一种光伏功率预测方法、装置、终端设备及存储介质与流程

1.本发明实施例涉及电力负荷预测技术领域，尤其涉及一种光伏功率预测方法、装置、终端设备及存储介质。


背景技术：

2.随着全球新能源发电行业的快速发展，太阳能因其安全、高效和广泛分布等优点而得到广泛应用。光伏发电过程具有随机性和不稳定性，给电力系统的安全运行带来了巨大挑战。准确的短期光伏功率预测不仅可以提高光伏电站的运行效率，还可以帮助调度部门制定更准确的实时调度计划，确保大型光伏电站并网后的稳定运行。
3.当前的短期光伏功率预测方法主要包括物理方法和统计方法。物理方法使用详细的气象条件和环境信息来建立物理模型预测。物理方法不依赖于大量的历史发电数据，其预测速度很快。然而，物理模型复杂，抗干扰能力差，难以保证模型的预测精度。统计方法包括传统的统计方法和人工智能方法。传统统计方法主要建立历史数据与输出功率之间的简单映射关系，如回归分析方法、模糊理论、灰色理论方法等。传统统计方法具有模型简单、预测速度快的优点，但不能适应复杂的非线性关系。人工智能方法使用智能算法充分挖掘数据的内部特征和隐藏的变化规则，可以更好地拟合复杂的非线性关系。但大多数浅层机器学习方法难以准确描述这种复杂的非线性映射关系。因为他们的算法单一、鲁棒性低，容易陷入局部最优。


技术实现要素：

4.本发明提供一种光伏功率预测方法、装置、终端设备及存储介质，利用不同的模型对两种数据分别预测，以解决单一预测模型预测精度低、鲁棒性低的问题。
5.第一方面，本发明实施例提供了一种光伏功率预测方法，包括：
6.对历史光伏功率数据进行变量模式分解，形成模式集和残差集；其中，所述模式集包括周期性功率数据，所述残差集包括非周期性功率数据；
7.将模式集输入arima预测模型，获得光伏功率周期性预测数学模型；
8.将残差集输入convlstm预测模型，获得光伏功率非周期性预测数学模型；
9.将所述周期性预测数学模型和非周期性预测数学模型进行模型堆叠，获得目标光伏功率预测模型。
10.可选地，对历史光伏功率数据进行变量模式分解，形成模式集和残差集，包括：
11.构建为的目标函数；其中，{uk}＝{u1，u2，
…
，uk}和{ωk}＝{ω1，ω2，
…
，ωk}表示所有子序列和各自中心频率的集合，δ(t)表示脉冲函数，j表示虚部，k表示分解模式数，f(t)表示历史光伏功率时间序列；
12.将历史光伏功率数据作为输入，对目标函数求解得到模式集和残差集。
13.可选地，将模式集输入arima预测模型，获得光伏功率周期性预测数学模型之前，
还包括：
14.构建arima预测模型。
15.可选地，构建arima预测模型，包括：
16.构建表达式为的ar模型；其中，y
t
是当前值，μ是常数项，p是阶数，ri是自相关系数，ε
t
是误差，所述误差符合正态分布；
17.构建表达式为的ma模型；其中，y
t
是当前值，μ是常数项，ε
t
是误差，θi是误差项系数，q是阶数；
18.将所述ar模型和所述ma模型结合，得到表达式为的arima预测模型。
19.可选地，将模式集输入arima预测模型，获得光伏功率周期性预测数学模型，包括：
20.利用差分公式δ
nyx
＝δ
n-1yx+1-δ
n-1yx
对所述模式集中非平稳数据进行差分；其中，δ
nyx
为当前时间序列的n阶差分，δ
n-1yx+1
为下一个时间序列的n-1阶差分，δ
n-1yx
为当前时间序列的n-1阶差分；
21.利用确定所述arima预测模型的自相关系数q值；
22.利用确定所述arima预测模型的偏自相关系数p值；
23.利用aic＝2k-2ln l对所述自相关系数q值和所述偏自相关系数p值修正，并将修正后的自相关系数q值和偏自相关系数p值带入所述arima预测模型，得到修正arima预测模型；
24.在所述修正arima预测模型通过白噪声检测时，利用所述修正arima预测模型对所述模式集进行预测。
25.可选地，在将残差集输入convlstm预测模型，获得光伏功率非周期性预测数学模型之前，还包括：
26.利用pearson相关系数筛选相关性满足预设条件的气象因子。
27.可选地，利用pearson相关系数筛选相关性满足预设条件的气象因子，包括：
28.利用pearson相关系数法得到各环境因素信息和光伏功率数据之间的相关性系数λ；所述λ的取值范围为[-1，1]，其中xi、yi为第i个数据点的环境因素信息的值；
[0029]
筛选出相关性系数λ在预设相关性系数λ范围内的气象因子作为满足预设条件的气象因子。
[0030]
可选地，将残差集输入convlstm预测模型，获得光伏功率非周期性预测数学模型，包括：
[0031]
构建表达式为i
t
＝σ(w
xi
*x
t
+w
hi
*h
t-1
+w
ci
⊙ct-1
+bi)；f
t
＝σ(w
xf
*x
t
+w
hf
*h
t-1
+w
ci
⊙ct-1
+bf)；o
t
＝σ(w
xo
*x
t
+w
ho
*h
t-1
+w
ci
⊙ct-1
+bo)；)；h
t
＝o
t
⊙
tanh(c
t
)的预测模型；其中，w
xi
为输入层到输入
门的权重向量、w
xf
为输入层到遗忘门的权重向量、w
xo
为输入层到输出门的权重向量、w
xc
为输入层到细胞状态的权重向量；w
hi
为隐藏层到输入门的权重向量、w
hf
为隐藏层到遗忘门的权重向量、w
ho
为藏层到输出门的权重向量、w
hc
