光伏出力超短期预测方法及装置

技术领域

本申请涉及光伏发电预测技术领域，特别是涉及一种光伏出力超短期预测方法及装置。

背景技术

可再生能源为满足电力需求的增长提供了可能，其中太阳能作为重要的可再生能源，光伏发电占电力能源的比重逐渐增加。因此，光伏发电的预测作业即光伏出力预测成为了可再生能源作业的重要组成部分。精准的光伏出力预测可以为电网调度和优化运行提供保障，从而提高光伏渗透率，降低发电成本。

其中，光伏出力预测根据预测周期时长，一般分为光伏出力短期预测和光伏出力超短期预测。在实际预测作业中，光伏出力预测需要融合未来高精度的气象预测数据进行光伏出力超短期预测，以取得更好的预测结果。然而，气象预测数据的最小时间尺度为1小时，而光伏出力超短期预测多以15分钟为预测周期时长，二者存在时间尺度上的不一致性，增加了信息融合的难度。其次，传统的光伏出力超短期预测一般是参考历史气象数据，限制了光伏出力超短期预测的预测精度。

综上，可见传统的光伏出力超短期预测还存在以上不足，影响了预测结果的准确性。

发明内容

基于此，有必要针对传统光伏出力超短期预测还存在的不足，提供一种光伏出力超短期预测方法及装置。

一种光伏出力超短期预测方法，包括步骤：

获取历史气象数据、历史光伏数据、影响因素数据和未来气象数据；

将历史气象数据、历史光伏数据和影响因素数据输入预先训练的光伏出力超短期预测模型，获得光伏出力超短期预测模型输出的初级超短期预测结果；

将未来气象数据输入预先训练的光伏出力短期预测模型，获得光伏出力短期预测模型输出的短期预测结果；

根据短期预测结果修正初级超短期预测结果，获得光伏出力超短期预测结果。

上述的光伏出力超短期预测方法，在获取历史气象数据、历史光伏数据、影响因素数据和未来气象数据后，将历史气象数据、历史光伏数据和影响因素数据输入预先训练的光伏出力超短期预测模型，获得光伏出力超短期预测模型输出的初级超短期预测结果，再将未来气象数据输入预先训练的光伏出力短期预测模型，获得光伏出力短期预测模型输出的短期预测结果，最后根据短期预测结果修正初级超短期预测结果，获得光伏出力超短期预测结果。基于此，通过短期预测结果修正初级超短期预测结果，能够克服时间尺度上的不一致性，从而提高光伏出力超短期预测的精度。

在其中一个实施例中，根据短期预测结果修正初级超短期预测结果，获得光伏出力超短期预测结果的过程，包括步骤：

根据短期预测结果替换预测时期相同的初级超短期预测结果，获得光伏出力超短期预测结果。

在其中一个实施例中，根据短期预测结果修正初级超短期预测结果，获得光伏出力超短期预测结果的过程，包括步骤：

根据短期预测结果拟合出各预测时期的短期预测结果，作为虚拟短期预测结果；

根据虚拟短期预测结果与初级超短期预测结果修正预测时期相同的初级超短期预测结果，获得光伏出力超短期预测结果。

在其中一个实施例中，历史气象数据包括历史记录的温度、湿度、辐照强度、辐射能量、水平总辐射、直接辐射、水平散射辐射、倾角辐射 、太阳高度角、天气类型、紫外线系数、体感温度和/或降雨量。

在其中一个实施例中，未来气象数据包括未来气象预测的温度、湿度、辐照强度、辐射能量、水平总辐射、直接辐射、水平散射辐射、倾角辐射、太阳高度角、天气类型、紫外线系数、体感温度和/或降雨量。

