一种光伏电站功率预测方法、装置及相关设备

技术领域

本申请涉及光伏发电技术领域，更具体地说，是涉及一种光伏电站功率预测方法、装置及相关设备。

背景技术

随着光伏发电系统的应用越来越广泛，越来越多的光伏电源接入到配电网中，这对电力系统的规划、运行、控制等各方面带来巨大挑战。由于太阳辐射量与气象条件密切相关，造成光伏发电系统输出功率随机性、波动性的固有特点。在电力储能设施与新能源并网电力的不匹配短期内难以改变的情况下，大规模光伏发电系统接入电网时会对电力系统的安全稳定运行造成很大冲击，这也是光伏发电大规模接入电网需要解决的关键技术问题。

开展光伏发电功率预测的技术研究对于电力系统稳定运行具有非常重要的意义：有效的光伏发电预测有助于电力系统调度部门统筹安排常规能源和光伏发电的发电规划，合理安排电网运行方式；有效地降低光伏接入对电网的影响，提高电网运行的安全性和稳定性；减少电力系统的旋转备用和运行成本，以充分利用太阳能资源，获得更大的经济效益和社会效益。

随着机器学习算法在各行各业的广泛应用，机器学习算法也被应用于预测光伏发电功率。如何构建有效的机器学习模型以预测光伏发电功率，是值得深入探索的技术问题。

发明内容

有鉴于此，本申请提供了一种光伏电站功率预测方法、装置及相关设备，以实现对光伏电站光伏发电功率的预测。

为实现上述目的，本申请第一方面提供了一种光伏电站功率预测方法，包括：

获取光伏电站在第一时间段内的气象预报时间序列、在第二时间段内的辐照强度实测时间序列及功率实测时间序列；

将所述气象预报时间序列、所述辐照强度实测时间序列和所述功率实测时间序列输入训练后的功率预测模型中，得到第一时间点的功率预测值；

其中，所述功率预测模型为以第三时间段内的气象预报时间序列、第四时间段内的辐照强度实测时间序列及功率实测时间序列为训练样本，以第二时间点的气象实测数据及功率实测值为样本标签训练得到；

所述第二时间段在所述第一时间段之前，且所述第二时间段与所述第一时间段相差预设时间间隔，所述第一时间点为所述第一时间段中的最后一个时间点；

所述第四时间段在所述第三时间段之前，且所述第四时间段与所述第三时间段相差所述预设时间间隔，所述第二时间点为所述第三时间段中的最后一个时间点。

优选地，所述功率预测模型包括第一循环神经网络层、第一全连接层、第二循环神经网络层以及第二全连接层；

所述气象预报时间序列和所述辐照强度实测时间序列输入至所述第一循环神经网络层，所述第一循环神经网络层对所述气象预报时间序列和所述辐照强度实测时间序列进行特征提取，得到第一特征表示；

所述第一全连接层将所述第一特征表示映射到第一样本标签空间中，得到第一输出变量，所述第一输出变量包括气象预测数据；

所述功率实测时间序列与所述第一输出变量合并后输入至所述第二循环神经网络层；

所述第二循环神经网络层对所述功率实测时间序列和所述第一输出变量进行特征提取，得到第二特征表示；

所述第二全连接层将所述第二特征表示映射到第二样本标签空间中，得到第二输出变量，所述第二输出变量包括功率预测值。

优选地，所述气象预报时间序列包括温度预报时间序列、湿度预报时间序列、风速预报时间序列和辐照强度预报时间序列；

所述气象实测数据包括温度实测值、湿度实测值、风速实测值和辐照强度实测值；

所述气象预测数据中的各数据项包括温度预测值、湿度预测值、风速预测值和辐照强度预测值；

所述第一全连接层的神经元数量大于或等于5，所述第一全连接层中的4个神经元分别对应于所述气象预测数据中的每一数据项；所述第二全连接层的神经元数量为1，所述第二全连接层的神经元对应于所述功率预测值。