为隐藏层到细胞状态的权重向量；bi为输入门、bf为遗忘门、bo为输出门、bc为细胞状态的偏移量；x
t
为输入张量；h
t
为隐藏状态张量；c
t
为存储单元张量；σ(.)为sigmoid激活函数；tanh(.)为双曲正切激活函数；
⊙
为向量元素乘；
[0032]
将在预设相关性系数λ范围内的气象因子和所述残差集作为输入，利用convlstm预测模型对所述残差集进行预测。
[0033]
可选地，所述模型堆叠包括第一层和第二层；
[0034]
将所述周期性预测数学模型和非周期性预测数学模型进行模型堆叠，获得目标光伏功率预测模型包括：
[0035]
将所述模式集的预测结果和所述残差集的预测结果作为所述模型堆叠的第一层输入至所述模型堆叠的第二层，得到所述模式集的预测结果的权重p1和所述残差集的预测结果的权重p2；
[0036]
根据p1和p2以及所述光伏功率数据的实际值，得到数据集d＝n{[p1]...[p
l
][y]
→
n{[z][y]}；
[0037]
对所述数据集d训练，获得所述目标光伏功率预测模型。
[0038]
可选地，在对历史光伏功率数据进行变量模式分解，形成模式集和残差集之前，还包括：
[0039]
对历史光伏功率数据进行缺失值弥补和归一化。
[0040]
可选地，对历史光伏功率数据进行缺失值弥补和归一化，包括：
[0041]
利用相似日数据的随机加权平均值对原始光伏功率数据进行缺失值弥补；其中yi是缺失值，是缺失值相似日对应的功率测量值，η是随机权重，η1+η2+η3+η4＝1；
[0042]
利用对原始光伏功率数据进行归一化，其中，x
normalization
是数据标准化值，x是数据标准化前的值，max是数据的最大值，min是数据的最小值。
[0043]
第二方面，本发明实施例还提供了一种光伏功率预测装置，用于执行如本发明第一方面任一项所述的光伏功率预测方法，包括：
[0044]
vmd分解模块，用于对历史光伏功率数据进行变量模式分解，形成模式集和残差集；其中，所述模式集中包括周期性功率数据，所述残差集中包括非周期性功率数据数据；
[0045]
arima预测模块，用于将模式集输入arima预测模型，获得光伏功率周期性预测数学模型；
[0046]
convlstm预测模块，用于将残差集输入convlstm预测模型，获得光伏功率非周期性预测数学模型；
[0047]
模型堆叠模块，用于将所述周期性预测数学模型和非周期性预测数学模型进行模型堆叠，获得目标光伏功率预测模型。
[0048]
第三方面，本发明实施例还提供了一种终端设备，包括：
[0049]
一个或多个处理器；
[0050]
存储装置，用于存储一个或多个程序；
[0051]
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明第一方面中任一所述的方法。
[0052]
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如本发明第一方面中任一所述的光伏功率预测方法。
[0053]
本发明实施例提供的一种光伏功率预测方法、装置、终端设备及存储介质，通过首先对历史光伏功率数据进行变量模式分解，形成模式集和残差集；其中，模式集包括周期性功率数据，残差集包括非周期性功率数据数据，然后将模式集输入arima预测模型，获得光伏功率周期性预测数学模型，将残差集输入convlstm预测模型，获得光伏功率非周期性预测数学模型，最后将周期性预测数学模型和非周期性预测数学模型进行模型堆叠，获得目标光伏功率预测模型；本发明实施例的技术方案，通过将历史光伏功率数据分解为周期性功率数据和非周期性功率数据，利用不同的模型对两种数据分别预测，解决了单一预测模型预测精度低的问题，在充分挖掘光伏功率数据局部特征的同时，提升了预测结果的可靠性，无论天气条件是稳定还是波动，都能更好地拟合光伏输出。
附图说明
[0054]
图1是本发明实施例一提供的一种光伏功率预测方法的流程图；
[0055]
图2是本发明实施例提供的一种光伏功率数据频谱图；
[0056]
图3是本发明实施例提供的一种分解后的光伏功率数据频谱图；
[0057]
图4是本发明实施例二提供的一种光伏功率预测方法的流程图；
[0058]
图5是本发明实施例提供的一种arima模型预测流程框图；
[0059]
图6是本发明实施例三提供的一种光伏功率数据预测方法流程图；
[0060]
图7是本发明实施例三提供的一种光伏功率数据预测方法流程框图；
[0061]
图8是本发明实施例提供的一种convlstm预测模型的内部结构图；
[0062]
图9是本发明实施例提供的一种convlstm预测模型的整体架构图；
[0063]
图10是本发明实施例提供的一种模型堆叠的整体架构示意图；
[0064]
图11是本发明实施例四提供的一种光伏功率预测装置的结构示意图；
[0065]
图12为本发明实施例五提供的一种光伏功率预测设备的结构示意图。
具体实施方式
[0066]
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
[0067]