在其中一个实施例中，光伏出力超短期预测模型包括LSTNet模型。

在其中一个实施例中，光伏出力短期预测模型包括XGBoost-RF模型。

一种光伏出力超短期预测装置，包括：

数据获取模块，用于获取历史气象数据、历史光伏数据、影响因素数据和未来气象数据；

超短期预测模块，用于将历史气象数据、历史光伏数据和影响因素数据输入预先训练的光伏出力超短期预测模型，获得光伏出力超短期预测模型输出的初级超短期预测结果；

短期预测模块，用于将未来气象数据输入预先训练的光伏出力短期预测模型，获得光伏出力短期预测模型输出的短期预测结果；

结果修正模块，用于根据短期预测结果修正初级超短期预测结果，获得光伏出力超短期预测结果。

上述的光伏出力超短期预测装置，在获取历史气象数据、历史光伏数据、影响因素数据和未来气象数据后，将历史气象数据、历史光伏数据和影响因素数据输入预先训练的光伏出力超短期预测模型，获得光伏出力超短期预测模型输出的初级超短期预测结果，再将未来气象数据输入预先训练的光伏出力短期预测模型，获得光伏出力短期预测模型输出的短期预测结果，最后根据短期预测结果修正初级超短期预测结果，获得光伏出力超短期预测结果。基于此，通过短期预测结果修正初级超短期预测结果，能够克服时间尺度上的不一致性，从而提高光伏出力超短期预测的精度。

本公开至少一个实施例还提供一种数据预测装置，包括：

一个或多个存储器，非瞬时性地存储有计算机可执行指令；

一个或多个处理器，配置为运行计算机可执行指令，其中，计算机可执行指令被一个或多个处理器运行时实现根据本公开任一实施例的光伏出力超短期预测方法。

上述的数据预测装置，在获取历史气象数据、历史光伏数据、影响因素数据和未来气象数据后，将历史气象数据、历史光伏数据和影响因素数据输入预先训练的光伏出力超短期预测模型，获得光伏出力超短期预测模型输出的初级超短期预测结果，再将未来气象数据输入预先训练的光伏出力短期预测模型，获得光伏出力短期预测模型输出的短期预测结果，最后根据短期预测结果修正初级超短期预测结果，获得光伏出力超短期预测结果。基于此，通过短期预测结果修正初级超短期预测结果，能够克服时间尺度上的不一致性，从而提高光伏出力超短期预测的精度。

本公开至少一个实施例还提供一种非瞬时性计算机可读存储介质，其中，非瞬时性计算机可读存储介质存储有计算机可执行指令，计算机可执行指令被处理器执行时实现根据本公开任一实施例的光伏出力超短期预测方法。

上述的非瞬时性计算机可读存储介质，在获取历史气象数据、历史光伏数据、影响因素数据和未来气象数据后，将历史气象数据、历史光伏数据和影响因素数据输入预先训练的光伏出力超短期预测模型，获得光伏出力超短期预测模型输出的初级超短期预测结果，再将未来气象数据输入预先训练的光伏出力短期预测模型，获得光伏出力短期预测模型输出的短期预测结果，最后根据短期预测结果修正初级超短期预测结果，获得光伏出力超短期预测结果。基于此，通过短期预测结果修正初级超短期预测结果，能够克服时间尺度上的不一致性，从而提高光伏出力超短期预测的精度。

附图说明

图1为光伏出力预测模型数据示意图；

图2为一实施方式的光伏出力超短期预测方法流程图；

图3为LSTNet模型示意图；

图4为另一实施方式的光伏出力超短期预测方法流程图；

图5为结果修正示意图；

图6为仅使用LSTNet的光伏出力超短期预测模型数据流向示意图；

图7为本公开光伏出力超短期预测方法数据流向示意图；

图8为方法一和方法二的预测结果对比图；

图9为一实施方式的光伏出力超短期预测装置模块结构图；

图10为本公开至少一个实施例提供的一种数据预测装置的示意性框图；

图11为本公开至少一个实施例提供的一种非瞬时性计算机可读存储介质的示意图。

具体实施方式

为了使得本公开的实施例的目的、技术方案和优点更加清楚，下面将结合本公开的实施例的附图，对本公开的实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本公开的一部分实施例，而不是全部的实施例。基于所描述的本公开的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本公开保护的范围。

除非另外定义，本公开使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。

为了保持本公开的实施例的以下说明清楚且简明，本公开省略了部分已知功能和已知部件的详细说明。

本公开至少一个实施例提供了一种光伏出力超短期预测方法。为了更好地解释本公开实施例相比传统光伏出力超短期预测方式的效果体现，以下先对本公开实施例所应用的场景环境进行展开。

