云边协同台区功率预测方法、装置、设备和介质

技术领域

本发明涉及配用电技术领域，特别涉及一种云边协同台区功率预测方法、装置、设备和介质。

背景技术

台区根据气象局的天气预报、历史发电和用电信息进行负荷预测和光伏发电功率预测，便可安排第二天的发电计划、用能计划和储能计划，但现有技术中因多变的微气象环境导致功率预测较为复杂，在以居民或小工厂用户为主进行功率预测建模时，未安装气象监测等装置，导致台区侧配电融合终端无法获取本地气象监测数据，导致功率预测的准确性较低。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种云边协同台区功率预测方法、装置、电子设备、存储介质，能够提高台区功率预测的准确性。

第一方面，本发明实施例提供了一种云边协同台区功率预测方法，应用于台区功率预测系统中，所述台区功率预测系统包括云侧端和边侧端，所述云侧端与所述边侧端无线连接，所述云边协同台区功率预测方法包括：

对所述云侧端进行预处理操作和类型划分操作，获取第一预测数据和台区类型，所述云侧端根据所述第一预测数据和所述台区类型构建负荷预测模型；

获取所述云侧端的气象数据和所述负荷预测模型的第一参数信息，将所述气象数据、所述负荷预测模型和所述第一参数信息发送至所述边侧端，所述负荷预测模型根据所述气象数据和所述第一参数信息进行负荷预测，得到负荷预测值；

所述云侧端获取所述台区类型的历史数据信息，所述云侧端对所述历史数据信息进行预处理操作，获取第二预测数据，其中，所述第二预测数据为可用于进行光伏预测的数据；

构建气象遴选模块，对影响所述第二预测数据的天气因素进行分析，获取目标台区的历史气象数据和台区信息，所述台区信息至少包括所述目标台区的用电类型和负荷信息；

获取所述目标台区的实时气象数据，根据所述历史气象数据、台区信息和所述第二预测数据构建发电预测模型，并获取所述发电预测模型的第二参数信息；

所述云侧端将所述实时气象数据和所述第二参数信息发送至边侧端，将所述实时气象数据和所述第二参数信息输入至工学模型，所述工学模型计算所述目标台区的光伏发电实际值；

根据所述负荷预测值和所述光伏发电实际值获取功率差值，所述发电预测模型对所述功率差值进行修正，获取功率预测结果。

在本发明的一些实施例中，所述台区功率预测系统还包括配电主站，所述对所述云侧端进行预处理操作和类型划分操作，获取第一预测数据和台区类型包括：

当所述配电主站对所述云侧端的历史数据清洗和补齐后，所述云侧端进行预处理操作，获取所述第一预测数据，其中，所述预处理操作为归一化处理；

获取所述云侧端的地理特性信息和网格气象数据信息，所述云侧端根据所述地理特性信息和网格气象数据信息划定负荷区域，所述云侧端根据负荷曲线对位于所述负荷区域内的云侧端的负荷特性进行聚类，获取云侧端类型，所述云侧端根据日负荷曲线对所述云侧端类型进行聚类，获取台区负荷类型。

在本发明的一些实施例中，所述云侧端根据所述第一预测数据和所述台区类型构建负荷预测模型，包括：

所述云侧端根据所述第一预测数据和预设的编码规则构建粒子群，将所述粒子群初始化为多个种群粒子；

根据所述种群粒子计算所述种群粒子的粒子适应度，通过所述粒子适应度对所述种群粒子进行评价和更新，获取更新粒子信息；

对所述更新粒子信息进行判定，通过所述判定的更新粒子信息输入至预设的LSTM网络，其中所述LSTM网络设置有LSTM算法；

将所述LSTM算法输入至所述LSTM网络中获取所述更新粒子信息的位移预测结果；

根据所述位移预测结果和所述台区类型构建所述负荷预测模型。

在本发明的一些实施例中，所述云侧端根据所述第一预测数据和所述台区类型建立负荷预测模型后，包括：

所述云侧端发送气象数据获取信号至所述配电主站，所述配电主站接收所述气象数据获取信号后，所述配电主站从气象信息中心获取所述云侧端的气象数据信息，其中，所述气象数据信息至少包括实时气象信息和气象预报信息；

