CN106096753A - 一种光伏出力预测方法和装置 - Google Patents

Abstract

本申请提供一种光伏出力预测方法和装置，所述方法和装置通过获取光伏系统的预设出力影响因素在待测日对应的参数取值，并利用预先创建的包括光伏出力与所述预设出力影响因素间的关联关系的光伏出力预测模型，对所述预设出力影响因素的参数取值对应的光伏出力数据进行预测，最终实现基于所建模型预测出所述待测日对应的光伏出力数据，可见，应用本申请，可有效解决光伏系统的出力预测问题，从而可以为电力系统调度部门及时调整调度计划提供便利，进一步保障了发电的稳定性。

Description

一种光伏出力预测方法和装置

技术领域

本发明属于光伏发电系统的出力预测技术领域，尤其涉及一种光伏出力预测方法和装置。

背景技术

太阳能光伏发电技术依靠太阳能电池组件，利用半导体材料的光电效应直接将太阳能转换为电能。光伏并网发电是充分利用太阳能的一种有效方式，光伏并网发电系统通过光伏数组将接收来的太阳辐射能量经过高频直流转换后变成高压直流电，再经过逆变器逆变后向电网输出与电网电压同频、同相的正弦交流电流。

光伏发电系统并网后因其功率变化具有不确定性，使得所属配电单元的规划人员难以准确预测负荷的增长情况，从而影响配电网所含微网系统的调度和发电出力计划。基于此，为便于了解光伏并网系统的发电运行特性以及光伏并网系统与电网调度、电力负荷等的配合问题，进而为电力系统调度部门及时调整调度计划提供便利，保障发电的稳定性，有必要对光伏系统的出力进行预测。

发明内容

有鉴于此，本发明的目的在于提供一种光伏出力预测方法和装置，旨在有效解决光伏系统的出力预测问题，从而为电力系统调度部门及时调整调度计划提供便利，保障发电的稳定性。

为此，本发明公开如下技术方案：

一种光伏出力预测方法，包括：

获取光伏系统的预设出力影响因素在待测日对应的参数取值；

获取预先创建的光伏出力预测模型，所述光伏出力预测模型包括光伏出力与所述预设出力影响因素间的关联关系；

基于所述光伏出力预测模型，对所述参数取值对应的光伏出力进行预测，得到所述待测日对应的光伏出力数据。

上述方法，优选地，所述预设出力影响因素包括外部太阳辐射因素及光伏面板内部特性因素，所述外部太阳辐射因素对应的参数包括天气类型、温度、日期和时间；所述光伏面板内部特性因素对应的参数包括与待测日同天气类型下的历史光伏出力数据；所述光伏出力数据包括光伏系统的输出功率。

上述方法，优选地，所述光伏出力与所述预设出力影响因素间的关联关系为：所述光伏出力与所述预设出力影响因素对应的各个参数间的关联关系；所述光伏出力与所述各个参数间的关联关系为非线性的函数关系。

