光伏电站的功率预测方法、装置和功率预测系统

技术领域

本申请属于光伏电站领域，尤其涉及一种光伏电站的功率预测方法、装置和功率预测系统。

背景技术

针对安装有跟踪组件的光伏电站，通常有以下两种处理方式进行跟踪组件的功率预测：1)根据跟踪组件的实时跟踪角度，利用辐射模型将电站固定辐照仪或数值天气预测的水平面总辐射数据换算成跟踪组件的斜面总辐射，然后通过斜面总辐射直接进行功率预测；2)将组件的实时跟踪角度作为功率预测模型的一个输入变量，以代表跟踪组件的斜面总辐射与水平面总辐射之间的关系。但以上两种方式均只能在较为理想的状态下进行，无法适用于光伏电站所处区域的复杂多变的外界环境影响，导致预测得到的结果的准确度不高。

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，本申请提出一种光伏电站的功率预测方法、装置和功率预测系统，预测结果的准确性高且适用于任何复杂的天气以及环境情况。

第一方面，本申请提供了一种光伏电站的功率预测方法，该方法包括：

获取待测跟踪组件在目标时刻对应的第一斜面总辐射；

将所述第一斜面总辐射输入至功率预测模型，获取所述功率预测模型输出的未来目标时长内的第一预测功率；所述功率预测模型为基于标准组件对应的历史发电功率数据和电站水平面辐照仪所采集的水平面辐射数据预先构建的，所述标准组件为与所述待测跟踪组件类型相同的组件，且所述标准组件的设置位置靠近所述电站水平面辐照仪的设置位置。

根据本申请的光伏电站的功率预测方法，通过设置标准组件以预先构建功率预测模型，使得在实际应用过程中，能够基于功率预测模型对转化得到的第一斜面总辐射进行准确预测得到第一预测功率，预测结果的准确性高且适用于任何复杂的天气以及环境情况，具有广泛的应用场景。

根据本申请的一个实施例，在所述将所述第一斜面总辐射输入至功率预测模型，获取所述功率预测模型输出的未来目标时长内的第一预测功率之前，所述方法还包括：

获取所述标准组件在历史第一时段内的实际发电功率、所述电站水平面辐照仪在所述第一时段内采集的水平面辐射数据和第一目标建模参数；

基于所述实际发电功率、所述水平面辐射数据和所述第一目标建模参数，构建所述功率预测模型；

其中，所述第一目标建模参数包括所述第一时段内所述标准组件的组件温度、转换效率以及所述标准组件所处区域的环境参数中的至少一种。

根据本申请的一个实施例，所述基于所述实际发电功率、所述水平面辐射数据和所述第一目标建模参数，构建所述功率预测模型，包括：

将所述实际发电功率和所述标准组件的额定发电功率的比值，确定为输出变量；并将所述水平面辐射数据和所述第一目标建模参数确定为输入变量，使用机器学习回归类算法构建所述功率预测模型。

根据本申请的一个实施例，在所述将所述第一斜面总辐射输入至功率预测模型，获取所述功率预测模型输出的未来目标时长内的第一预测功率之后，所述方法还包括：

将所述第一预测功率输入至误差修正模型，获取所述误差修正模型输出的修正值，并基于所述修正值修正所述第一预测功率，确定未来目标时长内的第二预测功率；所述误差修正模型为基于所述待测跟踪组件对应的历史发电功率数据和所述功率预测模型预先构建的。

根据本申请的一个实施例，在所述将所述第一预测功率输入至误差修正模型，获取所述误差修正模型输出的修正值之前，所述方法还包括：

基于电站水平面辐照仪在历史第一时段内采集的水平面辐射数据，确定所述待测跟踪组件在所述第一时段内目标角度下的第二斜面总辐射；

将所述第二斜面总辐射输入至所述功率预测模型，获取所述功率预测模型输出的所述目标角度对应的初始预测功率；

基于所述初始预测功率、所述待测跟踪组件在所述第一时段内的实际功率和第二目标建模参数，构建所述误差修正模型；

其中，所述第二目标建模参数包括所述第一时段内所述待测跟踪组件的组件温度、组件斜面上的太阳入射角、当日天气类型以及实时时间中的至少一种。

根据本申请的一个实施例，所述水平面辐射数据包括水平面总辐射、水平面直接辐射和水平面散射中的至少一种；所述目标角度包括倾角和方位角；所述基于电站水平面辐照仪在历史第一时段内采集的水平面辐射数据，确定所述待测跟踪组件在所述第一时段内目标角度下的第二斜面总辐射，包括：