所述云侧端获取待训练负荷预测模型，所述云侧端对所述待训练负荷预测模型进行训练，获取负荷预测模型和所述负荷预测模型的第一参数信息，其中，所述负荷预测模型至少包括输入门的权重矩阵和偏置项、输出门的权重矩阵和偏置项、计算单元状态矩阵和遗忘门的权重矩阵和偏置项，所述第一参数信息至少包括输入特征参数、隐藏层数维度、堆叠层数、最大训练数和学习率。

在本发明的一些实施例中，所述获取负荷预测模型和所述负荷预测模型的第一参数信息，包括：

所述云侧端对所述负荷预测模型进行参数识别，获取所述负荷预测模型的子参数信息；

所述云侧端获取负荷预测模型的同类台区信息，根据所述子参数信息和所述同类台区信息获取所述第一参数信息，其中，所述同类台区信息至少包括运行数据信息、天气数据信息和日期数据信息。

在本发明的一些实施例中，所述负荷预测模型根据所述气象数据和所述第一参数信息进行负荷预测，得到负荷预测值后，所述方法还包括：

当所述负荷实际值的精度未处于预设的精度范围时，所述边侧端通过MQTT协议发送重新训练指令至所述云侧端；

所述云侧端接收所述重新训练指令重新构建所述负荷预测模型。

在本发明的一些实施例中，所述工学模型计算所述目标台区的发电，所述方法包括：

所述边侧端获取所述目标台区的地表两米气温值、日照强度值和安装角度值，根据所述地表两米气温值、日照强度值和所述安装角度值计算面板温度值；

获取所述目标台区的短路电路温度系数，根据所述短路电流温度系数和所述面板温度值计算温度系数值；

获取所述目标台区的直流输出值、设计系数值和功率值，根据所述温度系数值、所述设计系数值和所述功率值计算直流输出值；

获取所述目标台区的光伏逆变器的额定容量值，根据所述额定容量值和所述直流输出值计算光伏逆变器输出值；

获取所述目标台区的逆变器的额定输出效率值，根据所述额定容量值、所述额定输出效率值和所述额定容量计算所述光伏逆变器的转换效率；

根据所述转换效率和所述光伏逆变器输出值计算交流输出值。

第二方面，本发明实施例提供了一种云边协同台区功率预测装置，包括少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行如上述第一方面所述的云边协同台区功率预测方法。

第三方面，本发明实施例提供了一种电子设备，包括有如上述第二方面所述的云边协同台区功率预测装置。

第四方面，本发明实施例提供了一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行如上述第一方面所述的云边协同台区功率预测方法。

根据本发明实施例的云边协同台区功率预测方法，至少具有如下有益效果：

对所述云侧端进行预处理操作和类型划分操作，获取第一预测数据和台区类型，云侧端根据第一预测数据和所述台区类型构建负荷预测模型；获取云侧端的气象数据和负荷预测模型的第一参数信息，将气象数据、负荷预测模型和第一参数信息发送至边侧端，负荷预测模型根据气象数据和第一参数信息进行负荷预测，得到负荷预测值；云侧端获取所述台区类型的历史数据信息，云侧端对历史数据信息进行预处理操作，获取第二预测数据，其中，第二预测数据为可用于进行光伏预测的数据；构建气象遴选模块，对影响第二预测数据的天气因素进行分析，获取目标台区的历史气象数据和台区信息，台区信息至少包括目标台区的用电类型和负荷信息；获取目标台区的实时气象数据，根据历史气象数据、台区信息和第二预测数据构建发电预测模型，并获取发电预测模型的第二参数信息；云侧端将实时气象数据和第二参数信息发送至边侧端，将实时气象数据和第二参数信息输入至工学模型，工学模型计算目标台区的光伏发电实际值；根据负荷预测值和光伏发电实际值获取功率差值，发电预测模型对功率差值进行修正，获取功率预测结果。通过构建气象遴选模块获取目标台区的实时气象数据，防止出现云侧端和边侧端无法获取台区的气象数据导致台区的云侧端和边侧端无法获取本地气象监测数据；云侧端据实时气象数据、台区历史数据信息等建立负荷预测模型，获取负荷预测值；通过历史气象数据、台区信息和第二预测参数信息构建发电预测模型，获取发电实际值；并下发至边侧端，边侧端通过预设的工学模型与负荷预测值和发电实际值相集合，从而获取台区的光伏发电量预测值；通过负荷预测值与发电实际值的差值对光伏发电量预测值进行修正，从而提高功率预测的准确性。