优选地，所述功率预测模型的训练过程，包括：

获取所述光伏电站的历史气象预报数据集、历史气象实测数据集及历史功率实测数据集，所述历史气象预报数据集包括多个历史时间点的气象预报数据，所述历史气象实测数据集包括多个历史时间点的气象实测数据，所述历史功率实测数据集包括多个历史时间点的功率实测数据；

分别对所述历史气象预报数据集、所述历史气象实测数据集以及所述历史功率实测数据集进行数据处理，得到历史气象预报时间序列、历史气象实测时间序列以及历史功率实测时间序列，所述数据处理用于实现数据标准化及数据补全；

基于所述历史气象预报时间序列、所述历史气象实测时间序列以及所述历史功率实测时间序列构建训练集；

基于所述训练集以及预设的损失函数，对所述功率预测模型进行训练。

优选地，所述损失函数为：

；

其中，n为所述训练集中样本的数量，

优选地，所述第一时间段为预设时刻至所述预设时刻之后的N小时，N为预设的数值，所述预设时间间隔为24小时；

所述获取光伏电站在第一时间段内的气象预报时间序列、在第二时间段内的辐照强度实测时间序列及功率实测时间序列，包括：

获取光伏电站在第一时间段内的气象预报数据，所述气象预报数据包括温度预报数据、湿度预报数据、风速预报数据和辐照强度预报数据；

对所述气象预报数据进行插值运算，得到温度预报时间序列、湿度预报时间序列、风速预报时间序列和辐照强度预报时间序列；

获取光伏电站在第二时间段内的辐照强度实测数据及功率实测数据，分别对所述辐照强度实测数据和所述功率实测数据进行插值运算，得到辐照强度实测时间序列和功率实测时间序列；

同一时间段内的各时间序列具有相同的时间点及序列长度。

优选地，N的值为4，每小时内的时间点个数为4。

本申请第二方面提供了一种光伏电站功率预测装置，包括：

数据获取单元，用于获取光伏电站在第一时间段内的气象预报时间序列、在第二时间段内的辐照强度实测时间序列及功率实测时间序列；

功率预测单元，用于将所述气象预报时间序列、所述辐照强度实测时间序列和所述功率实测时间序列输入训练后的功率预测模型中，得到第一时间点的功率预测值；

其中，所述功率预测模型为以第三时间段内的气象预报时间序列、第四时间段内的辐照强度实测时间序列及功率实测时间序列为训练样本，以第二时间点的气象实测数据及功率实测值为样本标签训练得到；

所述第二时间段在所述第一时间段之前，且所述第二时间段与所述第一时间段相差预设时间间隔，所述第一时间点为所述第一时间段中的最后一个时间点；

所述第四时间段在所述第三时间段之前，且所述第四时间段与所述第三时间段相差所述预设时间间隔，所述第二时间点为所述第三时间段中的最后一个时间点。

本申请第三方面提供了一种光伏电站功率预测设备，包括：存储器和处理器；

所述存储器，用于存储程序；

所述处理器，用于执行所述程序，实现上述的光伏电站功率预测方法的各个步骤。

本申请第四方面提供了一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现如上述的光伏电站功率预测方法的各个步骤。