基于所述水平面直接辐射和所述待测跟踪组件的组件斜面上的太阳入射角，确定斜面直接辐射；所述太阳入射角为基于所述倾角、太阳高度角、太阳方位角和所述方位角确定的；

基于所述水平面散射和所述倾角，确定斜面散射；

基于所述水平面总辐射、所述倾角和地表反射率，确定斜面反射；

基于所述斜面直接辐射、所述斜面散射和所述斜面反射，确定所述第二斜面总辐射。

根据本申请的一个实施例，所述基于所述初始预测功率、所述待测跟踪组件在所述第一时段内的实际功率和第二目标建模参数，构建所述误差修正模型，包括：

将所述初始预测功率和所述实际功率之间的差值确定为输出变量，将所述第二斜面总辐射和所述第二目标建模参数确定为输入变量，构建所述误差修正模型。

根据本申请的一个实施例，所述获取待测跟踪组件在目标时刻对应的第一斜面总辐射，包括：

将获取的所述待测跟踪组件在所述目标时刻对应的预测水平面辐射数据输入至预测辐照修正模型，获取所述预测辐照修正模型输出的修正后的预测水平面辐射数据；所述预测辐照修正模型为基于所述待测跟踪组件的历史实际水平面辐射数据和所述历史实际水平面辐射数据对应的历史预测水平面辐射数据训练得到的；

将所述修正后的预测水平面辐射数据输入至辐射模型，获取所述辐射模型输出的所述第一斜面总辐射。

第二方面，本申请提供了一种光伏电站的功率预测装置，该装置包括：

第一处理模块，用于获取待测跟踪组件在目标时刻对应的第一斜面总辐射；

第二处理模块，用于将所述第一斜面总辐射输入至功率预测模型，获取所述功率预测模型输出的未来目标时长内的第一预测功率；所述功率预测模型为基于标准组件对应的历史发电功率数据和电站水平面辐照仪所采集的水平面辐射数据预先构建的，所述标准组件为与所述待测跟踪组件类型相同的组件，且所述标准组件的设置位置靠近所述电站水平面辐照仪的设置位置。

根据本申请的光伏电站的功率预测装置，通过设置标准组件以预先构建功率预测模型，使得在实际应用过程中，能够基于功率预测模型对转化得到的第一斜面总辐射进行准确预测得到第一预测功率，预测结果的准确性高且适用于任何复杂的天气以及环境情况，具有广泛的应用场景。

第三方面，本申请提供了一种功率预测系统，包括：

电站水平面辐照仪；

至少一个跟踪组件；

标准组件，所述标准组件的类型与所述跟踪组件的类型相同，且所述标准组件的设置位置靠近所述电站水平面辐照仪的设置位置；

如第二方面所述的光伏电站的功率预测装置，所述光伏电站的功率预测装置分别与所述电站水平面辐照仪、所述至少一个跟踪组件和所述标准组件电连接。

第四方面，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光伏电站的功率预测方法。

第五方面，本申请提供了一种芯片，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，实现如第一方面所述的光伏电站的功率预测方法。

第六方面，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光伏电站的功率预测方法。

本申请实施例中的上述一个或多个技术方案，至少具有如下技术效果之一：

通过设置标准组件以预先构建功率预测模型，使得在实际应用过程中，能够基于功率预测模型对转化得到的第一斜面总辐射进行准确预测得到第一预测功率，预测结果的准确性高且适用于任何复杂的天气以及环境情况，具有广泛的应用场景。

进一步的，通过设置标准组件以预先构建误差修正模型，使得在实际应用过程中，能够基于误差修正模型对第一预测功率进行误差修正以得到第二预测功率，进一步提高预测结果的准确性，且适用于任何复杂的天气以及环境情况，具有广泛的应用场景。