附图说明

图1是本发明一个实施例提供的云边协同台区功率预测方法的流程图；

图2是本发明一个实施例提供的对云侧端进行预处理操作和类型划分操作，获取第一预测数据和台区类型的流程图；

图3是本发明一个实施例提供的云侧端根据第一预测数据和台区类型构建负荷预测模型的流程图；

图4是本发明一个实施例提供的所述云侧端根据日负荷曲线对所述云侧端类型进行聚类，获取台区负荷类型后的流程图；

图5是本发明一个实施例提供的获取负荷预测模型和负荷预测模型的第一参数信息的流程图；

图6是本发明一个实施例提供的荷预测模型根据气象数据和第一参数信息进行负荷预测，得到负荷预测值后的流程图；

图7是本发明一个实施例提供的工学模型计算目标台区的光伏发电实际值的流程图；

图8是本发明另一个实施例提供的云边协同台区功率预测装置的结构图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

在本发明的描述中，需要理解的是，涉及到方位描述，例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。

本发明的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。

本发明实施例提供了一种云边协同台区功率预测方法，应用于台区功率预测系统中，台区功率预测系统包括云侧端和边侧端，云侧端与边侧端无线连接，云边协同台区功率预测方法包括对所述云侧端进行预处理操作和类型划分操作，获取第一预测数据和台区类型，云侧端根据第一预测数据和所述台区类型构建负荷预测模型；获取云侧端的气象数据和负荷预测模型的第一参数信息，将气象数据、负荷预测模型和第一参数信息发送至边侧端，负荷预测模型根据气象数据和第一参数信息进行负荷预测，得到负荷预测值；云侧端获取所述台区类型的历史数据信息，云侧端对历史数据信息进行预处理操作，获取第二预测数据，其中，第二预测数据为可用于进行光伏预测的数据；构建气象遴选模块，对影响第二预测数据的天气因素进行分析，获取目标台区的历史气象数据和台区信息，台区信息至少包括目标台区的用电类型和负荷信息；获取目标台区的实时气象数据，根据历史气象数据、台区信息和第二预测数据构建发电预测模型，并获取发电预测模型的第二参数信息；云侧端将实时气象数据和第二参数信息发送至边侧端，将实时气象数据和第二参数信息输入至工学模型，工学模型计算目标台区的光伏发电实际值；根据负荷预测值和光伏发电实际值获取功率差值，发电预测模型对功率差值进行修正，获取功率预测结果。通过构建气象遴选模块获取目标台区的实时气象数据，防止出现云侧端和边侧端无法获取台区的气象数据导致台区的云侧端和边侧端无法获取本地气象监测数据；云侧端据实时气象数据、台区历史数据信息等建立负荷预测模型，获取负荷预测值；通过历史气象数据、台区信息和第二预测参数信息构建发电预测模型，获取发电实际值；并下发至边侧端，边侧端通过预设的工学模型与负荷预测值和发电实际值相集合，从而获取台区的光伏发电量预测值；通过负荷预测值与发电实际值的差值对光伏发电量预测值进行修正，从而提高功率预测的准确性。

下面基于附图，对本发明实施例的控制方法作进一步阐述。

参照图1，图1为本发明实施例提供的一种云边协同台区功率预测方法的流程图，该云边协同台区功率预测方法包括但不限于有以下步骤：

步骤S11，对云侧端进行预处理操作和类型划分操作，获取第一预测数据和台区类型，云侧端根据第一预测数据和台区类型构建负荷预测模型；

需要说明的是，通过获取台区类型和第一预测数据，使得云侧端能够根据不同类型的台区构建与台区类型相匹配的负荷预测模型，不同台区类型会存在不同的负荷特征，如：工业区、商业区和居民区等，云侧端根据不同台区类型的负荷特征构建不同的负荷预测模型，从而以提高台区负荷预测的准确性。

步骤S12，获取云侧端的气象数据和负荷预测模型的第一参数信息，将气象数据、负荷预测模型和第一参数信息发送至边侧端，负荷预测模型根据气象数据和第一参数信息进行负荷预测，得到负荷预测值；