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。需要注意的是，本发明实施例所描述的“上”、“下”、“左”、“右”等方位词是以附图所示的角度来进行描述的，不应理解为对本发明实施例的限定。此外在上下文中，还需要理解的是，当提到一个元件被形成在另一个元件“上”或“下”时，其不仅能够直接形成在另一个元件“上”或者“下”，也可以通过中间元件间接形成在另一元件“上”或者“下”。术语“第一”、“第二”等仅用于描述目的，并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
[0068]
本发明使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”。
[0069]
需要注意，本发明中提及的“第一”、“第二”等概念仅用于对相应内容进行区分，并非用于限定顺序或者相互依存关系。
[0070]
需要注意，本发明中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
[0071]
实施例一
[0072]
图1是本发明实施例一提供的一种光伏功率预测方法的流程图，参考图1，该方法包括：
[0073]
s110、对历史光伏功率数据进行变量模式分解，形成模式集和残差集；其中，模式集包括周期性功率数据，残差集包括非周期性功率数据。
[0074]
具体的，由于光伏发电受多种因素影响，示例性的，在阴天或雨天，光伏发电功率很低，而在充足日光的晴天，光伏发电的功率又很高，带来了波动性和不确定性，图2是本发明实施例提供的一种光伏功率数据频谱图，其横纵坐标分别为时间和信号的幅值；参考图2，光伏功率数据包括周期性功率数据和非周期性功率数据。而想要利用历史光伏功率数据构建光伏功率预测模型进而对未来的光伏功率数据进行预测，则需要将其分解为周期性功率数据和非周期性功率数据分别处理；现有技术中小波变换(wt)、经验模式分解(emd)、局部平均分解(lmd)和变分模式分解(vmd)已广泛应用于光伏功率预测领域。而小波变换是不能自适应的，并且在一定的尺度上不能在时间和频率上具有高精度。emd和lmd是递归分解方法，它们存在模态混叠、端点效应、对噪声和采样的敏感性以及难以分离近频率分量等问题。vmd是一种自适应的、完全非递归的模态变化和信号处理方法，因此需要利用vmd对历史光伏功率数据进行变量模式分解，图3是本发明实施例提供的一种分解后的光伏功率数据频谱图，参考图3，分解后的光伏功率数据形成周期性功率数据的模式集和非周期性功率数据的残差集。
[0075]
s120、将模式集输入arima预测模型，获得光伏功率周期性预测数学模型。
[0076]
具体的，由于arima预测模型只能捕捉线性的周期性功率数据，因此将需要将包括历史功率数据中的周期性功率数据的模式集输入至arima预测模型，以求得可以预测周期性功率数据的数学模型。
[0077]
s130、将残差集输入convlstm预测模型，获得光伏功率非周期性预测数学模型。
[0078]
具体的，将分解后得到的包括非周期性功率数据的残差集输入convlstm预测模型，对其求解后得到可以预测光伏功率非周期性的数学模型。
[0079]
s140、将周期性预测数学模型和非周期性预测数学模型进行模型堆叠，获得目标光伏功率预测模型。
[0080]
其中，目标光伏功率预测模型可以理解为能够对包括周期性数据和非周期性数据的光伏功率数据进行预测的模型。
[0081]
具体的，由于光伏功率数据在多种因素的影响下具有波动性和不确定性，因此光
伏功率数据包括周期性功率数据和非周期性功率数据，为了同时对周期性功率数据和非周期性功率数据进行预测，需要将周期性预测数学模型和非周期性预测数学模型进行模型堆叠，以获得够对包括周期性数据和非周期性数据的光伏功率数据进行预测的目标光伏功率预测模型。
[0082]
本发明实施例提供的一种光伏功率预测方法，通过首先对历史光伏功率数据进行变量模式分解，形成模式集和残差集；其中，模式集包括周期性功率数据，残差集包括非周期性功率数据数据，然后将模式集输入arima预测模型，获得光伏功率周期性预测数学模型，将残差集输入convlstm预测模型，获得光伏功率非周期性预测数学模型，最后将周期性预测数学模型和非周期性预测数学模型进行模型堆叠，获得目标光伏功率预测模型；本发明实施例的技术方案，通过将历史光伏功率数据分解为周期性功率数据和非周期性功率数据，利用不同的模型对两种数据分别预测，解决了单一预测模型预测精度低的问题，在充分挖掘光伏功率数据局部特征的同时，提升了预测结果的可靠性，无论天气条件是稳定还是波动，都能更好地拟合光伏输出。
[0083]
实施例二
[0084]
图4是本发明实施例二提供的一种光伏功率预测方法的流程图，参考图4，该方法包括：
[0085]
s210、对历史光伏功率数据进行缺失值弥补和归一化。
[0086]
具体的，由于历史光伏功率数据并不是连续的，往往会出现多个相邻数据缺失的现象以及出现异常数据，且不同数据往往具有不同的量纲和量纲单位，不同特征之间的维数水平不同，这样的情况会影响到数据分析的结果，为了消除数据之间的量纲影响，需要进行数据标准化处理，以解决数据之间的可比性。因此需要对历史光伏功率数据进行缺失值弥补和归一化，以补全缺失值、剔除历史数据中多个夜晚时段光伏发电功率为0值的异常值数据并且进行数据标准化处理。
[0087]
s211、构建为的目标函数；其中，{uk}＝{u1，u2，
…
，uk}和{ωk}＝{ω1，ω2，
…
，ωk}表示所有子序列和各自中心频率的集合，δ(t表示脉冲函数，j表示虚部，k表示分解模式数，f(t)表示历史光伏功率时间序列。
