太阳辐照度预测模型的训练方法和太阳辐照度预测方法

技术领域

本申请属于气象预测技术领域，尤其涉及一种太阳辐照度预测模型的训练方法和太阳辐照度预测方法。

背景技术

太阳辐照的准确预报对于光伏电站的发电预测、并网输电和电网调度十分重要。太阳辐照的预报可以分为基于统计的方法和基于物理的方法，其中，基于统计的方法主要是通过历史的气象数据进行时间序列的分析建模，基于物理的方法则是通过一系列数学物理方程对太阳辐照等大气状况进行描述求解，利用中尺度数值模式进行预报。

对于数值模式，由于模式空间分辨率的限制、物理过程参数化方案的误差等因素的影响，预报的太阳辐照结果与实际的观测数据存在一定的偏差，预报精度较低。

发明内容

本申请旨在至少解决现有技术中存在的技术问题之一。为此，本申请提出一种太阳辐照度预测模型的训练方法和太阳辐照度预测方法，使用太阳辐照度预测模型对数值模式预报的太阳辐照进行处理，可以减少太阳辐照预报的结果与实际的观测数据的偏差，提高预报精度。

第一方面，本申请提供了一种太阳辐照度预测模型的训练方法，该方法包括：

获取辐照度数据集，所述辐照度数据集包括多个样本时段的第一太阳辐照度数据、第二太阳辐照度数据和晴空辐照度数据，所述第一太阳辐照度数据为数值模式预报的太阳辐照度数据，所述第二太阳辐照度数据为观测仪器采集的太阳辐照度数据；

基于所述第一太阳辐照度数据和所述晴空辐照度数据，确定所述样本时段的样本晴空指数；

基于所述样本晴空指数，将所述辐照度数据集划分为至少两个训练样本数据集；

基于所述至少两个训练样本数据集，构建至少两个辐照度预测子模型，所述辐照度预测子模型和所述训练样本数据集一一对应；

基于所述至少两个辐照度预测子模型，得到太阳辐照度预测模型。

根据本申请的太阳辐照度预测模型的训练方法，通过数值模式预报的太阳辐照度与理论的晴空辐照度，计算晴空指数，根据晴空指数对辐照度数据集进行划分，分别建立不同的辐照度预测子模型，将不同的辐照度预测子模型融合成最终的太阳辐照度预测模型，提高太阳辐照度预测模型的解析度，使用太阳辐照度预测模型对数值模式预报的太阳辐照进行处理，可以减少太阳辐照预报的结果与实际的观测数据的偏差，可以有效提高预报精度。

根据本申请的一个实施例，所述基于所述样本晴空指数，将所述辐照度数据集划分为至少两个训练样本数据集，包括：

基于所述样本晴空指数，确定所述样本时段的天气类型；

基于所述样本时段的天气类型，将所述辐照度数据集划分为至少两个训练样本数据集，同一所述训练样本数据集对应的天气类型相同。

根据本申请的一个实施例，所述至少两个辐照度预测子模型的类型不同。

根据本申请的一个实施例，所述基于所述样本晴空指数，将所述辐照度数据集划分为至少两个训练样本数据集，包括：

基于所述样本晴空指数，将所述辐照度数据集划分为第一训练样本数据集和第二训练样本数据集，所述第一训练样本数据集对应的所述样本晴空指数位于第一样本阈值范围内，所述第二训练样本数据集对应的所述样本晴空指数位于第二样本阈值范围内；

所述基于所述至少两个训练样本数据集，构建至少两个辐照度预测子模型，包括：

基于所述第一训练样本数据集和所述第二训练样本数据集，构建第一辐照度预测子模型和第二辐照度预测子模型。

根据本申请的一个实施例，所述基于所述至少两个辐照度预测子模型，得到太阳辐照度预测模型，包括：

基于所述辐照度预测子模型的权重系数，对所述至少两个辐照度预测子模型进行加权融合，得到所述太阳辐照度预测模型。

根据本申请的一个实施例，所述基于所述第一太阳辐照度数据和所述晴空辐照度数据，确定所述样本时段的样本晴空指数，包括：

获取所述样本时段内所述第一太阳辐照度数据的第一辐照度积分和所述晴空辐照度数据的第二辐照度积分；

将所述第一辐照度积分和所述第二辐照度积分的比值作为所述样本晴空指数。

第二方面，本申请提供了一种太阳辐照度预测方法，该方法包括：

获取待预测太阳辐照度数据，所述待预测太阳辐照度数据为数值模式预报的太阳辐照度数据；

将所述待预测太阳辐照度数据输入至太阳辐照度预测模型，获得所述太阳辐照度预测模型输出的目标太阳辐照度数据，所述太阳辐照度预测模型为根据上述第一方面所述的太阳辐照度预测模型的训练方法训练得到的。