图1为光伏出力预测模型数据示意图，如图1所示，光伏出力预测模型接收输入的历史数据和其它数据，进行光伏出力的预测，输出光伏出力的预测结果。其中，光伏出力预测模型一般以特定的输出周期进行预测结果的输出。其中，输出周期与光伏出力预测模型的预测精度相关，不同的光伏出力预测模型的输出周期不同。可见，不同光伏出力预测模型的预测结果间存在时间尺度的差异，难以进行数据融合。因此，光伏出力预测模型一般分为光伏出力短期预测模型和光伏出力超短期预测模型，根据实际需求采用不同的模型进行相应的光伏出力预测。其中，光伏出力短期预测模型的输出周期一般为M个数据点/h（小时），光伏出力超短期预测模型的输出周期一般为N个数据点/h，每个数据点代表一个预测结果，表征未来该时刻的光伏出力数据（其中，N＞M）。

其中，光伏出力为预测目标的光伏发电输出功率。作为预测目标的光伏节点的输出功率存在历史记录。而光伏出力预测模型的预测结果，即该光伏节点在未来的输出功率预测值。

基于此，本公开的实施例提供了一种光伏出力超短期预测方法。图2为一实施方式的光伏出力超短期预测方法流程图，如图2所示，一实施方式的光伏出力超短期预测方法包括步骤S100至步骤S103：

S100，获取历史气象数据、历史光伏数据、影响因素数据和未来气象数据；

S101，将历史气象数据、历史光伏数据和影响因素数据输入预先训练的光伏出力超短期预测模型，获得光伏出力超短期预测模型输出的初级超短期预测结果；

S102，将未来气象数据输入预先训练的光伏出力短期预测模型，获得光伏出力短期预测模型输出的短期预测结果；

S103，根据短期预测结果修正初级超短期预测结果，获得光伏出力超短期预测结果。

其中，历史气象数据为预测目标所处地区的气象数据记录。历史光伏数据为预测目标记录的光伏出力数据。影响因素数据为除历史气象数据和历史光伏数据外，与预测目标的光伏出力相关的其它数据。

其中，历史气象数据与未来气象数据的数据形式相同。未来气象数据可通过查询预测目标地区的气象记录机构实时获取，作为后续光伏出力超短期预测模型和光伏出力短期预测模型的实时输入数据。

为了降低光伏出力超短期预测模型和光伏出力短期预测模型的处理训练量，并提高模型预测精度，在本公开实施例中，对气象数据进行特殊选择，通过筛选确定历史气象数据与未来气象数据，剔除气象数据中与光伏出力相关程度较低的数据。

在其中一个实施例中，与光伏出力相关程度较高气象数据包括辐照强度、温度和天气类型等。太阳辐射通过光生伏特效应转换为电能，因此太阳辐射与光伏出力密切相关，并且太阳辐射相关的水平总辐射、直接辐射、水平散射辐射，倾角辐射，都间接的影响太阳辐射从而影响光伏出力。天气类型包括晴天、阴天等，与阴天相比，晴天的太阳辐射更强，光伏出力就越多。降雨越多，湿度越高，太阳辐射发生更多的散射，从而光伏出力就越低。温度通过影响光伏组件的转化效率从而影响光伏出力，气温、紫外线系数、体感温度都是与温度相关的气象特征。

基于此，作为一个较优的实施方式，本公开实施例选用温度、湿度、辐照强度、辐射能量、水平总辐射、直接辐射、水平散射辐射、倾角辐射、太阳高度角、天气类型、紫外线系数、体感温度和/或降雨量。通过选用上述气象数据中的一个或多个，作为历史气象数据和未来气象数据。

其中，影响因素数据包括预测目标所处的经纬度、季节和/或年份等。不同经纬度、季节或年份，对光伏出力的影响存在不同。作为一个较优的实施方式，季节对光伏出力的影响较为稳定，且与模型的预测结果均存在时间尺度特性，便于进行数据预测和融合。