[0088]
s212、将历史光伏功率数据作为输入，对目标函数求解得到模式集和残差集。
[0089]
具体的，通过引入二次罚和拉格朗日乘数，将约束变分问题转化为无约束变分。使用交替方向乘数法(admm)，通过用交替方向乘数法(admm)，通过优化和更新uk和ωk，确定其最优值，并通过
限定uk的取值范围，以找到目标函数的最优解，得到模式集和残差集。
[0090]
s213、构建表达式为的ar模型；其中，y
t
是当前值，μ是常数项，p是阶数，ri是自相关系数，ε
t
是误差，误差符合正态分布。
[0091]
具体的，ar只适用于预测与自身前期相关的现象，反映了在t时刻的目标值与前t-p个目标值之前存在着一个线性关系y
t
～r1y
t-1
+r2y
t-2
+..+r
pyt-p
。
[0092]
s214、构建表达式为的ma模型；其中，y
t
是当前值，μ是常数项，ε
t
是误差，θi是误差项系数，q是阶数。
[0093]
具体的，ma关注的是自回归模型中的误差项的累加，该模型反映了在t时刻的目标值与前t-p个误差值之前存在着一个线性关系，y
t
～θ1ε
t-1
+θ2ε
t-2
+..+θ
p
ε
t-p
。
[0094]
s215、将ar模型和ma模型结合，得到表达式为的arima预测模型。
[0095]
具体的，arima预测模型的原理为将非平稳时间序列转化为平稳时间序列，仅对它的滞后值以及随机误差项的现值ε
t
和滞后值进行回归所建立的模型。arima模型根据原序列是否平稳以及回归中所含部分的不同，包括自回归过程(ar)、移动平均过程(ma)、自回归移动平均过程(arma)以及差分自回归移动平均模型(arima)过程。
[0096]
s216、利用差分公式δ
nyx
＝δ
n-1yx+1-δ
n-1yx
对模式集中非平稳数据进行差分；其中，δ
nyx
为当前时间序列的n阶差分，δ
n-1yx+1
为下一个时间序列的n-1阶差分，δ
n-1yx
为当前时间序列的n-1阶差分。
[0097]
具体的，由于arima模型预测时，要求时间序列数据是平稳的，因此需要对模式集中非平稳数据进行差分处理，使其稳定。图5是本发明实施例提供的一种arima模型预测流程框图，参考图5，预测开始后，需要对输入的时间序列即周期性的历史光伏数据检测，并对其中非平稳数据进行差分处理，使其时间序列平稳化。
[0098]
s217、利用确定arima预测模型的自相关系数q值。
[0099]
s218、利用确定arima预测模型的偏自相关系数p值。
[0100]
具体的，由于在使用arima预测模型预测时，需要对arima中自相关系数p值、自相关系数q值进行确定，因此利用确定arima预测模型的自相关系数q值；利用确定arima预测模型的自相关系数q值，以确定arima预测模型。
[0101]
s219、利用aic＝2k-2lnl对自相关系数q值和偏自相关系数p值修正，并将修正后的自相关系数q值和偏自相关系数p值带入arima预测模型，得到修正arima预测模型。
[0102]
具体的，上述步骤中确定自相关系数q值和自相关系数q值后，由于其得到的q值和q值不一定为arima预测模型契合度最高的值，因此需要利用aic＝2k-2lnl找到令aic最小值时的q值和q值，将此时的q值和q值带入到arima预测模型，得到修正arima预测模型。
[0103]
s220、在修正arima预测模型通过白噪声检测时，利用修正arima预测模型对模式集进行预测。
[0104]
具体的，在对模型定阶后，还需要确定验证模型的拟合有效性，示例性的，可以通过其qq图是否为线性且正态分布来判断该模型是否通过检验，在模型可以通过白噪声检测后，对模式集进行预测。
[0105]
s221、将残差集输入convlstm预测模型，获得光伏功率非周期性预测数学模型。
[0106]
s222、将周期性预测数学模型和非周期性预测数学模型进行模型堆叠，获得目标光伏功率预测模型。
[0107]
实施例三
[0108]
图6是本发明实施例三提供的一种光伏功率数据预测方法流程图，图7是本发明实施例三提供的一种光伏功率数据预测方法流程框图，参考图6、图7，该方法包括：
[0109]
s310、对历史光伏功率数据进行变量模式分解，形成模式集和残差集。
[0110]
s311、将模式集输入arima预测模型，获得光伏功率周期性预测数学模型。
[0111]
s312、利用pearson相关系数法得到各环境因素信息和光伏功率数据之间的相关性系数λ；λ的取值范围为[-1，1]，其中xi、yi为第i个数据点的环境因素信息的值。
[0112]
s313、筛选出相关性系数λ在预设相关性系数λ范围内的气象因子作为满足预设条件的气象因子。
[0113]
具体的，由于光伏功率出力会受到环境影响，示例性的，环境温度、风速等因素均会影响到光伏功率出力；而pearson相关系数通常用于2个变量之间衡量其线性相关的程度，相关性的存在为相关变量作为输入变量引入模型提供了基础；利用pearson相关系数法分析可得到各环境因素信息和光伏功率数据之间的相关关系，筛选出影响光伏功率数据的关键环境因素。
[0114]
表1相关系数和相关度对比
[0115][0116]
参考表1，相关系数的绝对值越大，相关性越强，相关系数越接近于1或-1，相关度越强，相关系数越接近于0，相关度越弱。
[0117]