根据本申请的太阳辐照度预测方法，使用太阳辐照度预测模型对数值模式预报的太阳辐照进行处理，可以减少太阳辐照预报的结果与实际的观测数据的偏差，可以有效提高预报精度。

第三方面，本申请提供了一种光伏发电量预测方法，包括：

获取待预测时段的目标太阳辐照度数据；

基于所述目标太阳辐照度数据，确定所述待预测时段的预测发电量；

其中，所述目标太阳辐照度数据为根据上述第二方面所述的太阳辐照度预测方法预测得到的。

第四方面，本申请提供了一种太阳辐照度预测模型的训练装置，包括

第一获取模块，用于获取辐照度数据集，所述辐照度数据集包括多个样本时段的第一太阳辐照度数据、第二太阳辐照度数据和晴空辐照度数据，所述第一太阳辐照度数据为数值模式预报的太阳辐照度数据，所述第二太阳辐照度数据为观测仪器采集的太阳辐照度数据；

第一处理模块，用于基于所述第一太阳辐照度数据和所述晴空辐照度数据，确定所述样本时段的样本晴空指数；

第二处理模块，用于基于所述样本晴空指数，将所述辐照度数据集划分为至少两个训练样本数据集；

第三处理模块，用于基于所述至少两个训练样本数据集，构建至少两个辐照度预测子模型，所述辐照度预测子模型和所述训练样本数据集一一对应；

第四处理模块，用于基于所述至少两个辐照度预测子模型，得到太阳辐照度预测模型。

第五方面，本申请提供了一种太阳辐照度预测装置，包括：

第二获取模块，用于获取待预测太阳辐照度数据，所述待预测太阳辐照度数据为数值模式预报的太阳辐照度数据；

第五处理模块，用于将所述待预测太阳辐照度数据输入至太阳辐照度预测模型，获得所述太阳辐照度预测模型输出的目标太阳辐照度数据，所述太阳辐照度预测模型为根据上述第一方面所述的太阳辐照度预测模型的训练方法训练得到的。

第六方面，本申请提供一种光伏发电量预测装置，包括：

第三获取模块，用于获取待预测时段的目标太阳辐照度数据；

第六处理模块，用于基于所述目标太阳辐照度数据，确定所述待预测时段的预测发电量；

其中，所述目标太阳辐照度数据为根据上述第二方面所述的太阳辐照度预测方法预测得到的。

第七方面，本申请提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的太阳辐照度预测模型的训练方法或上述第二方面所述的太阳辐照度预测方法或上述第三方面所述的光伏发电量预测方法。

第八方面，本申请提供了一种非暂态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如上述第一方面所述的太阳辐照度预测模型的训练方法或上述第二方面所述的太阳辐照度预测方法或上述第三方面所述的光伏发电量预测方法。

第九方面，本申请提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述第一方面所述的太阳辐照度预测模型的训练方法或上述第二方面所述的太阳辐照度预测方法或上述第三方面所述的光伏发电量预测方法。

本申请的附加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，或通过本申请的实践了解到。

附图说明

本申请的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是本申请实施例提供的太阳辐照度预测模型的训练方法的流程示意图之一；

图2是本申请实施例提供的太阳辐照度预测模型的训练方法的流程示意图之二；

图3是本申请实施例提供的太阳辐照度预测方法的流程示意图；

图4是本申请实施例提供的太阳辐照度预测报告示意图之一；

图5是本申请实施例提供的太阳辐照度预测报告示意图之二；

图6是本申请实施例提供的光伏发电量预测方法的流程示意图；

图7是本申请实施例提供的太阳辐照度预测模型的训练装置的结构示意图；

图8是本申请实施例提供的太阳辐照度预测装置的结构示意图；

图9是本申请实施例提供的光伏发电量预测装置的结构示意图；

图10是本申请实施例提供的电子设备的结构示意图。

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地描述，显然，所描述的实施例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获得的所有其他实施例，都属于本申请保护的范围。