更进一步的，通过利用标准组件的实际发电功率、水平面辐射数据以及相关环境参数建立功率预测模型，可以获得较为精确的电站水平面辐射数据与固定角度的光伏组件之间发电功率的预测模型。

更进一步的，通过将基于历史实测水平面辐射数据和跟踪系统角度确定待测跟踪组件在第一时段内的应发电功率，结合待测跟踪组件的实测发电功率建立误差修正模型，能够降低环境以及气候等因素对预测结果造成的影响，从而提高后续应用过程中所得到的第二预测功率的准确性，且适用于任意复杂多变的环境气候条件。

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光伏电站的功率预测方法的流程示意图之一；

图2是本申请实施例提供的光伏电站的功率预测方法的流程示意图之二；

图3是本申请实施例提供的光伏电站的功率预测方法的流程示意图之三；

图4是本申请实施例提供的光伏电站的功率预测装置的结构示意图；

图5是本申请实施例提供的功率预测系统的结构示意图。

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光伏电站的功率预测方法、光伏电站的功率预测装置、功率预测系统和可读存储介质进行详细地说明。

其中，光伏电站的功率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。

本申请实施例提供的光伏电站的功率预测方法，该光伏电站的功率预测方法的执行主体可以为功率预测系统或者功率预测系统中能够实现该光伏电站的功率预测方法的功能模块或功能实体，下面以功率预测系统作为执行主体为例对本申请实施例提供的光伏电站的功率预测方法进行说明。

如图1所示，该光伏电站的功率预测方法包括：步骤110和步骤120。

步骤110、获取待测跟踪组件在目标时刻对应的第一斜面总辐射；

在该步骤中，跟踪组件为跟踪角度可转动的光伏组件。

其中，跟踪角度可以包括：倾角和方位角等。

目标时刻可以为当前时刻或者任意时刻，本申请不作限定。

目标时长包括短期时长和超短期时长，其中，短期时长可以为未来0至24小时或0-72小时等；超短期时长可以为未来0至2小时或0至4小时等，目标时长的具体数值可以基于待测跟踪组件所在区域的电网政策要求确定，本申请不作限定。

第一斜面总辐射可以为基于常规方法计算得到的待测跟踪组件在目标时刻下的总辐射。

可以理解的是，待测跟踪组件在目标时刻，其平面与水平面可能为平行状态，也可能为不平行状态；在平行状态下，第一斜面总辐射可能与水平面辐射数据相同；而在不平行状态下，则需根据跟踪角度对水平面辐射数据进行转化，进一步确定第一斜面总辐射。

如图2所示，在一些实施例中，步骤110可以包括：

将获取的待测跟踪组件在目标时刻对应的预测水平面辐射数据输入至预测辐照修正模型，获取预测辐照修正模型输出的修正后的预测水平面辐射数据；预测辐照修正模型为基于待测跟踪组件的历史实际水平面辐射数据和历史实际水平面辐射数据对应的历史预测水平面辐射数据训练得到的；

将修正后的预测水平面辐射数据输入至辐射模型，获取辐射模型输出的第一斜面总辐射。

在该实施例中，预测辐照修正模型为预先构建的模型。

在实际执行过程中，可以基于历史上数值天气预报预测的水平面辐射数据(即历史预测水平面辐射数据)与电站实际测量的水平总辐射(即历史实际水平面辐射数据)，采用多种回归类算法建立预测辐照修正模型。

该预测辐照修正模型可以为神经网络模型或其他类型的模型，本申请不作限定。

例如，可以根据模型的精度指标根据自适应自动学习的机制去评估训练的模型好坏，将指标精度最高的模型作为筛选出的最终用于预测辐照修正模型。

辐射模型为预先设置的模型。

辐射模型可以为常规模型，用于将电站水平面辐照仪或数值天气预测的水平面辐射数据换算成跟踪组件的斜面总辐射。

在该实施例中，在转化之前，通过历史数据构建预测辐照修正模型以修正基于数值天气预报预测得到的水平面辐射数据，能够进一步降低误差，提高后续预测结果的准确性。

步骤120、将第一斜面总辐射输入至功率预测模型，获取功率预测模型输出的未来目标时长内的第一预测功率；功率预测模型为基于标准组件对应的历史发电功率数据和电站水平面辐照仪所采集的水平面辐射数据预先构建的，标准组件为与待测跟踪组件类型相同的组件，且标准组件的设置位置靠近电站水平面辐照仪的设置位置。

