[发明专利]光伏发电功率的预测方法、装置及电子设备

说明书

本申请公开了一种光伏发电功率的预测方法、装置及电子设备。其中，该方法包括：获取光伏发电站的所在区域在当前时刻的气象数据以及光伏发电站在当前时刻的发电功率，其中，气象数据中至少包括天气类型；通过套索算法对气象数据以及发电功率进行特征选取，得到目标特征值；根据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，每个预测模型与一种天气类型相对应，预测模型为通过深度神经网络算法训练得到的模型；将目标特征值输入至目标预测模型中，输出光伏发电站在预设时刻的预测发电功率。本申请解决了现有技术中光伏发电功率预测模型准确度低、深层特征信息利用率低的技术问题。

技术领域

本申请涉及人工智能领域及光伏发电领域，具体而言，涉及一种光伏发电功率的预测方法、装置及电子设备。

背景技术

随着光伏发电技术的发展，光伏发电站的数量日益增多。其中，光伏发电站的光伏发电功率会受到气象变化、日夜周期变化等因素的影响，从而体现出一定的间歇性与波动性。因此，准确预测光伏发电站的发电功率，成为了提高光伏发电站运营效率及稳定性的关键。

目前，现有技术通常是采用物理模型的方法对光伏发电站的光伏发电功率进行预测，但是，由于物理模型无法广泛适用于不同的天气类型，且需满足多种假设条件，而光伏发电站在不同的天气类型下的发电功率又有较大差别，因此，通过物理模型所预测得到的光伏发电功率准确性较低。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本申请实施例提供了一种光伏发电功率的预测方法、装置及电子设备，以至少解决现有技术中光伏发电功率预测模型准确度低、深层特征信息利用率低的技术问题。

根据本申请实施例的一个方面，提供了一种光伏发电功率的预测方法，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光伏发电站在当前时刻的发电功率，其中，气象数据中至少包括天气类型；通过套索算法对气象数据以及发电功率进行特征选取，得到目标特征值；根据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，每个预测模型与一种天气类型相对应，预测模型为通过深度神经网络算法训练得到的模型；将目标特征值输入至目标预测模型中，输出光伏发电站在预设时刻的预测发电功率。

进一步地，光伏发电功率的预测方法还包括：对气象数据以及发电功率进行初步特征选取，得到多个特征；通过套索算法计算每个特征的回归系数，其中，特征的回归系数用于表征特征对发电功率的影响程度；根据回归系数从多个特征中确定目标特征；基于气象数据以及发电功率确定目标特征对应的目标特征值。

进一步地，上述预测模型通过以下方法训练生成：获取光伏发电站在多个历史时刻下的历史发电功率；获取光伏发电站所在区域在多个历史时刻下的历史气象数据，其中，历史气象数据至少包括历史天气类型；根据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；根据历史天气类型将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历史子数据集；通过套索算法对每个历史子数据集进行特征选取，得到每个历史子数据集对应的训练特征值；根据历史子数据集对应的训练特征值训练得到预测模型，其中，每个预测模型与一个历史子数据集相对应。

进一步地，光伏发电功率的预测方法还包括：对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；根据历史天气类型将目标历史数据集划分为多个历史子数据集。

进一步地，光伏发电功率的预测方法还包括：根据预设比例将历史子数据集划分为训练集、验证集以及测试集，其中，训练集用于训练得到预测模型，验证集用于对预测模型的性能进行初步评估，测试集用于对预测模型的性能进行最终评估；确定训练集对应的训练特征值为目标训练特征值；根据训练集以及目标训练特征值训练得到预测模型。