经由上述的技术方案可知，本申请首先获取光伏电站在第一时间段内的气象预报时间序列、在第二时间段内的辐照强度实测时间序列及功率实测时间序列。其中，所述第二时间段在所述第一时间段之前，即第二时间段内的辐照强度实测时间序列及功率实测时间序列为历史实测数据；且所述第二时间段与所述第一时间段相差预设时间间隔，所述预设时间间隔具有日照周期性属性，使得所述第二时间段的气象数据对于第一时间段的具有一定的参考意义。然后，将所述气象预报时间序列、所述辐照强度实测时间序列和所述功率实测时间序列输入训练后的功率预测模型中，得到第一时间点的功率预测值。其中，所述第一时间点为所述第一时间段中的最后一个时间点，可以理解，各时间段中的各时间点与所述时间段内的时间序列中的各元素的时间点相对应。需要注明的是，所述功率预测模型为以第三时间段内的气象预报时间序列、第四时间段内的辐照强度实测时间序列及功率实测时间序列为训练样本，以第二时间点的气象实测数据及功率实测值为样本标签训练得到。其中，所述第二时间点为所述第三时间段中的最后一个时间点；所述第四时间段在所述第三时间段之前，即第四时间段内的辐照强度实测时间序列及功率实测时间序列为历史实测数据；且所述第四时间段与所述第三时间段相差所述预设时间间隔，同样地，所述预设时间间隔具有日照周期性属性，使得所述第四时间段的气象数据对于第三时间段的具有一定的参考意义。本申请利用了气象数据在时间上的相关性、气象预报数据与气象实测数据的相关性以及气象数据与光伏电站功率的相关性，对功率预测模型进行训练，使得功率预测模型能够基于气象预报数据、历史辐照强度实测数据以及历史功率实测数据，预测出功率值，具有重要的应用价值。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本申请实施例公开的利用两个独立的模型进行光伏发电功率预测的示意图；

图2为本申请实施例公开的光伏电站功率预测方法的示意图；

图3示例了本申请实施例公开的第一时间段、第二时间段及第一时间点的示意图；

图4示例了本申请实施例公开的第三时间段、第四时间段及第二时间点的示意图；

图5示例了本申请实施例公开的模型训练中所采用的训练样本及样本标签；

图6为本申请实施例公开的功率预测模型的示意图；

图7为本申请实施例公开的光伏电站功率预测装置的示意图；

图8为本申请实施例公开的光伏电站功率预测设备的示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

应用于光伏发电功率预测的机器学习模型主要有循环神经网络模型、卷积神经网络模型以及Transformer 系列模型。基于给定的数据，例如数值天气预报、光伏电站功率以及气象监测数据等，这类机器学习方法训练模型学习给定数据到光伏发电功率的映射关系，然后这个训练好的模型就被用于预测未来时间段电站发电功率。

用于预测光伏发电功率的观测量包括来自：1）数值天气预报的数据：预报温度、预报湿度、预报风速、预报辐照强度；2）站点气象监测数据：实测的温度、实测的湿度、实测的风速以及实测辐照强度；3）实际发电功率。光伏发电功率预测根据预测范围分为短期光伏发电功率预测（预测未来3 天，时间分辨率15 分钟）和超短期光伏发电功率预测（预测未来15 分钟至4 小时，时间分辨率15 分钟）。

理论上光伏发电功率跟真实的辐照强度相关性更密切，由于我们在预测未来光伏发电功率的时候，还没有拿到对应时间点的真实辐照强度数据，因此只能采用历史实测辐照强度以及预报的辐照强度等数据。

为实现光伏电站功率预测，可以构建两个模型，具体地，请参阅图1，首先构建预报温度(P)TP、预报湿度(P)RH、预报风速(P)WS、预报辐照强度(P)SR、历史实测辐照强度(M)SR到实测辐照强度SR的映射关系，即基于预报气象数据和历史实测辐照强度数据训练一个机器学习模型A，用于预测辐照强度SR。然后基于预测的辐照强度SR以及预报温度(P)TP、预报湿度(P)RH、预报风速(P)WS以及历史发电功率(M)PV再训练一个机器学习模型B，用于预测光伏发电功率PV。上述方法中，两个模型都明确了输入输出，模型自由度不高。有鉴于此，本申请尝试将这两个模型写入一个模型框架，并且引入一个新的中间变量来增加模型的自由度。

