；
[0109]
根据训练集采用三折交叉训练法训练基模型的参数，并基于已训练的基模型的预测结果训练元模型的参数，得到光伏发电功率预测模型。
[0110]
参见图2，训练时的详述步骤如下：
[0111]
(1)把原始的训练集平均分成3个数据集。
[0112]
(2)在这3份数据集上，对每个基模型展开3折交叉训练，即每个基模型每次用2份数据集训练，1份数据集预测，重复3次，得到的预测值保存。然后将训练好的基模型用于对原测试数据进行预测，并将预测结果保存起来。当上述过程完成后，每一个元模型将分别从交叉训练中获得3个预测结果，并从测试集中获得3个预测结果。
[0113]
(3)一个基模型训练和预测完成后，将3份交叉训练的预测值逐行合并，记为train1。然后，从测试集中得到3个预测值，以test1表示。
[0114]
(4)当所有基模型训练和预测完毕后，第一层模型就输出两个特征矩阵给第二层的元模型，分别是(train1,train2，
……
)和(test1,test2，
……
)。
[0115]
(5)把特征矩阵(train1,train2，
……
)和原始训练集的标签值每行一一对应，合并成新的训练集，在这个训练集上对元模型进行训练。
[0116]
进一步的，本实施例通过对比预测值与真实值判定预测精度，并以平均绝对百分误差和均方根误差作为误差评价指标。
[0117]
这两种评价误差的标准按下式计算：
[0118]
[0119][0120]
式中，p
re
为光伏发电功率的真实值；p
pre
为伏发电功率的预测值；n为预测时段预测值的个数；e
mape
为平均绝对百分误差；e
rmse
为均方根误差。
[0121]
本发明通过对光伏发电功率的预测场景进行细化，结合功率特征参数与地基云图中云团的运动形态，得到多种典型的云层类型，以8种典型的云层类型为例，将光伏波动数据分类到这几种云层下，实现地基云图分类，使得光伏发电功率的训练集数据与预测数据的一致性较强。同时本发明提出了一种多模型融合堆叠的预测方法，优化单一模型预测时容易出现过拟合以及欠拟合的问题，有效提高了光伏发电功率的预测精度。
[0122]
本实施例选取某地200mw的光伏电站作为试验对象，以2017年1月1日至2017年12月31日时间段内的多个天气指标的预报数据和光伏发电功率实测数据为样本。为了使选取的测试日样本具有较为丰富的天气类型，选取该地区2017年5月3日、5月4日、5月5日、5月6日及5月13日，天气类型依次为阵雨天气、全雨天气、阴天天气、多云天气、晴天天气的光伏发电功率数据作为测试样本进行具体分析。该数据详细记录了全站每日时段的光伏发电功率，统计全年出现与其相同的天气类型次数如表1所示。
[0123]
表1 2017年天气类型划分情况表
[0124][0125]
取采样周期为15min，由于夜晚的光伏功率均为0，故选取7:30—17:00的数据，共计190个数据样本作为测试集数据。由于2017年该地区出现了6个样本日的特殊天气，故选取2017年与该5种典型类型相同天气类型，共359个样本日的光伏功率作为训练集数据。作为光伏发电功率预测的训练样本。
[0126]
光伏电站上空云团的运动，使光伏发电功率产生数据波动，且波动数据在电站上空云层形态相似的采样窗口内呈现一定的周期性。结合本发明中提出的云层类型，对5月3日阵雨天气以及5月6日多云天气，共76个数据样本进行波动分类。所得到的分类结果如表2所示。
[0127]
表2各类云图情况下数据分布情况表
[0128][0129][0130]
表2中，第1类云图为地基上空出现晴空状态或者运动速度慢的厚云；第2类云图为地基上空出现运动速度慢，复杂程度低的块状云；第3类云图为地基上空出现运动速度慢的薄云；第4类云图为地基上空出现运动速度慢，复杂程度高的块状云；第5类云图为地基上空出现运动速度快的厚云；第6类云图为地基上空出现运动速度快，复杂程度低的块状云；第7类云图为地基上空出现动速度快的薄云；第8类云图为运动速度快，复杂程度高的块状云。
[0131]
统计各云图类型出现在2017年5月3日与5月6日的个数，其中，第5类云图即移动速度较快的厚云团云图类型出现次数最多，块状云出现次数其次，晴空与薄云层出现次数最少，符合多云天气与阴天天气的云层情况。
[0132]
图3为各种地基云图下光伏发电功率的预测对比图。选取表2中各类云图下的光伏功率作为样本，其中各类云图下云层形态的情况与表2保持一致，将未采用地基云图分类所得到的预测结果与其对比。分析基于地基云图分类下光伏发电功率预测的优势。
[0133]
结合计算各种地基云图类型下光伏发电功率预测值的e
mape
与e
rmse
，计算该76个样本点采用地基云图分类以及未参用地基云图分类，所得到光伏发电功率预测结果的e
mape
与e
rmse
，如表3所示。
[0134]
表3不同地基云图下光伏功率预测性能比较表
[0135]
[0136][0137]
