光伏系统的功率预测方法、装置及电子设备与流程

1.本发明涉及光伏技术领域，尤其涉及一种光伏系统的功率预测方法、装置及电子设备。


背景技术：

2.随着全球燃煤发电量的减少，光伏发电正在成为满足未来电力需求的主要来源。然而，现有技术中光伏发电的不确定性给电力系统的运行带来了严重的稳定性和可靠性问题。


技术实现要素：

3.本发明旨在一定程度上解决相关技术中的技术问题之一。
4.为此，本发明的第一个目的在于提出一种光伏系统的功率预测方法，用于解决现有技术中光伏发电的不确定性问题。
5.本发明的第二个目的在于提出一种光伏系统的功率预测装置。
6.本发明的第三个目的在于提出一种电子设备。
7.本发明的第四个目的在于提出一种计算机可读存储介质。
8.为达上述目的，本发明第一方面实施例提出了一种光伏系统的功率预测方法，包括：
9.获取多个采样时刻的目标气象数据；其中，所述目标气象数据包括平面内太阳辐照度、风向、风速，以及环境温度；
10.获取所述多个采样时刻的目标运行数据；其中，所述目标运行数据包括最大功率点电流、电压和功率，以及包括光伏阵列的输出端的输出值和模块温度，以及逆变器交流侧输出值；
11.根据所述多个采样时刻的目标气象数据和对应的目标运行数据生成多个输入时间序列，并将所述多个输入时间序列添加至评估数据集；其中，各所述输入时间序列采用对应采样时刻的功率进行标注；
12.采用设定的多种划分策略，将所述评估数据集划分为测试集和训练集；
13.采用各种划分策略划分得到的训练集，对bnn
‑
svr融合模型进行模型训练，并采用对应划分策略划分得到的测试集，对训练后的bnn
‑
svr融合模型进行测试；
14.根据测试出的模型性能，确定目标训练集和目标测试集；
15.采用所述目标训练集和目标测试集，对所述bnn
‑
svr融合模型进行超参数训练，以确定最优超参数；
16.基于最优超参数的bnn
‑
svr融合模型进行光伏功率预测。
17.在一些实施例中，所述目标运行数据中包括辐照度；所述采用各种划分策略划分得到的训练集，对bnn
‑
svr融合模型进行模型训练，并采用对应划分策略划分得到的测试集，对训练后的bnn
‑
svr融合模型进行测试，包括：
18.根据所述辐照度，对任一种划分策略划分得到的训练集和测试集中的输入时间序列进行过滤，以保留处于目标辐照度范围内的输入时间序列；
19.采用过滤后的训练集，对所述目标辐照度范围对应的bnn
‑
svr融合模型进行模型训练；
20.采用过滤后的测试集，对训练后的bnn
‑
svr融合模型进行测试。
21.在一些实施例中，所述目标辐照度范围为两个，分别为大于600瓦/平方米的高辐照度范围，以及小于或等于600瓦/平方米的低辐照度范围。
22.在一些实施例中，所述设定的多种划分策略，是将处于第一年份内的输入时间序列作为训练集，以及将处于第二年份内的多种设定比例的输入时间序列作为训练集，以及将所述评估数据集剩余的输入时间序列作为测试集；
23.其中，所述多种设定比例包括10％、30％、50％和70％中的多个。
24.在一些实施例中，所述bnn
‑
svr融合模型包括：bnn层和svr层；
25.其中，所述bnn层，用于特征提取；
26.所述svr层，用于基于所述bnn层提取的特征，采用非线性映射过程映射得到高维向量，根据所述高维向量进行分类，以得到预测运行数据。
27.在一些实施例中，所述采用所述目标训练集和目标测试集，对所述bnn
‑
svr融合模型进行超参数训练，以确定最优超参数，包括：
28.采用所述目标训练集和目标测试集，对所述bnn
‑
svr融合模型中包括所述bnn层的隐藏单元数在内的超参数进行超参数训练，以确定最优超参数。
29.本发明实施例的光伏系统的功率预测方法，通过获取多个采样时刻的目标气象数据；其中，所述目标气象数据包括平面内太阳辐照度、风向、风速，以及环境温度；获取所述多个采样时刻的目标运行数据；其中，所述目标运行数据包括最大功率点电流、电压和功率，以及包括光伏阵列的输出端的输出值和模块温度，以及逆变器交流侧输出值；根据所述多个采样时刻的目标气象数据和对应的目标运行数据生成多个输入时间序列，并将所述多个输入时间序列添加至评估数据集；其中，各所述输入时间序列采用对应采样时刻的功率进行标注；采用设定的多种划分策略，将所述评估数据集划分为测试集和训练集；采用各种划分策略划分得到的训练集，对bnn
