一种支持新能源发电功率高精度预测的高效算法框架的制作方法

1.本技术涉及电网技术领域，特别是涉及一种支持新能源发电功率高精度预测的高效算法框架、发电功率预测方法、计算机设备、存储介质和计算机程序产品。


背景技术：

2.随着电网技术的发展，出现了新能源功率预测系统，其中，新能源功率预测系统是并网新能源场站的基础配套系统之一，其发电功率预测结果是电网管理调度单位制定并网发电计划的主要参考数据，直接影响电网公司的调度策略。
3.然而当前的新能源功率预测系统，在进行发电功率预测时，基本已经形成了以原始数据采集(主要是气象数据)—原始数据加工—功率预测—结果输出为链条的技术解决方案，由于发电功率与多种因素有关，此种预测方式考虑的不够全面，导致最后得到的发电功率精度较低。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种能够提高发电功率预测精度的一种支持新能源发电功率高精度预测的高效算法框架、发电功率预测方法、计算机设备、存储介质和计算机程序产品。
5.第一方面，本技术提供了一种支持新能源发电功率高精度预测的高效算法框架，所述框架包括：多源数据层、数据清洗加工服务层、存储层以及大型分布式并行计算框架层；
6.所述多源数据层，用于从预设的多个渠道获取多源的预报气象数据，所述多源的预报气象数据包括多时效的预报气象数据，多时间分辨率的预报气象数据以及多空间分辨率的预报气象数据中的至少一种；
7.所述数据清洗加工服务层，用于确定所述预报气象数据的预报数据特征，以及对所述预报气象数据进行加工处理，得到符合功率预测模型需求的预报气象加工数据；
8.所述存储层，用于存储预先训练获得的多个最高预测精度的功率预测模型；
9.所述大型分布式并行计算框架层，用于基于所述预报气象数据的预报数据特征，从所述高性能存储系统中获取与所述预报数据特征匹配的功率预测模型，并基于所述功率预测模型，对所述预报气象加工数据进行功率预测，预测所述新能源场站的发电功率。
10.在其中一个实施例中，所述数据清洗加工服务层为微服务架构；所述微服务架构根据微服务架构下各处理服务器的处理压力；将所述预报气象数据发送至所述微服务架构下处理压力最小的处理服务器，由所述处理服务器对所述气象数据进行降噪处理后，再从时效、时间和空间中的至少一个维度进行数据清洗处理，得到符合所述功率预测模型需求的预报气象加工数据。
11.在其中一个实施例中，所述框架还包括模型训练层；所述模型训练层，用于获取各新能源场站的历史气象数据以及对应的实际发电功率，确定所述历史气象数据的历史数据
特征；对所述历史气象数据进行处理，得到历史气象加工数据；将所述历史气象加工数据利用各初始功率预测模型进行训练，确定与各所述初始功率预测模型关联最大的历史数据特征，并确定各所述关联最大历史数据特征对应的最高预测精度的初始功率预测模型；构建每个新能源场站的所述初始功率预测模型与所述历史数据特征的映射关系，所述历史数据特征包括历史气象特征和历史时间特征中的至少一种。
12.第二方面，本技术提供了一种发电功率预测方法，应用于所述支持新能源发电功率高精度预测的高效算法框架，所述方法包括：
13.响应预测请求，获取预报气象数据；
14.确定所述预报气象数据的预报数据特征，所述预报数据特征为预报气象特征和预报时间特征中的至少一种；
15.获取与所述预报数据特征匹配的功率预测模型；其中，所述功率预测模型是预先训练得到的符合所述预报数据特征且功率预测精度最高的模型；
16.对所述预报气象数据进行处理，得到质量符合所述功率预测模型需求的预报气象加工数据；
17.将所述预报气象加工数据输入所述功率预测模型，通过所述功率预测模型利用所述预报气象加工数据预测所述新能源场站的发电功率。
18.在其中一个实施例中，所述获取预报气象数据，包括：从预设的多个渠道获取多源的预报气象数据，所述多源的预报气象数据包括多时效的预报气象数据，多时间分辨率的预报气象数据以及多空间分辨率的预报气象数据中的至少一种。
19.在其中一个实施例中，所述对所述预报气象数据进行处理，得到质量符合所述功率预测模型需求的预报气象加工数据，包括：获取微服务架构下各处理服务器的处理压力；将所述气象数据发送至微服务架构下处理压力最小的处理服务器，由所述处理服务器对所述气象数据进行降噪处理后，再从时效、时间和空间中的至少一个维度进行数据清洗处理，得到符合所述功率预测模型需求的预报气象加工数据。
20.在其中一个实施例中，所述方法还包括：获取各新能源场站的历史气象数据以及对应的实际发电功率，确定所述历史气象数据的历史数据特征；对所述历史气象数据进行处理，得到历史气象加工数据；将所述历史气象加工数据利用各初始功率预测模型进行训练，确定与各所述初始功率预测模型关联最大的历史数据特征，并确定各所述关联最大历史数据特征对应的最高预测精度的初始功率预测模型；构建每个新能源场站的所述初始功率预测模型与所述历史数据特征的映射关系，所述历史数据特征包括历史气象特征和历史时间特征中的至少一种。