表3中，第4类云图下得到的mape值最大为5.8093，第8类云图下得到的rmse值最大为5.3619。但均小于未采用地基云图分类时预测得到的mape值12.5963与rmse值15.6659。且第4类与第8类的云图类型复杂程度高的块状云。此时，光伏电站上空的云图中所包含的云团运动形态最复杂，预测精度略低。第1类与第5类云图中，电站上空的云图类型为晴空或厚云层状态。此时云图特征最为明显，通过云图形态划分的波动数据集最为准确。计算其预测误差评判指标分别为1.6892与2.6349均小于采用地基云图分类时76个样本点预测值的mape与rmse值3.9035与4.5618故采用地基云图分类后可以有效的提高光伏发电功率的预测精度。
[0138]
采用xgboost模型、cnn-lstm模型以及本实施例的集成(stacking)模型预测光伏发电功率，得到的光伏发电功率预测结果如图3-图7所示。
[0139]
图4-图7分别为多云天气、阵雨天气、全雨天气、阴天天气下光伏发电功率通过本实施例的stacking模型、xgboost模型、cnn-lstm模型的预测结果。如图6全雨天气所示，光伏发电功率于10：15达到当日峰值后，出现下降趋势，由于平滑数据的训练集样本均在11：00到12：00出现峰值，此时预测模型均高估了光伏发电功率，使得预测值偏高，预测误差偏大。在图7阴天天气13：00到14：00时，光伏发电功率突然减小，而cnn-lstm于xgboost模型预测到了一个光伏发电功率增大的波动，使得预测误差增大，采用stacking模型得到的预测值与测试集样本更为贴近，优化了采用单一模型预测时对突变的光伏发电功率预测乏力的问题。
[0140]
表4stacking组合预测模型预测结果评价表
[0141][0142]
如表4所示，各天气类型下stacking模型的e
rmse
与e
mape
值均为最低。在阵雨天气中，stacking模型的e
rmse
为3.6237mw，xgboost与cnn-lstm模型的e
rmse
分别为7.6494mw与5.6361mw。stacking模型的均方根误差较xgboost与cnn-lstm分别减少了4.0257mw与
2.0124mw。stacking模型的e
mape
为2.7169％，xgboost与cnn-lstm模型的e
mape
分别为6.4256％与4.8236％。采用stacking模型预测阵雨天气下的波动数据较xgboost与cnn-lstm模型提高了3.7087％与2.1067％的平均绝对误差。在全雨天气中，stacking模型的e
rmse
为3.2026mw，xgboost与cnn-lstm模型的e
rmse
分别为7.6051mw与5.5708mw。stacking模型的均方根误差较xgboost与cnn-lstm分别减少了4.4025mw与2.3682mw。stacking模型的e
mape
为1.9362％，xgboost与cnn-lstm模型的e
mape
分别为4.5986％与2.5317％。采用stacking模型预测全雨天气下的波动数据较xgboost与cnn-lstm模型提高了2.6624％与0.5955％的平均绝对误差。在多云天气以及阴天天气下，stacking模型预测精度均高于xgboost与cnn-lstm模型。在多云天气下stacking模型的e
rmse
提高了4.6674mw与2.8372mw，e
mape
提高了2.4172％与1.658％，在阴天天气下stacking模型的e
rmse
提高了3.9774mw与1.6575mw，e
mape
提高了2.7304％与0.5832％。stacking模型在各类天气类型下的光伏发电功率精度均有有效提升，stacking模型对阵雨天气和全雨天气下的预测精度提高程度最为明显。
[0143]
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
[0144]
参见图8所示，本实施例提供了一种光伏发电功率预测装置80，包括：
[0145]
获取模块81，用于获取待预测日的多个天气指标的预报数据，根据待预测日的多个天气指标的预报数据确定待预测日的基本天气场景。
[0146]
确定模块82，用于将待预测日划分为多个时段，根据每个时段的多个天气指标的预报数据，确定每个时段在基本天气场景下的云层状态。
[0147]
选取模块83，用于根据每个时段在基本天气场景下的云层状态，从多个天气指标中选取每个时段的相关天气指标。
[0148]
预测模块84，用于将每个时段的相关天气指标的预报数据输入至预先训练的光伏发电功率预测模型中，得到每个时段目标光伏电站的光伏发电功率预测数据。
[0149]
作为一种可能的实现方式，获取模块81具体用于：
[0150]
根据待预测日的多个天气指标的预报数据，计算待预测日的云量日均值和降水量日均值；
[0151]
基于待预测日的云量日均值和降水量日均值，确定待预测日的基本天气场景，基本天气场景为晴天、阴天、多云、雨天中的一种；
[0152]
根据每个时段的多个天气指标的预报数据，确定每个时段在基本天气场景下的云层状态，包括：
[0153]
将每个时段的多个天气指标的预报数据输入至预先训练的云层状态预测模型中，得到每个时段在基本天气场景下的云层状态。
[0154]
作为一种可能的实现方式，预先训练云层状态预测模型的过程包括：
[0155]
获取目标光伏电站在历史时期的历史光伏发电功率和多个天气指标的历史预报数据；
[0156]
将历史时期每日划分为多个时段，根据每个时段的历史光伏发电功率确定每个时段的波动特征参数；