表2历史光伏数据中各环境因素和光伏输出功率的相关性分析
[0118][0119]
参考表2，太阳辐照度、环境温度、环境相对湿度、风速与光伏出力均具有较高的相关性，而降雨量表现为极弱相关性。综上，选择太阳辐照度、环境温度、环境相对湿度与风速作为关键环境因素即满足预设条件的气象因子。
[0120]
s314、构建表达式为i
t
＝σ(w
xi
*x
t
+w
hi
*h
t-1
+w
ci
⊙ct-1
+bi)；f
t
＝σ(w
xf
*x
t
+w
hf
*h
t-1
+w
ci
⊙ct-1
+bf)；o
t
＝σ(w
xo
*x
t
+w
ho
*h
t-1
+w
ci
⊙ct-1
+bo)；)；h
t
＝o
t
⊙
tanh(c
t
)的convlstm预测模型。
[0121]
其中，w
xi
为输入层到输入门的权重向量、w
xf
为输入层到遗忘门的权重向量、w
xo
为输入层到输出门的权重向量、w
xc
为输入层到细胞状态的权重向量；w
hi
为隐藏层到输入门的权重向量、w
hf
为隐藏层到遗忘门的权重向量、w
ho
为藏层到输出门的权重向量、w
hc
为隐藏层到细胞状态的权重向量；bi为输入门、bf为遗忘门、bo为输出门、bc为细胞状态的偏移量；x
t
为输入张量；h
t
为隐藏状态张量；c
t
为存储单元张量；σ(.)为sigmoid激活函数；tanh(.)为双曲正切激活函数；
⊙
为向量元素乘。
[0122]
具体的，图8是本发明实施例提供的一种convlstm预测模型的内部结构图，参考图8，convlstm通过优化cnn网络可以更有效提取子序列特征，去除干扰信息后输入lstm，尽可能保留更长的有效记忆信息，减少lstm步长，可以解决梯度弥散问题，实现对光伏出力数据更好的预测。
[0123]
s315、将在预设相关性系数λ范围内的气象因子和残差集作为输入，利用convlstm预测模型对残差集进行预测。
[0124]
具体的，图9是本发明实施例提供的一种convlstm预测模型的整体架构图，参考图9，首先在输入层输入时间序列测试数据即包括非周期性数据的残差集和在预设相关性系数λ范围内的气象因子；然后自注意力机制层会将样本分配适当权重，生成向量，对所有隐藏状态加权，把注意力聚焦于样本序列中非常关键的隐藏状态信息上面；嵌入层把每一个序列转为低维的尺寸矢量；lstm层借助lstm从嵌入层获得序列的高级特征；输出层的特征向量最后实现对包括非周期性数据的残差集预测。
[0125]
s316、将模式集的预测结果和残差集的预测结果作为模型堆叠的第一层输入至模型堆叠的第二层，得到模式集的预测结果的权重p1和残差集的预测结果的权重p2。
[0126]
具体的，图10是本发明实施例提供的一种模型堆叠的整体架构示意图，参考图10，模型堆叠包括第一层和第二层，第一层为表现出色的基本模型；第二层为将第一层模型们的输出作为训练集得到的模型。因此将上述模式集的预测结果和残差集的预测结果作为模型堆叠的第一层输入至模型堆叠的第二层；而由于在不同的历史光伏功率数据中周期性数据和非周期性数据对历史光伏功率数据的扰动和重要程度不同，因此需要对周期性数据和非周期性数据分配权重，得到模式集预测结果的权重p1和残差集的预测结果的权重p2。
[0127]
s317、根据p1和p2以及光伏功率数据的实际值，得到数据集d＝n{[p1]...[p
l
][y]
→
n{[z][y]}。
[0128]
s318、对数据集d训练，获得目标光伏功率预测模型。
[0129]
具体的，在获得模式集预测结果的权重p1和残差集的预测结果的权重p2后，根据p1和p2以及光伏功率数据的实际值，得到数据集d＝n{[p1]...[p
l
][y]
→
n{[z][y]}，该数据集既有模式集和残差集的预测结果，又有实际值，从而训练得到目标光伏功率预测模型，该模型能反应预测结果和实际值的关系，从而可以实现对光伏功率数据的预测。
[0130]
实施例四
[0131]
图11是本发明实施例提供的一种光伏功率预测装置的结构示意图，该装置可适用于光伏功率预测的情况，其中该装置可由软件和/或硬件实现，并一般集成在功率预测设备上。
[0132]
如图11所示，该装置包括：
[0133]
vmd分解模块410，用于对历史光伏功率数据进行变量模式分解，形成模式集和残差集；其中，模式集中包括周期性功率数据，残差集中包括非周期性功率数据数据；
[0134]
arima预测模块420，用于将模式集输入arima预测模型，获得光伏功率周期性预测数学模型；
[0135]
convlstm预测模块430，用于将残差集输入convlstm预测模型，获得光伏功率非周期性预测数学模型；
[0136]
模型堆叠模块440，用于将周期性预测数学模型和非周期性预测数学模型进行模型堆叠，获得目标光伏功率预测模型。
[0137]
本发明实施例提供的一种光伏功率预测装置，通过首先利用vmd分解模块对历史光伏功率数据进行变量模式分解，形成模式集和残差集；其中，模式集包括周期性功率数据，残差集包括非周期性功率数据数据，然后利用arima预测模块，将模式集输入arima预测模型，获得光伏功率周期性预测数学模型，利用convlstm预测模块，将残差集输入convlstm预测模型，获得光伏功率非周期性预测数学模型，最后利用模型堆叠模块将周期性预测数学模型和非周期性预测数学模型进行模型堆叠，获得目标光伏功率预测模型；本发明实施例的技术方案，通过将历史光伏功率数据分解为周期性功率数据和非周期性功率数据，利用不同的模型对两种数据分别预测，解决了单一预测模型预测精度低的问题，在充分挖掘光伏功率数据局部特征的同时，提升了预测结果的可靠性，无论天气条件是稳定还是波动，都能更好地拟合光伏输出。