21.在其中一个实施例中，所述将所述历史气象加工数据利用各初始功率预测模型进行训练，确定与各所述初始功率预测模型关联最大的历史数据特征，并确定各所述关联最大的历史数据特征对应的最高预测精度的初始功率预测模型，包括：将各所述历史气象加工数据，输入到各所述初始功率预测模型，得到各所述初始功率预测模型预测的该新能源场站的预测发电功率；
22.根据所述预测发电功率和所述实际发电功率，确定与各所述初始功率预测模型关联最大的历史数据特征；
23.基于确定了关联最大的历史数据特征的初始功率预测模型，对各所述初始功率预
测模型的模型参数和权重进行调整，直到满足训练结束条件，得到各所述关联最大的历史数据特征的最高预测精度的功率预测模型。
24.在其中一个实施例中，所述方法还包括：当获取到接收方的预测请求时，将所述预测请求分配给多个处理服务器，由多个处理服务器响应所述预测请求；当接收到处理服务器反馈的预测的发电功率时，将预测的所述发电功率推送至指定的接收方，所述预测功率用于新能源场站的并网发电调度。
25.在其中一个实施例中，所述方法还包括：获取预设时间段内的特定气象特征数据；将所述特定气象特征数据输入至各初始功率预测模型，确定与所述特定气象特征数据匹配的初始功率预测模型；调整与所述特定气象特征数据匹配的初始功率预测模型的模型参数和权重，确定所述特定气象特征数据对应的最高预测精度的初始功率预测模型。
26.在其中一个实施例中，所述方法还包括：若存在新建的新能源场站；基于新能源场站的地理位置信息、地形地貌信息，确定与所述新建的新能源场站匹配的已建新能源场站；获取所述已建新能源场站的功率预测模型；基于所述已建新能源场站的功率预测模型，对所述新建的新能源场站的发动功率进行预测
27.第三方面，本技术还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述支持高效高精度新能源场站的发电功率预测方法的步骤。
28.第四方面，本技术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，所述计算机程序被处理器执行时实现上述支持高效高精度新能源场站的发电功率预测方法的步骤。
29.第五方面，本技术还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述支持高效高精度新能源场站的发电功率预测方法的步骤。
30.上述支持新能源发电功率高精度预测的高效算法框架、发电功率预测方法计算机设备、存储介质和计算机程序产品，通过集成有多源数据层、数据清洗加工服务层、高性能存储系统层以及大型分布式并行计算框架层的框架，一方面，由于获取的功率预测模型是预先训练得到的符合数据特征、且功率预测精度最高的模型，所以后续在通过大型分布式并行计算框架层进行发电功率预测时，可以较大程度的提高预测精度，另一方面，输入至功率预测模型中的数据，是对预报气象数据处理后，得到的符合功率预测模型需求的预报气象加工数据，因此，可以进一步提升发电功率预测精度。
附图说明
31.图1为一个实施例中支持新能源发电功率高精度预测的高效算法框架的结构示意图；
32.图2为一个实施例中发电功率预测方法的流程示意图；
33.图3为一个实施例中发电功率预测方法的流程示意图；
34.图4为另一个实施例中发电功率预测方法的流程示意图；
35.图5为一个实施例中计算机设备的内部结构图。
具体实施方式
36.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
37.本技术实施例提供的发电功率预测方法，可以应用于如图1所示的支持新能源发电功率高精度预测的高效算法框架中，该支持新能源发电功率高精度预测的高效算法框架可以运行于服务器集群中，服务器集群可以包括两个以上的服务器，例如服务器1、服务器2、
……
、服务器n，该支持新能源发电功率高精度预测的高效算法框架可以按照离线计算、实时计算两大部分进行切割解耦，具体的，离线计算部分包括多时效多时空分辨率多源数据层(多源数据层)102、数据采集服务层104、高吞吐分布式消息订阅系统层106、数据清洗加工服务层108、高性能存储系统层110、大型分布式并行计算框架层112以及存储层114，预报计算部分包括大型分布式并行计算框架层202、存储层204、web服务层206、负载均衡服务层208以及客户端210。
38.其中，多时效多时空分辨率多源数据层102可以从多个预定的数据采集渠道获得多个数据源，如数据源1、数据源2以及数据源m，各数据源中均对应有相应的气象数据，其中，不同的数据源对应的气象数据的维度信息、时间尺度以及空间尺度可能存在不同，其中，维度信息可以是指与气象相关的气象特征数据，如温度、湿度、光强等，时间尺度可以是相对概念，如一天和一个小时属于不同时间尺度，一个小时和10分钟也可以属于不同时间尺度，空间尺度也可以是相对概念，以广州这个城市为例，广州在未来一天的天气，和广州的各区域在未来一天的天气属于不同的空间尺度。