上述方法，优选地，所述光伏出力预测模型的创建包括：

获取多种不同的天气类型，以及各天气类型下的历史光伏出力数据、各天气类型下所述预设出力影响因素对应的历史参数取值；

基于各天气类型下的历史光伏出力数据，对天气类型进行聚类，得到K个不同的天气类型群w₁，w₂，…，w_k，K为大于1的自然数；

针对每个天气类型群，利用所述天气类型群下的预设出力影响因素的历史参数取值及相应的历史光伏出力数据，建立所述天气类型群下的基于预设时间划分的光伏出力预测模型。

上述方法，优选地，所述针对每个天气类型群的光伏出力预测模型为：基于小波变换和支持向量机SVM回归建立的一天24点逐点的光伏出力预测模型。

上述方法，优选地，所述光伏出力预测模型包括：

其中：

w₀表示所述待测日对应的天气类型，w₀∈w_i，i＝1，2，…，k；

t₀表示待测日的待测时间，t₀∈[t₁,t₂]，所述t₁、t₂分别表示日出时间、日落时间；

表示的主体部分，表示的细节部分，表示与待测日同天气类型下的历史光伏出力数据；P表示待测日的光伏出力数据。

上述方法，优选地，还包括：

利用马尔科夫状态转移，对预测出的所述光伏出力数据进行修正，得到修正的光伏出力数据。

一种光伏出力预测装置，包括：

参数获取模块，用于获取光伏系统的预设出力影响因素在待测日对应的参数取值；

模型获取模块，用于获取预先创建的光伏出力预测模型，所述光伏出力预测模型包括光伏出力与所述预设出力影响因素间的关联关系；

出力预测模块，用于基于所述光伏出力预测模型，对所述参数取值对应的光伏出力进行预测，得到所述待测日对应的光伏出力数据。

上述装置，优选地，还包括预处理模块，所述预处理模块包括：

获取单元，用于获取多种不同的天气类型，以及各天气类型下的历史光伏出力数据、各天气类型下所述预设出力影响因素对应的历史参数取值；

聚类单元，用于基于各天气类型下的历史光伏出力数据，对天气类型进行聚类，得到K个不同的天气类型群w₁，w₂，…，w_k，K为大于1的自然数；

模型创建单元，用于针对每个天气类型群，利用所述天气类型群下的预设出力影响因素的历史参数取值及相应的历史光伏出力数据，建立所述天气类型群下的基于预设时间划分的光伏出力预测模型。

上述装置，优选地，还包括：

修正模块，用于利用马尔科夫状态转移，对预测出的所述光伏出力数据进行修正，得到修正的光伏出力数据。

由以上方案可知，本申请提供的光伏出力预测方法和装置，通过获取光伏系统的预设出力影响因素在待测日对应的参数取值，并利用预先创建的包括光伏出力与所述预设出力影响因素间的关联关系的光伏出力预测模型，对所述预设出力影响因素的参数取值对应的光伏出力数据进行预测，最终实现基于所建模型预测出所述待测日对应的光伏出力数据，可见，应用本申请，可有效解决光伏系统的出力预测问题，从而可以为电力系统调度部门及时调整调度计划提供便利，进一步保障了发电的稳定性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1是本发明实施例一提供的光伏出力预测方法流程图；

图2是本发明实施例二提供的光伏出力预测方法流程图；

图3-图5是本发明实施例三提供的光伏出力预测装置的结构示意图。

具体实施方式

为了引用和清楚起见，下文中使用的技术名词、简写或缩写总结解释如下：

K-means聚类：K-means算法是很典型的基于距离的聚类算法，采用距离作为相似性的评价指标，即认为两个对象的距离越近，其相似度就越大。k个初始类聚类中心点的选取对聚类结果具有较大的影响，因为在该算法第一步中是随机的选取任意k个对象作为初始聚类的中心，初始地代表一个簇。该算法在每次迭代中对数据集中剩余的每个对象，根据其与各个簇中心的距离将每个对象重新赋给最近的簇。当考察完所有数据对象后，一次迭代运算完成，新的聚类中心被计算出来。如果在一次迭代前后，类中心的值没有发生变化，说明算法已经收敛。

小波变换：小波变换继承和发展了短时傅立叶变换局部化的思想，同时又克服了窗口大小不随频率变化等缺点，能够提供一个随频率改变的“时间-频率”窗口，是进行信号时频分析和处理的理想工具。它的主要特点是通过变换能够充分突出问题某些方面的特征，能对时间(空间)频率的局部化分析，通过伸缩平移运算对信号(函数)逐步进行多尺度细化，最终达到高频处时间细分，低频处频率细分，能自动适应时频信号分析的要求，从而可聚焦到信号的任意细节。小波变换刻画原始曲线的局部能力强，如原始曲线图中局部的陡升陡降点，在通过小波变换后的高频图和低频图中得到体现，且小波变换把时域变换到二维的时频域，没有丢失时间信息。

SVM回归：SVM回归是支撑向量在函数回归领域的应用。SVM方法是通过一个非线性映射p，把样本空间映射到一个高维乃至无穷维的特征空间中，使得在原来的样本空间中非线性可分的问题转化为在特征空间中的线性可分的问题。SVM回归的样本点只有一类，所寻求的最优超平面是使所有样本点离超平面的“总偏差”最小，这时样本点都在两条边界线之间，求最优回归超平面同样等价于求最大间隔。