[0157]
获取每个时段目标光伏电站上空的地基云图；
[0158]
根据每个时段的波动特征参数和地基云图，确定每个时段的真实云层状态，将每个时段的多个天气指标的历史预报数据作为模型输入，根据每个时段的真实云层状态和模型输出的预测云层状态，训练云层状态预测模型的参数。
[0159]
作为一种可能的实现方式，根据每个时段的历史光伏发电功率确定每个时段的波动特征参数，包括：
[0160]
对每个时段的历史光伏发电功率进行变分模态分解，得到多个模式函数；
[0161]
对每个模式函数进行快速傅里叶变换，得到每个模式函数的中心频率；
[0162]
叠加不同中心频率下的模式函数，得到每个时段的历史光伏发电功率的平滑部分和波动部分；
[0163]
计算每个时段的波动部分的移动均线、标准差与峰值比，得到每个时段的波动特征参数。
[0164]
作为一种可能的实现方式，光伏发电功率预测模型为集成模型，集成模型的基模型为cnn-lstm神经网络模型和xgboost模型，集成模型的元模型为支持向量机。
[0165]
作为一种可能的实现方式，预先训练光伏发电功率预测模型的过程包括：
[0166]
获取目标光伏电站在历史时期的历史光伏发电功率和多个天气指标的历史预报数据；
[0167]
确定历史时期每日每个时段相应的相关天气指标；
[0168]
根据历史时期每日每个时段的历史光伏发电功率和相关天气指标的历史预报数据，构建训练集；
[0169]
根据训练集采用三折交叉训练法训练基模型的参数，并基于已训练的基模型的预测结果训练元模型的参数，得到光伏发电功率预测模型。
[0170]
作为一种可能的实现方式，选取模块83还用于：
[0171]
计算不同基本天气场景的不同云层状态下，各个天气指标与光伏发电功率的相关性，以确定不同基本天气场景的不同云层状态对应的相关天气指标。
[0172]
图9是本发明一实施例提供的电子设备90的示意图。如图9所示，该实施例的电子设备90包括：处理器91、存储器92以及存储在存储器92中并可在处理器91上运行的计算机程序93，例如光伏发电功率预测程序。处理器91执行计算机程序93时实现上述各个光伏发电功率预测方法实施例中的步骤，例如图1所示的步骤s101至s104。或者，处理器91执行计算机程序93时实现上述各装置实施例中各模块的功能，例如图8所示模块81至84的功能。
[0173]
示例性的，计算机程序93可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器92中，并由处理器91执行，以完成本发明。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序93在电子设备90中的执行过程。
[0174]
电子设备90可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。电子设备90可包括，但不仅限于，处理器91、存储器92。本领域技术人员可以理解，图9仅仅是电子设备90的示例，并不构成对电子设备90的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如电子设备90还可以包括输入输出设备、网络接入设备、总线等。
[0175]
所称处理器91可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0176]
存储器92可以是电子设备90的内部存储单元，例如电子设备90的硬盘或内存。存储器92也可以是电子设备90的外部存储设备，例如电子设备90上配备的插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)等。进一步地，存储器92还可以既包括电子设备90的内部存储单元也包括外部存储设备。存储器92用于存储计算机程序以及电子设备90所需的其他程序和数据。存储器92还可以用于暂时地存储已经输出或者将要输出的数据。
[0177]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本技术的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0178]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
[0179]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0180]
在本发明所提供的实施例中，应该理解到，所揭露的装置/电子设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/电子设备实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
[0181]
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0182]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0183]