在该步骤中，水平面辐照仪用于测量辐照强度信号，当安装在水平位置时，用于测量水平面总辐照数据。

标准组件为与待测跟踪组件类型相同的光伏组件。

在实际执行过程中，可以在电站中靠近原有电站水平面辐照仪的位置设置一块标准组件，且该标准组件应为水平安装的。

可以理解的是，标准组件与电站水平面辐照仪位置相近，可近似认为水平面辐照仪所采集的水平面辐射数据即为标准组件所接收的水平面辐射数据。

通过该标准组件的历史发电功率数据以及水平面辐照仪所采集的水平面辐射数据，可构建功率预测模型。

在后文中将对功率预测模型的构建方式进行具体说明，在此暂不作赘述。

其中，功率预测模型为预先构建好的模型，用于预测待测跟踪组件在未来目标时长内的第一预测功率。

在一些实施例中，功率预测模型可以为神经网络模型。

在本申请中，通过设置标准组件，并通过由标准组件的历史发电功率数据以及水平面辐照仪所采集的水平面辐射数据预先构建的功率预测模型对转换得到的第一斜面总辐射进行预测，得到第一预测功率，精确度较高。

根据本申请实施例提供的光伏电站的功率预测方法，通过设置标准组件以预先构建功率预测模型，使得在实际应用过程中，能够基于功率预测模型对转化得到的第一斜面总辐射进行准确预测得到第一预测功率，预测结果的准确性高且适用于任何复杂的天气以及环境情况，具有广泛的应用场景，从而解决了在光伏发电功率预测时组件跟踪系统对功率预测精度的影响的技术问题。

在一些实施例中，在步骤120之后，该方法还可以包括：

将第一预测功率输入至误差修正模型，获取误差修正模型输出的修正值，并基于修正值修正第一预测功率，确定未来目标时长内的第二预测功率；误差修正模型为基于待测跟踪组件对应的历史发电功率数据和功率预测模型预先构建的。

在该实施例中，第二预测功率为对第一预测功率进行修正所得到的预测功率。

第二预测功率的准确度高于第一预测功率。

误差修正模型为预先构建的模型，用于输出修正值以修正第一预测功率。

误差修正模型为在功率预测模型的基础上，基于功率预测模型输出的结果以及待测跟踪组件对应的历史发电功率数据进一步确定的。在后文中将对误差修正模型的构建方式进行具体说明，在此暂不作赘述。

在一些实施例中，误差修正模型可以为神经网络模型或树模型，本申请不作限定。

继续参考图2，在构建得到功率预测模型和误差修正模型之后，在实际预测过程中，可以基于历史上数值天气预报预测的水平面辐射与电站实际测量的水平总辐射建立预测辐照修正模型，以修正数值天气预报预测的预测水平面辐射数据，并将修正后的预测水平面辐射数据换算成第一斜面总辐射；然后将第一斜面总辐射以及其他预测的气象与环境指标代入输入至构建好的功率预测模型中以获取第一预测功率；并将第一预测功率以及其他相关环境天气指标输入至误差修正模型，获取修正值；最后基于修正值修正第一预测功率，从而获取第二预测功率。

发明人在研发过程中发现，在实际应用过程中，组件跟踪系统的控制系统可能受到不同天气情况和辐照度高低的影响而出现不同程度的跟踪偏差，此时在水平面辐照度、组件倾角和方位角都相同的情况下，利用辐射模型常规换算得到的组件斜面总辐射也会存在不同程度的偏差；

除此之外，组件在转动过程中，其所受的外界影响情况也是随机变化的，例如，当组件旋转至某个角度时，可能会受到地面杂草的遮挡以及地面反射系数变化等的影响而造成组件平面总辐射量的变化；又如，在较大的跟踪角度下，组件之间还可能存在阵列遮挡，这也会对最终转化的结果造成误差；而且，随着组件对太阳入射角的跟踪，组件的电池温度、表面所接受的太阳光谱等均会发生变化，组件的转换效率也会相应地发生实时变化。