需要说明的是，云侧端根据负荷类型建立负荷预测模型，具体地，负荷预测模型采用长短期记忆神经网络LSTM模型，其中，长短期记忆神经网络LSTM超参数识别：采用粒子群算法、例子目标函数为预测均方根误差，求解整个粒子群全局最优解，获得LSTM超参数第一隐藏层单元数目、第二隐藏层单元数目、最大训练数和学习率；获取上述信息后，对长短期记忆神经网络LSTM进行训练，从而获取负荷预测模型网络的第一参数信息。

步骤S13，云侧端获取台区类型的历史数据信息，云侧端对历史数据信息进行预处理操作，获取第二预测数据，其中，第二预测数据为可用于进行光伏预测的数据；

需要说明的是，获取台区类型的历史数据信息，云侧端对台区的历史数据信息进行清洗、补齐和归一化等预处理操作，获取第二预测数据，其中，第二预测数据可用于使云侧端进行光伏预测，使得台区功率预测系统能够根据第二预测数据，结合天气信息等，制定相应的能源调度计划，规划功率调度策略。

步骤S14，构建气象遴选模块，对影响第二预测数据的天气因素进行分析，获取目标台区的历史气象数据和台区信息，台区信息至少包括目标台区的用电类型和负荷信息；

需要说明的是，通过构建气象遴选模块，采用KNN算法遴选影响光伏发电预测因素，对影响预测数据的天气因素进行分析，本实施例中遴选温度、湿度、露点和风速作为影响因素，气象遴选模块通过与电网资源业务中台的电网环境中心交互、与第三方天气气象服务交互、或与附近台区交互，从而获取气象实时数据或气象预报数据。

步骤S15，获取目标台区的实时气象数据，根据历史气象数据、台区信息和第二预测数据构建发电预测模型，并获取发电预测模型的第二参数信息；

值得说明的是，云侧端与电网资源业务中台的电网环境中心交互或与第三方天气气象服务交互，或者与附近的台区以及分布式光伏站交互，从而获取气象实时数据或气象预报数据，当实时气象与历史数据存在较大出入时，云侧端通过第二数据对发电预测模型进行修正，从而提高预测的准确性。

步骤S16，云侧端将实时气象数据和第二参数信息发送至边侧端，将实时气象数据和第二参数信息输入至工学模型，工学模型计算目标台区的光伏发电实际值；

需要说明的是，云侧端将气象数据和第二参数信息发送至边侧端，边侧端通过预设的工学模型与负荷预测值和发电实际值相集合，从而计算目标台区的光伏发电实际值；当环境条件或台区功率预测系统的系统状态发生变化时，通过边侧端内设置的工学模型可以及时更新边侧端的预测结果，从而应对多变的天气环境，进一步提高功率预测的准确性。

步骤S17，根据负荷预测值和光伏发电实际值获取功率差值，发电预测模型对功率差值进行修正，获取功率预测结果。

需要说明的是，通过利用负荷预测值和实际发电值的功率差值，使得发电预测模型能够更准确的纠正原始的发电预测值，通过修正机制提高发电预测的准确性，并且在负荷预测值或发电实际值发生变化时，通过发电预测模型能够根据功率差值对发电量预测值进行修正，从而应对不同的台区天气状态，从而保持功率预测的准确性和实用性。

需要说明的是，本实施例通过构建气象遴选模块获取目标台区的实时气象数据，防止出现云侧端和边侧端无法获取台区的气象数据导致台区的云侧端和边侧端无法获取本地气象监测数据，其中，气象遴选模块通过与电网资源业务中台的电网环境中心交互、与第三方天气气象服务交互、或与附近台区交互，从而获取气象实时数据或气象预报数据；云侧端据实时气象数据、台区历史数据信息等建立负荷预测模型，获取负荷预测值；通过历史气象数据、台区信息和第二预测参数信息构建发电预测模型，获取发电实际值；并下发至边侧端，边侧端通过预设的工学模型与负荷预测值和发电实际值相集合，从而获取台区的光伏发电量预测值；通过负荷预测值与发电实际值的差值对光伏发电量预测值进行修正，从而提高功率预测的准确性。

