CN115660233A

CN115660233A - 光伏功率预测方法、装置、电子设备及存储介质

Info

Publication number: CN115660233A
Application number: CN202211672091.4A
Authority: CN
Inventors: 洪流; 凌晨光; 赵二保
Original assignee: Snegrid Electric Technology Co ltd
Current assignee: Snegrid Electric Technology Co ltd
Priority date: 2022-12-26
Filing date: 2022-12-26
Publication date: 2023-01-31

Abstract

本申请公开了一种光伏功率预测方法、装置、电子设备及存储介质，属于光伏发电技术领域。该方法包括：获取光伏电站的历史预测气象数据、历史实测气象数据、历史光伏功率数据和未来时段的场站预测气象数据；基于历史预测气象数据和历史实测气象数据，通过多项式回归方程建立辐照度修正公式，对历史预测气象数据和场站预测气象数据进行辐照度修正；基于历史实测气象数据、修正后的历史预测气象数据和历史光伏功率数据，构建极端梯度提升模型；将修正后的场站预测气象数据输入至极端梯度提升模型进行求解，得到光伏电站在未来时段的场站预测光伏功率。该方法通过多项式回归修正辐照度，结合极端梯度提升，实现光伏功率短期精准预测。

Description

光伏功率预测方法、装置、电子设备及存储介质

技术领域

本申请属于光伏发电技术领域，尤其涉及一种光伏功率预测方法、装置、电子设备及存储介质。

背景技术

随着经济的不断发展，能源的需求越来越大，能源问题也越来越严重。太阳能成为发展最为迅速的绿色能源之一，光伏发电成为太阳能开发的重要方式。光伏功率的精准预测对电网稳定经济运行具有重要意义，做好光伏功率预测的工作能够降低运行成本，优化电网调度，便于电网管理，进而实现调度的经济合理性。

目前，常用的光伏功率预测算法如支持向量机法、回归分析法等，都是将气象数据与光伏电站的历史功率数据进行结合预测，光伏功率预测受明显的时空特性的影响，支持向量机法、回归分析法等方法无法很好的学习到光伏发电的时空特性，光伏功率预测准确度较低，且气象数据的预测精度不高，容易在光伏功率预测过程中造成较大误差。

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功率预测方法、装置、电子设备及存储介质，有效提升光伏功率预测准确度的同时，可以避免气象数据的预测精度较低带来的误差影响。

第一方面，本申请提供了一种光伏功率预测方法，该方法包括：

获取光伏电站的历史预测气象数据、历史实测气象数据、历史光伏功率数据和未来时段的场站预测气象数据；

基于所述历史预测气象数据和所述历史实测气象数据，通过多项式回归方程建立辐照度修正公式，对所述历史预测气象数据和所述场站预测气象数据进行辐照度修正；

基于所述历史实测气象数据、修正后的所述历史预测气象数据和所述历史光伏功率数据，构建极端梯度提升模型；

将修正后的所述场站预测气象数据输入至所述极端梯度提升模型进行求解，得到所述光伏电站在所述未来时段的场站预测光伏功率。

根据本申请的光伏功率预测方法，通过多项式回归修正预测气象数据的辐照度，结合极端梯度提升模型进行光伏功率短期预测，减少传统预测方式由于气象预测不准确带来的影响，且能够更好地学习光伏发电的时间特性，提升光伏功率预测准确度和精度，有助于满足光伏发电并网时的电力系统考核要求，提高光伏电站运营管理效率，优化电网调度，避免经济损失。

根据本申请的一个实施例，所述基于所述历史实测气象数据、修正后的所述历史预测气象数据和所述历史光伏功率数据，构建极端梯度提升模型，包括：

将一天划分为N个时段，根据所述历史实测气象数据、修正后的所述历史预测气象数据和所述历史光伏功率数据，构建N个历史数据集，所述N个时段和所述N个历史数据集一一对应，所述历史数据集包括其对应时段的所述历史实测气象数据、修正后的所述历史预测气象数据和所述历史光伏功率数据，N为大于1的正整数；

基于所述N个历史数据集，构建N个所述极端梯度提升模型，所述N个历史数据集和所述N个所述极端梯度提升模型一一对应。

根据本申请的一个实施例，所述将修正后的所述场站预测气象数据输入至所述极端梯度提升模型进行求解，得到所述光伏电站在所述未来时段的场站预测光伏功率，包括：

将一天划分为所述N个时段，根据所述修正后的所述场站预测气象数据，构建N个预测数据集，所述N个时段和所述N个预测数据集一一对应，所述预测数据集包括其对应时段的所述场站预测气象数据；