39.其中，各数据源的维度信息、时间尺度以及空间尺度均可能是不同的，也可能只有维度信息不同，或是只有时间尺度不同，或是只有空间尺度不同，各数据源的数据信息根据数据的实际情况而定。
40.例如，数据源1包括一个新能源场站在未来一天的气温、光强以及湿度等，数据源2包括该新能源场站在未来一天的风向、光照以及气压等，则数据源1以及数据源2的维度信息是不同的，又如，数据源1包括的是一个新能源场站未来一天的温度数据，而数据源2包括的是该新能源场站未来一天中，各时间点的温度数据，如在中午十一点的温度数据以及在中午十二点的温度数据，则数据源1和数据源2的时间尺度不同，又如，数据源1包括的是在未来一天，新能源场站所属城市的温度数据，数据源2包括的是在未来一天，新能源场站所属城市对应的区域的温度数据，则数据源1和数据源2的空间尺度不同。
41.数据采集服务层104可以包括实例1、实例2以及实例n，也可以只包括实例1，或是只包括实例2，或是只包括实例n，数据采集服务层采用可伸缩的弹性微服务架构，可以根据实际的数据量来确定实例的个数。其中，数据采集服务层104的各实例中运行有程序，可以用于对各数据源中的数据进行一个初步筛选，得到筛选数据。
42.在其中一个实施例中，在进行初步筛选时，可以将多数据源的数据中，与其它数据存在明显差异的数据去除掉，如数据源1中，新能源场站在未来一天的温度为23
°
，数据源2中，新能源场站在未来一天的温度为50
°
，数据源n中，新能源场站在未来一天的温度为50
°
，则可以去除调数据源n关于未来一天的温度部分的数据。
43.在其中一个实施例中，若数据采集服务层存在多个实例，在将各数据源的数据发
送到各实例前，可以将各实例与各数据源进行适配，具体的，在进行适配时，可以根据数据源的数据格式、数据内容等展开适配过程，从而确定与数据源对应的实例来处理数据，其中，与数据源适配的实例可以只有一个，也可以有多个。
44.高吞吐分布式发布消息订阅系统层106可以包括数据节点1、数据节点2以及数据节点k，各数据节点可以用于存放在数据采集服务层104中筛选得到的筛选数据。
45.数据清洗加工服务层108可以包括实例1、实例2以及实例3，各实例中存储有特定的算法，可以用于对存储于数据节点中的筛选数据进行数据特征提取、进行二次加工操作等，具体的，二次加工操作可以包括降低筛选数据的时间/空间分辨率、增加筛选数据的预测时效、降噪等。
46.例如，从数据源1的气象数据中，只能知道广州这个城市未来1天的天气概况，并不知道广州各个区甚至街道的天气情况，更不知道在未来1天内，具体到每个小时，如正午12点的天气情况，通过对数据源1的气象数据进行二次加工操作，则可以得到广州每个区的天气情况，即降低空间分辨率，还可以得到具体每小时(比如正午12点)的天气情况，即降低时间分辨率，通过降低时间分辨率以及降低空间分辨率，从而支撑进行相应场景下的功率预测。
47.又如，数据源2的气象数据原来只预测未来1天的气象数据，通过对数据源2的气象数据进行二次加工操作，数据增加到预测未来7天的气象数据，从而不仅增加了预测时间，还增加了相应的预报数据量，通过增加时效，则可以预测更长未来时间段的新能源场站发电功率情况，可以为电力调度机构制定中长期发电计划提供参考，进一步的，更长预测时效的天气预报数据，可以支撑进行相应场景下的功率预测。
48.又如，还可以通过二次加工操作进行降噪，从而可以剔除一些无关紧要的气象特征数据(如10米风速，光伏发电基本不受风速影响，风力发电时，风机轮毂高度也远高于10米，10米风速对于风力发电来说也没有任何参考意义)，从而使得气象数据更加聚焦，可以直接降低模型训练时的数据量、运算量，有助于提升预测效率。
49.高性能存储系统层110包括数据节点1、数据节点2以及数据节点x，可以用于存储二次加工操作之后的数据。
50.大型分布式并行计算框架112可以包括模型训练层，包括计算节点1、计算节点2以及计算节点y，大型分布式并行计算框架112可以完成模型训练，各计算节点可以对应有一种算法模型，也可以对应有多种算法模型，通过大型分布式并行计算框架112，可以确定每个算法模型对于指定新能源场站的精度最高时的气象特征、模型参数以及权重等因素。
51.存储层112，可以用于存储已训练好的模型，以供下游模块使用。
52.大型分布式并行计算框架层202，可以用于基于预报气象数据的预报数据特征，从存储层中获取与预报数据特征匹配的功率预测模型，并基于所述功率预测模型，对所述预报气象加工数据进行功率预测，预测所述新能源场站的发电功率。
53.存储层204，可以用于存储对预报气象数据进行功率预测后，得到的发电功率预测结果。
54.web服务层206，是一个弹性微服务架构，可以用于提供web服务，web服务层206包括可以包括实例1、实例2以及实例n，也可以只包括实例1，或是只包括实例2，或是只包括实例n，各实例中运行有程序。