下面介绍本申请实施例提供的光伏电站功率预测方法。请参阅图2，本申请实施例提供的光伏电站功率预测方法可以包括如下步骤：

步骤S101，获取光伏电站在第一时间段内的气象预报时间序列、在第二时间段内的辐照强度实测时间序列及功率实测时间序列。

可以理解，第一时间段与第二时间段等长；第一时间段内的气象预报时间序列由第一时间内各时间点的气象预报数据组成，气象预报数据可以包括温度、湿度、风速、辐照强度、紫外线强度等数据。第二时间段内的辐照强度实测时间序列由第二时间段内各时间点的辐照强度实测数据组成；第二时间段内的功率实测时间序列由第二时间段内各时间点的功率实测数据组成。

步骤S102，将气象预报时间序列、辐照强度实测时间序列和功率实测时间序列输入训练后的功率预测模型中，得到第一时间点的功率预测值。

其中，如图3所示，第二时间段在第一时间段之前，且第二时间段与第一时间段相差预设时间间隔，第一时间点为第一时间段中的最后一个时间点。可以理解，每一时间段内有多个时间点，每一时间段内的各时间点与该时间段内的时间序列中的各元素一一对应。该预设时间间隔具有日照周期性属性或其他相关属性，使得第二时间段的气象数据对于第一时间段的具有一定的参考意义。

示例性地，假设需要预测光伏电站在3月6日中午11:45的光伏发电功率，那么，可以将第一时间段设为3月6日的早上8:00至中午11:45，将第二时间段设为3月5日的早上8:00至中午11:45。可以理解，气象预报时间序列在中午11:45设有数据点，即中午11:45这一时间点是第一时间段及第二时间段的最后一个时间点。

其中，该功率预测模型为以第三时间段内的气象预报时间序列、第四时间段内的辐照强度实测时间序列及功率实测时间序列为训练样本，以第二时间点的气象实测数据及功率实测值为样本标签训练得到。

如图4所示，第三时间段与第四时间段等长；第四时间段在第三时间段之前，且第四时间段与第三时间段相差预设时间间隔，第二时间点为第三时间段中的最后一个时间点。可以理解，每一时间段内有多个时间点，每一时间段内的各时间点与该时间段内的时间序列中的各元素一一对应。该预设时间间隔等同于前述预设时间间隔，同样地，其具有日照周期性属性或其他相关属性，使得第四时间段的气象数据对于第三时间段的具有一定的参考意义。

示例性地，如图5所示，假设第三时间段为3月6日的早上8:00至中午11:45，第四时间段为3月5日的早上8:00至中午11:45，且中午11:45为第三时间段最后一个时间点（即第二时间点）。那么，图中实线框内的数据为训练样本，虚线框内的数据为对应于该训练样本的样本标签。其中，(P)TP、(P)RH、(P)WS、(P)SR分别表示温度预报数据、湿度预报数据、风速预报数据及辐照强度预报数据；(M)TP、(M)RH、(M)WS、(M)SR分别表示温度实测数据、湿度实测数据、风速实测数据及辐照强度实测数据；(M)PV表示功率实测值。

本申请首先获取光伏电站在第一时间段内的气象预报时间序列、在第二时间段内的辐照强度实测时间序列及功率实测时间序列。其中，所述第二时间段在所述第一时间段之前，即第二时间段内的辐照强度实测时间序列及功率实测时间序列为历史实测数据；且所述第二时间段与所述第一时间段相差预设时间间隔，所述预设时间间隔具有日照周期性属性，使得所述第二时间段的气象数据对于第一时间段的具有一定的参考意义。然后，将所述气象预报时间序列、所述辐照强度实测时间序列和所述功率实测时间序列输入训练后的功率预测模型中，得到第一时间点的功率预测值。其中，所述第一时间点为所述第一时间段中的最后一个时间点，可以理解，各时间段中的各时间点与所述时间段内的时间序列中的各元素的时间点相对应。需要注明的是，所述功率预测模型为以第三时间段内的气象预报时间序列、第四时间段内的辐照强度实测时间序列及功率实测时间序列为训练样本，以第二时间点的气象实测数据及功率实测值为样本标签训练得到。其中，所述第二时间点为所述第三时间段中的最后一个时间点；所述第四时间段在所述第三时间段之前，即第四时间段内的辐照强度实测时间序列及功率实测时间序列为历史实测数据；且所述第四时间段与所述第三时间段相差所述预设时间间隔，同样地，所述预设时间间隔具有日照周期性属性，使得所述第四时间段的气象数据对于第三时间段的具有一定的参考意义。本申请利用了气象数据在时间上的相关性、气象预报数据与气象实测数据的相关性以及气象数据与光伏电站功率的相关性，对功率预测模型进行训练，使得功率预测模型能够基于气象预报数据、历史辐照强度实测数据以及历史功率实测数据，预测出功率值，具有重要的应用价值。