另外，在一实施例中，参照图2，在图1所示实施例的步骤S11中，还包括但不限于有以下步骤：

S21，当配电主站对云侧端的历史数据清洗和补齐后，云侧端进行预处理操作，获取第一预测数据，其中，预处理操作为归一化处理；

S22，获取云侧端的地理特性信息和网格气象数据信息，云侧端根据地理特性信息和网格气象数据信息划定负荷区域，云侧端根据负荷曲线对位于负荷区域内的云侧端的负荷特性进行聚类，获取云侧端类型，云侧端根据日负荷曲线对云侧端类型进行聚类，获取台区负荷类型。

需要说明的是，当云侧端接入大量台区时，对每个台区独立应用人工智能算法建模会导致云侧端的计算量过大，会导致负荷主站的计算负荷过重，从而影响功率预测系统的稳定性以及计算性能，因此，在本实施例中，云侧端根据台区的关下下去、变电站供电覆盖范围等地理特性，以及网格气象数据划定负荷区域，对划定符合区域内的台区根据负荷特性曲线对台区负荷特性进行聚类，从而区分配电台区的负荷差异，得到台区类型；

当获取台区类型后，云侧端对台区类型进行识别，通过采用K-means聚类算法对灰顶区域内台区的典型日负荷区间聚类，获取台区负荷类型。

另外，在一实施例中，参照图3，在图2所示实施例的步骤S11中，还包括但不限于有以下步骤：

S31，所述云侧端根据第一预测数据和预设的编码规则构建粒子群，将粒子群初始化为多个种群粒子；

S32，根据种群粒子计算种群粒子的粒子适应度，通过粒子适应度对种群粒子进行评价和更新，获取更新粒子信息；

S33，对更新粒子信息进行判定，通过判定的更新粒子信息输入至预设的LSTM网络，其中，LSTM网络设置有LSTM算法；

S34，将LSTM算法输入至LSTM网络中获取更新粒子信息的位移预测结果；

S35，根据位移预测结果和台区类型构建负荷预测模型。

需要说明的是，本实施例中，云侧端根据台区负荷类型建立负荷预测模型，负荷预测模型采用长短期记忆神经网络LSTM模型，通过基于PSO的LSTM最优的模型参数对粒子群进行寻优，首先对粒子群进行初始化操作，将粒子群初始化为多个种群粒子，根据多个种群粒子计算种群粒子的适应度，对种群粒子的适应度进行评价，当评价结束后，对种群粒子的适应度进行更新；判断种群粒子是否满足赋值条件，满足条件的种群粒子赋值优化的参数，即对种群粒子进行赋值，不满足条件的粒子则重新开始上述步骤重新更新种群粒子的适应度；基于LSTM算法对赋值后的种群粒子进行位移预测，获取位移预测结果，对位移预测结果进行判定，将满足模型要求的预测结果输入至LSTM优化模型进行输出；对不满足模型要求的位移预测结果通过LSTM算法进行重新计算。

另外，在一实施例中，参照图4，在图2所示实施例的步骤S22中，还包括但不限于有以下步骤：

S41，云侧端发送气象数据获取信号至所述配电主站，配电主站接收气象数据获取信号后，配电主站从气象信息中心获取云侧端的气象数据信息，其中，气象数据信息至少包括实时气象信息和气象预报信息；

S42，云侧端获取待训练负荷预测模型，云侧端对待训练负荷预测模型进行训练，获取负荷预测模型和负荷预测模型的第一参数信息，其中，负荷预测模型至少包括输入门的权重矩阵和偏置项、输出门的权重矩阵和偏置项、计算单元状态矩阵和遗忘门的权重矩阵和偏置项，第一参数信息至少包括输入特征参数、隐藏层数维度、堆叠层数、最大训练数和学习率。

需要说明的是，云侧端进行负荷预测过程中，当云侧端完成长短期记忆神经网络LSTM模型训练后，云侧端通过MQTT协议向边侧端下发已经完成训练的负荷预测模型以及第一参数信息，其中，负荷预测模型为完成训练后的长短期记忆神经网络LSTM模型，第一参数信息包括输入特征维数、隐藏层维度数、堆叠层数、最大训练数和学习率；负荷预测模型包括输入门的权重矩阵和偏置项、输出门的权重矩阵和偏置项、计算单元状态矩阵和遗忘门的权重矩阵和偏置项。