马尔科夫模型：马尔科夫链，因安德烈·马尔科夫(1856－1922)得名，是数学中具有马尔科夫性质的离散时间随机过程。该过程中，在给定当前知识或信息的情况下，过去(即当前以前的历史状态)对于预测将来(即当前以后的未来状态)是无关的。马尔科夫链预测是根据某些变量的现在状态及其变化趋向，预测其在未来某一特定期间内可能出现的状态，适合描述随机波动性较大问题。马尔科夫预测中，最关键的一步是求状态转移概率矩阵。在状态概率的求解过程中，状态的分级显得至关重要，常用的方法有均值-均方差分级法。对于序列x₁,…,x_n，其均值为均方差为s，利用均值-均方差分级法后，一般可将序列划分为5级： 其中a₁,a₄取值在[1.0,1.5]中取值，a₂,a₃在[0.3,0.6]中取值。

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例一

参考图1，图1是本发明提供的一种光伏出力预测方法实施例一的流程图，所述光伏出力预测方法可以包括以下步骤：

S101：获取光伏系统的预设出力影响因素在待测日对应的参数取值；

S102：获取预先创建的光伏出力预测模型，所述光伏出力预测模型包括光伏出力与所述预设出力影响因素间的关联关系；

所述光伏出力与所述预设出力影响因素间的关联关系为：所述光伏出力与所述预设出力影响因素对应的各个参数间的关联关系；所述光伏出力与所述各个参数间的关联关系为非线性的函数关系。

S103：基于所述光伏出力预测模型，对所述参数取值对应的光伏出力数据进行预测，得到所述待测日对应的光伏出力数据。

其中，光伏出力具体指光伏系统在进行光伏发电时所产生的输出功率。

以下对本发明方法如何实现光伏出力预测进行详细阐述。

研究表明，光伏发电系统的出力具有不确定性和不连续性的特点，光伏发电系统的光伏出力值与其出力影响因素(其中，气象因素具有较大影响)之间具有非线性关系。本发明通过分析气象因素(如天气类型、温度、特殊气象事件等)对光伏系统出力的影响，预先构建基于小波变换和支持向量机回归的光伏出力预测模型，并基于所构建模型模拟得到该光伏发电系统的出力数据。

光伏出力主要与外部太阳辐射和光伏面板内部特性有关，假设用I来表示太阳辐射数据(本实施例中具体用I表示太阳辐射强度)，用H来表示光伏面板的内部特性，则理想条件下的光伏出力P与I、H的函数关系可以表示为：

f(I,H)＝P (1)

现实应用场景中，因设备投资、安装等问题，太阳辐射数据I较难获取，且光伏面板的内部特性数据H也难以为电网公司所知悉，基于此，针对太阳辐射数据和光伏面板内部特性数据获取难度高的情况，本发明考虑通过分析等价的影响因素来刻画光伏系统的光伏出力。

其中，太阳辐射强度I可等价地采用维度夹角α、经度夹角β和阻隔因子γ来体现，α表示光伏电板所在点与地心连线与该连线在赤道平面的投影所成的角度α₁与赤纬角α₀的差，即α＝α₁-α₀；β表示光伏电板所在点经度面与赤道面交界线和本初子午线形成的角度β₁与时角β₀的差，即β＝β₁-β₀；γ表示太阳和光伏电板之间被云层遮挡的阻碍程度。

光伏面板的内部特性H可以等价地采用光伏发电的效率μ来体现。

从而，以上式(1)的光伏出力P与内外部影响因素H、I间的函数关系可等价表示为：

f(α,β,γ,μ)＝P (2)

进一步地，维度夹角α、经度夹角β内涵反映的是日期d和时间t，阻隔因子γ内涵反映的是天气类型w和温度c。光伏面板的内部特性μ可以用与待测日同天气类型(可理解为相似日)下的历史光伏出力的数值大小来体现，则以上的式(2)可以转化为下述函数关系式：

$f(d,t,w,c,\stackrel{\→}{P_n})=P---\left(3\right)$

至此，鉴于理想状况下光伏出力理论模型中数据获取难度大的特点，本发明提出了一种等价的光伏出力预测模型，该模型即为式(3)示出的函数关系式。

通过以上描述可知，光伏系统的出力影响因素具体可包括外部太阳辐射因素及光伏面板内部特性因素，所述外部太阳辐射因素可通过天气类型、温度、日期和时间等参数来体现或描述；所述光伏面板内部特性因素可通过与待测日同天气类型(即相似日)下的历史光伏出力数据来体现或描述。