‑
svr融合模型进行模型训练，并采用对应划分策略划分得到的测试集，对训练后的bnn
‑
svr融合模型进行测试；根据测试出的模型性能，确定目标训练集和目标测试集；采用所述目标训练集和目标测试集，对所述bnn
‑
svr融合模型进行超参数训练，以确定最优超参数；基于最优超参数的bnn
‑
svr融合模型进行光伏功率预测。由此，可以有效提高光伏功率预测的准确性，从而解决现有技术中光伏发电不确定性的问题。
30.为达上述目的，本发明第二方面实施例提出了一种光伏系统的功率预测装置，包括：
31.第一获取模块，用于获取多个采样时刻的目标气象数据；其中，所述目标气象数据包括平面内太阳辐照度、风向、风速，以及环境温度；
32.第二获取模块，用于获取所述多个采样时刻的目标运行数据；其中，所述目标运行数据包括最大功率点电流、电压和功率，以及包括光伏阵列的输出端的输出值和模块温度，以及逆变器交流侧输出值；
33.生成模块，用于根据所述多个采样时刻的目标气象数据和对应的目标运行数据生
成多个输入时间序列，并将所述多个输入时间序列添加至评估数据集；其中，各所述输入时间序列采用对应采样时刻的功率进行标注；
34.划分模块，用于采用设定的多种划分策略，将所述评估数据集划分为测试集和训练集；
35.第一训练模块，用于采用各种划分策略划分得到的训练集，对bnn
‑
svr融合模型进行模型训练，并采用对应划分策略划分得到的测试集，对训练后的bnn
‑
svr融合模型进行测试；
36.确定模块，用于根据测试出的模型性能，确定目标训练集和目标测试集；
37.第二训练模块，用于采用所述目标训练集和目标测试集，对所述bnn
‑
svr融合模型进行超参数训练，以确定最优超参数；
38.预测模块，用于基于最优超参数的bnn
‑
svr融合模型进行光伏功率预测。
39.在一些实施例中，所述目标运行数据中包括辐照度；所述第一训练模块，具体用于：
40.根据所述辐照度，对任一种划分策略划分得到的训练集和测试集中的输入时间序列进行过滤，以保留处于目标辐照度范围内的输入时间序列；
41.采用过滤后的训练集，对所述目标辐照度范围对应的bnn
‑
svr融合模型进行模型训练；
42.采用过滤后的测试集，对训练后的bnn
‑
svr融合模型进行测试。
43.在一些实施例中，所述目标辐照度范围为两个，分别为大于600瓦/平方米的高辐照度范围，以及小于或等于600瓦/平方米的低辐照度范围。
44.在一些实施例中，所述设定的多种划分策略，是将处于第一年份内的输入时间序列作为训练集，以及将处于第二年份内的多种设定比例的输入时间序列作为训练集，以及将所述评估数据集剩余的输入时间序列作为测试集；
45.其中，所述多种设定比例包括10％、30％、50％和70％中的多个。
46.在一些实施例中，所述bnn
‑
svr融合模型包括：bnn层和svr层；
47.其中，所述bnn层，用于特征提取；
48.所述svr层，用于基于所述bnn层提取的特征，采用非线性映射过程映射得到高维向量，根据所述高维向量进行分类，以得到预测运行数据。
49.在一些实施例中，所述第二训练模块，具体用于：
50.采用所述目标训练集和目标测试集，对所述bnn
‑
svr融合模型中包括所述bnn层的隐藏单元数在内的超参数进行超参数训练，以确定最优超参数。
51.本发明实施例的光伏系统的功率预测装置，通过获取多个采样时刻的目标气象数据；其中，所述目标气象数据包括平面内太阳辐照度、风向、风速，以及环境温度；获取所述多个采样时刻的目标运行数据；其中，所述目标运行数据包括最大功率点电流、电压和功率，以及包括光伏阵列的输出端的输出值和模块温度，以及逆变器交流侧输出值；根据所述多个采样时刻的目标气象数据和对应的目标运行数据生成多个输入时间序列，并将所述多个输入时间序列添加至评估数据集；其中，各所述输入时间序列采用对应采样时刻的功率进行标注；采用设定的多种划分策略，将所述评估数据集划分为测试集和训练集；采用各种划分策略划分得到的训练集，对bnn
‑
svr融合模型进行模型训练，并采用对应划分策略划分