相关技术中利用固定式组件电站的现有光伏功率预测技术，无法适用于以上复杂的环境，使得最终得到的预测结果的准确度较低。

而在本申请中，通过设置标准组件，并通过由标准组件的历史发电功率数据以及水平面辐照仪所采集的水平面辐射数据预先构建的功率预测模型对转换得到的第一斜面总辐射进行预测，得到第一预测功率，精确度高；

除此之外，通过由待测跟踪组件的历史发电功率数据以及功率预测模型输出的结果预先构建的误差修正模型对经功率预测模型预测得到的第一预测功率进行修正以获取第二预测功率，能够降低组件在转动过程中所受的外界环境因素对预测结果所带来的误差，进一步提高第二预测功率的准确性和精确性，且适用于任意复杂变化的环境以及天气情况，具有广泛的应用场景。

根据本申请实施例提供的光伏电站的功率预测方法，通过设置标准组件以预先构建误差修正模型，使得在实际应用过程中，能够基于误差修正模型对第一预测功率进行误差修正以得到第二预测功率，进一步提高预测结果的准确性，且适用于任何复杂的天气以及环境情况，具有广泛的应用场景，从而解决了在光伏发电功率预测时组件跟踪系统对功率预测精度的影响的技术问题。

下面对功率预测模型的构建过程进行具体说明。

如图3所示，在一些实施例中，在步骤120之前，该方法还可以包括：

获取标准组件在历史第一时段内的实际发电功率、电站水平面辐照仪在第一时段内采集的水平面辐射数据和第一目标建模参数；

基于实际发电功率、水平面辐射数据和第一目标建模参数，构建功率预测模型；

其中，第一目标建模参数包括第一时段内标准组件的组件温度、转换效率以及标准组件所处区域的环境参数中的至少一种。

在该实施例中，第一时段可以为过去的任意时段。

第一时段可以为一个或多个时段，本申请不作限定。

第一目标建模参数为用于构建功率预测模型的常规参数。

第一目标建模参数可以包括但不限于：组件温度、组件的转换效率以及电站所处区域的环境参数等。

其中，环境参数可以包括：环境温度、风速、湿度以及气压等。

实际发电功率为标准组件在第一时段内实测得到的功率。

在实际执行过程中，可基于任意可实现的建模方法以基于实际发电功率、水平面辐射数据和目标建模参数构建功率预测模型，如采用树模型或深度神经网络等方法，本申请不作限定。

在一些实施例中，基于实际发电功率、水平面辐射数据和第一目标建模参数，构建功率预测模型，还可以包括：

对实际发电功率、水平面辐射数据和第一目标建模参数进行数据预处理，并基于预处理后的数据构建功率预测模型。

在本实施例中，通过对实际发电功率、水平面辐射数据和第一目标建模参数进行数据预处理，以删除异常值和缺失值，提高样本数据的准确性，从而提高所构建的功率预测模型的精确度。

根据本申请实施例提供的光伏电站的功率预测方法，通过利用标准组件的实际发电功率、水平面辐射数据以及相关环境参数建立功率预测模型，可以获得较为精确的电站水平面辐射数据与固定角度的光伏组件之间发电功率的预测模型。

在一些实施例中，基于实际发电功率、水平面辐射数据和第一目标建模参数，构建功率预测模型，可以包括：将实际发电功率和标准组件的额定发电功率的比值，确定为输出变量；并将水平面辐射数据和目标建模参数确定为输入变量，使用机器学习回归类算法构建功率预测模型。

在该实施例中，功率预测模型为神经网络模型或树模型等，功率预测模型为预先训练的模型。

例如，可通过如下公式确定实际发电功率和标准组件的额定发电功率的比值：

P＝P

其中，P为比值；P

然后将实际发电功率和标准组件的额定发电功率的比值P作为输出变量，将水平面辐射数据和第一目标建模参数确定为输入变量，使用机器学习回归类算法建立光伏功率预测模型：

P＝f(G

其中，P为比值；G

其中，组件温度和转换效率等第一目标建模参数为可变的。

可以理解的是，在实际应用过程中，输入的第一目标建模参数变化，其对应的输出值也会变化，从而适用于任意复杂多变的外界环境。

在训练过程中，可以水平面辐射数据和目标建模参数作为样本，将水平面辐射数据和目标建模参数对应的实际发电功率和标准组件的额定发电功率的比值作为样本标签，训练功率预测模型。