其中，光伏出力超短期预测模型在训练过程中，将历史气象数据、历史光伏数据和影响因素数据数据化，作为训练集执行模型训练。在训练过程中，根据历史光伏数据的先后，分为输入层数据和输出层数据，执行模型的输入与输出训练。

在其中一个实施例中，光伏出力数据是时间序列数据，可采用循环神经网络来进行光伏超短期的预测。

作为一个较优的实施方式，采用长短期记忆网络(Long Short-Term Memory,LSTM)进行光伏出力超短期预测模型的建立。LSTM网络因其具备特殊的记忆能力和门结构，能够同时兼顾光伏数据的时序性及非线性，可以更好地学习光伏的长短期序列信息，不会因为时间过于久远导致相关信息的缺失，可在时间序列处理中取得较好的预测结果。

作为另一个较优的实施方式，采用LSTNet（Long and short term time seriesNetwork）网络进行光伏出力超短期预测模型的建立。LSTM网络存在的训练参数多、收敛速度慢等不足，导致预测结果中光伏出力具有不确定性、周期性和相互依赖性的显著特点。因此，相比LSTM网络，基于LSTNet网络建立的光伏出力超短期预测模型可以更好的学习多元光伏出力之间的依赖关系，提取光伏出力数据中高度非线性的长短期特征和线性特征，进而达到提升光伏出力预测精度和降低训练成本的目的。

为了更好地解释基于LSTNet网络建立的光伏出力超短期预测模型的预测过程，以下基于一个公开实施例进行实施方式的展开。

光伏出力超短期预测模型输入长度为24小时、分辨率为15分钟的历史气象数据、历史光伏数据及影响因素数据，采用LSTNet模型进行预测，输出未来4小时（16个点）的初级超短期预测结果。

图3为LSTNet模型示意图，如图3所示，LSTNet模型由非线性部分和线性部分组成。其中，非线性部分由CNN卷积层、RNN循环层、跳跃层组成，线性部分由自回归线性层构成。利用了CNN和RNN的优势，CNN可以提取光伏出力的波动性特征，RNN可以捕获光伏序列的长期趋势。跳跃层利用光伏出力序列具有周期性的特征，捕获周期依赖模式，简化优化过程。最后，在非线性神经网络部分的基础上加入了自回归线性模型，使得非线性深度学习模型对于尺度违规变化的光伏出力时间序列具有更强的鲁棒性。将非线性部分与线性部分的输出结果进行叠加得到最终的初级超短期预测结果。

本公开实施例将分辨率为15分钟的历史气象数据、历史光伏数据和影响因素数据整理成一系列的输入输出样本。每个样本由历史记录的温度、湿度、辐照强度、辐射能量、水平总辐射、直接辐射、水平散射辐射、倾角辐射、太阳高度角、天气类型、紫外线系数、体感温度、降雨量、季节类型以及光伏出力组成。将样本送入LSTNet模型进行训练，得到训练好的光伏出力超短期预测模型。在具体实施光伏出力预测时，光伏出力超短期预测模型输入24小时的历史气象数据、历史光伏数据和影响因素数据，输出接下来4小时的光伏出力预测值，以15分钟为预测周期，共计输出16个时刻点的预测值，作为初级超短期预测结果。

在其中一个实施例中，光伏出力短期预测模型选用决策树模型，具备高精度，稳定性和易于解释的能力。

由于单棵决策树泛化能力弱，在本公开实施例中，通过随机森林算法(RandomForecast, RF)与决策树模型结合，获得最终的光伏出力短期预测模型，以较好地解决单棵决策树泛化能力弱的问题，弥补了决策树容易出现过拟合的缺陷。

作为一个较优的实施方式，本公开实施例选用了极度梯度提升树 (eXtremeGradient Boosting, XGBoost)进行光伏出力短期预测模型的构建，

为了更好地解释基于XGBoost决策树建立的光伏出力短期预测模型的预测过程，以下基于一个公开实施例进行实施方式的展开。

光伏出力短期预测模型输入为未来4小时的未来气象数据，输出为未来4小时的短期预测结果。由于集成随机森林算法（RF）和XGBoost决策树模型精度高于单一模型，因此建立时间尺度为1小时，预测长度为4小时的XGBoost-RF模型，实现短期光伏出力的预测。

