一种光伏发电功率预测方法、装置、电子设备及存储介质

技术领域

本申请涉及光伏发电技术领域，具体涉及一种光伏发电功率预测方法、装置、电子设备及存储介质。

背景技术

近年来，在缓解气候变化和减少温室气体排放的迫切需要的推动下，全球对可再生能源的需求大幅增加。太阳能光伏发电是由于其丰富的可用性、低维护成本和高可扩展性，成为最广泛采用和快速发展的可再生能源技术之一。

然而，由于对天气条件、太阳辐照度等难以预测的因素的依赖，光伏发电也面临着高可变性、不确定性和间歇性等挑战。这些挑战给电网的稳定性和可靠性以及各种能源系统和市场的运行和管理带来严重风险。因此，准确可靠的光伏发电预测对于优化太阳能并网以及规划和调度各种能源活动和交易至关重要。

光伏发电预测是一项具有挑战性的任务，需要处理多种复杂性来源，例如时间和空间变化、非线性和动态依赖性以及多样化和不确定性因素。主要挑战之一是与天气条件相关的不确定性，这会影响预测模型输入数据的质量和可用性。不确定性可以使用概率或基于区间的方法进行量化，这可以为决策和风险管理提供有用的信息。另一个挑战是为预测模型选择最佳输入变量和特征，这会对模型的准确性和泛化能力产生重大影响。机器学习算法在准确性方面通常优于传统统计模型，特别是对于短期和高分辨率预测。然而，机器学习算法通常被视为缺乏透明度和可解释性的黑盒模型。这可能会对利益相关者和监管机构对这些模型的接受度和可信度构成一些挑战。因此，需要根据光伏发电预测的具体应用和环境，在准确性和可解释性之间取得平衡。

