[发明专利]光伏发电功率的预测方法、装置及电子设备

权利要求书

1.一种光伏发电功率的预测方法，其特征在于，包括：

获取光伏发电站的所在区域在当前时刻的气象数据以及所述光伏发电站在所述当前时刻的发电功率，其中，所述气象数据中至少包括天气类型；

通过套索算法对所述气象数据以及所述发电功率进行特征选取，得到目标特征值；

根据所述天气类型从多个预先训练的预测模型中确定目标预测模型，其中，每个所述预测模型与一种天气类型相对应，所述预测模型为通过深度神经网络算法训练得到的模型；

将所述目标特征值输入至所述目标预测模型中，输出所述光伏发电站在预设时刻的预测发电功率。

2.根据权利要求1所述的方法，其特征在于，通过套索算法对所述气象数据以及所述发电功率进行特征选取，得到目标特征值，包括：

对所述气象数据以及所述发电功率进行初步特征选取，得到多个特征；

通过所述套索算法计算每个所述特征的回归系数，其中，所述特征的回归系数用于表征所述特征对所述发电功率的影响程度；

根据所述回归系数从多个所述特征中确定目标特征；

基于所述气象数据以及所述发电功率确定所述目标特征对应的目标特征值。

3.根据权利要求1所述的方法，其特征在于，所述预测模型通过以下方法训练生成：

获取所述光伏发电站在多个历史时刻下的历史发电功率；

获取所述光伏发电站所在区域在所述多个历史时刻下的历史气象数据，其中，所述历史气象数据至少包括历史天气类型；

根据所述多个历史时刻下的历史气象数据以及历史发电功率构建历史数据集；

根据所述历史天气类型将所述历史数据集划分为多个历史子数据集，其中，每种历史天气类型对应一个所述历史子数据集；

通过所述套索算法对每个所述历史子数据集进行特征选取，得到每个所述历史子数据集对应的训练特征值；

根据所述历史子数据集对应的训练特征值训练得到所述预测模型，其中，每个所述预测模型与一个所述历史子数据集相对应。

4.根据权利要求3所述的方法，其特征在于，根据所述历史天气类型将所述历史数据集划分为多个历史子数据集，包括：

对所述历史数据集进行异常值处理，得到第一历史数据集；

通过线性插值的方式对所述第一历史数据集进行缺失值填充处理，得到第二历史数据集；

对所述第二历史数据集进行数据归一化处理，得到目标历史数据集；

根据所述历史天气类型将所述目标历史数据集划分为多个所述历史子数据集。

5.根据权利要求3所述的方法，其特征在于，根据所述历史子数据集对应的训练特征值训练得到所述预测模型，包括：

根据预设比例将所述历史子数据集划分为训练集、验证集以及测试集，其中，所述训练集用于训练得到所述预测模型，所述验证集用于对所述预测模型的性能进行初步评估，所述测试集用于对所述预测模型的性能进行最终评估；

确定所述训练集对应的训练特征值为目标训练特征值；

根据所述训练集以及所述目标训练特征值训练得到所述预测模型。

6.根据权利要求5所述的方法，其特征在于，根据所述训练集以及所述目标训练特征值训练得到所述预测模型，包括：

随机确定深度神经网络中每个神经元的权重，其中，所述深度神经网络中至少包括多个输入层神经元、多个隐藏层神经元以及至少一个输出层神经元；

将所述目标训练特征值输入至所述深度神经网络中；

根据所述每个神经元的权重计算所述目标训练特征值在通过所述每个神经元后的输出值；

根据所述输出值训练得到所述预测模型。

7.根据权利要求6所述的方法，其特征在于，根据所述输出值训练得到所述预测模型，包括：

根据所述输出层神经元输出的输出值确定所述深度神经网络的输出结果；

通过预设的损失函数确定所述输出结果与实际的历史发电功率之间的损失值；

根据反向传播算法以及所述损失值确定所述损失函数的极小值；

根据所述极小值更新所述每个神经元的权重，得到所述预测模型。