将所述N个预测数据集分别输入至对应时段的所述N个所述极端梯度提升模型进行求解，得到所述场站预测光伏功率。

根据本申请的一个实施例，所述将所述N个预测数据集分别输入至对应时段的所述N个所述极端梯度提升模型进行求解，得到所述场站预测光伏功率，包括：

将所述N个预测数据集分别输入至对应时段的所述N个所述极端梯度提升模型进行求解，得到N个第一预测光伏功率，所述N个第一预测光伏功率与所述N个时段一一对应；

基于所述N个第一预测光伏功率，确定所述场站预测光伏功率。

根据本申请的一个实施例，每个所述时段的时长为15分钟，N为96。

将修正后的所述场站预测气象数据输入至所述极端梯度提升模型进行求解，得到第二预测光伏功率；

对所述第二预测光伏功率进行反归一化处理，确定所述场站预测光伏功率。

根据本申请的一个实施例，在所述获取光伏电站的历史预测气象数据、历史实测气象数据、历史光伏功率数据和未来时段的场站预测气象数据之后，在所述基于所述历史预测气象数据和所述历史实测气象数据，通过多项式回归方程建立辐照度修正公式，对所述历史预测气象数据和所述场站预测气象数据进行辐照度修正之前，所述方法还包括：

对所述历史预测气象数据、所述历史实测气象数据、所述历史光伏功率数据和所述未来时段的所述场站预测气象数据进行数据清洗处理。

第二方面，本申请提供了一种光伏功率预测装置，该装置包括：

获取模块，用于获取光伏电站的历史预测气象数据、历史实测气象数据、历史光伏功率数据和未来时段的场站预测气象数据；

第一处理模块，用于基于所述历史预测气象数据和所述历史实测气象数据，通过多项式回归方程建立辐照度修正公式，对所述历史预测气象数据和所述场站预测气象数据进行辐照度修正；

第二处理模块，用于基于所述历史实测气象数据、修正后的所述历史预测气象数据和所述历史光伏功率数据，构建极端梯度提升模型；

第三处理模块，用于将修正后的所述场站预测气象数据输入至所述极端梯度提升模型进行求解，得到所述光伏电站在所述未来时段的场站预测光伏功率。

根据本申请的光伏功率预测装置，通过多项式回归修正预测气象数据的辐照度，结合极端梯度提升模型进行光伏功率短期预测，减少传统预测方式由于气象预测不准确带来的影响，且能够更好地学习光伏发电的时间特性，提升光伏功率预测准确度和精度，有助于满足光伏发电并网时的电力系统考核要求，提高光伏电站运营管理效率，优化电网调度，避免经济损失。

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，所述处理器执行所述计算机程序时实现如上述第一方面所述的光伏功率预测方法。

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功率预测方法。

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功率预测结果的示意图；

图4是本申请实施例提供的光伏功率预测装置的结构示意图；

图5是本申请实施例提供的电子设备的结构示意图。

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功率预测方法、光伏功率预测装置、电子设备和可读存储介质进行详细地说明。

其中，光伏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。

该终端包括但不限于具有触摸敏感表面（例如，触摸屏显示器和/或触摸板）的移动电话或平板电脑等便携式通信设备。还应当理解的是，在某些实施例中，该终端可以不是便携式通信设备，而是具有触摸敏感表面（例如，触摸屏显示器和/或触摸板）的台式计算机。

以下各个实施例中，描述了包括显示器和触摸敏感表面的终端。然而，应当理解的是，终端可以包括诸如物理键盘、鼠标和控制杆的一个或多个其它物理用户接口设备。

本申请实施例提供的光伏功率预测方法，该光伏功率预测方法的执行主体可以为电子设备或者电子设备中能够实现该光伏功率预测方法的功能模块或功能实体，本申请实施例提及的电子设备包括但不限于手机、平板电脑、电脑、相机和可穿戴设备等，下面以电子设备作为执行主体为例对本申请实施例提供的光伏功率预测方法进行说明。

如图1所示，该光伏功率预测方法包括：步骤110至步骤140。

步骤110、获取光伏电站的历史预测气象数据、历史实测气象数据、历史光伏功率数据和未来时段的场站预测气象数据。

其中，气象数据包括温度、湿度、辐照度、风向和风速等数据。

在该实施例中，历史预测气象数据是历史时段内的预测的气象数据（可以通过天气预报获取），历史实测气象数据是历史时段内的实测的气象数据，历史光伏功率数据是历史时段内的光伏电站实际发电的光伏功率。