[0138]
可选地，vmd分解模块410包括：
[0139]
目标函数构建单元，用于构建为的目标函数。
[0140]
目标函数求解单元，用于将历史光伏功率数据作为输入，对目标函数求解得到模式集和残差集。
[0141]
可选地，该装置还包括：
[0142]
arima预测模型构建模块，用于构建arima预测模型。
[0143]
arima预测模型构建模块包括：
[0144]
ar模型构建单元，用于构建表达式为的ar模型；
[0145]
ma模型构建单元，用于构建表达式为的ma模型；
[0146]
模型结合单元，用于将所述ar模型和所述ma模型结合，得到表达式为模型结合单元，用于将所述ar模型和所述ma模型结合，得到表达式为的arima预测模型。
[0147]
可选地，arima预测模块420包括：
[0148]
差分单元，用于利用差分公式δ
nyx
＝δ
n-1yx+1-δ
n-1yx
对模式集中非平稳数据进行差分；
[0149]
自相关系数q值确定单元，用于利用确定arima预测模型的自相关系数q值；
[0150]
偏自相关系数p值确定单元，用于利用确定arima预测模型的偏自相关系数p值；
[0151]
修正单元，用于利用aic＝2k-2lnl对自相关系数q值和偏自相关系数p值修正，并将修正后的自相关系数q值和偏自相关系数p值带入arima预测模型，得到修正arima预测模型；
[0152]
第一预测单元，用于在修正arima预测模型通过白噪声检测时，利用修正arima预测模型对模式集进行预测。
[0153]
可选地，该装置还包括：
[0154]
气象因子获取模块，用于利用pearson相关系数筛选相关性满足预设条件的气象因子；
[0155]
气象因子获取模块包括：
[0156]
相关性系数λ获取单元，用于利用pearson相关系数法得到各环境因素信息和光伏功率数据之间的相关性系数λ；
[0157]
相关性系数λ筛选单元，用于筛选出相关性系数λ在预设相关性系数λ范围内的气象因子作为满足预设条件的气象因子。
[0158]
convlstm预测模块430包括：
[0159]
预测模型构建单元，用于构建表达式为i
t
＝σ(w
xi
*x
t
+w
hi
*h
t-1
+w
ci
⊙ct-1
+bi)；f
t
＝σ(w
xf
*x
t
+w
hf
*h
t-1
+w
ci
⊙ct-1
+bf)；o
t
＝σ(w
xo
*x
t
+w
ho
*h
t-1
+w
ci
⊙ct-1
+bo)；h
t
＝o
t
⊙
tanh(c
t
)的预测模型；
[0160]
第二预测单元，用于将在预设相关性系数λ范围内的气象因子和残差集作为输入，利用convlstm预测模型对残差集进行预测。
[0161]
模型堆叠模块440包括：
[0162]
权重获取单元，用于将模式集的预测结果和残差集的预测结果作为模型堆叠的第一层输入至模型堆叠的第二层，得到模式集的预测结果的权重p1和残差集的预测结果的权重p2；
[0163]
数据集获取单元，用于根据p1和p2以及光伏功率数据的实际值，得到数据集d＝n{[p1]...[p
l
][y]
→
n{[z][y]}；
[0164]
目标光伏功率预测模型获取单元，用于对数据集d训练，获得目标光伏功率预测模型。
[0165]
可选地，该装置还包括：
[0166]
历史光伏功率数据处理模块，用于对历史光伏功率数据进行缺失值弥补和归一化。
[0167]
历史光伏功率数据处理模块包括：
[0168]
缺失值弥补单元，用于利用相似日数据的随机加权平均值缺失值弥补单元，用于利用相似日数据的随机加权平均值对原始光伏功率数据进行缺失值弥补；
[0169]
归一化单元，用于利用对原始光伏功率数据进行归一化。
[0170]
实施例五
[0171]
图12为本发明实施例五提供的一种光伏功率预测设备的结构示意图。如图12所示，本发明实施例五提供的设备包括：一个或多个处理器41和存储装置42；该设备中的处理器41可以是一个或多个，图12中以一个处理器41为例；存储装置42用于存储一个或多个程序；所述一个或多个程序被所述一个或多个处理器41执行，使得所述一个或多个处理器41实现如本发明实施例中任一项所述的光伏功率预测方法。
[0172]
所述设备还可以包括：输入装置43和输出装置44。
[0173]
设备中的处理器41、存储装置42、输入装置43和输出装置44可以通过总线或其他方式连接，图11中以通过总线连接为例。
[0174]
该设备中的存储装置42作为一种计算机可读存储介质，可用于存储一个或多个程序，所述程序可以是软件程序、计算机可执行程序以及模块，如本发明实施例一、二所提供光伏功率预测方法对应的程序指令/模块。处理器41通过运行存储在存储装置42中的软件程序、指令以及模块，从而执行终端设备的各种功能应用以及数据处理，即实现上述方法实施例中光伏功率预测方法。
[0175]