得到的测试集，对训练后的bnn
‑
svr融合模型进行测试；根据测试出的模型性能，确定目标训练集和目标测试集；采用所述目标训练集和目标测试集，对所述bnn
‑
svr融合模型进行超参数训练，以确定最优超参数；基于最优超参数的bnn
‑
svr融合模型进行光伏功率预测。由此，可以有效提高光伏功率预测的准确性，从而解决现有技术中光伏发电不确定性的问题。
52.为达上述目的，本发明第三方面实施例提出了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，
53.所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明第一方面实施例所述的光伏系统的功率预测方法。
54.为达上述目的，本发明第四方面实施例提出了一种存储有计算机指令的计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行本发明第一方面实施例所述的光伏系统的功率预测方法。
55.本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
56.图1为本发明实施例提供的一种光伏系统的功率预测方法的流程示意图；
57.图2为本发明实施例提供的最大边际超平面的一种分析示意图；
58.图3为本发明实施例提供的一种光伏系统的功率预测装置的结构示意图；
59.图4为本发明实施例的示例性电子设备400的示意图框图。
具体实施方式
60.下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
61.下面参考附图描述本发明实施例的光伏系统的功率预测方法、装置及电子设备。
62.图1为本发明实施例提供的一种光伏系统的功率预测方法的流程示意图。
63.如图1所示，该光伏系统的功率预测方法包括以下步骤：
64.步骤101、获取多个采样时刻的目标气象数据；其中，所述目标气象数据包括平面内太阳辐照度、风向、风速，以及环境温度。
65.该实施例中，为了评估日前光伏发电准确预测是否需要一整年时间，这里，多个采样时刻是基于两年时间中的一个整年时间段分别采样的，其中，目标气象数据包括第一年目标气象数据和第二年目标气象数据。在获得所述目标气象数据之后，还需要对数据进行清洗，以剔除无效数据，同时将有效数据进行数据归一化处理，其处理公式为：
[0066][0067]
上述计算公式中，x
norm
为数据归一化之后的特征值，x
max
为特征值的最大值，x
min
为特征值的最小值，x为数据的原始特征值。
[0068]
该实施例中，平面内太阳辐照度是指太阳辐射经过大气层的吸收、散射、反射等作用后到达地球表面上单位面积单位时间内的辐射能量，其单位为w/m2(瓦特/平方米)。该太
阳辐照度的强度取决于太阳高度角、日地距离和日照时间，其中，太阳高度角对太阳辐照度的影响最大，表现为太阳高度角越大，太阳辐照度越强。
[0069]
这里，太阳高度角的计算公式为：
[0070][0071]
上述计算公式中，g1即为太阳高度角；g为矩阵化的太阳高度角。其中，t表示第t个采样时刻。
[0072]
需要说明的是，本发明实施例中选择气象数据作为模型的输入数据，是服务于本发明日前预测的，即本发明所述光伏系统的功率预测方法主要应用于日前光伏系统发电功率预测，而气象数据被认为是生成光伏系统发电功率预测模型的关键数据来源。
[0073]
步骤102、获取所述多个采样时刻的目标运行数据；其中，所述目标运行数据包括最大功率点电流、电压和功率，以及包括光伏阵列的输出端的输出值和模块温度，以及逆变器交流侧输出值。
[0074]
该实施例中，多个采样时刻的目标运行数据的时刻点是与步骤101中目标气象数据一一对应的。与上述步骤101类似，在获取到光伏系统的目标运行数据之后，还需要进行数据清洗，以剔除无效数据，同时对有效数据进行归一化处理，其处理公式与步骤101中的处理公式相同。这里，最大功率点电流、电压和功率是指测量点的最大功率输出点的电流、电压和功率。
[0075]
步骤103、根据所述多个采样时刻的目标气象数据和对应的目标运行数据生成多个输入时间序列，并将所述多个输入时间序列添加至评估数据集；其中，各所述输入时间序列采用对应采样时刻的功率进行标注。