根据本申请实施例提供的光伏电站的功率预测方法，通过将实际发电功率和标准组件的额定发电功率的比值，确定为输出变量；并将水平面辐射数据和目标建模参数确定为输入变量，使用机器学习回归类算法构建功率预测模型，能够综合考虑外界环境变化与水平面辐射数据之间的关联关系，使得输出的预测功率能够基于水平面辐射数据以及第一目标建模参数的变化而对应变化，显著提高预测结果的准确性和精确性，且适用于任意复杂多变的外界环境。

下面对误差修正模型的构建过程进行具体说明。

继续参考图3，在一些实施例中，在将第一预测功率输入至误差修正模型，获取误差修正模型输出的修正值之前，该方法还可以包括：

基于电站水平面辐照仪在历史第一时段内采集的水平面辐射数据，确定待测跟踪组件在第一时段内目标角度下的第二斜面总辐射；

将第二斜面总辐射输入至功率预测模型，获取功率预测模型输出的目标角度对应的初始预测功率；

基于初始预测功率、待测跟踪组件在第一时段内的实际功率和第二目标建模参数，构建误差修正模型；

其中，第二目标建模参数包括第一时段内待测跟踪组件的组件温度、组件斜面上的太阳入射角、当日天气类型以及实时时间中的至少一种。

在该实施例中，第一时段可以为过去的任意时段。

第一时段可以为一个或多个时段，本申请不作限定。

目标角度的大小可以为任意数值。

目标角度包括倾角和方位角中的至少一种。

第二斜面总辐射为基于常规方法计算得到的待测跟踪组件在目标角度下的总辐射。

在实际执行过程中，可以基于辐射模型确定第二斜面总辐射，或者也可以基于其他可实现的方式确定第二斜面总辐射，本申请不作限定。

在一些实施例中，水平面辐射数据可以包括水平面总辐射、水平面直接辐射和水平面散射中的至少一种；目标角度包括倾角和方位角；基于电站水平面辐照仪在历史第一时段内采集的水平面辐射数据，确定待测跟踪组件在第一时段内目标角度下的第二斜面总辐射，可以包括：

基于水平面直接辐射和待测跟踪组件的组件斜面上的太阳入射角，确定斜面直接辐射；太阳入射角为基于倾角、太阳高度角、太阳方位角和方位角确定的；

基于水平面散射和倾角，确定斜面散射；

基于水平面总辐射、倾角和地表反射率，确定斜面反射；

基于斜面直接辐射、斜面散射和斜面反射，确定第二斜面总辐射。

在该实施例中，可以通过如下公式确定斜面直接辐射：

I

其中，I

其中，太阳入射角可以基于如下公式确定：

cosθ

其中，θ

可以通过如下公式确定斜面散射：

其中，I

可以通过如下公式确定斜面反射：

其中，I

在得到斜面直接辐射、斜面散射和斜面反射，可以基于如下公式确定第二斜面总辐射：

I

其中，I

继续参考图3，在得到待测跟踪组件在目标角度下的第二斜面总辐射之后，将第二斜面总辐射输入至功率预测模型，由功率预测模型对第二斜面总辐射进行相关计算，即可获取第二斜面总辐射所对应的初始预测功率。