XGBoost是boosting算法的一种实现方式。XGBoost通过不断生成新的树，每棵树都是基于上一次光伏出力预测结果和光伏目标值的差值来进行学习，所有树的结果累加起来作为最终的短期预测结果，从而降低模型的偏差。

XGBoost模型表示为：

其中

损失函数表示为：

式中，

对于样本

…

对目标损失函数进行二阶泰勒展开，有：

其中

将

本公开实施例未来气象数据的特征作为XGBoost模型的输入，得到XGBoost模型的光伏出力预测结果；之后将XGBoost的光伏出力预测结果与所选择的特征合并作为RF模型的输入，得到最终的短期预测结果。

RF是用随机的方式建立一个森林，森林里面有很多的决策树组成，决策树之间是没有关联的。在得到森林之后，当有一个新的未来气象数据样本进入时，就让森林中的每一棵决策树分别进行光伏出力的预测，通过并行的方式获得短期预测结果。构造RF的步骤有如下：

记原始训练数据集为

针对每个样本子集，建立决策树回归模型

所有样本子集训练完成后，得到决策树回归模型。将所有决策树组合并形成随机森林，取各决策树的均值作为随机森林回归预测模型最终的短期预测结果。

根据短期预测结果修正初级超短期预测结果，结合两种数据驱动方法，提高光伏出力超短期预测的精度。

在其中一个实施例中，可通过数据拟合方法、数据插值方法或离散化处理等方式，以短期预测结果修正初级超短期预测结果。

在其中一个实施例中，图4为另一实施方式的光伏出力超短期预测方法流程图，如图4所示，步骤S103中根据短期预测结果修正初级超短期预测结果，获得光伏出力超短期预测结果的过程，包括步骤S200、S201和步骤S202：

S200，根据短期预测结果替换预测时期相同的初级超短期预测结果，获得光伏出力超短期预测结果。

S201，根据短期预测结果拟合出各预测时期的短期预测结果，作为虚拟短期预测结果；

S202，根据虚拟短期预测结果与初级超短期预测结果修正预测时期相同的初级超短期预测结果，获得光伏出力超短期预测结果。

为了更好地解释上述步骤S200至步骤S202，以下以一公开实施例进行展开。

当前未来4小时的未来气象数据具有高精度，基于未来气象数据得到的短期预测结果具有高精度，因此本公开实施例采用短期预测结果对初级超短期预测结果进行修正。由于光伏出力短期预测模型输出的时间尺度为1个小时，也即整点有输出值，而光伏出力超短期预测模型型输出的时间尺度为15分钟，因此需分别对整点和非整点的初级超短期预测结果进行修正。

图5为结果修正示意图，如图5所示，

对于整点预测，直接用短期预测结果进行替换，有：

对于非整点预测，计算

计算

考虑到初级超短期预测结果

计算得到：

将

在实际应用中，当初级超短期预测结果

本公开实施例考虑当初级超短期预测结果

同时，以下结合一具体应用例子，对本公开实施例的技术效果进行证明。

本公开实施例所采用的光伏电站位于澳大利亚，以该光伏电站2022年3月18日至2022年9月30日的实际光伏出力数据展开实验验证。图6为仅使用LSTNet的光伏出力超短期预测模型数据流向示意图，图7为本公开光伏出力超短期预测方法数据流向示意图，构造本公开实施例所提的光伏出力超短期预测模型与仅使用LSTNet的光伏出力超短期预测模型的对比实验，从而验证本公开实施例的有效性。

本实施例主要以MAE、RMSE为误差评价指标。MAE代表了预测值偏离实际值的平均值。MSE代表预测值偏离真实值的误差的平方的均值。由于引入平方，其量纲发生变化，当偏差较大时，MSE会因为平方作用而放大。为了消除量纲影响，将MSE开平方值作为RMSE。上述两种误差评价指标公式如下：