[0076]
该实施例中，获取到的目标气象数据和对应的目标运行数据都是有效的数据，相对而言，无效数据是指数据中出现错误的数值、异常值、空白和重复的数值。为了保证数据的可用性，这里需要对测量数据进行彻底检查，对数据集进行连续的过滤和数据挖掘。具体地，通过获得的测量值设置阈值范围来检测与正常实例有显著差异的特征；通过搜索空值(na)来检测缺失的数据，以及重复的测量数据。对于检测到的错误和缺失数据都将从初始数据集中丢弃。
[0077]
该实施例中，多个采样时刻是以天为单位的，最终获取到的目标气象数据和对应的目标运行数据中包含有多天的数据。为了便于数据分析，这里将连续几天(比如连续一周)的目标气象数据和对应的目标运行数据作为一个输入时间序列，每一个输入时间序列中的每一天目标气象数据和目标运行数据作为一个单元都用对应的目标运行数据中的最大功率点的功率进行标注。示例性的，在本发明实施例中，在将所有的目标气象数据和目标运行数据转化成输入时间序列以后，得到n(n≥1)个原始时间序列。随后，将得到的原始时间序列全部都添加至评估数据集中。
[0078]
步骤104、采用设定的多种划分策略，将所述评估数据集划分为测试集和训练集。
[0079]
该实施例中，评估数据集中的原始时间序列是基于连续两年的目标气象数据和对应的目标运行数据得到的。这里，两年也不是唯一的选择，也可以选择两年以上，比如3年、4年等等。这里，评估数据集会作为光伏系统功率预测模型的训练数据，同时为了使预测模型
满足实用性，这里不仅要对预测模型进行训练，而且还要对预测模型进行测试，在进行测试时所使用的数据也来源于评估数据集中，从而保证训练和测试数据的同质性。基于此，需要将评估数据集划分为训练集和测试集。
[0080]
示例性的，该实施例中，评估数据集的划分方式可以包括一类四种，其中，一类为：将第一年的全部数据作为训练集；四种为：将第二年的全部数据划分为四种不同的组合方式：1、训练集(10％)和测试集(90％)；2、训练集(30％)和测试集(70％)；3、训练集(50％)和测试集(50％)；训练集(70％)和测试集(30％)。这里，所谓1
‑
4的顺序并没有限定，可以按顺序进行，也可以随机选择一种组合进行。其中，训练集包括10个不同的原始时间序列。
[0081]
步骤105、采用各种划分策略划分得到的训练集，对bnn
‑
svr融合模型进行模型训练，并采用对应划分策略划分得到的测试集，对训练后的bnn
‑
svr融合模型进行测试；根据测试出的模型性能，确定目标训练集和目标测试集。
[0082]
该实施例中，作为一种可能的实现方式，需要对第一年的全部数据应用辐照度过滤器进行过滤。所谓辐照度过滤器包括一个低通滤波器，能够过滤掉辐照度大于600瓦/平方米的高辐照度，即得到低度和中度的辐照度；还包括一个高通滤波器，能过滤掉辐照度小于或等于600瓦/平方米的低辐照度，即得到高辐照度。因此，得到两个目标辐照度范围：(0，600]和(600， ∞)。
[0083]
在上述两个目标辐照度范围内的第一年数据全部被用来作为训练集，用来对bnn
‑
svr融合模型进行模型训练。作为一种可能的实现方式，这里，bnn
‑
svr融合模型包括：bnn层和svr层，其中，bnn层，用于特征提取；svr层，用于基于所述bnn层提取的特征，采用非线性映射过程映射得到高维向量，根据所述高维向量进行分类，以得到预测运行数据。
[0084]
所谓bnn是指贝叶斯神经网络(bayesian neural network),具有即使在低数据集规模和高变化环境下，使用随机优化方法也可以实现更高预测精度的特点。应用bnn能够改善所建立模型的泛化能力，能够估计预测的不确定性。由于bnn所基于的贝叶斯法则提供了一个框架来分析和随机训练神经网络并量化与预测相关的不确定性，它还提供了一个数学框架来理解许多正则化技术和学习策略。此外，bnn是通过在网络结构(激活和权重)中引入随机成分来构建的，能够模拟多种可能的模型，以及得到多种可能的模型的相关概率分布。因此，bnn也被认为是集合学习的一个特例，即不是训练一个单一的模型，而是训练一组模型，并对训练后的该组模型的预测进行汇总。该实施例中，作为一种可能的实现方式，应用bnn能够对输入的训练集数据进行有效的提取，以及利用提取到的特征值对神经网络进行训练。