发明内容

本申请的目的是提供一种光伏发电功率预测方法、装置、电子设备及存储介质，能够提高光电预测结果的准确性，还使得光电预测结果具有可解释性和可视化性。

第一方面，本申请实施例提供了一种光伏发电功率预测方法，包括：

获取目标区域在历史时间段内的光伏发电数据，所述光伏发电数据包括光伏发电功率数据和相关的太阳辐照度数据；

将所述光伏发电数据统计为分辨率为每预设时长的光伏发电时序数据；

对所述光伏发电时序数据进行预处理后，输入预先训练的光电预测模型，得到在未来设定时间段内的预测光伏发电数据；

其中，所述光电预测模型是通过历史光伏发电时序数据样本对可解释多表征的神经网络进行训练得到的。

在本申请的一些实施方式中，按照以下方式预先训练所述光电预测模型：

获取历史光伏发电数据，并统计为分辨率为每预设时长的时间序列，得到历史光伏发电时序数据样本；

对所述历史光伏发电时序数据样本进行所述预处理后，将所述历史光伏发电时序数据样本转化为光伏发电有监督数据；

将所述光伏发电有监督数据输入所述神经网络进行训练，在达到预设训练截止条件后得到所述光电预测模型。

在本申请的一些实施方式中，所述将所述历史光伏发电时序数据样本转化为光伏发电有监督数据，包括：

将所述历史光伏发电时序数据样本采用一步前向分割的方法转换为有监督数据，得到光伏发电有监督数据。

在本申请的一些实施方式中，所述预处理包括最大值处理、最小值处理、数据均值化以及归一化处理。

在本申请的一些实施方式中，所述神经网络包括顺序连接的窗口波动提取层、方向表示单元、线性化单元、窗口波动反提取层以及映射单元；

所述窗口波动提取层，用于捕获输入的时间序列数据短期变化的波动成分，得到波动范围数据；

所述方向表示单元，用于将所述波动范围数据转换为低维非线性表示；

所述线性化单元，用于将所述波动范围数据转换为中间波动数据；

所述窗口波动反提取层，用于将所述中间波动数据恢复到时间序列数据原始尺度；

所述映射单元，用于生成包含太阳能发电功率数据预测值的最终输出张量。

第二方面，本申请实施例提供了一种光伏发电功率预测装置，包括：

获取模块，用于获取目标区域在历史时间段内的光伏发电数据，所述光伏发电数据包括光伏发电功率数据和相关的太阳辐照度数据；

统计模块，用于将所述光伏发电数据统计为分辨率为每预设时长的光伏发电时序数据；

预测模块，用于对所述光伏发电时序数据进行预处理后，输入预先训练的光电预测模型，得到在未来设定时间段内的预测光伏发电数据；

其中，所述光电预测模型是通过历史光伏发电时序数据样本对可解释多表征的神经网络进行训练得到的。

在本申请的一些实施方式中，所述装置还包括：训练模块，用于按照以下方式预先训练所述光电预测模型：

获取历史光伏发电数据，并统计为分辨率为每预设时长的时间序列，得到历史光伏发电时序数据样本；

对所述历史光伏发电时序数据样本进行所述预处理后，将所述历史光伏发电时序数据样本转化为光伏发电有监督数据；

将所述光伏发电有监督数据输入所述神经网络进行训练，在达到预设训练截止条件后得到所述光电预测模型。

在本申请的一些实施方式中，所述神经网络包括顺序连接的窗口波动提取层、方向表示单元、线性化单元、窗口波动反提取层以及映射单元；

所述窗口波动提取层，用于捕获输入的时间序列数据短期变化的波动成分，得到波动范围数据；

所述方向表示单元，用于将所述波动范围数据转换为低维非线性表示；

所述线性化单元，用于将所述波动范围数据转换为中间波动数据；

所述窗口波动反提取层，用于将所述中间波动数据恢复到时间序列数据原始尺度；

所述映射单元，用于生成包含太阳能发电功率数据预测值的最终输出张量。

第三方面，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，所述处理器运行所述计算机程序时执行以实现如第一方面所述的方法。

第四方面，本申请实提供了一种计算机可读存储介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现如第一方面所述的方法。

相较于现有技术，本申请提供的光伏发电功率预测方法，通过获取目标区域在历史时间段内的光伏发电数据，所述光伏发电数据包括光伏发电功率数据和相关的太阳辐照度数据；将所述光伏发电数据统计为分辨率为每预设时长的光伏发电时序数据；对所述光伏发电时序数据进行预处理后，输入预先训练的光电预测模型，得到在未来设定时间段内的预测光伏发电数据；其中，所述光电预测模型是通过历史光伏发电时序数据样本对可解释多表征的神经网络进行训练得到的。可见，本申请的光电预测模型具有可解释性和可视化性，与传统光电预测方法相比，本申请提出的方法不仅提供了准确的预测，而且还提供了对光伏发电潜在机制的可靠解释。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本申请的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了本申请实施例所提供的一种光伏发电功率预测方法的流程图；

图2示出了本申请实施例所提供的一种光电预测模型训练方法的流程图；

图3示出了本申请实施例所提供的一种光电预测模型的预测过程示意图；

图4示出了本申请实施例所提供的另一种光电预测模型的预测过程示意图；

图5示出了本申请实施例所提供的一种光伏发电功率预测装置的示意图；

图6示出了本申请实施例所提供的一种电子设备的示意图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本申请所属领域技术人员所理解的通常意义。

另外，术语“第一”和“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。

请参考图1，图1是本申请实施例提供的一种光伏发电功率预测方法的流程图，包括以下步骤S101～S103：

S101、获取目标区域在历史时间段内的光伏发电数据，所述光伏发电数据包括光伏发电功率数据和相关的太阳辐照度数据。

目标区域为需要预测光伏发电数据的区域，历史时间段可以是一天、一周、一个月、一年等，例如预测区域A在本周一的光伏发电功率，则可以获取区域A在上周每一天的光伏发电功率数据和每一天的太阳辐照度数据。

S102、将所述光伏发电数据统计为分辨率为每预设时长的光伏发电时序数据。

其中，光伏发电时序数据是历史时间段内的光伏发电数据按照设定分辨率构成的时间序列数据。分辨率可以设置为小时、日、周或月等具体时间间隔。例如，将所述光伏发电数据统计为分辨率为每天的光伏发电时序数据。

S103、对所述光伏发电时序数据进行预处理后，输入预先训练的光电预测模型，得到在未来设定时间段内的预测光伏发电数据。

其中，所述光电预测模型是通过历史光伏发电时序数据样本对可解释多表征的神经网络进行训练得到的。预测光伏发电数据包括预测的光伏发电功率数据和太阳辐照度数据。

示例性地，上述对数据预处理的操作包括：最大值处理、最小值处理、数据均值化等数据清洗，以及归一化处理。

在将光伏发电时序数据进行预处理后，输入预先训练的光电预测模型，得到在未来设定时间段内的预测光伏发电数据。例如基于前一周的光伏发电功率以及太阳辐照度情况可以预测得到本周一的光伏发电功率。