在本申请的一些实施例中，前述气象预报时间序列包括温度预报时间序列、湿度预报时间序列、风速预报时间序列和辐照强度预报时间序列。

前述气象实测数据包括温度实测值、湿度实测值、风速实测值和辐照强度实测值。

前述气象预测数据中的各数据项包括温度预测值、湿度预测值、风速预测值和辐照强度预测值。

在本申请的一些实施例中，步骤S101中提及的第一时间段为预设时刻至预设时刻之后的N小时，N为预设的数值，前述预设时间间隔为24小时。

上述对于时间间隔的设定适用于天气比较稳定、相邻日期的天气状况比较接近的情况。

在本申请的一些实施例中，N的值为4，每小时内的时间点个数为4。即，每小时内的数据点有4个（每15分钟存在一个数据点），在这种情况下，每一时间序列的数据点有16个，即序列长度为16。

可以理解，第二时间段的时长设定及数据点的设定也与第一时间段一致。由前文描述可知，功率预测模型的输入包括第一时间段内的气象预报时间序列、在第二时间段内的辐照强度实测时间序列及功率实测时间序列，而气象预报时间序列包括温度、湿度、风速及辐照强度4个时间序列，即，功率预测模型的输入包括6个时间序列。那么，可以推出在模型训练时，功率预测模型输入数据的维度为

在本申请的一些实施例中，步骤S101获取光伏电站在第一时间段内的气象预报时间序列、在第二时间段内的辐照强度实测时间序列及功率实测时间序列，可以包括：

S1，获取光伏电站在第一时间段内的气象预报数据。

其中，该气象预报数据包括温度预报数据、湿度预报数据、风速预报数据和辐照强度预报数据。

S2，对该气象预报数据进行插值运算，得到温度预报时间序列、湿度预报时间序列、风速预报时间序列和辐照强度预报时间序列。

S3，获取光伏电站在第二时间段内的辐照强度实测数据及功率实测数据，并分别对这些辐照强度实测数据和功率实测数据进行插值运算，得到辐照强度实测时间序列和功率实测时间序列。

对于同一时间段的各时间序列，经过插值运算后，各时间序列具有相同的时间点及序列长度。

在本申请的一些实施例中，如图6所示，步骤S102中提及的功率预测模型可以包括第一循环神经网络层、第一全连接层、第二循环神经网络层以及第二全连接层。

示例性地，第一循环神经网络层及第二循环神经网络层可以是GRU网络（gatedrecurrent neural network，门控循环神经网络）。该功率预测模型中的各组件的工作流程如下：