[0085]
具体地，通过bnn预测光伏功率输出的边际概率分布是基于贝叶斯后验概率计算的，其公式为：
[0086][0087]
上述计算公式中，w为权向量参数，可以视为一个多维的随机变量。学习w就是求出使后验概率p(w|d，α，β，m)取到最大值的权向量w’，并把w’作为bnn的权向量参数。这里，p(w|α，m)为权向量w的先验概率分布，p(d|w，β，m)为似然函数，p(d|α，β，m)为样本的分布，一般是和w无关的常量。
[0088]
该实施例中，将上述目标辐照度范围内的训练数据进行归一化处理后，将处理后
的特征值输入进初始bnn
‑
svr融合模型进行模型的训练。此外，对于第二年的全部数据，从四种不同组合中按顺序或者随机选择一种组合的训练集和测试集，并将所述训练集和测试集进行归一化处理，然后将处理后的训练集的特征值也输入进初始bnn
‑
svr融合模型进行模型的训练。
[0089]
应用第一年数据的训练集和第二年数据的一种训练集训练后的bnn
‑
svr融合模型，还要应用与上述一种训练集对应的测试集的特征值对训练后的bnn
‑
svr融合模型进行测试。这里，作为一种可能的实现方式，对初始bnn
‑
svr融合模型进行模型训练，除了训练集的数据，还包括bnn隐藏层拓补结构(隐藏单元的数量)。
[0090]
上述训练过程及对应的测试过程需要重复四次，最后，将四次测试效果进行比较，选择最佳测试结果对应的一种训练集和测试集组合，作为确定最优超参数的目标训练集和目标测试集。
[0091]
该实施例中，所谓svr是指支持向量回归(support vector regression)，是支持向量机(svm，support vector machine)的一个抽象变体，用于回归分析。svr的基本原理：推导出一个函数，基于给定的训练集，通过个性化的超平面将输入模式映射到输出(相当于上述预测运行数据)，以使误差最小。通过使用非线性映射过程，输入特征被映射到一个高维空间，并利用确定的支持向量寻找最大边际超平面(mmh，maximal margin hyperplane)，即，使得边际尽可能地大，更具体地说，是使得每点到分离超平面的距离的最小值(称作边际(margin))，尽可能地大。
[0092]
如图2所示，为最大边际超平面的一种分析示意图。图中x1和x2分别为三维坐标中的横坐标和纵坐标。从直观上看，最大边际超平面，代表插入两个类之间的最大空档正当中的一块板。这个最大空挡上的点，称作是支持向量(support vector)，因为它们支持(support)起了这个最大边际超平面，只有当这些点发生改动的时候，最大边际超平面才会改动，也就是说，其余的点不影响最大边际超平面，最大边际超平面只与这一部分支持向量有关。
[0093]
该实施例中，为了将非线性数据转化为高维特征空间并促进线性数据分离(相当于对高维向量进行分类，以得到离散的数据)，应用了一个sigmod核函数。
[0094]
其中，核函数为：k(x,y)＝tanh(γx
t
y r)
[0095]
其中x，y是输入数据的参数，x
t
是转置的输入向量，γ是输入数据的缩放参数，r是控制映射阈值的移位参数。
[0096]
此外，还包括一个误差容限ε，作为误差的幅度(预测的点与实际值的距离为ε)，在此范围内不对训练损失函数进行惩罚。最后，进行网格搜索调整过程，以确定构建的svr模型的最佳超参数(约束成本和γ)。
[0097]
步骤106、采用所述目标训练集和目标测试集，对所述bnn
‑
svr融合模型进行超参数训练，以确定最优超参数；基于最优超参数的bnn
‑
svr融合模型进行光伏功率预测。
[0098]
该实施例中，作为一种可能的实现方式，超参数的确定可以基于以下公式获得：
[0099]
假设权向量参数w的先验概率分布是指数型分布：
[0100]
[0101]
其中，
[0102]
s为权向量参数w的维度，z
w
(α)为归一化因子，α即为超参数。关于超参数的具体计算方式，可以参见现有技术中的相关内容，本发明实施例将不再详述。
[0103]