55.负载均衡服务层208，可以将用户的预测请求按照一定的规则，相对均衡的分配到对应的web服务层206的实例中。
56.客户端210，可以用于向大型分布式并行计算框架112发送预测请求，以及接收预测得到的新能源场站的发电功率。
57.在其中一个实施例中，可以在云端从多个预定的数据采集渠道获得多个数据源中的气象数据、对各数据源中的数据进行一个初步筛选、对经过初步筛选后的筛选数据进行数据加工、并对历史气象数据进行模型训练等长周期、非实时、全局性的大数据大计算量处理和分析，在场站端就近实时提供功率预测及其他智能化个性化服务，由此降低了单位算力成本，保证了功率预测的高效性与可靠性，满足了用户安全与隐私保护的要求，同时解决了没有历史数据积累的新建新能源场站功率预测问题。
58.在其中一个实施例中，支持新能源发电功率高精度预测的高效算法框架还包括气象特征甄选层，具体的，单一气象特征及气象特征组合(即多个单一气象特征组合成一个整体)，应用于新能源功率预测时的相关性系数是不同的(即某单一气象特征或气象特征组合对于功率预测准确率的影响程度不同，系数越大，说明对功率预测准确率的影响程度越大，根据这些气象特征预测出的功率的准确率越高)。每个功率预测算法模型，受其内部实际算法影响，各气象特征及其组合的相关性系数也不尽相同；气象特征甄选模块，会针对每个具体的场站、不同的时期、每个具体的功率预测算法模型，建立相关的气象特征甄选作业任务，确定相关性系数最高若干的气象特征或气象特征组合，并在(如模型训练、功率预测)的情况下使用，从而提升最终的功率预测准确率。
59.在其中一个实施例中，针对不同的新能源场站，因地形地貌、海拔、经纬度等客观地理因素不尽相同，各气象特征及其组合相关性系数也不尽相同(如山脉是东南-西北走向的山区风力发电厂，因受山脉走势限制，无论风从哪个方向吹来，都被强行改成了顺着山脉走向的风向，故对于这个风力发电厂风向这一气象特征的相关性系数较低；但在平原地区，风从风机的迎风面还是背风面或者其他方向吹来，对风力发电的功率是有影响的，这一气象特征的相关性系数相对山区的风力发电厂的相关性系数高一点)。
60.针对同一新能源场站，在不同的时期(如夏季与冬季)，各气象特征及其组合的相关性系数也不尽相同(如广东沿海平原地区，风机一般迎风面朝东南方向，广东夏季是东南风偏多，故风向这一气象特征的相关性系数较低；但在冬季，广东是西北风偏多，风从风机的背风面吹来，此时风向的相关性系数就与夏季有所不同了)。
61.在其中一个实施例中，在模型训练时，可以针对每种功率预测模型，都有相关的模型参数可供配置(如svm算法，一般有核函数、c参数、gamma参数)，不同的参数对于功率预测的准确率影响是不同的。不同的场站同一功率预测模型，功率预测准确率达到最高值时，其模型参数不尽相同；同一场站同一功率预测算法模型，在不同的历史时期，功率预测准确率达到最高值时，其模型参数也不尽相同。通过设置模型参数寻优模块，会根据每个具体的场站、每个具体的功率预测算法模型、不同的时期等因素，找出每个具体的功率预测算法模型在指定的条件下(如某个具体的场站、某个具体的时期)，其功率预测准确率达到最高值时的各参数值，即查找确定各个模型的最优参数，并提供给功率预测算法模型训练模块使用。
62.在一个实施例中，如图2所示，提供了一种发电功率预测方法，以该方法应用于图2中的支持新能源发电功率高精度预测的高效算法框架为例进行说明，包括以下步骤：
63.步骤s202，响应预测请求，获取预报气象数据。
64.其中，预测请求可以是指预测新能源场站的发电功率的请求，预报气象数据可以是指在预报的某地点(某地点可以为某一个城市、也可以为某一个城市所包含的各区域等)在未来某一段时间(如未来3天等)的气象数据，气象数据可以包括温度、湿度、光照强度、风向以及气压等。
65.在其中一个实施例中，预测请求可以是由用户根据自身的实际需求，通过交互装置将预测请求发送至支持新能源发电功率高精度预测的高效算法框架中的大型分布式并行计算框架层202，交互装置可以是按键电路或触控屏等，也可以是手机、遥控器等末端设备，大型分布式并行计算框架层202响应预测请求，获取预报气象数据。
66.在其中一个实施例中，预测请求也可以是在达到支持新能源发电功率高精度预测的高效算法框架内置的限定条件时，通过判定是否达到内置的限定条件，如果达到了限定条件，则响应内置的预测请求。相应的，其中的内置的限定条件可以为通过设置一个具体的时间间隔或者设置一个具体的时间点，例如，设置每间隔15分钟获取一次预报气象数据，在达到该间隔时间段时，即达到内置的限定条件，又如，设置下午两点为获取预报气象数据的时间，当时间到达下午两点时，即达到内置的限定条件。
67.步骤s204，确定所述预报气象数据的预报数据特征，所述预报数据特征为预报气象特征和预报时间特征中的至少一种。
68.其中，预报气象特征可以是指预报气象数据所包含的温度、湿度、光照强度、风向以及气压等特征，预报时间特征可以是指预报气象数据具体的时间尺度，时间尺度可以是一天，也可以是一个星期，还可以是一个小时或者15分钟等。