存储装置42可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据设备的使用所创建的数据等。此外，存储装置42可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储装置42可进一步包括相对于处理器41远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0176]
输入装置43可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置44可包括显示屏等显示设备。
[0177]
并且，当上述设备所包括一个或者多个程序被所述一个或者多个处理器41执行时，程序进行如下操作：
[0178]
对历史光伏功率数据进行变量模式分解，形成模式集和残差集；其中，模式集包括周期性功率数据，残差集包括非周期性功率数据数据；
[0179]
将模式集输入arima预测模型，获得光伏功率周期性预测数学模型；
[0180]
将残差集输入convlstm预测模型，获得光伏功率非周期性预测数学模型；
[0181]
将周期性预测数学模型和非周期性预测数学模型进行模型堆叠，获得目标光伏功
率预测模型。
[0182]
实施例六
[0183]
本发明实施例六提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时用于执行光伏功率预测方法。
[0184]
可选的，该程序被处理器执行时还可以用于执行本发明任意实施例所提供的光伏功率预测方法。
[0185]
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(randomaccess memory，ram)、只读存储器(read only memory，rom)、可擦式可编程只读存储器(erasable programmable read only memory，eprom)、闪存、光纤、便携式cd-rom、光存储器件、磁存储器件、或者上述的任意合适的组合。计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
[0186]
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于：电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
[0187]
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、无线电频率(radiofrequency，rf)等等，或者上述的任意合适的组合。
[0188]
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
[0189]
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整、相互结合和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

技术特征：
1.一种光伏功率预测方法，其特征在于，包括：对历史光伏功率数据进行变量模式分解，形成模式集和残差集；其中，所述模式集包括周期性功率数据，所述残差集包括非周期性功率数据；将模式集输入arima预测模型，获得光伏功率周期性预测数学模型；将残差集输入convlstm预测模型，获得光伏功率非周期性预测数学模型；将所述周期性预测数学模型和非周期性预测数学模型进行模型堆叠，获得目标光伏功率预测模型。2.根据权利要求1所述的光伏功率预测方法，其特征在于，对历史光伏功率数据进行变量模式分解，形成模式集和残差集，包括：构建为的目标函数；其中，{u
k
}＝{u1，u2，
…
，u
k
}和{ωk}＝{ω1，ω2，
…
，ωk}表示所有子序列和各自中心频率的集合，δt表示脉冲函数，j表示虚部，k表示分解模式数，ft表示历史光伏功率时间序列；将历史光伏功率数据作为输入，对所述目标函数求解得到模式集和残差集。3.根据权利要求1所述的光伏功率预测方法，其特征在于，将模式集输入arima预测模型，获得光伏功率周期性预测数学模型之前，还包括：构建arima预测模型。4.根据权利要求3所述的光伏功率预测方法，其特征在于，构建arima预测模型，包括：构建表达式为的ar模型；其中，y
t
是当前值，μ是常数项，p是阶数，r
i
是自相关系数，ε
t
是误差，所述误差符合正态分布；构建表达式为的ma模型；其中，y
t
是当前值，μ是常数项，ε
t
是误差，θ
i
是误差项系数，q是阶数；将所述ar模型和所述ma模型结合，得到表达式为的arima预测模型。5.根据权利要求1所述的光伏功率预测方法，其特征在于，将模式集输入arima预测模型，获得光伏功率周期性预测数学模型，包括：利用差分公式δ
n
y
x
＝δ
n-1
y
x+1-δ
n-1
y
x
对所述模式集中非平稳数据进行差分；其中，δ
n
y
x
为当前时间序列的n阶差分，δ
n-1
y
x+1
为下一个时间序列的n-1阶差分，δ
n-1
y
x
为当前时间序列的n-1阶差分；利用确定所述arima预测模型的自相关系数q值；利用确定所述arima预测模型的偏自相关系数p值；利用aic＝2k-2ln l对所述自相关系数q值和所述偏自相关系数p值修正，并将修正后的自相关系数q值和偏自相关系数p值带入所述arima预测模型，得到修正arima预测模型；在所述修正arima预测模型通过白噪声检测时，利用所述修正arima预测模型对所述模式集进行预测。