作为一种可能的实现方式，为获得最优超参数，还需要对获得的超参数进行优化，具体地，上述步骤105中涉及到的bnn隐藏单元的数量、epochs的隐藏单元数和历时数是通过对约束条件的成本和缩放参数进行自动网格搜索来改变的。其中，epochs指的是模型训练过程中数据完成迭代的回合。例如，模型训练中，训练集需要进行100次迭代，那么完成这100次迭代就是一次epochs。
[0104]
在得到最优超参数之后，将该最优超参数导入bnn
‑
svr融合模型，从而获得用于日前光伏发电功率预测的改进型bnn
‑
svr融合模型。此外，还将构建的所述改进型bnn
‑
svr融合模型的预测准确性与基线持久性模型(pm)进行了比较，以评估每种机器学习技术的有效性。所谓机器学习技术主要是应用了上述步骤中涉及的贝叶斯神经网络(bnn)和支持向量回归(svr)的技术原理。
[0105]
本发明实施例的光伏系统的功率预测方法，通过获取多个采样时刻的目标气象数据；其中，所述目标气象数据包括平面内太阳辐照度、风向、风速，以及环境温度；获取所述多个采样时刻的目标运行数据；其中，所述目标运行数据包括最大功率点电流、电压和功率，以及包括光伏阵列的输出端的输出值和模块温度，以及逆变器交流侧输出值；根据所述多个采样时刻的目标气象数据和对应的目标运行数据生成多个输入时间序列，并将所述多个输入时间序列添加至评估数据集；其中，各所述输入时间序列采用对应采样时刻的功率进行标注；采用设定的多种划分策略，将所述评估数据集划分为测试集和训练集；采用各种划分策略划分得到的训练集，对bnn
‑
svr融合模型进行模型训练，并采用对应划分策略划分得到的测试集，对训练后的bnn
‑
svr融合模型进行测试；根据测试出的模型性能，确定目标训练集和目标测试集；采用所述目标训练集和目标测试集，对所述bnn
‑
svr融合模型进行超参数训练，以确定最优超参数；基于最优超参数的bnn
‑
svr融合模型进行光伏功率预测。由此，可以有效提高日前光伏功率预测的准确性，从而解决现有技术中光伏发电不确定性的问题。
[0106]
为了实现上述实施例，本发明还提出一种光伏系统的功率预测装置。
[0107]
图3为本发明实施例提供的一种光伏系统的功率预测装置的结构示意图。
[0108]
如图3所示，该装置包括：第一获取模块301、第二获取模块302、生成模块303、划分模块304、第一训练模块305、确定模块306、第二训练模块307和预测模块308。其中，
[0109]
第一获取模块301，用于获取多个采样时刻的目标气象数据；其中，所述目标气象数据包括平面内太阳辐照度、风向、风速，以及环境温度；
[0110]
第二获取模块302，用于获取所述多个采样时刻的目标运行数据；其中，所述目标运行数据包括最大功率点电流、电压和功率，以及包括光伏阵列的输出端的输出值和模块温度，以及逆变器交流侧输出值；
[0111]
生成模块303，用于根据所述多个采样时刻的目标气象数据和对应的目标运行数据生成多个输入时间序列，并将所述多个输入时间序列添加至评估数据集；其中，各所述输入时间序列采用对应采样时刻的功率进行标注；
[0112]
划分模块304，用于采用设定的多种划分策略，将所述评估数据集划分为测试集和训练集；
[0113]
第一训练模块305，用于采用各种划分策略划分得到的训练集，对bnn
‑
svr融合模型进行模型训练，并采用对应划分策略划分得到的测试集，对训练后的bnn
‑
svr融合模型进行测试；
[0114]
确定模块306，用于根据测试出的模型性能，确定目标训练集和目标测试集；
[0115]
第二训练模块307，用于采用所述目标训练集和目标测试集，对所述bnn
‑
svr融合模型进行超参数训练，以确定最优超参数；
[0116]
预测模块308，用于基于最优超参数的bnn
‑
svr融合模型进行光伏功率预测。
[0117]
作为一种可能的实现方式，所述目标运行数据中包括辐照度；所述第一训练模块305，具体用于：
[0118]
根据所述辐照度，对任一种划分策略划分得到的训练集和测试集中的输入时间序列进行过滤，以保留处于目标辐照度范围内的输入时间序列；
[0119]
采用过滤后的训练集，对所述目标辐照度范围对应的bnn
‑