下面介绍如何预先训练得到光电预测模型，具体可以按照以下方式预先训练光电预测模型，如图2所示，包括步骤S201～S203：

S201、获取历史光伏发电数据，并统计为分辨率为每预设时长的时间序列，得到历史光伏发电时序数据样本。

例如，历史光伏发电数据是指光伏发电的历史数据，收集来自由电力传输系统运营商提供的光伏发电真实数据，其中包含若干个不同地区的光伏发电功率数据和相关的太阳辐照度数据，并统计为分辨率为每天的时序数据，具体实现步骤如下：

用Z∈R

S202、对所述历史光伏发电时序数据样本进行所述预处理后，将所述历史光伏发电时序数据样本转化为光伏发电有监督数据。

首先对历史光伏发电时序数据样本进行归一化处理，具体的，为了缓解时间序列值之间的巨大差异，加快模型训练过程的收敛速度并减少异常值的影响，采用最大最小值归一化方法将输入数据单独归一化为标量值。

归一化和逆归一化的过程表述如下：

Z＝Z′·(max(Z)-min(Z))+min(Z)；

其中，min(Z)和max(Z)分别表示Z的最小值和最大值。将逆归一化公式用于还原模型输出的预测值为预测的光伏发电数据。

具体的，步骤S202中所述将所述历史光伏发电时序数据样本转化为光伏发电有监督数据，包括：将所述历史光伏发电时序数据样本采用一步前向分割的方法转换为有监督数据，得到光伏发电有监督数据。

具体的，可以采用一步前向分割的方法对归一化处理后的历史光伏发电时序数据样本进行分割，转换为有监督数据，分割过程将数据转化为监督学习问题，其中每个输入序列与其下一个值配对作为输出。这种转换方法将时间序列数据转换为具有输入特征和相应目标变量的数据集。对于等粒度时间序列和细粒度时间序列，转换结果公式如下：

其中，T表示窗口大小，确定有多少过去的观测值用做每个预测的输入；左边部分是模型的归一化输入，表示为

S203、将所述光伏发电有监督数据输入所述神经网络进行训练，在达到预设训练截止条件后得到所述光电预测模型。

具体地，上述神经网络包括顺序连接的窗口波动提取层、方向表示单元、线性化单元、窗口波动反提取层以及映射单元。

所述窗口波动提取层，用于捕获输入的时间序列数据短期变化的波动成分，得到波动范围数据；所述方向表示单元，用于将所述波动范围数据转换为低维非线性表示；所述线性化单元，用于将所述波动范围数据转换为中间波动数据；所述窗口波动反提取层，用于将所述中间波动数据恢复到时间序列数据原始尺度；所述映射单元，用于生成包含太阳能发电功率数据预测值的最终输出张量。

请参照图3，下面对光电预测模型进行详细介绍。

首先，本申请采用窗口波动提取层捕获光伏发电时序数据相对于最新观测的短期变化，这一步使得光电预测模型能够更清晰地提取时间序列数据的变化特征，并利用它们来提高预测的准确性和可靠性。窗口波动提取步骤执行如下：

N＝X-X

其中，N∈R

其次，本申请的上述光电预测模型通过方向表示单元捕获时间序列数据在不同方向上的特征。方向表示单元将波动范围数据N转换为低维非线性表示，可以处理光伏发电的时间模式、依赖性和相关性。方向表示单元由四个步骤组成：整流、变换、突出显示、线性化。

在整流步骤中，此步骤对波动范围数据N应用整流线性单元(ReLU)函数进行校正，ReLU函数过滤掉负值并保留数据的正值，校正后的波动范围数据用N

N

在变换步骤中，此步骤更改校正后的波动范围数据N

V＝N

其中，V∈R

在突出显示步骤中，这一步将变换的结果V输入到softmax层中，以放大几个方面的差异，这些方面是批次维度(d＝0)、序列维度(d＝1)和变量维度(d＝2)。softmax层计算V中每个元素沿每个维度的注意力分数，表明其对于预测任务的重要性或相关性。突出显示的分数张量用H