6.根据权利要求1所述的光伏功率预测方法，其特征在于，在将残差集输入convlstm预测模型，获得光伏功率非周期性预测数学模型之前，还包括：利用pearson相关系数筛选相关性满足预设条件的气象因子。7.根据权利要求6所述的光伏功率预测方法，其特征在于，利用pearson相关系数筛选相关性满足预设条件的气象因子，包括：利用pearson相关系数法得到各环境因素信息和光伏功率数据之间的相关性系数λ；所述λ的取值范围为[-1，1]，其中x
i
、y
i
为第i个数据点的环境因素信息的值；筛选出相关性系数λ在预设相关性系数λ范围内的气象因子作为满足预设条件的气象因子。8.根据权利要求7所述的光伏功率预测方法，其特征在于，将残差集输入convlstm预测模型，获得光伏功率非周期性预测数学模型，包括：构建表达式为i
t
＝σ(w
xi
*x
t
+w
hi
*h
t-1
+w
ci
⊙
c
t-1
+b
i
)；f
t
＝σ(w
xf
*x
t
+w
hf
*h
t-1
+w
ci
⊙
c
t-1
+b
f
)；o
t
＝σ(w
xo
*x
t
+w
ho
*h
t-1
+w
ci
⊙
c
t-1
+b
o
)；)；h
t
＝o
t
⊙
tanh(c
t
)的预测模型；其中，w
xi
为输入层到输入门的权重向量、w
xf
为输入层到遗忘门的权重向量、w
xo
为输入层到输出门的权重向量、w
xc
为输入层到细胞状态的权重向量；w
hi
为隐藏层到输入门的权重向量、w
hf
为隐藏层到遗忘门的权重向量、w
ho
为藏层到输出门的权重向量、w
hc
为隐藏层到细胞状态的权重向量；b
i
为输入门、b
f
为遗忘门、b
o
为输出门、b
c
为细胞状态的偏移量；x
t
为输入张量；h
t
为隐藏状态张量；c
t
为存储单元张量；σ(.)为sigmoid激活函数；tanh(.)为双曲正切激活函数；
⊙
为向量元素乘；将在预设相关性系数λ范围内的气象因子和所述残差集作为输入，利用convlstm预测模型对所述残差集进行预测。9.根据权利要求1所述的光伏功率预测方法，其特征在于，所述模型堆叠包括第一层和第二层；将所述周期性预测数学模型和非周期性预测数学模型进行模型堆叠，获得目标光伏功率预测模型包括：将所述模式集的预测结果和所述残差集的预测结果作为所述模型堆叠的第一层输入至所述模型堆叠的第二层，得到所述模式集的预测结果的权重p1和所述残差集的预测结果的权重p2；根据p1和p2以及所述光伏功率数据的实际值，得到数据集d＝n{[p1]...[p
l
][y]
→
n{[z][y]}；对所述数据集d训练，获得所述目标光伏功率预测模型。10.根据权利要求1所述的光伏功率预测方法，其特征在于，在对历史光伏功率数据进行变量模式分解，形成模式集和残差集之前，还包括：对历史光伏功率数据进行缺失值弥补和归一化。11.根据权利要求11所述的光伏功率预测方法，其特征在于，对历史光伏功率数据进行
缺失值弥补和归一化，包括：利用相似日数据的随机加权平均值对原始光伏功率数据进行缺失值弥补；其中y
i
是缺失值，是缺失值相似日对应的功率测量值，η是随机权重，η1+η2+η3+η4＝1；利用对原始光伏功率数据进行归一化，其中，x
normalization
是数据标准化值，x是数据标准化前的值，max是数据的最大值，min是数据的最小值。12.一种光伏功率预测装置，其特征在于，用于执行如权利要求1-11任一项所述的光伏功率预测方法，包括：vmd分解模块，用于对历史光伏功率数据进行变量模式分解，形成模式集和残差集；其中，所述模式集中包括周期性功率数据，所述残差集中包括非周期性功率数据数据；arima预测模块，用于将模式集输入arima预测模型，获得光伏功率周期性预测数学模型；convlstm预测模块，用于将残差集输入convlstm预测模型，获得光伏功率非周期性预测数学模型；模型堆叠模块，用于将所述周期性预测数学模型和非周期性预测数学模型进行模型堆叠，获得目标光伏功率预测模型。13.一种终端设备，其特征在于，包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-11中任一所述的光伏功率预测方法。14.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-11中任一所述的光伏功率预测方法。

技术总结
本发明实施例提供的一种光伏功率预测方法、装置、终端设备及存储介质，通过首先对历史光伏功率数据进行变量模式分解，形成模式集和残差集；然后将模式集输入ARIMA预测模型，获得光伏功率周期性预测数学模型，将残差集输入ConvLSTM预测模型，获得光伏功率非周期性预测数学模型，最后将周期性预测数学模型和非周期性预测数学模型进行模型堆叠，获得目标光伏功率预测模型；本发明实施例的技术方案，通过将历史光伏功率数据分解为周期性功率数据和非周期性功率数据，利用不同的模型对两种数据分别预测，解决了单一预测模型预测精度低、鲁棒性低的问题。性低的问题。性低的问题。


技术研发人员：刘洋 侯建伟 郑万杰 林立轩 陈管丹 林幕群 杜树壮 何杰 崔苗苗 高洁 吴圳煌 陈习勋 苏煜钿 黄浩霖 姚伟智 崔文博 彭显刚 欧阳昇 杨文伟
受保护的技术使用者：广东电网有限责任公司汕头供电局
技术研发日：2023.07.17
技术公布日：2023/10/19