svr融合模型进行模型训练；
[0120]
采用过滤后的测试集，对训练后的bnn
‑
svr融合模型进行测试。
[0121]
作为一种可能的实现方式，所述目标辐照度范围为两个，分别为大于600瓦/平方米的高辐照度范围，以及小于或等于600瓦/平方米的低辐照度范围。
[0122]
作为一种可能的实现方式，所述设定的多种划分策略，是将处于第一年份内的输入时间序列作为训练集，以及将处于第二年份内的多种设定比例的输入时间序列作为训练集，以及将所述评估数据集剩余的输入时间序列作为测试集；
[0123]
其中，所述多种设定比例包括10％、30％、50％和70％中的多个。
[0124]
作为一种可能的实现方式，所述bnn
‑
svr融合模型包括：bnn层和svr层；
[0125]
其中，所述bnn层，用于特征提取；
[0126]
所述svr层，用于基于所述bnn层提取的特征，采用非线性映射过程映射得到高维向量，根据所述高维向量进行分类，以得到预测运行数据。
[0127]
作为一种可能的实现方式，所述第二训练模块307，具体用于：
[0128]
采用所述目标训练集和目标测试集，对所述bnn
‑
svr融合模型中包括所述bnn层的隐藏单元数在内的超参数进行超参数训练，以确定最优超参数。
[0129]
本发明实施例的光伏系统的功率预测装置，通过获取多个采样时刻的目标气象数据；其中，所述目标气象数据包括平面内太阳辐照度、风向、风速，以及环境温度；获取所述多个采样时刻的目标运行数据；其中，所述目标运行数据包括最大功率点电流、电压和功率，以及包括光伏阵列的输出端的输出值和模块温度，以及逆变器交流侧输出值；根据所述多个采样时刻的目标气象数据和对应的目标运行数据生成多个输入时间序列，并将所述多个输入时间序列添加至评估数据集；其中，各所述输入时间序列采用对应采样时刻的功率进行标注；采用设定的多种划分策略，将所述评估数据集划分为测试集和训练集；采用各种划分策略划分得到的训练集，对bnn
‑
svr融合模型进行模型训练，并采用对应划分策略划分得到的测试集，对训练后的bnn
‑
svr融合模型进行测试；根据测试出的模型性能，确定目标训练集和目标测试集；采用所述目标训练集和目标测试集，对所述bnn
‑
svr融合模型进行超
参数训练，以确定最优超参数；基于最优超参数的bnn
‑
svr融合模型进行光伏功率预测。由此，可以有效提高日前光伏功率预测的准确性，从而解决现有技术中光伏发电不确定性的问题。
[0130]
需要说明的是，前述对光伏系统的功率预测方法实施例的解释说明也适用于该实施例的光伏系统的功率预测装置，此处不再赘述。
[0131]
为了实现上述实施例，本发明还提出一种电子设备，该电子设备包括至少一个处理器，以及与所述至少一个处理器通信连接的存储器。其中，存储器存储有可被所述至少一个处理器执行的指令，该指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明实施例所述的光伏系统的功率预测方法。
[0132]
图4为本发明实施例的示例性电子设备400的示意图框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本技术的实现。
[0133]
如图4所示，设备400包括计算单元401，其可以根据存储在rom(read
‑
only memory，只读存储器)402中的计算机程序或者从存储单元408加载到ram(random access memory，随机访问/存取存储器)403中的计算机程序，来执行各种适当的动作和处理。在ram 403中，还可存储设备400操作所需的各种程序和数据。计算单元401、rom 402以及ram 403通过总线404彼此相连。i/o(input/output，输入/输出)接口405也连接至总线404。
[0134]
设备400中的多个部件连接至i/o接口405，包括：输入单元406，例如键盘、鼠标等；输出单元407，例如各种类型的显示器、扬声器等；存储单元408，例如磁盘、光盘等；以及通信单元409，例如网卡、调制解调器、无线通信收发机等。通信单元409允许设备400通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