其中，d是观察方向。

在线性化步骤中，此步骤将校正后的输入张量N

I

其中，I

其中，E

接下来，本申请的上述光电预测模型通过线性化单元将波动幅度数据N转化为中间波动数据L，可以更有效地捕捉波动数据的特征。线性化是通过将线性层应用于波动幅度数据N来执行的，该线性层由可学习的权重矩阵W

其中，M∈R

接下来，本申请的上述光电预测模型通过窗口波动反提取单元将中间波动数据L恢复到时间序列数据Z原始尺度。这一步是获得模型最终预测结果所必需的，并根据地面实况数据评估其性能。反提取步骤由反归一化部分组成。

反归一化部分将最小最大归一化公式逆应用于中间波动数据L，将数据缩放回原始数据Z的范围。反归一化的数据用L'表示，并且反归一化公式由下式给出：

L'＝L·(max(Z)-min(Z))+min(Z)

其中，min(Z)和max(Z)分别是Z的最小值和最大值。

接下来，本申请的上述光电预测模型再通过映射单元旨在生成包含光伏发电数据预测值的最终输出张量Y。映射单元的映射步骤由两部分组成：特征融合和线性投影。光伏发电数据预测值中包含太阳能发电功率数据预测值。

特征融合：这部分结合了所有中间数据的特征，即反提取的数据L'和方向表示数据E

A＝L'+E

其中，A∈R

线性投影：这部分使用线性层将特征融合数据A映射到最终的输出张量Y。线性投影公式如下：

其中，

在模型训练时，将预测值与真实值进行比较，根据比较结果调整模型参数，在达到预设训练截止条件后得到最优的光电预测模型。

通过使用真实光伏发电数据集对本申请的可解释多表征的光电预测模型进行了全面的实验，以评估模型性能，并将其与几种最先进的方法进行比较。结果表明，本申请的光电预测模型可以实现卓越的准确性和鲁棒性，以及高计算效率和可扩展性。

在得到光电预测模型后，可以将目标区域在历史时间段内的光伏发电时序数据输入该光电预测模型，预测目标区域在未来设定时间段内的光伏发电功率，该光伏发电功率预测过程可以参见图3所示，最后对预测结果进行展示。

本申请提供的光伏发电功率预测方法，通过收集来自输电系统运营商提供的光伏发电真实数据，其中包含若干个不同地区的光伏发电数据，并统计为分辨率为每天的时序数据；对历史观测数据进行归一化操作，并将归一化后的时间序列数据转换为分割的有监督数据。传递到窗口波动提取层捕获短期变化的波动成分；方向表示单元将波动范围数据转换为低维非线性表示，可以处理光伏发电的时间模式、依赖性和相关性；线性化单元将波动范围数据转换为中间波动数据，更有效的捕获波动数据的特征。然后通过窗口波动反提取层将中间波动数据恢复到时间序列数据原始尺度；映射单元是预测方法的最后一步，旨在生成包含光伏发电数据预测值的最终输出张量。

如图4所示，可以实时收集历史光伏发电数据，对数据进行预处理，然后进行模型训练和实时预测，将预测结果发送给公众，再得到公众实时反馈的真实值，进而优化模型。

本申请实施例提供的光伏发电功率预测方法具有以下有益效果：

本申请的可解释多表征的光电预测模型可以捕获时空依赖性，即可以对光伏发电功率随时间变化的趋势和强度进行编码，并且可以有效地处理光伏发电的时间模式、依赖性和相关性。该模型利用多方向表示来捕获数据中的时间和空间依赖性，通过一个简单的转换函数，将原始数据转换为方向向量，反之亦然。

本申请的可解释多表征的光电预测模型通过展示多方向表示如何揭示输入变量和输出变量之间的因果关系和方向影响来证明本申请的光电预测模型的可解释性和可视化性。因此，本申请的可解释多表征的光电预测模型不仅提供了准确的预测，而且还提供了对光伏发电潜在机制的可靠解释。

在上述的实施例中，提供了一种光伏发电功率预测方法，与之相对应的，本申请还提供一种光伏发电功率预测装置10。本申请实施例提供的光伏发电功率预测装置可以实施上述光伏发电功率预测方法，该光伏发电功率预测装置可以通过软件、硬件或软硬结合的方式来实现。例如，该光伏发电功率预测装置可以包括集成的或分开的功能模块或单元来执行上述各方法中的对应步骤。