接下来，本发明继续对式(3)的光伏出力预测模型的创建过程进行说明。

首先，可从相应数据源中获取多种不同的天气类型(例如，可从气象网站爬取)，以及各天气类型下的历史光伏出力数据、各天气类型下预设出力影响因素对应的历史参数取值；并基于各天气类型下的历史光伏出力数据，对天气类型进行聚类，从而得到K个不同的天气类型群w₁，w₂,…,w_k。

其中，K为大于1的自然数。

之后，针对各天气类型群w₁，w₂，…，w_k和时间t分别建立光伏出力预测模型。

具体地，对于天气类型w₀和时刻t₀，选择与待测日的天气类型同一群w_i内的相对应数据(包括历史光伏出力数据及对应的影响因素历史参数数据)作为训练数据集，据此构建基于SVM(Support Vector Machine，支持向量机)的光伏出力预测模型，该模型为式(3)的有效转换，具体如式(4)所示：

$f_{w_0,t_0}^{\′}(d,c,\stackrel{\→}{P_n})=P---\left(4\right)$

其中，该模型中，w₀表示待测日的天气类型，w₀∈w_i，i＝1，2，…，k；

t₀表示待测日的待测时间，t₀∈[t₁,t₂]，t₁、t₂分别表示日出时间、日落时间；

P表示待测日的光伏出力数据，表示与所述待测日同天气类型下的历史光伏出力数据。

为了更好地逼近光伏出力的特征，在建立模型时，本发明对同天气类型群w_i内的临近日光伏出力进行小波变换：

$\begin{array}{c}\stackrel{\→}{P_n}=F\left(t_0\right)=F_A\left(t_0\right)+F_D\left(t_0\right)\\ =\underset{a>a_0,b}{\Σ}{\mathrm{\η}}_{a,b}*\mathrm{\Ψ}\left(\frac{t_0-b}{a}\right)+\underset{a\≤a_0,b}{\Σ}{\mathrm{\η}}_{a,b}*\mathrm{\Ψ}\left(\frac{t_0-b}{a}\right)\\ ={\stackrel{\→}{P_n}}^{+}+{\stackrel{\→}{P_n}}^{++}\end{array}---\left(5\right)$

其中，Ψ(t₀)为基小波，a为尺度因子，b为平移因子。

由此可获得的主体部分和细节部分则式(4)经过小波变换后转化为：

至此，本发明完成了光伏出力预测模型的创建，所建模型即为式(6)的函数关系式，该模型为基于小波变换和支持向量机SVM回归的预测模型，在实施本发明时，还可以基于实际需求，创建基于小波变换和支持向量机SVM回归的一天24点逐点的光伏出力预测模型。

从而在此基础上，可利用所创建的光伏出力预测模型对光伏系统进行出力预测。

具体地，在进行出力预测时，首先需获取各出力影响因素在待测日对应的参数取值，例如基于天气预报等途径获取待测日的天气类型、温度数据，从相应光伏出力数据库中获取与待测日同天气类型下的历史光伏出力数据等；之后，将获取的各出力影响因素的参数取值作为所建模型的输入，从而运行模型后可输出得到待测日逐点的光伏出力预测结果。

由以上方案可知，本申请提供的光伏出力预测方法，通过获取光伏系统的预设出力影响因素在待测日对应的参数取值，并利用预先创建的包括光伏出力与所述预设出力影响因素间的关联关系的光伏出力预测模型，对所述预设出力影响因素的参数取值对应的光伏出力数据进行预测，最终实现基于所建模型预测出所述待测日对应的光伏出力数据，可见，应用本申请，可有效解决光伏系统的出力预测问题，从而可以为电力系统调度部门及时调整调度计划提供便利，进一步保障了发电的稳定性。

实施例二

参考图2，图2是本发明提供的一种光伏出力预测方法实施例二的流程图，本实施例中，所述光伏出力预测方法还可以包括：

S104：利用马尔科夫状态转移，对预测出的所述光伏出力数据进行修正，得到修正的光伏出力数据。

本实施例具体利用马尔可夫状态转移，对待测日在t₀时刻的预测结果进行进一步修正，鉴于天气数据的可获取性和准确性，本实施例仅考虑以未来2天的光伏出力情况为例，对基于马尔科夫模型的光伏出力预测结果修正过程进行说明。

假设当前日为n，未来两天为n+1，n+2，则未来的两个待测日n+1，n+2，以及在待测日n+1之前邻近该待测日1-n天的n个临近日，在同一时刻t₀的真实的光伏出力和出力预测结果可参见以下的表1：