[0135]
计算单元401可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元401的一些示例包括但不限于cpu(central processing unit，中央处理单元)、gpu(graphic processing units，图形处理单元)、各种专用的ai(artificial intelligence，人工智能)计算芯片、各种运行机器学习模型算法的计算单元、dsp(digital signal processor，数字信号处理器)、以及任何适当的处理器、控制器、微控制器等。计算单元401执行上文所描述的各个方法和处理，例如文本生成方法。例如，在一些实施例中，文本生成方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元408。在一些实施例中，计算机程序的部分或者全部可以经由rom 402和/或通信单元409而被载入和/或安装到设备400上。当计算机程序加载到ram 403并由计算单元401执行时，可以执行上文描述的方法的一个或多个步骤。备选地，在其他实施例中，计算单元401可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行前述文本生成方法。
[0136]
为了实现上述实施例，本发明还提出一种存储有计算机指令的计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行本发明实施例所述的光伏系统的功率预测方法。
[0137]
计算机可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置
或设备使用或与指令执行系统、装置或设备结合地使用的程序。计算机可读介质可以是机器可读信号介质或机器可读储存介质。计算机可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。计算机可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、ram、rom、eprom(electrically programmable read
‑
only
‑
memory，可擦除可编程只读存储器)或快闪存储器、光纤、cd
‑
rom(compact disc read
‑
only memory，便捷式紧凑盘只读存储器)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
[0138]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
[0139]
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
[0140]
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
[0141]
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
[0142]
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离
散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
[0143]
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
[0144]
此外，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模块中，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模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
[0145]
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。