请参考图5所示，包括：

获取模块101，用于获取目标区域在历史时间段内的光伏发电数据，所述光伏发电数据包括光伏发电功率数据和相关的太阳辐照度数据；

统计模块102，用于将所述光伏发电数据统计为分辨率为每预设时长的光伏发电时序数据；

预测模块103，用于对所述光伏发电时序数据进行预处理后，输入预先训练的光电预测模型，得到在未来设定时间段内的预测光伏发电数据；

其中，所述光电预测模型是通过历史光伏发电时序数据样本对可解释多表征的神经网络进行训练得到的。

在本申请的一些实施方式中，所述装置还包括：训练模块，用于按照以下方式预先训练所述光电预测模型：

获取历史光伏发电数据，并统计为分辨率为每预设时长的时间序列，得到历史光伏发电时序数据样本；

对所述历史光伏发电时序数据样本进行所述预处理后，将所述历史光伏发电时序数据样本转化为光伏发电有监督数据；

将所述光伏发电有监督数据输入所述神经网络进行训练，在达到预设训练截止条件后得到所述光电预测模型。

在本申请的一些实施方式中，所述训练模块，具体用于：

将所述历史光伏发电时序数据样本采用一步前向分割的方法转换为有监督数据，得到光伏发电有监督数据。

在本申请的一些实施方式中，所述预处理包括最大值处理、最小值处理、数据均值化以及归一化处理。

在本申请的一些实施方式中，所述神经网络包括顺序连接的窗口波动提取层、方向表示单元、线性化单元、窗口波动反提取层以及映射单元；

所述窗口波动提取层，用于捕获输入的时间序列数据短期变化的波动成分，得到波动范围数据；

所述方向表示单元，用于将所述波动范围数据转换为低维非线性表示；

所述线性化单元，用于将所述波动范围数据转换为中间波动数据；

所述窗口波动反提取层，用于将所述中间波动数据恢复到时间序列数据原始尺度；

所述映射单元，用于生成包含太阳能发电功率数据预测值的最终输出张量。

本申请实施例提供的光伏发电功率预测装置与本申请实施例提供的光伏发电功率预测方法出于相同的发明构思，具有与其采用、运行或实现的方法相同的有益效果。

本申请实施方式还提供一种与前述实施方式所提供的方法对应的电子设备，所述电子设备可以是用于客户端的电子设备，例如手机、笔记本电脑、平板电脑、台式机电脑等，以执行上述光伏发电功率预测方法。

请参考图6，其示出了本申请的一些实施方式所提供的一种电子设备的示意图。如图6所示，所述电子设备20包括：处理器200，存储器201，总线202和通信接口203，所述处理器200、通信接口203和存储器201通过总线202连接；所述存储器201中存储有可在所述处理器200上运行的计算机程序，所述处理器200运行所述计算机程序时执行本申请前述任一实施方式所提供的光伏发电功率预测方法。

其中，存储器201可能包含高速随机存取存储器(RAM：Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口203(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网、广域网、本地网、城域网等。

总线202可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。其中，存储器201用于存储程序，所述处理器200在接收到执行指令后，执行所述程序，前述本申请实施例任一实施方式揭示的所述光伏发电功率预测方法可以应用于处理器200中，或者由处理器200实现。

处理器200可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器200中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器200可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器201，处理器200读取存储器201中的信息，结合其硬件完成上述方法的步骤。

本申请实施例提供的电子设备与本申请实施例提供的光伏发电功率预测方法出于相同的发明构思，具有与其采用、运行或实现的方法相同的有益效果。

本申请实施方式还提供一种与前述实施方式所提供的光伏发电功率预测方法对应的计算机可读存储介质，其上存储有计算机程序(即程序产品)，所述计算机程序在被处理器运行时，会执行前述任意实施方式所提供的光伏发电功率预测方法。

需要说明的是，所述计算机可读存储介质的例子还可以包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他光学、磁性存储介质，在此不再一一赘述。

本申请的上述实施例提供的计算机可读存储介质与本申请实施例提供的光伏发电功率预测方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。

最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围，其均应涵盖在本申请的权利要求和说明书的范围当中。