初始预测功率为待测跟踪组件在第一时段内的应发功率，也即待测跟踪组件在第一时段内的辐照度和温度等情况下发电时，理论上可以发的功率。

在本申请中，初始预测功率可以为待测跟踪组件基于辐射模型换算得到的第二斜面总辐射代入功率预测模型得到的功率。

可以理解的是，在实际执行过程中，初始预测功率可能高于实际功率。

功率预测模型的构建方式已在上文实施例中进行说明，在此不作赘述。

需要说明的是，功率预测模型输出的数值为初始预测功率与待测跟踪组件的额定功率之间的比值P'＝P

在得到比值之后，基于公式P

在得到初始预测功率后，基于初始预测功率、待测跟踪组件对应的实际功率和第二目标建模参数，即可构建误差修正模型。

第二目标建模参数为影响功率预测的各种环境以及气候因素。

第二目标建模参数可以包括：组件温度、组件斜面上的太阳入射角、当日天气类型以及实时时间等。

继续参考图3，在一些实施例中，基于初始预测功率、待测跟踪组件在第一时段内的实际功率和第二目标建模参数，构建误差修正模型，可以包括：

将初始预测功率和实际功率之间的差值确定为输出变量，将第二斜面总辐射和第二目标建模参数确定为输入变量，构建误差修正模型。

在该实施例中，可以将初始预测功率与实际功率的差值作为输出变量，将待测跟踪组件对应的第二斜面总辐射以及第二目标建模参数作为输入变量，建立预测功率的误差修正模型ε＝f(G

可以理解的是，在本申请中，应发功率是基于标准组件建立的功率预测模型计算得到的，标准组件与待测跟踪组件之间的温度、风速以及湿度等指标的差异较小，对功率的影响作用也远远小于辐照的影响，相对于辐照因素可忽略，因此待测跟踪组件的应发功率与实际功率之间的误差，可以近似认为是由代入功率预测的辐射数据与待测跟踪组件表面的有效辐射之间的差异引起的。

在本申请中，基于由标准组件确定的初始预测功率、待测跟踪组件对应的实际功率和第二目标建模参数构建误差修正模型，通过代入功率预测模型的辐射数据与待测跟踪组件表面的有效辐射这两种辐射之间的差异对最终的功率预测结果进行修正，显著提高了预测得到的第二预测功率的准确性与精确性，且不受环境因素影响，适用于任意复杂环境。

根据本申请实施例提供的光伏电站的功率预测方法，通过将基于历史实测水平面辐射数据和跟踪系统角度确定待测跟踪组件在第一时段内的应发电功率，结合待测跟踪组件的实测发电功率建立误差修正模型，能够降低环境以及气候等因素对预测结果造成的影响，从而提高后续应用过程中所得到的第二预测功率的准确性，且适用于任意复杂多变的环境气候条件。本申请实施例提供的光伏电站的功率预测方法，执行主体可以为光伏电站的功率预测装置。本申请实施例中以光伏电站的功率预测装置执行光伏电站的功率预测方法为例，说明本申请实施例提供的光伏电站的功率预测装置。

本申请实施例还提供一种光伏电站的功率预测装置。

如图4所示，该光伏电站的功率预测装置包括：第一处理模块410和第二处理模块420。

第一处理模块410，用于获取待测跟踪组件在目标时刻对应的第一斜面总辐射；

第二处理模块420，用于将第一斜面总辐射输入至功率预测模型，获取功率预测模型输出的未来目标时长内的第一预测功率；功率预测模型为基于标准组件对应的历史发电功率数据和电站水平面辐照仪所采集的水平面辐射数据预先构建的，标准组件为与待测跟踪组件类型相同的组件，且标准组件的设置位置靠近电站水平面辐照仪的设置位置。

根据本申请实施例提供的光伏电站的功率预测装置，通过设置标准组件以预先构建功率预测模型，使得在实际应用过程中，能够基于功率预测模型对转化得到的第一斜面总辐射进行准确预测得到第一预测功率，预测结果的准确性高且适用于任何复杂的天气以及环境情况，具有广泛的应用场景。

在一些实施例中，该装置还可以包括：

第三处理模块，用于将第一斜面总辐射输入至功率预测模型，获取功率预测模型输出的未来目标时长内的第一预测功率之前，获取标准组件在历史第一时段内的实际发电功率、电站水平面辐照仪在第一时段内采集的水平面辐射数据和第一目标建模参数；

第四处理模块，用于基于实际发电功率、水平面辐射数据和第一目标建模参数，构建功率预测模型；

其中，第一目标建模参数包括第一时段内标准组件的组件温度、转换效率以及标准组件所处区域的环境参数中的至少一种。

在一些实施例中，第四处理模块，还可以用于：将实际发电功率和标准组件的额定发电功率的比值，确定为输出变量；并将水平面辐射数据和第一目标建模参数确定为输入变量，使用机器学习回归类算法构建功率预测模型。