集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质等。
[0184]
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

技术特征：
1.一种光伏发电功率预测方法，其特征在于，包括：获取待预测日的多个天气指标的预报数据，根据待预测日的多个天气指标的预报数据确定待预测日的基本天气场景；将待预测日划分为多个时段，根据每个时段的多个天气指标的预报数据，确定每个时段在所述基本天气场景下的云层状态；根据每个时段在所述基本天气场景下的云层状态，从多个天气指标中选取每个时段的相关天气指标；将每个时段的相关天气指标的预报数据输入至预先训练的光伏发电功率预测模型中，得到每个时段目标光伏电站的光伏发电功率预测数据。2.如权利要求1所述的光伏发电功率预测方法，其特征在于，根据待预测日的多个天气指标的预报数据确定待预测日的基本天气场景，包括：根据待预测日的多个天气指标的预报数据，计算待预测日的云量日均值和降水量日均值；基于待预测日的云量日均值和降水量日均值，确定待预测日的基本天气场景，所述基本天气场景为晴天、阴天、多云、雨天中的一种；根据每个时段的多个天气指标的预报数据，确定每个时段在所述基本天气场景下的云层状态，包括：将每个时段的多个天气指标的预报数据输入至预先训练的云层状态预测模型中，得到每个时段在所述基本天气场景下的云层状态。3.如权利要求2所述的光伏发电功率预测方法，其特征在于，预先训练云层状态预测模型的过程包括：获取目标光伏电站在历史时期的历史光伏发电功率和多个天气指标的历史预报数据；将历史时期每日划分为多个时段，根据每个时段的历史光伏发电功率确定每个时段的波动特征参数；获取每个时段目标光伏电站上空的地基云图；根据每个时段的波动特征参数和地基云图，确定每个时段的真实云层状态，将每个时段的多个天气指标的历史预报数据作为模型输入，根据每个时段的真实云层状态和模型输出的预测云层状态，训练云层状态预测模型的参数。4.如权利要求3所述的光伏发电功率预测方法，其特征在于，根据每个时段的历史光伏发电功率确定每个时段的波动特征参数，包括：对每个时段的历史光伏发电功率进行变分模态分解，得到多个模式函数；对每个模式函数进行快速傅里叶变换，得到每个模式函数的中心频率；叠加不同中心频率下的模式函数，得到每个时段的历史光伏发电功率的平滑部分和波动部分；计算每个时段的波动部分的移动均线、标准差与峰值比，得到每个时段的波动特征参数。5.如权利要求1所述的光伏发电功率预测方法，其特征在于，所述光伏发电功率预测模型为集成模型，所述集成模型的基模型为cnn-lstm神经网络模型和xgboost模型，所述集成模型的元模型为支持向量机。
6.如权利要求5所述的光伏发电功率预测方法，其特征在于，预先训练光伏发电功率预测模型的过程包括：获取目标光伏电站在历史时期的历史光伏发电功率和多个天气指标的历史预报数据；确定历史时期每日每个时段相应的相关天气指标；根据历史时期每日每个时段的历史光伏发电功率和相关天气指标的历史预报数据，构建训练集；根据训练集采用三折交叉训练法训练基模型的参数，并基于已训练的基模型的预测结果训练元模型的参数，得到光伏发电功率预测模型。7.如权利要求1-6任一项所述的光伏发电功率预测方法，其特征在于，在根据每个时段在所述基本天气场景下的云层状态，从多个天气指标中选取每个时段的相关天气指标之前，还包括：计算不同基本天气场景的不同云层状态下，各个天气指标与光伏发电功率的相关性，以确定不同基本天气场景的不同云层状态对应的相关天气指标。8.一种光伏发电功率预测装置，其特征在于，包括：获取模块，用于获取待预测日的多个天气指标的预报数据，根据待预测日的多个天气指标的预报数据确定待预测日的基本天气场景；确定模块，用于将待预测日划分为多个时段，根据每个时段的多个天气指标的预报数据，确定每个时段在所述基本天气场景下的云层状态；选取模块，用于根据每个时段在所述基本天气场景下的云层状态，从多个天气指标中选取每个时段的相关天气指标；预测模块，用于将每个时段的相关天气指标的预报数据输入至预先训练的光伏发电功率预测模型中，得到每个时段目标光伏电站的光伏发电功率预测数据。9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。

技术总结
本发明提供了一种光伏发电功率预测方法、装置、电子设备及存储介质，该方法包括：获取待预测日的多个天气指标的预报数据，根据待预测日的多个天气指标的预报数据确定待预测日的基本天气场景；将待预测日划分为多个时段，根据每个时段的多个天气指标的预报数据，确定每个时段在基本天气场景下的云层状态；根据每个时段在基本天气场景下的云层状态，从多个天气指标中选取每个时段的相关天气指标；将每个时段的相关天气指标的预报数据输入至预先训练的光伏发电功率预测模型中，得到每个时段目标光伏电站的光伏发电功率预测数据。本发明能够更准确地预测光伏发电功率。更准确地预测光伏发电功率。更准确地预测光伏发电功率。


技术研发人员：田广 陈春生 石磊磊 杨洋 徐北方
受保护的技术使用者：国网河北省电力有限公司邢台供电分公司 国家电网有限公司
技术研发日：2023.08.03
技术公布日：2023/10/19