另外，在一实施例中，参照图5，在图4所示实施例的步骤S42中，还包括但不限于有以下步骤：

S51，云侧端对负荷预测模型进行参数识别，获取负荷预测模型的子参数信息；

S52，云侧端获取负荷预测模型的同类台区信息，根据子参数信息和同类台区信息获取第一参数信息，其中，同类台区信息至少包括运行数据信息、天气数据信息和日期数据信息。

需要说明的是，云测端根据负荷预测模型的子参数信息和同类台区信息获取第一参数信息，云测端的配电主战根据历史气象数据、台区用电类型、节假日和经过预处理后的历史运行数据，局域长短期记忆神经网络LSTM建立预测模型，云侧端与电网资源业务中台的电网环境中心交互或与第三方天气气象服务交互获取附近台区、分布式光伏站交互，从而获取气象实时数据。

另外，在一实施例中，参照图6在，图1所示实施例的步骤S12中，还包括但不限于有以下步骤：

S61，当所负荷实际值的精度未处于预设的精度范围时，边侧端通过MQTT协议发送重新训练指令至云侧端；

S62，云侧端接收重新训练指令重新构建负荷预测模型。

需要说明的是，边侧端应用获取的气象数据信息和负荷预测模型进行台区的负荷预测，当边侧端的负荷预测精度超过预先设定好的范围值时，通过MQTT发送重新训练指令训练负荷预测模型，云侧端接受重新训练模型指令后，重新开始基于LSTM的网络建模。

另外，在意实施例中，参照图7，在图1所示实施例的步骤S16中，还包括但不限于有以下步骤：

S71，边侧端获取目标台区的地表两米气温值、日照强度值和安装角度值，根据地表两米气温值、日照强度值和安装角度值计算面板温度值；

S72，获取目标台区的短路电路温度系数，根据短路电流温度系数和面板温度值计算温度系数值；

S73，获取目标台区的直流输出值、设计系数值和功率值，根据温度系数值、设计系数值和功率值计算直流输出值；

S74，获取目标台区的光伏逆变器的额定容量值，根据额定容量值和直流输出值计算光伏逆变器输出值；

S75，获取目标台区的逆变器的额定输出效率值，根据额定容量值、额定输出效率值和额定容量计算光伏逆变器的转换效率；

S76，根据转换效率和光伏逆变器输出值计算光伏发电实际值。

需要说明的是，本实施例通过计算光伏发电实际值，并获取负荷预测值与光伏发电实际值之间的功率差值，并通过发电预测模型对获取的功率差值进行修正，最终获取功率预测结果。

具体地，计算光伏发电实际值由一下公式进行表达：

T

K

Y

Y

P

P＝P

其中，T

如图8所示，图8是本发明一个实施例提供的云边协同台区功率预测装置的结构图。本发明还提供了一种云边协同台区功率预测装置，包括：

处理器801，可以采用通用的中央处理器(Central Processing Unit，CPU)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本申请实施例所提供的技术方案；

存储器802，可以采用只读存储器(Read Only Memory，ROM)、静态存储设备、动态存储设备或者随机存取存储器(Random Access Memory，RAM)等形式实现。存储器802可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器802中，并由处理器801来调用执行本申请实施例的云边协同台区功率预测方法；

输入/输出接口803，用于实现信息输入及输出；

通信接口804，用于实现本装置与其他设备的通信交互，可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信；

总线805，在设备的各个组件(例如处理器801、存储器802、输入/输出接口803和通信接口804)之间传输信息；

其中处理器801、存储器802、输入/输出接口803和通信接口804通过总线805实现彼此之间在设备内部的通信连接。

本申请实施例还提供了一种电子设备，包括如上所述的云边协同台区功率预测装置。

本申请实施例还提供了一种存储介质，存储介质为计算机可读存储介质，该存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述云边协同台区功率预测方法。

存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，实现了以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包括计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。

以上是对本发明的较佳实施进行了具体说明，但本发明并不局限于上述实施方式，熟悉本领域的技术人员在不违背本发明精神的共享条件下还可作出种种等同的变形或替换，这些等同的变形或替换均包括在本发明权利要求所限定的范围内。