本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”等所区分的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。此外，说明书以及权利要求中“和/或”表示所连接对象的至少其中之一，字符“/”，一般表示前后关联对象是一种“或”的关系。

下面结合附图，通过具体的实施例及其应用场景对本申请实施例提供的太阳辐照度预测模型的训练方法、太阳辐照度预测方法、光伏发电量预测方法、太阳辐照度预测模型的训练装置、太阳辐照度预测装置、光伏发电量预测装置、电子设备和可读存储介质进行详细地说明。

其中，太阳辐照度预测模型的训练方法、太阳辐照度预测方法和光伏发电量预测方法可应用于终端，具体可由，终端中的硬件或软件执行。

该终端包括但不限于具有触摸敏感表面(例如，触摸屏显示器和/或触摸板)的移动电话或平板电脑等便携式通信设备。还应当理解的是，在某些实施例中，该终端可以不是便携式通信设备，而是具有触摸敏感表面(例如，触摸屏显示器和/或触摸板)的台式计算机。

以下各个实施例中，描述了包括显示器和触摸敏感表面的终端。然而，应当理解的是，终端可以包括诸如物理键盘、鼠标和控制杆的一个或多个其它物理用户接口设备。

本申请实施例提供的太阳辐照度预测模型的训练方法、太阳辐照度预测方法和光伏发电量预测方法，太阳辐照度预测模型的训练方法、太阳辐照度预测方法或光伏发电量预测方法的执行主体可以为电子设备或者电子设备中能够实现该太阳辐照度预测模型的训练方法、太阳辐照度预测方法和光伏发电量预测方法的功能模块或功能实体，本申请实施例提及的电子设备包括但不限于手机、平板电脑、电脑、相机和可穿戴设备等，下面以电子设备作为执行主体为例对本申请实施例提供的太阳辐照度预测模型的训练方法、太阳辐照度预测方法和光伏发电量预测方法进行说明。

如图1所示，本申请实施例提供的太阳辐照度预测模型的训练方法包括：步骤110至步骤150。

步骤110、获取辐照度数据集。

其中，辐照度数据集包括多个样本时段的第一太阳辐照度数据、第二太阳辐照度数据和晴空辐照度数据，第一太阳辐照度数据为数值模式预报的太阳辐照度数据，第二太阳辐照度数据为观测仪器采集的太阳辐照度数据。

可以理解的是，辐照度数据集是某个区域或光伏站点的第一太阳辐照度数据、第二太阳辐照度数据和晴空辐照度数据的数据集合，根据辐照度数据集训练得到的太阳辐照度预测模型，可以用于该区域或光伏站点的太阳辐照度预测。

样本时段是指辐照度数据对应的采集时段或预报时段，在实际执行中，样本时段可以为1天，也可以为上午8点到下午8点可能有太阳辐照的时段。

下面对第一太阳辐照度数据、第二太阳辐照度数据和晴空辐照度数据的获取方式进行具体介绍。

其一，获取第一太阳辐照度数据。

第一太阳辐照度数据为数值模式预报的太阳辐照度数据。

可以通过全球天气预报模式，如美国国家环境预报中心全球预报系统(GFS)或者欧洲中期天气预报中心(EC)，获得某个区域或光伏站点时空分辨率较为粗糙的太阳辐照度预报，获取第一太阳辐照度数据。

也可以通过将全球天气预报模式发布的初始场资料输入区域天气预报模式中，如中尺度数值天气预报模式(WRF)，通过设定相应的本地化的物理过程参数化方案，获得某个区域或光伏站点时空分辨率高(可达分钟级公里级)的太阳辐照度预报，获取第一太阳辐照度数据。