69.其中，预报数据特征可以只包括预报气象特征，也可以只包括预报时间特征，还可以同时包括预报气象特征和预报时间特征，当然，预报气象特征也不限定为预报时间特征和预报气象特征，例如，还可以为预报空间特征，预报空间特征可以是指预报气象数据具体的空间尺度，空间尺度可以是一个城市，也可以是该城市对应的区域，甚至是各区域对应的街道等。由于后续步骤中，在查找与数据特征匹配的功率预测模型时，主要是与预报时间特征、预报气象特征有关，所以在确定预报气象数据的预报数据特征时，未指明预报空间特征。
70.在其中一个实施例中，预报气象数据是指新能源场站的气象数据，且同时包括预报时间特征和预报气象特征，则预报气象数据可以为新能源场站未来一小时的温度、湿度、光照强度，未来两天的温度、湿度、风向等。
71.步骤s206，获取与所述预报数据特征匹配的功率预测模型；其中，所述功率预测模型是预先训练得到的符合所述预报数据特征且功率预测精度最高的模型。
72.其中，获取与预报数据特征匹配的功率预测模型是指，从已离线训练好的模型库中选取与预报气象特征对应的功率预测模型，或者从已离线训练好的模型库中选取与预报时间特征对应的功率预测模型，或者从已离线训练好的模型库中选取与预报时间特征、预报气象特征对应的功率预测模型。
73.在其中一个实施例中，可以通过预报气象特征，来匹配得到对应的功率预测模型，具体的，涉及到的新能源场站为风力发电厂，该风力发电厂的预报气象数据为2022年3月5日的气象数据，假设每半小时有一个气温点，则一天共有48个点，将48个点串联得到气温曲
线a；假设每半小时有一个风速点，则一天共有48个点，将48个点串联得到风速曲线b；经过预报数据特征匹配，算法模型d的气温特征接近气温曲线a，风速特征接近风速曲线b，则使用算法模型d(比如lstm算法)进行发电功率预测，功率预测准确率最高，可以确定算法模型d为与气象特征匹配的功率预测模型。
74.在其中一个实施例中，也可以通过预报时间特征，来匹配得到对应的功率预测模型，比如对于光伏发电站，晚上一般是不发电的，所以从这个角度出发，需要选择哪些晚上功率预测为0或者接近0的模型，又比如，每年7、8月广东沿海容易出现台风，这段时间可能使用a模型(与台风关联较强的模型)进行功率预测精度比较高，而到了每年的1、2月广东基本不会出现台风，容易出现寒潮，这段时间可能使用b模型(与寒潮关联较强的模型)进行功率预测得到的精度会更高。
75.步骤s208，对所述预报气象数据进行处理，得到质量符合所述功率预测模型需求的预报气象加工数据。
76.在其中一个实施例中，对预报气象数据进行处理可以是指对预报气象数据进行降低噪音等处理，从而使加工后的预报气象数据更容易贴近真实数据，然后在降低噪音的基础上进行降低时空分辨率、增加预测时效等二次加工操作，从而得到符合功率预测模型需求的气象加工数据，进一步提高数据处理精度。
77.在其中一个实施例中，降低噪音处理可以是指剔除一些无关紧要的预报气象特征数据，具体的，针对光伏发电场站，无关紧要的预报气象特征数据可以为10米风速，光伏发电基本不受风速影响，10米风速对于光伏发电来说也没有任何参考意义，从而通过去噪处理，使预报气象数据更加聚焦。
78.步骤s210，将所述预报气象加工数据输入所述功率预测模型，通过所述功率预测模型利用所述预报气象加工数据预测所述新能源场站的发电功率。
79.在其中一个实施例中，获得与预报数据特征匹配的功率预测模型之后，可以将预报气象加工数据输入功率预测模型，通过功率预测模型利用预报气象加工数据预测新能源场站的发电功率。
80.上述新能源场站的发电功率预测方法中，通过响应预测请求，获取预报气象数据，从而可以根据预报气象数据的数据特征，匹配得到对应的功率预测模型，一方面，由于功率预测模型是预先训练得到的符合数据特征，且功率预测精度最高的模型，所以在后续进行发明功率预测时，可以较大程度的提高预测精度，另一方面，在将加工处理后的预报气象加工数据输入至功率预测模型，因此，可以进一步提升发电功率预测精度。
81.在其中一个实施例中，所述获取预报气象数据，包括：从预设的多个渠道获取多源的预报气象数据，所述多源的预报气象数据包括多时效的预报气象数据，多时间分辨率的预报气象数据以及多空间分辨率的预报气象数据中的至少一种。
82.其中，预报气象数据的来源可以有多个，例如，预报气象数据的来源可以包括数据源1、数据源2，数据源1可以是国内针对新能源场站的天气预报，数据源2可以是国外针对该新能源场站的天气预报，具体的，可以通过internet公网、内网、专网(vpn)等网络，用(s)ftp、http(s)等协议获取多个数据源的预报气象数据。
83.其中，各个数据源均对应有相应的预报气象数据，其中，不同的数据源对应的维度信息、时间尺度以及空间尺度可能存在不同，维度信息可以是指与气象相关的气象特征数