气象预报时间序列和辐照强度实测时间序列输入至第一循环神经网络层，第一循环神经网络层对气象预报时间序列和辐照强度实测时间序列进行特征提取，得到第一特征表示。

第一全连接层将第一特征表示映射到第一样本标签空间中，得到第一输出变量，其中，第一输出变量包括气象预测数据。

功率实测时间序列与第一输出变量合并后输入至第二循环神经网络层。

第二循环神经网络层对功率实测时间序列和第一输出变量进行特征提取，得到第二特征表示。

第二全连接层将第二特征表示映射到第二样本标签空间中，得到第二输出变量，其中，第二输出变量包括功率预测值。

可以理解，该第一输出变量为中间变量，其在模型训练中用于监督学习。模型应用中实际关注更多的是第二输出变量。

其中，图6中示例了气象预报时间序列包括温度预报时间序列(P)TP、湿度预报时间序列(P)RH、风速预报时间序列(P)WS、辐照强度预报时间序列(P)SR的情况。

上述实施例将用于预测站点气象数据的机器学习模型A和用于预测发电功率的机器学习模型B融合到一个模型框架，提高了模型应用的便利性。

在本申请的一些实施例中，如图6所示，第一全连接层的神经元数量大于或等于5，第一全连接层中的4个神经元分别对应于气象预测数据中的每一数据项；第二全连接层的神经元数量为1，第二全连接层的神经元对应于功率预测值。

图6仅示例了神经元数量为5的情况，具体对应于虚线框内所示的中间输出变量，其中多出的1个自由的神经元输出变量F，其他4个神经元对应于第一输出变量，分别输出温度预测值TP、湿度预测值RH、风速预测值、WS辐照强度预测值SR。

由于第一全连接层中受到约束的神经元仅有4个，而第一全连接层的神经元数量大于或等于5，那么，多出来的这些不受约束的神经元可以从数据中提取我们未曾命名的物理特征，增强了模型提取信息的能力，从模型中间输出量的角度来说，提升了模型的自由度。

在本申请的一些实施例中，前述功率预测模型的训练过程，可以包括如下步骤：

步骤S201，获取光伏电站的历史气象预报数据集、历史气象实测数据集及历史功率实测数据集。

其中，历史气象预报数据集可以包括多个历史时间点的气象预报数据，历史气象实测数据集可以包括多个历史时间点的气象实测数据，历史功率实测数据集可以包括多个历史时间点的功率实测数据。

步骤S202，分别对历史气象预报数据集、历史气象实测数据集以及历史功率实测数据集进行数据处理，得到历史气象预报时间序列、历史气象实测时间序列以及历史功率实测时间序列。

其中，该数据处理用于实现数据标准化及数据补全。具体地，当出现数据缺失时，采用合适的数学方法进行插值运算，以补全缺失的数据。当数据补全后，再利用合适的归一化方法对所有数据进行标准化处理。

步骤S203，基于历史气象预报时间序列、历史气象实测时间序列以及历史功率实测时间序列构建训练集。

步骤S204，基于训练集以及预设的损失函数，对功率预测模型进行训练。

具体地，将训练集中的训练样本逐一地输入功率预测模型，得到输出的气象预测数据及功率预测值，其中，气象预测数据为中间输出量，功率预测值为最终输出量，基于这些输出量、损失函数以及与训练样本对应的样本标签计算得到损失值，并基于该损失值判断功率预测模型是否完成训练。若否，则将损失值传递给功率预测模型，以供其调整模型参数；若是，则将此时的模型确定为最终采纳的模型，即得到训练后的功率预测模型。

在本申请的一些实施例中，可以利用均方误差(mean squared error, MSE) 来评估模型性能。基于此，前述损失函数可以为：

；

其中，n为所述训练集中样本的数量；

下面对本申请实施例提供的光伏电站功率预测装置进行描述，下文描述的光伏电站功率预测装置与上文描述的光伏电站功率预测方法可相互对应参照。

请参见图7，本申请实施例提供的光伏电站功率预测装置，可以包括：

数据获取单元21，用于获取光伏电站在第一时间段内的气象预报时间序列、在第二时间段内的辐照强度实测时间序列及功率实测时间序列；

功率预测单元22，用于将所述气象预报时间序列、所述辐照强度实测时间序列和所述功率实测时间序列输入训练后的功率预测模型中，得到第一时间点的功率预测值；

其中，所述功率预测模型为以第三时间段内的气象预报时间序列、第四时间段内的辐照强度实测时间序列及功率实测时间序列为训练样本，以第二时间点的气象实测数据及功率实测值为样本标签训练得到；