其二，获取第二太阳辐照度数据。

第二太阳辐照度数据为观测仪器采集的太阳辐照度数据。

在该实施例中，通过在区域或光伏站点布设太阳辐照度的观测仪器，采集具体的观测数据，并对观测数据进行质量控制与数据清洗，得到第二太阳辐照度数据。

其三，获取晴空辐照度数据。

晴空辐照度可认为是在没有云、气溶胶等环境因素影响的情况下，地球表面能接收到的最多的太阳辐照度。

在实际执行中，地球表面接收到的太阳辐照度会受到云的遮挡、气溶胶的吸收等因素的影响，数值大小会小于晴空辐照度。

在该实施例中，晴空辐照度数据可以通过如WRF的数值模式，直接输出；也可以通过相应的数据模型，结合区域或光伏站点的地理信息计算求得。

步骤120、基于第一太阳辐照度数据和晴空辐照度数据，确定样本时段的样本晴空指数。

在该步骤中，根据样本时段的第一太阳辐照度数据和晴空辐照度数据，可以计算得到样本时段的样本晴空指数。

其中，样本晴空指数是用于描述数值模式预报的太阳辐照度数据(第一太阳辐照度数据)与理论情况下的晴空辐照度数据的相关性的参数。

步骤130、基于样本晴空指数，将辐照度数据集划分为至少两个训练样本数据集。

在该步骤中，根据每个样本时段的样本晴空指数，可以将包括多个每个样本时段数据的辐照度数据集划分为两个或者多个训练样本数据集。

在该实施例中，每个训练样本数据集内可以包括一个或多个样本时段对应的辐照度数据，一个训练样本数据集内样本时段对应的样本晴空指数在同一数值范围内。

例如，辐照度数据集包括10个样本时段的辐照度数据。

这10个样本时段岁对应的样本晴空指数分别为0.75、0.80、0.75、0.50、0.45、0.25、0.80、0.75、0.45、0.45。

可将样本晴空指数大于0.7的样本时段的数据集划分进一个训练样本数据集，将样本晴空指数在0.4至0.7之间的样本时段的数据集划分进一个训练样本数据集，将样本晴空指数小于0.4的样本时段的数据集划分进一个训练样本数据集。

步骤140、基于至少两个训练样本数据集，构建至少两个辐照度预测子模型。

其中，辐照度预测子模型和训练样本数据集一一对应。

在该实施例中，根据至少两个训练样本数据集，一一对应地构建至少两个辐照度预测子模型，每个训练样本数据集对应构建一个辐照度预测子模型。

可以理解的是，辐照度数据集的数据包括数值模式预报对应的第一太阳辐照度数据和观测仪器采集的第二太阳辐照度数据，根据辐照度数据集划分得到训练样本数据集中也包括数值模式预报对应的第一太阳辐照度数据和观测仪器采集的第二太阳辐照度数据。

辐照度预测子模型的输入为数值模式预报对应的太阳辐照度数据，输出为预测的太阳辐照度数据，即辐照度预测子模型是对数值模式预报进行修正的模型。

在该实施例中，根据训练样本数据集中数值模式预报对应的第一太阳辐照度数据和观测仪器采集的第二太阳辐照度数据，训练得到辐照度预测子模型。

其中，第一太阳辐照度数据包括数值模式预报的太阳辐照度、2米温度、10米风速、2米湿度、地表气压、云底高度、低云、中云、高云等数据，第二太阳辐照度数据包括观测仪器采集的太阳辐照度。

步骤150、基于至少两个辐照度预测子模型，得到太阳辐照度预测模型。

在该实施例中，通过建立不同样本晴空指数对应的辐照度预测子模型，将两个或者多个辐照度预测子模型进行融合，可以得到最终进行预测的太阳辐照度预测模型。

需要说明的是，太阳辐照度预测模型输入为数值模式预报对应的太阳辐照度数据，输出为预测的太阳辐照度数据，太阳辐照度预测模型是对数值模式预报进行修正的模型。

根据本申请实施例提供的太阳辐照度预测模型的训练方法，通过数值模式预报的太阳辐照度与理论的晴空辐照度，计算晴空指数，根据晴空指数对辐照度数据集进行划分，分别建立不同的辐照度预测子模型，将不同的辐照度预测子模型融合成最终的太阳辐照度预测模型，提高太阳辐照度预测模型的解析度，使用太阳辐照度预测模型对数值模式预报的太阳辐照进行处理，可以减少太阳辐照预报的结果与实际的观测数据的偏差，可以有效提高预报精度。