在一些实施例中，该装置还可以包括第五处理模块，用于：

在将第一斜面总辐射输入至功率预测模型，获取功率预测模型输出的未来目标时长内的第一预测功率之后，将第一预测功率输入至误差修正模型，获取误差修正模型输出的修正值，并基于修正值修正第一预测功率，确定未来目标时长内的第二预测功率；误差修正模型为基于待测跟踪组件对应的历史发电功率数据和功率预测模型预先构建的。

在一些实施例中，该装置还可以包括：

第六处理模块，用于在将第一预测功率输入至误差修正模型，获取误差修正模型输出的修正值之前，基于电站水平面辐照仪在历史第一时段内采集的水平面辐射数据，确定待测跟踪组件在第一时段内目标角度下的第二斜面总辐射；

第七处理模块，用于将第二斜面总辐射输入至功率预测模型，获取功率预测模型输出的目标角度对应的初始预测功率；

第八处理模块，用于基于初始预测功率、待测跟踪组件在第一时段内的实际功率和第二目标建模参数，构建误差修正模型；

其中，第二目标建模参数包括第一时段内待测跟踪组件的组件温度、组件斜面上的太阳入射角、当日天气类型以及实时时间中的至少一种。

在一些实施例中，水平面辐射数据包括水平面总辐射、水平面直接辐射和水平面散射中的至少一种；目标角度包括倾角和方位角；第六处理模块，还可以用于：

基于水平面直接辐射和待测跟踪组件的组件斜面上的太阳入射角，确定斜面直接辐射；太阳入射角为基于倾角、太阳高度角、太阳方位角和方位角确定的；

基于水平面散射和倾角，确定斜面散射；

基于水平面总辐射、倾角和地表反射率，确定斜面反射；

基于斜面直接辐射、斜面散射和斜面反射，确定第二斜面总辐射。

在一些实施例中，第八处理模块，还可以用于：将初始预测功率和实际功率之间的差值确定为输出变量，将第二斜面总辐射和第二目标建模参数确定为输入变量，构建误差修正模型。

在一些实施例中，第一处理模块410，还可以用于：

将获取的待测跟踪组件在目标时刻对应的预测水平面辐射数据输入至预测辐照修正模型，获取预测辐照修正模型输出的修正后的预测水平面辐射数据；

将修正后的预测水平面辐射数据输入至辐射模型，获取辐射模型输出的第一斜面总辐射。

本申请实施例中的光伏电站的功率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-mobilepersonal 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。

本申请实施例中的光伏电站的功率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光伏电站的功率预测装置能够实现图1至图3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，本申请实施例还提供一种功率预测系统，包括：电站水平面辐照仪、至少一个跟踪组件、标准组件和如上述任意实施例所述的光伏电站的功率预测装置。

在该实施例中，电站水平面辐照仪用于采集水平面辐照数据。

跟踪组件为跟踪角度可转动的光伏组件。

标准组件的类型与跟踪组件的类型相同，且标准组件的设置位置靠近电站水平面辐照仪的设置位置。

光伏电站的功率预测装置分别与电站水平面辐照仪、至少一个跟踪组件和标准组件电连接，用于执行如上任意实施例所述的光伏电站的功率预测方法。

图5示例了一种功率预测系统的结构示意图，包括处理器501、存储器502及存储在存储器502上并可在处理器501上运行的计算机程序，该程序被处理器501执行时实现上述光伏电站的功率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。

根据本申请实施例提供的功率预测系统，通过设置标准组件以预先构建功率预测模型，使得在实际应用过程中，能够基于功率预测模型对转化得到的第一斜面总辐射进行准确预测得到第一预测功率，预测结果的准确性高且适用于任何复杂的天气以及环境情况，具有广泛的应用场景。

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光伏电站的功率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光伏电站的功率预测方法。

其中，所述处理器为上述实施例中所述的功率预测系统中的处理器。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，实现上述光伏电站的功率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。