所述第二时间段在所述第一时间段之前，且所述第二时间段与所述第一时间段相差预设时间间隔，所述第一时间点为所述第一时间段中的最后一个时间点；

所述第四时间段在所述第三时间段之前，且所述第四时间段与所述第三时间段相差所述预设时间间隔，所述第二时间点为所述第三时间段中的最后一个时间点。

在本申请的一些实施例中，所述光伏电站功率预测装置还包括模型训练单元，所述模型训练单元用于执行对功率预测模型的训练，所述训练过程可以包括：

获取所述光伏电站的历史气象预报数据集、历史气象实测数据集及历史功率实测数据集，所述历史气象预报数据集包括多个历史时间点的气象预报数据，所述历史气象实测数据集包括多个历史时间点的气象实测数据，所述历史功率实测数据集包括多个历史时间点的功率实测数据；

分别对所述历史气象预报数据集、所述历史气象实测数据集以及所述历史功率实测数据集进行数据处理，得到历史气象预报时间序列、历史气象实测时间序列以及历史功率实测时间序列，所述数据处理用于实现数据标准化及数据补全；

基于所述历史气象预报时间序列、所述历史气象实测时间序列以及所述历史功率实测时间序列构建训练集；

基于所述训练集以及预设的损失函数，对所述功率预测模型进行训练。

在本申请的一些实施例中，所述第一时间段为预设时刻至所述预设时刻之后的N小时，N为预设的数值，所述预设时间间隔为24小时；

数据获取单元21获取光伏电站在第一时间段内的气象预报时间序列、在第二时间段内的辐照强度实测时间序列及功率实测时间序列，可以包括：

获取光伏电站在第一时间段内的气象预报数据，所述气象预报数据包括温度预报数据、湿度预报数据、风速预报数据和辐照强度预报数据；

对所述气象预报数据进行插值运算，得到温度预报时间序列、湿度预报时间序列、风速预报时间序列和辐照强度预报时间序列；

获取光伏电站在第二时间段内的辐照强度实测数据及功率实测数据，分别对所述辐照强度实测数据和所述功率实测数据进行插值运算，得到辐照强度实测时间序列和功率实测时间序列；

同一时间段内的各时间序列具有相同的时间点及序列长度。

在本申请的一些实施例中，N的值为4，每小时内的时间点个数为4。

本申请实施例提供的光伏电站功率预测装置可应用于光伏电站功率预测设备，如计算机等。可选的，图8示出了光伏电站功率预测设备的硬件结构框图，参照图8，光伏电站功率预测设备的硬件结构可以包括：至少一个处理器31，至少一个通信接口32，至少一个存储器33和至少一个通信总线34。

在本申请实施例中，处理器31、通信接口32、存储器33、通信总线34的数量为至少一个，且处理器31、通信接口32、存储器33通过通信总线34完成相互间的通信；

处理器31可能是一个中央处理器CPU，或者是特定集成电路ASIC（ApplicationSpecific Integrated Circuit），或者是被配置成实施本申请实施例的一个或多个集成电路等；

存储器33可能包含高速RAM存储器，也可能还包括非易失性存储器（non-volatilememory）等，例如至少一个磁盘存储器；

其中，存储器33存储有程序，处理器31可调用存储器33存储的程序，所述程序用于：

获取光伏电站在第一时间段内的气象预报时间序列、在第二时间段内的辐照强度实测时间序列及功率实测时间序列；

将所述气象预报时间序列、所述辐照强度实测时间序列和所述功率实测时间序列输入训练后的功率预测模型中，得到第一时间点的功率预测值；

其中，所述功率预测模型为以第三时间段内的气象预报时间序列、第四时间段内的辐照强度实测时间序列及功率实测时间序列为训练样本，以第二时间点的气象实测数据及功率实测值为样本标签训练得到；