在一些实施例中，步骤130、基于样本晴空指数，将辐照度数据集划分为至少两个训练样本数据集，可以包括：

基于样本晴空指数，确定样本时段的天气类型；

基于样本时段的天气类型，将辐照度数据集划分为至少两个训练样本数据集，同一训练样本数据集对应的天气类型相同。

在该实施例中，样本晴空指数用于描述数值模式预报的太阳辐照度与理论的晴空辐照度之间的关系，根据样本晴空指数，可以对样本时段的天气类型进行划分，根据样本时段的天气类型，对辐照度数据集进行划分。

例如，根据样本晴空指数对辐照度数据集进行划分，样本晴空指数大于0.7表示对应的天气类型为晴天，样本晴空指数在0.4至0.7之间表示对应的天气类型为多云天，样本晴空指数小于0.4表示对应的天气类型为阴天。

根据天气类型，将样本晴空指数大于0.7的数据作为晴天的训练样本数据集，将样本晴空指数在0.4至0.7之间的数据作为多云天的训练样本数据集，将样本晴空指数小于0.4的数据作为阴天的训练样本数据集。

在该实施例中，根据数值模式预报的太阳辐照度与理论的晴空辐照度的关系，求得样本晴空指数，根据样本晴空指数将天气类型进行分类，根据不同类型的天气，分别建立不同的辐照度预测子模型，以提高最终的太阳辐照度预测模型的解析度。

在一些实施例中，至少两个辐照度预测子模型的类型可以相同。

例如，可以针对训练样本数据集建立多元回归模型，其表达式可以表示为，

其中，

在该实施例中，利用优化算法，如传统的最小二乘法或者进化算法(如遗传算法、进化策略算法)，可求得使得残差最小的系数α

在一些实施例中，至少两个辐照度预测子模型的类型不同。

在该实施例中，对应不同类别的训练样本数据集，可以根据其数据量和复杂程度，分别建立不同类型的辐照度预测子模型。

例如，对于样本晴空指数大于0.7的训练样本数据集可以建立多元回归模型。

对于样本晴空指数小于0.7的训练样本数据集可以建立机器学习模型或深度学习模型，如随机森林、梯度提升决策树、长短期记忆神经网络(Long Short Term Memory，LSTM)等。

在一些实施例中，基于样本晴空指数，步骤130、将辐照度数据集划分为至少两个训练样本数据集，可以包括：

基于样本晴空指数，将辐照度数据集划分为第一训练样本数据集和第二训练样本数据集，第一训练样本数据集对应的样本晴空指数位于第一样本阈值范围内，第二训练样本数据集对应的样本晴空指数位于第二样本阈值范围内；

步骤140、基于至少两个训练样本数据集，构建至少两个辐照度预测子模型，可以包括：

基于第一训练样本数据集和第二训练样本数据集，构建第一辐照度预测子模型和第二辐照度预测子模型。

在该实施例中，样本阈值范围是用于划分训练样本数据集预先设置的数值范围。

在实际执行中，预设第一样本阈值范围和第二样本阈值范围，样本晴空指数位于第一样本阈值范围内可以表示训练样本数据集的数据是天气较为晴朗时的数据，样本晴空指数位于第二样本阈值范围内可以表示训练样本数据集的数据是天气较为阴暗时的数据。

在该实施例中，可以通过多元回归模型和第一训练样本数据集训练得到第一辐照度预测子模型，第一训练样本数据集数据对应天气较为晴朗时的数据，地球表面接收到的太阳辐照度受到云的遮挡、气溶胶的吸收等因素的影响较小，使用多元回归模型可以进行准确预测，提高模型训练效率。

可以通过机器学习模型和第二训练样本数据集训练得到第二辐照度预测子模型，第二训练样本数据集数据对应天气较为阴沉时的数据，地球表面接收到的太阳辐照度受到云的遮挡、气溶胶的吸收等因素的影响较大且复杂，使用机器学习模型可以有效提高模型预测的准确度。