其中，

为了降低噪声，提高数据质量，对采集的数据进行数据预处理，数据预处理主要包括孤立森林异常值处理以及平滑滤波处理。光伏出力超短期预测模型的输入数据分辨率为15分钟，光伏出力短期预测模型的输入数据分辨率为1小时。

方法一：只采用LSTNet网络的超短期光伏出力预测方法

收集2022年3月18日至2022年9月30日以15分钟为分辨率的历史数据，并进行数据预处理。LSTNet网络输入为经过数据预处理的历史24小时的历史气象数据、历史光伏数据、影响因素数据，输出为未来4小时的光伏出力预测结果，训练得到光伏出力超短期预测模型。本模型以15分钟为单位超前预测4小时（16个点）的光伏出力，该LSTNet光伏出力超短期预测模型的评价指标如表1所示。

表 

方法二：融合未来气象预测信息的光伏出力超短期预测方法

A 短期预测

建立XGBoost-RF光伏出力短期预测模型，将4小时的未来气象数据作为XGBoost的输入，得到4小时预测结果。之后将XGBoost的预测结果与气象数据进行合并，作为RF的输入，得到RF的输出，即为最终的短期预测结果。短期模型以1小时为单位，每次以4小时的气象数据预测未来4小时（4个点）的光伏出力。该光伏出力短期预测模型的评价指标如表2所示。

表 2 光伏出力短期预测模型评价指标

B 超短期预测误差修正

基于方法一得到的初级超短期预测结果，融合短期预测结果，得到修正后的光伏出力超短期预测结果。该超短期预测模型的评价指标如表3所示。从表3可以看到，在给定的测试集上，MAE指标从0.0661下降到0.0515，RMSE指标从0.1294下降到0.0913。

表 3 融合气象预测信息的光伏出力超短期预测模型评价指标

图8为方法一和方法二的预测结果对比图，如图8所示，选取2022年8月24日，从图中可以看出与超短期整点预测值相比，基于气象预测数据的短期预测更接近真实值，精度更高。采用短期预测结果对超短期预测结果进行修正，图上可以明显看到，融合了未来气象数据的光伏出力超短期预测结果更为准确，说明了本公开实施例所提的融合未来气象数据的光伏出力超短期预测方法的有效性。

上述任一实施例的光伏出力超短期预测方法，在获取历史气象数据、历史光伏数据、影响因素数据和未来气象数据后，将历史气象数据、历史光伏数据和影响因素数据输入预先训练的光伏出力超短期预测模型，获得光伏出力超短期预测模型输出的初级超短期预测结果，再将未来气象数据输入预先训练的光伏出力短期预测模型，获得光伏出力短期预测模型输出的短期预测结果，最后根据短期预测结果修正初级超短期预测结果，获得光伏出力超短期预测结果。基于此，通过短期预测结果修正初级超短期预测结果，能够克服时间尺度上的不一致性，从而提高光伏出力超短期预测的精度。

图9为一实施方式的光伏出力超短期预测装置模块结构图，如图9所示，一实施方式的光伏出力超短期预测装置包括：

数据获取模块100，用于获取历史气象数据、历史光伏数据、影响因素数据和未来气象数据；

超短期预测模块101，用于将历史气象数据、历史光伏数据和影响因素数据输入预先训练的光伏出力超短期预测模型，获得光伏出力超短期预测模型输出的初级超短期预测结果；

短期预测模块102，用于将未来气象数据输入预先训练的光伏出力短期预测模型，获得光伏出力短期预测模型输出的短期预测结果；

结果修正模块103，用于根据短期预测结果修正初级超短期预测结果，获得光伏出力超短期预测结果。

上述的光伏出力超短期预测装置，在获取历史气象数据、历史光伏数据、影响因素数据和未来气象数据后，将历史气象数据、历史光伏数据和影响因素数据输入预先训练的光伏出力超短期预测模型，获得光伏出力超短期预测模型输出的初级超短期预测结果，再将未来气象数据输入预先训练的光伏出力短期预测模型，获得光伏出力短期预测模型输出的短期预测结果，最后根据短期预测结果修正初级超短期预测结果，获得光伏出力超短期预测结果。基于此，通过短期预测结果修正初级超短期预测结果，能够克服时间尺度上的不一致性，从而提高光伏出力超短期预测的精度。