据，如温度、湿度、光强等，时间尺度可以是相对概念，如一天和一个小时属于不同时间尺度，一个小时和10分钟也可以属于不同时间尺度，空间尺度也可以是相对概念，以广州这个城市为例，广州在未来一天的天气，和广州的各区域在未来一天的天气属于不同的空间尺度。
84.其中，多时效的预报气象数据是指预报气象数据的预测时效可以包括多种，如预测时效可以为未来3天，也可以为未来7天，各气象数据的时间分辨率是指的多种时间尺度，多空间分辨率是指的多种空间尺度。
85.其中，各数据来源的维度信息、时间尺度以及空间尺度均可能是不同的，也可能只有维度信息不同，或是只有时间尺度不同，或是只有空间尺度不同，各数据来源的数据信息根据数据的实际情况而定。
86.例如，数据源1包括一个新能源场站在未来一天的气温、光强以及湿度等，数据源2包括该新能源场站在未来一天的风向、光照以及气压等，则数据源1以及数据源2的维度信息是不同的，又如，数据源1包括的是一个新能源场站未来一天的温度数据，而数据源2包括的是该新能源场站未来一天中，各时间段的温度数据，则数据源1和数据源2的时间尺度不同，又如，数据源1包括的是在未来一天，新能源场站所属城市的温度数据，数据源2包括的是在未来一天，新能源场站所属区域的温度数据，则数据源1和数据源2的空间尺度不同。
87.在其中一个实施例中，所述对所述预报气象数据进行处理，得到质量符合所述功率预测模型需求的预报气象加工数据，包括：获取微服务架构下各处理服务器的处理压力；将所述预报气象数据发送至微服务架构下处理压力最小的处理服务器，由所述处理服务器对所述预报气象数据进行降噪处理后，再从时效、时间和空间中的至少一个维度进行数据清洗处理，得到符合所述功率预测模型需求的预报气象加工数据。
88.其中，微服务架构可以是分布式弹性微服务架构，可根据实际服务压力进行动态伸缩调整，在进行降噪处理时，可以选择处理压力最小的处理服务器，从而避免所有数据均在同一处理服务器上处理，可以有效降低服务器压力，提升数据处理效率。
89.其中，在对预报气象数据进行处理之后，可以根据实际需求，从时效、时间和空间中的至少一个维度，对预报气象数据进行数据处理，从而可以增加后续的数据预测精度。
90.在其中一个实施例中，以对数据进行时间和空间处理为例，从数据源只能知道广州这个城市未来1天的天气概况，并不知道广州各个区甚至街道的天气情况，更不知道在未来1天内，具体到每个小时，如正午12点的天气情况，而经过数据的时间和空间处理，可以得到广州每个区的天气情况，即降低空间分辨率，还可以得到具体每小时(比如正午12点)的天气情况，即降低时间分辨率。
91.在其中一个实施例中，如图3所示，提供了功率预测模型的训练过程，以该过程应用于训练功率预测模型的新能源场站服预测系统为例进行说明，包括以下步骤：
92.步骤s302，获取各新能源场站的历史气象数据以及对应的实际发电功率，确定所述历史气象数据的历史数据特征；
93.其中，历史气象数据可以为新能源场站在过去时间的气象数据，以及各历史气象数据对应的实际发电功率。
94.步骤s304，对所述历史气象数据进行处理，得到历史气象加工数据。
95.在对历史气象数据处理时，可以参照上述对预报气象数据的处理过程，具体的，可
以对历史气象数据进行降低噪音等处理，从而使加工后的历史气象数据更容易贴近真实数据，然后在降低噪音的基础上进行降低时空分辨率、增加预测时效等二次加工操作，从而提高数据处理精度。
96.步骤s306，将所述历史气象加工数据利用各初始功率预测模型进行训练，确定与各所述初始功率预测模型关联最大的历史数据特征，并确定各所述关联最大历史数据特征对应的最高预测精度的初始功率预测模型。
97.其中，对于同一新能源场站同一预测模型，不同的模型参数，不同的气象特征(比如有的模型需要170米风速这个特征，有的模型不需要)得到的功率预测准确率也不尽相同，所以需要对每个新能源场站的各初始功率预测模型都做模型训练，从而可以确定与各初始功率预测模型关联最大的历史数据特征，如a模型，关联最大的历史数据特征是170米风速，如b模型，关联最大的历史数据特征是温度和光照强度，在确定与各初始功率预测模型关联最大的历史数据特征后，可以确定各关联最大历史数据特征对应的最高预测精度的初始功率预测模型。
98.在其中一个实施例中，对于具体的新能源场站，需要从算法模型库里逐一把所有的算法模型都拿出来做调整模型参数等操作，从而确定每一个模型预测精度最高时的参数以及气象特征，然后从众多模型中选择预测精度最高的那一个(含模型参数、气象特征)作为训练结果。后续将用这个模型来预测这个场站的发电功率输出情况。
99.步骤s308，构建每个新能源场站的所述初始功率预测模型与所述历史数据特征的映射关系，所述历史数据特征包括历史气象特征和历史时间特征中的至少一种。
100.其中，映射关系是指功率预测模型与历史数据特征之间的对应关系，不同的功率预测模型，其对应的历史数据特征也可能存在不同，例如，针对a模型，其对应的历史气象特征可以为温度以及湿度，针对b模型，其对应的历史气象特征可以为光照强度以及风向。