在一些实施例中，步骤150、基于至少两个辐照度预测子模型，得到太阳辐照度预测模型，可以包括：

基于辐照度预测子模型的权重系数，对至少两个辐照度预测子模型进行加权融合，得到太阳辐照度预测模型。

在该实施例中，可以通过统计数值模式预报的准确度对每个辐照度预测子模型赋予一定的权重系数，进行加权融合得到最终的太阳辐照度预测模型，也可以通过进化算法，利用训练样本数据集的数据，获得对应的最优的权重系数。

下面介绍一个具体的实施例。

如图2所示，根据数值模式预报的某天辐照度(即第一太阳辐照度数据)和当天理论的晴空辐照度(即晴空辐照度数据)，计算出晴空指数。

根据晴空指数和预设阈值范围，将辐照度数据集划分为晴空指数范围1对应的训练样本数据集、晴空指数范围2对应的训练样本数据集和晴空指数范围3对应的训练样本数据集。

训练得到晴空指数范围1对应的辐照度预测子模型1、晴空指数范围2对应的辐照度预测子模型2和晴空指数范围3对应的辐照度预测子模型3。

根据辐照度预测子模型1、辐照度预测子模型2和辐照度预测子模型3分别对应的系数1、系数2和系数3进行加权融合，可以得到太阳辐照度预测模型。

在一些实施例中，步骤120、基于第一太阳辐照度数据和晴空辐照度数据，确定样本时段的样本晴空指数，包括：

获取样本时段内第一太阳辐照度数据的第一辐照度积分和晴空辐照度数据的第二辐照度积分；

将第一辐照度积分和第二辐照度积分的比值作为样本晴空指数。

在该实施例中，将数值模式预报的样本时段的太阳辐照度的第一辐照度积分除以该样本时段理论的晴空辐照度数据的第二辐照度积分，获得该样本时段的样本晴空指数，即该样本时段的数值模式预报对应的晴空指数。

在另一些实施例中，样本晴空指数可以根据数值模式预报的太阳辐照度的曲线与理论的晴空辐照度曲线的相似性或者相关性进行计算。

在另一些实施例中，可以将数值模式预报的第一太阳辐照度数据和理论的晴空辐照度数据作为两个向量，求解两个向量之间的距离，得到对应的样本晴空指数。

本申请实施例还提供一种太阳辐照度预测方法。

如图3所示，本申请实施例的太阳辐照度预测方法包括步骤310和步骤320。

步骤310、获取待预测太阳辐照度数据。

其中，待预测太阳辐照度数据为数值模式预报的太阳辐照度数据。

步骤320、将待预测太阳辐照度数据输入至太阳辐照度预测模型，获得太阳辐照度预测模型输出的目标太阳辐照度数据。

其中，太阳辐照度预测模型为根据上述的太阳辐照度预测模型的训练方法训练得到的。

在该实施例中，太阳辐照度预测模型是对数值模式预报进行修正的模型，太阳辐照度预测模型输入为数值模式预报对应的太阳辐照度数据，输出为预测的目标太阳辐照度数据。

下面介绍一个具体的实施例。

图4和图5所示为太阳辐照度预测报告示意图，图4所示为数值模式预报直接输出的太阳辐照度数据，图5所示为数值模式预报输出的太阳辐照度数据通过晴空指数分类训练的太阳辐照度预测模型进行修正的太阳辐照度数据。

其中，wrf-before表示订正前的数值模式的预报结果，wrf-after表示订正后的预报结果，obs表示辐照的观测，如图4和图5所示，可以看到使用太阳辐照度预测模型进行修正后，太阳辐照度数据预报的精度大大提高。

根据本申请实施例提供的太阳辐照度预测方法，使用太阳辐照度预测模型对数值模式预报的太阳辐照进行处理，可以减少太阳辐照预报的结果与实际的观测数据的偏差，可以有效提高预报精度。

本申请实施例还提供一种光伏发电量预测方法。

如图6所示，本申请实施例的光伏发电量预测方法包括步骤610和步骤620。

步骤610、获取待预测时段的目标太阳辐照度数据。

其中，目标太阳辐照度数据为根据上述的太阳辐照度预测方法预测得到的。

步骤620、基于目标太阳辐照度数据，确定待预测时段的预测发电量。

根据本申请实施例提供的光伏发电量预测方法，通过以晴空指数分类训练的太阳辐照度预测模型修正后的太阳辐照度数据为预测基础，进行光伏发电量的预测，目标太阳辐照度数据与实际的太阳辐照度偏差较少，预测的发电量更加准确。本申请实施例提供的太阳辐照度预测模型的训练方法，执行主体可以为太阳辐照度预测模型的训练装置。本申请实施例中以太阳辐照度预测模型的训练装置执行太阳辐照度预测模型的训练方法为例，说明本申请实施例提供的太阳辐照度预测模型的训练装置。