所述第二时间段在所述第一时间段之前，且所述第二时间段与所述第一时间段相差预设时间间隔，所述第一时间点为所述第一时间段中的最后一个时间点；

所述第四时间段在所述第三时间段之前，且所述第四时间段与所述第三时间段相差所述预设时间间隔，所述第二时间点为所述第三时间段中的最后一个时间点。

可选的，所述程序的细化功能和扩展功能可参照上文描述。

本申请实施例还提供一种存储介质，该存储介质可存储有适于处理器执行的程序，所述程序用于：

获取光伏电站在第一时间段内的气象预报时间序列、在第二时间段内的辐照强度实测时间序列及功率实测时间序列；

将所述气象预报时间序列、所述辐照强度实测时间序列和所述功率实测时间序列输入训练后的功率预测模型中，得到第一时间点的功率预测值；

其中，所述功率预测模型为以第三时间段内的气象预报时间序列、第四时间段内的辐照强度实测时间序列及功率实测时间序列为训练样本，以第二时间点的气象实测数据及功率实测值为样本标签训练得到；

所述第二时间段在所述第一时间段之前，且所述第二时间段与所述第一时间段相差预设时间间隔，所述第一时间点为所述第一时间段中的最后一个时间点；

所述第四时间段在所述第三时间段之前，且所述第四时间段与所述第三时间段相差所述预设时间间隔，所述第二时间点为所述第三时间段中的最后一个时间点。

可选的，所述程序的细化功能和扩展功能可参照上文描述。

综上所述：

本申请首先获取光伏电站在第一时间段内的气象预报时间序列、在第二时间段内的辐照强度实测时间序列及功率实测时间序列。其中，所述第二时间段在所述第一时间段之前，即第二时间段内的辐照强度实测时间序列及功率实测时间序列为历史实测数据；且所述第二时间段与所述第一时间段相差预设时间间隔，所述预设时间间隔具有日照周期性属性，使得所述第二时间段的气象数据对于第一时间段的具有一定的参考意义。然后，将所述气象预报时间序列、所述辐照强度实测时间序列和所述功率实测时间序列输入训练后的功率预测模型中，得到第一时间点的功率预测值。其中，所述第一时间点为所述第一时间段中的最后一个时间点，可以理解，各时间段中的各时间点与所述时间段内的时间序列中的各元素的时间点相对应。需要注明的是，所述功率预测模型为以第三时间段内的气象预报时间序列、第四时间段内的辐照强度实测时间序列及功率实测时间序列为训练样本，以第二时间点的气象实测数据及功率实测值为样本标签训练得到。其中，所述第二时间点为所述第三时间段中的最后一个时间点；所述第四时间段在所述第三时间段之前，即第四时间段内的辐照强度实测时间序列及功率实测时间序列为历史实测数据；且所述第四时间段与所述第三时间段相差所述预设时间间隔，同样地，所述预设时间间隔具有日照周期性属性，使得所述第四时间段的气象数据对于第三时间段的具有一定的参考意义。本申请利用了气象数据在时间上的相关性、气象预报数据与气象实测数据的相关性以及气象数据与光伏电站功率的相关性，对功率预测模型进行训练，使得功率预测模型能够基于气象预报数据、历史辐照强度实测数据以及历史功率实测数据，预测出功率值，具有重要的应用价值。

此外，通过将用于预测站点气象数据的模型和用于预测发电功率的模型融合到一个模型框架，提高了模型应用的便利性。进一步地，由于功率预测模型的第一全连接层中受到约束的神经元仅有4个，而第一全连接层的神经元数量大于或等于5，那么，多出来的这些不受约束的神经元可以从数据中提取我们未曾命名的物理特征，增强了模型提取信息的能力，从模型中间输出量的角度来说，提升了模型的自由度。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间可以根据需要进行组合，且相同相似部分互相参见即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。