表1

日期	时间	真实光伏出力	初步光伏出力预测值
				1	t0	Preal,1	Pforecast,1
2	t0	Preal,2	Pforecast,2
				……	……	……	……
n(当前日)	t0	Preal,n	Pforecast,n
				n+1	t0	未知	Pforecast,n+1
n+2	t0	未知	Pforecast,n+2

本实施例利用马尔可夫状态转移，对上表中的待测日n+1在t₀时刻的预测结果P_forecast,n+1和待测日n+2在t₀时刻的预测结果P_forecast,n+2进行进一步修正。

首先，计算在待测日n+1之前邻近该待测日1-n天的n个临近日在同时刻t₀的预测误差ξ_i＝P_forecast,i-P_real,i，i＝1,2,L,n，并将不同的上下限阈值作为状态划分值域，利用均值-均方差方法建立状态划分标准，且利用所述状态划分标准对n个临近日的预测误差进行划分，得到残差状态。其次，根据残差状态求出状态转移矩阵P^(k)，若当前日n对应初始状态向量E(n)，由状态转移公式E(k)＝E(n)P^(k)求得第k(＝1,2)步的状态转移结果(待测日n+1的预测误差所处区间)和(待测日n+2的预测误差所处区间)。则待测日n+1的光伏出力预测值P_forecast,n+1和待测日n+2的光伏出力预测值P_forecast,n+2分别被修正为：

${P_{forecast,n+1}}^{\′}=P_{forecast,n+1}(1-{\mathrm{\ξ}}_{n+1}^{*})$

${P_{forecast,n+2}}^{\′}=P_{forecast,n+2}(1-{\mathrm{\ξ}}_{n+2}^{*})$

其中，

类似地，可以修正当前日未来2天即待测日n+1，n+2，在日出时间t₁和日落时间t₂内的每个时刻t_j的光伏出力预测值，得到最终修正后的逐点光伏出力预测值。

实施例三

本实施例提供一种光伏出力预测装置，该装置与实施例一至实施例二公开的光伏出力预测方法相对应。

相应于实施例一，参考图3，所述光伏出力预测装置包括：

参数获取模块100，用于获取光伏系统的预设出力影响因素在待测日对应的参数取值；

模型获取模块200，用于获取预先创建的光伏出力预测模型，所述光伏出力预测模型包括光伏出力与所述预设出力影响因素间的关联关系；

出力预测模块300，用于基于所述光伏出力预测模型，对所述参数取值对应的光伏出力进行预测，得到所述待测日对应的光伏出力数据。

本发明装置所包括的以上各模块的功能实现需要以光伏出力预测模型的预先创建为基础，从而参考图4，所述光伏出力预测装置还可以包括预处理模块400，该模块包括获取单元、聚类单元和模型创建单元。

其中，获取单元，用于获取多种不同的天气类型，以及各天气类型下的历史光伏出力数据、各天气类型下所述预设出力影响因素对应的历史参数取值；

聚类单元，用于基于各天气类型下的历史光伏出力数据，对天气类型进行聚类，得到K个不同的天气类型群w1_，w₂，…，w_k，K为大于1的自然数；

模型创建单元，用于针对每个天气类型群，利用所述天气类型群下的预设出力影响因素的历史参数取值及相应的历史光伏出力数据，建立所述天气类型群下的基于预设时间划分的光伏出力预测模型。

相应于实施例二，参考图5，所述光伏出力预测装置还可以包括修正模块500，用于利用马尔科夫状态转移，对预测出的所述光伏出力数据进行修正，得到修正的光伏出力数据。

对于本发明实施例三公开的光伏出力预测装置而言，由于其与实施例一至实施例二公开的光伏出力预测方法相对应，所以描述的比较简单，相关相似之处请参见实施例一至实施例二中光伏出力预测方法部分的说明即可，此处不再详述。

综上所述，本发明的光伏出力预测方法及装置具有以下优势：

1)本发明采用聚类方法对天气类型进行划分，通过对各类天气类型下的光伏出力分别建模预测，充分考虑了不同天气类型下光伏出力的差异；

2)在利用SVM回归建模时考虑了相似日，在利用马尔科夫链对光伏出力预测结果进行修正时考虑了临近日，这样相似日能更好地在趋势上逼近待测日，而临近日能更好地在数值上逼近待测日，从而通过综合考虑相似日和临近日提高了光伏出力的预测精确性；