可以理解的是，光伏电站实际发电的光伏功率与历史时段内实测的气象数据相关。

在实际执行中，历史时段可以是从当前时刻起，过去的几天、过去的几周或者过去的几个月。

场站预测气象数据是光伏电站在未来时段内的预测的气象数据（可以通过天气预报获取），未来时段可以是从当前时刻起，未来的几天、未来的几周或者未来的几个月。

在该实施例中，未来时段的场站预测气象数据可以为未来三天的预测气象数据，针对未来三天的预测气象数据，对光伏电站进行光伏功率短期预测。

步骤120、基于历史预测气象数据和历史实测气象数据，通过多项式回归方程建立辐照度修正公式，对历史预测气象数据和场站预测气象数据进行辐照度修正。

可以理解的是，预测气象数据和实测气象数据存在一定的误差，例如，预测气象数据中的辐照度为A瓦每平方米，实测气象数据可能为B瓦每平方米。

在该步骤中，根据历史预测气象数据和历史实测气象数据，通过多项式回归方程建立辐照度修正公式。

在实际执行中，可以将历史预测气象数据作为自变量，历史实测气象数据作为因变量，建立多项式回归方程，通过历史预测气象数据和历史实测气象数据，可以求解确定多项式回归方程中的参数，得到辐照度修正公式。

需要说明的是，多项式回归方程对应的多项式函数有多种，可以根据历史预测气象数据和历史实测气象数据，选择不同的多项式函数。

例如，基于历史预测气象数据和历史实测气象数据，建立的多项式回归方程可以为一元多项式回归方程，如下式所示：

其中，

为因变量，

为自变量，

为第一参数，

为第二参数。

历史预测气象数据和历史实测气象数据均有p个样本，该一元多项式回归方程的矩阵形式如下：

其中：

令

，该一元多项式回归方程可以改写为：

在该实施例中，基于历史预测气象数据和历史实测气象数据，建立辐照度修正公式后，可以将历史预测气象数据和场站预测气象数据带入该辐照度修正公式进行辐照度修正，得到修正后的历史预测气象数据和场站预测气象数据。

步骤130、基于历史实测气象数据、修正后的历史预测气象数据和历史光伏功率数据，构建极端梯度提升模型。

在该步骤中，建立的极端梯度提升模型，输入为气象数据，输出为光伏功率数据，通过历史实测气象数据、修正后的历史预测气象数据和历史光伏功率数据，确定极端梯度提升模型的模型参数，便于后续功率预测使用。

其中，极端梯度提升模型是基于极端梯度提升树的模型。

极端梯度提升树（XGBoost）属于集成学习算法，在目标函数中加上了正则化项，有效防止过拟合，XGBoost算法使用到了二阶导数，损失更精确。

XGBoost算法基本原理如下：

对于给定数据集

，K个集成树模型的输出为：

其中，

表示模型的预测值，k表示树的数量，

表示第k颗树模型，

表示第i个输入样本，F表示所有树模型的集合。

模型的目标函数和正则项如下所示：

其中，

表示构建第t颗树时的目标函数；loss表示损失函数，一般为均方误差；

表示前t-1颗树所计算的预测值；c表示常数项；

表示第t颗树的正则项，

和

表示正则项系数；T表示某棵树所有叶子节点的数量；

表示某棵树中第o个叶子节点的权重。

对下式进行泰勒展开：

得到：

其中，

是固定值，故可以并入常数项c，而常数项对优化求解没有影响，因此可以去除，目标函数表示如下：

对目标函数进行变形：

令

，

，对目标函数进行化简：

对

求偏导进行求解后带入目标函数得到：

极端提升树利用贪心算法遍历树模型的所有分裂叶子节点，选择分裂后目标函数增益最大的叶子节点进行分裂，判定条件如下所示：

其中，

表示左子树得分，

表示右子树得分，

表示不分割时的得分，若判定值大于0则可以分裂，反之，则不行。

XGBoost算法在每轮测试时都会求出一个最优的信息增益，然后根据这个最优的信息增益来指导生成决策树，通过不断迭代找到最优树模型。

在该实施例中，历史光伏功率数据可以作为极端梯度提升模型输出的预测值，结合历史实测气象数据和修正后的历史预测气象数据，构建极端梯度提升模型并进行参数调优。

步骤140、将修正后的场站预测气象数据输入至极端梯度提升模型进行求解，得到光伏电站在未来时段的场站预测光伏功率。

在该实施例中，加载步骤130构建的极端梯度提升模型，将修正后的场站预测气象数据输入至极端梯度提升模型，从而得到光伏电站在未来时段的场站预测光伏功率。

相关技术中，直接使用气象数据与光伏电站的历史功率数据进行结合预测，光伏功率预测受明显的时空特性的影响，光伏功率预测准确度较低，且气象数据的预测精度不高，容易在光伏功率预测过程中造成较大误差。