本申请实施例还提供一种太阳辐照度预测模型的训练装置。

如图7所示，该太阳辐照度预测模型的训练装置包括：

第一获取模块710，用于获取辐照度数据集，辐照度数据集包括多个样本时段的第一太阳辐照度数据、第二太阳辐照度数据和晴空辐照度数据，第一太阳辐照度数据为数值模式预报的太阳辐照度数据，第二太阳辐照度数据为观测仪器采集的太阳辐照度数据；

第一处理模块720，用于基于第一太阳辐照度数据和晴空辐照度数据，确定样本时段的样本晴空指数；

第二处理模块730，用于基于样本晴空指数，将辐照度数据集划分为至少两个训练样本数据集；

第三处理模块740，用于基于至少两个训练样本数据集，构建至少两个辐照度预测子模型，辐照度预测子模型和训练样本数据集一一对应；

第四处理模块750，用于基于至少两个辐照度预测子模型，得到太阳辐照度预测模型。

根据本申请实施例提供的太阳辐照度预测模型的训练装置，通过数值模式预报的太阳辐照度与理论的晴空辐照度，计算晴空指数，根据晴空指数对辐照度数据集进行划分，分别建立不同的辐照度预测子模型，将不同的辐照度预测子模型融合成最终的太阳辐照度预测模型，提高太阳辐照度预测模型的解析度，使用太阳辐照度预测模型对数值模式预报的太阳辐照进行处理，可以减少太阳辐照预报的结果与实际的观测数据的偏差，可以有效提高预报精度。

在一些实施例中，第二处理模块730，用于基于样本晴空指数，确定样本时段的天气类型；

基于样本时段的天气类型，将辐照度数据集划分为至少两个训练样本数据集，同一训练样本数据集对应的天气类型相同。

在一些实施例中，至少两个辐照度预测子模型的类型不同。

在一些实施例中，第二处理模块730，用于基于样本晴空指数，将辐照度数据集划分为第一训练样本数据集和第二训练样本数据集，第一训练样本数据集对应的样本晴空指数位于第一样本阈值范围内，第二训练样本数据集对应的样本晴空指数位于第二样本阈值范围内；

第三处理模块740，用于基于第一训练样本数据集和第二训练样本数据集，构建第一辐照度预测子模型和第二辐照度预测子模型。

在一些实施例中，第四处理模块750，用于基于辐照度预测子模型的权重系数，对至少两个辐照度预测子模型进行加权融合，得到太阳辐照度预测模型。

在一些实施例中，第一处理模块720，用于获取样本时段内第一太阳辐照度数据的第一辐照度积分和晴空辐照度数据的第二辐照度积分；

将第一辐照度积分和第二辐照度积分的比值作为样本晴空指数。

本申请实施例提供的太阳辐照度预测方法，执行主体可以为太阳辐照度预测装置。本申请实施例中以太阳辐照度预测装置执行太阳辐照度预测方法为例，说明本申请实施例提供的太阳辐照度预测装置。

本申请实施例还提供一种太阳辐照度预测装置。

如图8所示，该太阳辐照度预测装置包括：

第二获取模块810，用于获取待预测太阳辐照度数据，待预测太阳辐照度数据为数值模式预报的太阳辐照度数据；

第五处理模块820，用于将待预测太阳辐照度数据输入至太阳辐照度预测模型，获得太阳辐照度预测模型输出的目标太阳辐照度数据，太阳辐照度预测模型为根据上述的太阳辐照度预测模型的训练方法训练得到的。

根据本申请实施例提供的太阳辐照度预测装置，使用太阳辐照度预测模型对数值模式预报的太阳辐照进行处理，可以减少太阳辐照预报的结果与实际的观测数据的偏差，可以有效提高预报精度。