101.在其中一个实施例中，所述将所述历史气象加工数据利用各初始功率预测模型进行训练，确定与各所述初始功率预测模型关联最大的历史数据特征，并确定各所述关联最大的历史数据特征的最高预测精度的初始功率预测模型，包括：
102.步骤s402，将各所述历史气象加工数据，输入到各所述初始功率预测模型，得到各所述初始功率预测模型预测的该新能源场站的预测发电功率。
103.其中，历史气象加工数据可以包括处理后的风速，风向，云量，温度等，将历史气象加工数据输入到各初始功率预测模型模型，可以得到各初始功率预测模型预测的该新能源场站的预测发电功率。
104.步骤s404，根据所述预测发电功率和所述实际发电功率，确定与各所述初始功率预测模型关联最大的历史数据特征。
105.步骤s406，基于确定了关联最大的历史数据特征的初始功率预测模型，对各所述初始功率预测模型的模型参数和权重进行调整，直到满足训练结束条件，得到各所述关联最大的历史数据特征的最高预测精度的功率预测模型。
106.其中，可以在确定关联最大的历史数据特征后，对各初始功率预测模型的模型参数和权重进行调整，直到满足训练结束条件，得到各关联最大的历史数据特征的最高预测精度的功率预测模型。
107.在其中一个实施例中，所述方法还包括：
108.当获取到接收方的预测请求时，将所述预测请求分配给多个处理服务器，由多个处理服务器响应所述预测请求；
109.当接收到处理服务器反馈的预测的发电功率时，将预测的所述发电功率推送至指定的接收方，所述预测功率用于新能源场站的并网发电调度。
110.其中，预测请求可以是客户端发送给新能源场站预测系统的，通过负载均衡服务，可以将客户端的请求均衡地分派给后端的web服务处理，提升系统整体服务能力，避免单点故障。web服务采用弹性微服务架构，根据用户请求内容，从数据库中获取相应的数据并返回给客户端。
111.在将预测的发电功率推送至指定的接收方时，提供了标准的http服务以及(s)ftp等服务，可以主动通过(s)ftp等协议将功率预测结果(e文件格式等)推送至指定的接收方，同时也提供了web服务供用户按需登录系统查看功率预测结果。
112.在其中一个实施例中，所述方法还包括：
113.获取设定的特定气象特征数据；
114.将所述特定气象特征数据输入至各初始功率预测模型，确定与所述特定气象特征数据匹配的初始功率预测模型；
115.调整与所述特定气象特征数据匹配的初始功率预测模型的模型参数和权重，确定所述特定气象特征数据对应的最高预测精度的初始功率预测模型。
116.其中，通过用初始功率预测模型对指定历史时期及气象条件的场景进行功率预测模型训练并评估效果，从而确定特定时期及气象条件下预测精度最佳的模型算法及其参数，离线训练好模型并保存至存储中，以供下游模块用其来预测未来类似场景的新能源场站发电功率，进一步提升功率预测准确率。
117.在其中一个实施例中，所述方法还包括：
118.若存在新建的新能源场站；
119.基于新能源场站的地理位置信息、地形地貌信息，确定与所述新建的新能源场站匹配的已建新能源场站；
120.获取所述已建新能源场站的功率预测模型；
121.基于所述已建新能源场站的功率预测模型，对所述新建的新能源场站的发动功率进行预测。
122.其中，对于新建的历史功率等数据积累较少的新能源场站，系统将会按照一定的算法从已有的众多新能源场站中选取一个与其最类似的新能源场站(如地理位置相近、地形地貌相似等)，用该类似新能源场站的算法模型、最佳气象特征及其权重等，结合目标新建场站的实际气象特征数值等数据，预测新建场站的发电功率。当新建新能源场站的历史功率等数据积累到一定的程度时，则将该场站纳入常规的场站范畴，跟其他的新能源场站一样进行常规的模型训练、功率预测、定期回溯。
123.在其中一个实施例中，为一个具体实施例中的新能源场站的发电功率预测方法，以该方法应用于新能源场站预测系统为例进行说明：
124.首先，新能源场站预测系统响应预测请求，获取预报气象数据。其中，预测请求可以是指预测新能源场站的发电功率的请求，预报气象数据可以是指在预报的时间点与气象相关的数据，与气象相关的数据可以包括温度、湿度、光照强度、风向以及气压等。
125.其中，预测请求可以是由用户根据自身的实际需求，通过交互装置将预测请求发送至支持新能源发电功率高精度预测的高效算法框架中的大型分布式并行计算框架层，交互装置可以是按键电路或触控屏等，也可以是手机、遥控器等末端设备，大型分布式并行计算框架层响应预测请求，获取预报气象数据。
126.其中，预测请求也可以是在达到支持新能源发电功率高精度预测的高效算法框架内置的限定条件时，通过判定是否达到内置的限定条件，如果达到了限定条件，则响应内置的预测请求。相应的，其中的内置的限定条件可以为通过设置一个具体的时间间隔或者设置一个具体的时间点，例如，设置每间隔15分钟获取一次预报气象数据，在达到该间隔时间段时，即达到内置的限定条件，又如，设置下午两点为获取预报气象数据的时间，当时间到达下午两点时，即达到内置的限定条件。