3)基于小波分析，将历史的光伏出力分解成主体成分和细节成分，并将所述主体部分与细节部分均作为待测日光伏出力回归的模型输入，避免了因为算法过滤掉光伏出力的细节局部特征。

需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

为了描述的方便，描述以上系统或装置时以功能分为各种模块或单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。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软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的方法。

最后，还需要说明的是，在本文中，诸如第一、第二、第三和第四等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者设备不仅包括那些要素，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、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种光伏出力预测方法，其特征在于，包括：

获取光伏系统的预设出力影响因素在待测日对应的参数取值；

获取预先创建的光伏出力预测模型，所述光伏出力预测模型包括光伏出力与所述预设出力影响因素间的关联关系；

基于所述光伏出力预测模型，对所述参数取值对应的光伏出力进行预测，得到所述待测日对应的光伏出力数据。

2.根据权利要求1所述的方法，其特征在于，所述预设出力影响因素包括外部太阳辐射因素及光伏面板内部特性因素，所述外部太阳辐射因素对应的参数包括天气类型、温度、日期和时间；所述光伏面板内部特性因素对应的参数包括与待测日同天气类型下的历史光伏出力数据；所述光伏出力数据包括光伏系统的输出功率。

3.根据权利要求1所述的方法，其特征在于，所述光伏出力与所述预设出力影响因素间的关联关系为：所述光伏出力与所述预设出力影响因素对应的各个参数间的关联关系；所述光伏出力与所述各个参数间的关联关系为非线性的函数关系。

4.根据权利要求2所述的方法，其特征在于，所述光伏出力预测模型的创建包括：

获取多种不同的天气类型，以及各天气类型下的历史光伏出力数据、各天气类型下所述预设出力影响因素对应的历史参数取值；

基于各天气类型下的历史光伏出力数据，对天气类型进行聚类，得到K个不同的天气类型群w₁，w₂，…，w_k，K为大于1的自然数；

针对每个天气类型群，利用所述天气类型群下的预设出力影响因素的历史参数取值及相应的历史光伏出力数据，建立所述天气类型群下的基于预设时间划分的光伏出力预测模型。

5.根据权利要求4所述的方法，其特征在于，所述针对每个天气类型群的光伏出力预测模型为：基于小波变换和支持向量机SVM回归建立的一天24点逐点的光伏出力预测模型。

6.根据权利要求5所述的方法，其特征在于，所述光伏出力预测模型包括：

其中：

w₀表示所述待测日对应的天气类型，w₀∈w_i，i＝1，2，…，k；

t₀表示待测日的待测时间，t₀∈[t₁,t₂]，所述t₁、t₂分别表示日出时间、日落时间；

表示的主体部分，表示的细节部分，表示与待测日同天气类型下的历史光伏出力数据；P表示待测日的光伏出力数据。

7.根据权利要求1-6任意一项所述的方法，其特征在于，还包括：

利用马尔科夫状态转移，对预测出的所述光伏出力数据进行修正，得到修正的光伏出力数据。

8.一种光伏出力预测装置，其特征在于，包括：

参数获取模块，用于获取光伏系统的预设出力影响因素在待测日对应的参数取值；

模型获取模块，用于获取预先创建的光伏出力预测模型，所述光伏出力预测模型包括光伏出力与所述预设出力影响因素间的关联关系；

出力预测模块，用于基于所述光伏出力预测模型，对所述参数取值对应的光伏出力进行预测，得到所述待测日对应的光伏出力数据。

9.根据权利要求8所述的装置，其特征在于，还包括预处理模块，所述预处理模块包括：

获取单元，用于获取多种不同的天气类型，以及各天气类型下的历史光伏出力数据、各天气类型下所述预设出力影响因素对应的历史参数取值；

聚类单元，用于基于各天气类型下的历史光伏出力数据，对天气类型进行聚类，得到K个不同的天气类型群w₁，w₂，…，w_k，K为大于1的自然数；

模型创建单元，用于针对每个天气类型群，利用所述天气类型群下的预设出力影响因素的历史参数取值及相应的历史光伏出力数据，建立所述天气类型群下的基于预设时间划分的光伏出力预测模型。

10.根据权利要求8-9任意一项所述的装置，其特征在于，还包括：

修正模块，用于利用马尔科夫状态转移，对预测出的所述光伏出力数据进行修正，得到修正的光伏出力数据。