本申请实施例还提供一种光伏发电量预测装置。

如图9所示，本申请实施例的光伏发电量预测装置包括：

第三获取模块910，用于获取待预测时段的目标太阳辐照度数据；

第六处理模块920，用于基于目标太阳辐照度数据，确定待预测时段的预测发电量；

其中，目标太阳辐照度数据为根据上述的太阳辐照度预测方法预测得到的。

根据本申请实施例提供的光伏发电量预测装置，通过以晴空指数分类训练的太阳辐照度预测模型修正后的太阳辐照度数据为预测基础，进行光伏发电量的预测，目标太阳辐照度数据与实际的太阳辐照度偏差较少，预测的发电量更加准确。

本申请实施例中的太阳辐照度预测模型的训练装置、太阳辐照度预测装置和光伏发电量预测装置可以是电子设备，也可以是电子设备中的部件，例如集成电路或芯片。该电子设备可以是终端，也可以为除终端之外的其他设备。示例性的，电子设备可以为手机、平板电脑、笔记本电脑、掌上电脑、车载电子设备、移动上网装置(Mobile Internet Device，MID)、增强现实(augmented reality，AR)/虚拟现实(virtual reality，VR)设备、机器人、可穿戴设备、超级移动个人计算机(ultra-mobile personal computer，UMPC)、上网本或者个人数字助理(personal digital assistant，PDA)等，还可以为服务器、网络附属存储器(Network Attached Storage，NAS)、个人计算机(personal computer，PC)、电视机(television，TV)、柜员机或者自助机等，本申请实施例不作具体限定。

本申请实施例中的太阳辐照度预测模型的训练装置、太阳辐照度预测装置和光伏发电量预测装置可以为具有操作系统的装置。该操作系统可以为安卓(Android)操作系统，可以为IOS操作系统，还可以为其他可能的操作系统，本申请实施例不作具体限定。

本申请实施例提供的太阳辐照度预测模型的训练装置能够实现图1至图2的方法实施例实现的各个过程，太阳辐照度预测装置能够实现图3的方法实施例实现的各个过程，光伏发电量预测装置可以实现图6的方法实施例实现的各个过程，为避免重复，这里不再赘述。

在一些实施例中，如图10所示，本申请实施例还提供一种电子设备1000，包括处理器1001、存储器1002及存储在存储器1002上并可在处理器1001上运行的计算机程序，该程序被处理器1001执行时实现上述太阳辐照度预测模型的训练方法、太阳辐照度预测方法或光伏发电量预测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

需要说明的是，本申请实施例中的电子设备包括上述所述的移动电子设备和非移动电子设备。

本申请实施例还提供一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述太阳辐照度预测模型的训练方法、太阳辐照度预测方法或光伏发电量预测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

其中，所述处理器为上述实施例中所述的电子设备中的处理器。所述可读存储介质，包括计算机可读存储介质，如计算机只读存储器ROM、随机存取存储器RAM、磁碟或者光盘等。

本申请实施例还提供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太阳辐照度预测模型的训练方法、太阳辐照度预测方法或光伏发电量预测方法。

其中，所述处理器为上述实施例中所述的电子设备中的处理器。所述可读存储介质，包括计算机可读存储介质，如计算机只读存储器ROM、随机存取存储器RAM、磁碟或者光盘等。

本申请实施例另提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现上述太阳辐照度预测模型的训练方法、太阳辐照度预测方法或光伏发电量预测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

应理解，本申请实施例提到的芯片还可以称为系统级芯片、系统芯片、芯片系统或片上系统芯片等。

需要说明的是，在本文中，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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外，需要指出的是，本申请实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能，还可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，例如，可以按不同于所描述的次序来执行所描述的方法，并且还可以添加、省去、或组合各种步骤。另外，参照某些示例所描述的特征可在其他示例中被组合。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以计算机软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，或者网络设备等)执行本申请各个实施例所述的方法。

上面结合附图对本申请的实施例进行了描述，但是本申请并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本申请的启示下，在不脱离本申请宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本申请的保护之内。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“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申请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一定指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何的一个或多个实施例或示例中以合适的方式结合。

尽管已经示出和描述了本申请的实施例，本领域的普通技术人员可以理解：在不脱离本申请的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本申请的范围由权利要求及其等同物限定。