127.在获得预报气象数据之后，可以确定预报数据的数据特征，数据特征为气象特征和时间特征中的至少一种，气象特征可以是指预报气象数据所包含的温度、湿度、光照强度、风向以及气压等特征，时间特征可以是指预报气象数据具体的时间尺度，时间尺度可以是一天，也可以是一个星期，还可以是一个小时或者15分钟等。
128.其中，可以通过气象特征，来匹配得到对应的功率预测模型，具体的，涉及到的新能源场站为风力发电厂，该风力发电厂的预报气象数据为2022年3月5日的气象数据，假设每半小时有一个气温点，一天共有48个点，串联得到气温曲线a，假设每半小时有一个风速点，一天共有48个点，串联得到风速曲线b，经过数据特征匹配，对于气象条件气温曲线接近a，风速曲线接近b时，使用算法模型d(比如lstm算法)进行发电功率预测，功率预测准确率最高，可以确定算法模型d为与气象特征匹配的功率预测模型。
129.其中，也可以通过时间特征，来匹配得到对应的功率预测模型，比如对于光伏发电站，晚上一般是不发电的，所以从这个角度出发，需要选择哪些晚上功率预测为0或者接近0的模型，又比如，每年7、8月广东沿海容易出现台风，这段时间可能使用a模型(与台风关联较强的模型)进行功率预测精度比较高，而到了每年的1、2月广东基本不会出现台风，容易出现寒潮，这段时间可能使用b模型(与寒潮关联较强的模型)进行功率预测得到的精度会更高。
130.在得到功率预测模型之后，再将功率预测模型输入至功率预测模型之前，可以对预报气象数据进行处理，具体的，可以对预报气象数据进行降低噪音等处理，从而使加工后的预报气象数据更容易贴近真实数据，然后在降低噪音的基础上进行降低时空分辨率、增加预测时效等二次加工操作，得到气象加工数据。
131.最后，将气象加工数据输入功率预测模型，通过功率预测模型利用气象加工数据预测新能源场站的发电功率。
132.应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
133.基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的新能源场站的发电功率预测方法的新能源场站的发电功率预测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个新能源场站的发电功率预测装置实施例中的具体限定可以参见上文中对于新能源场站的发电功率预测方法的限定，在此不再赘述。
134.上述支持高效高精度新能源场站的发电功率预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
135.在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储气象数据以及功率预测模型。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种新能源场站的发电功率预测方法。
136.本领域技术人员可以理解，图5中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
137.在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述新能源场站的发电功率预测方法的步骤。
138.在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述支持高效高精度新能源场站的发电功率预测方法的步骤。
139.在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述支持高效高精度新能源场站的发电功率预测方法的步骤。
140.需要说明的是，本技术所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
141.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(reram)、磁变存储器(magnetoresistive random access memory，mram)、铁电存储器(ferroelectric random access memory，fram)、相变存储器(phase change memory，pcm)、石墨烯存储器等。易失性存储器可包括随机存取存储器(random access memory，
ram)或外部高速缓冲存储器等。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
142.以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
143.以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。