本公开至少一个实施例还提供一种数据预测装置。图10为本公开至少一个实施例提供的一种数据预测装置的示意性框图。例如，如图10所示，数据预测装置20可以包括一个或多个存储器200和一个或多个处理器201。存储器200用于非瞬时性地存储计算机可执行指令；处理器201用于运行计算机可执行指令，当计算机可执行指令被处理器201运行时可以使得处理器201执行根据本公开任一实施例的光伏出力超短期预测方法中的一个或多个步骤。

关于该光伏出力超短期预测方法的各个步骤的具体实现以及相关解释内容可以参见上述光伏出力超短期预测方法的实施例中的相关内容，在此不做赘述。应当注意，图5所示的数据预测装置20的组件只是示例性的，而非限制性的，根据实际应用需要，该数据预测装置20还可以具有其他组件。

在其中一个实施例中，处理器201和存储器200之间可以直接或间接地互相通信。例如，处理器201和存储器200可以通过网络连接进行通信。网络可以包括无线网络、有线网络、和/或无线网络和有线网络的任意组合，本公开对网络的类型和功能在此不作限制。又例如，处理器201和存储器200也可以通过总线连接进行通信。总线可以是外设部件互连标准(PCI)总线或扩展工业标准结构(EISA)总线等。例如，处理器201和存储器200可以设置在远程数据服务器端(云端)或分布式能源系统端（本地端），也可以设置在客户端(例如，手机等移动设备)。例如，处理器201可以是中央处理单元(CPU)、张量处理器(TPU)或者图形处理器GPU等具有数据处理能力和/或指令执行能力的器件，并且可以控制数据预测装置20中的其它组件以执行期望的功能。中央处理元(CPU)可以为X86或ARM架构等。

在其中一个实施例中，存储器200可以包括一个或多个计算机程序产品的任意组合，计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。非易失性存储器例如可以包括只读存储器(ROM)、硬盘、可擦除可编程只读存储器(EPROM)、便携式紧致盘只读存储器(CD-ROM)、USB存储器、闪存等。在计算机可读存储介质上可以存储一个或多个计算机可执行指令，处理器201可以运行计算机可执行指令，以实现数据预测装置20的各种功能。在存储器200中还可以存储各种应用程序和各种数据，以及应用程序使用和/或产生的各种数据等。

需要说明的是，数据预测装置20可以实现与前述光伏出力超短期预测方法相似的技术效果，重复之处不再赘述。

本公开至少一个实施例还提供一种非瞬时性计算机可读存储介质。图11为本公开至少一个实施例提供的一种非瞬时性计算机可读存储介质的示意图。例如，如图11所示，在非瞬时性计算机可读存储介质30上可以非瞬时性地存储一个或多个计算机可执行指令301。例如，当计算机可执行指令301由计算机执行时可以使得计算机执行根据本公开任一实施例的光伏出力超短期预测方法中的一个或多个步骤。

在其中一个实施例中，该非瞬时性计算机可读存储介质30可以应用于上述数据预测装置20中，例如，其可以为数据预测装置20中的存储器200。

在其中一个实施例中，关于非瞬时性计算机可读存储介质30的说明可以参考数据预测装置20的实施例中对于存储器200的描述，重复之处不再赘述。

对于本公开，还有以下几点需要说明：

(1)本公开的实施例附图只涉及到与本公开的实施例涉及到的结构，其他结构可参考通常设计。

(2)为了清晰起见，在用于描述本发明的实施例的附图中，层或结构的厚度和尺寸被放大。可以理解，当诸如层、膜、区域或基板之类的元件被称作位于另一元件“上”或“下”时，该元件可以“直接”位于另一元件“上”或“下”，或者可以存在中间元件。

(3)在不冲突的情况下，本公开的实施例及实施例中的特征可以相互组合以得到新的实施例。以上仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，本公开的保护范围应以权利要求的保护范围为准

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。