本申请实施例中，通过多项式回归，修正预测气象数据，提升气象数据的预测精度，结合极端梯度提升模型学习光伏电站发电的时空特性，有效提升光伏功率预测准确度。

根据本申请实施例提供的光伏功率预测方法，通过多项式回归修正预测气象数据的辐照度，结合极端梯度提升模型进行光伏功率短期预测，减少传统预测方式由于气象预测不准确带来的影响，且能够更好地学习光伏发电的时间特性，提升光伏功率预测准确度和精度，有助于满足光伏发电并网时的电力系统考核要求，提高光伏电站运营管理效率，优化电网调度，避免经济损失。

在一些实施例中，步骤130、基于历史实测气象数据、修正后的历史预测气象数据和历史光伏功率数据，构建极端梯度提升模型，可以包括：

将一天划分为N个时段，根据历史实测气象数据、修正后的历史预测气象数据和历史光伏功率数据，构建N个历史数据集，N个时段和N个历史数据集一一对应，历史数据集包括其对应时段的历史实测气象数据、修正后的历史预测气象数据和历史光伏功率数据，N为大于1的正整数；

基于N个历史数据集，构建N个极端梯度提升模型，N个历史数据集和N个极端梯度提升模型一一对应。

在该实施例中，将历史实测气象数据、修正后的历史预测气象数据和历史光伏功率数据，按照相同时段进行拆分，形成N个同时段不同日期的历史数据集，并将这N个时段对应的N个历史数据集使用XGBoost算法进行建模。

例如，历史实测气象数据、修正后的历史预测气象数据和历史光伏功率数据，为过去30天内的历史数据，将一天划分为N个时段，按照相同时段进行拆分，形成N个历史数据集。

每个历史数据集包括30天内相同时段的历史实测气象数据、修正后的历史预测气象数据和历史光伏功率数据。

例如，第一历史数据集包括30天内相同时段（0:00-2:00时段）的历史实测气象数据、修正后的历史预测气象数据和历史光伏功率数据，第二历史数据集包括30天内相同时段（2:00-4:00时段）的历史实测气象数据、修正后的历史预测气象数据和历史光伏功率数据，依次类推。

在一些实施例中，步骤140、将修正后的场站预测气象数据输入至极端梯度提升模型进行求解，得到光伏电站在未来时段的场站预测光伏功率，可以包括：

将一天划分为N个时段，根据修正后的场站预测气象数据，构建N个预测数据集，N个时段和N个预测数据集一一对应，预测数据集包括其对应时段的场站预测气象数据；

将N个预测数据集分别输入至对应时段的N个极端梯度提升模型进行求解，得到场站预测光伏功率。

在该实施例中，将修正后的场站预测气象数据，按照相同时段进行拆分，形成N个同时段不同日期的预测数据集，并将这N个时段对应的N个预测数据集输入至对应时段的N个极端梯度提升模型进行求解。

例如，基于包括30天内相同时段（0:00-2:00时段）的历史实测气象数据、修正后的历史预测气象数据和历史光伏功率数据的第一历史数据集构建的第一极端梯度提升模型。

将包括未来3天内的相同时段（0:00-2:00时段）的修正后的场站预测气象数据的第一预测数据集输入至第一极端梯度提升模型进行求解。

在一些实施例中，将N个预测数据集分别输入至对应时段的N个极端梯度提升模型进行求解，得到场站预测光伏功率，可以包括：

将N个预测数据集分别输入至对应时段的N个极端梯度提升模型进行求解，得到N个第一预测光伏功率，N个第一预测光伏功率与N个时段一一对应；

基于N个第一预测光伏功率，确定场站预测光伏功率。

在该实施例中，将N个预测数据集分别输入至对应时段的N个极端梯度提升模型进行求解，得到N个时段对应的N个第一预测光伏功率，根据N个第一预测光伏功率，可以确定场站预测光伏功率。

其中，场站预测光伏功率可以包括光伏电站在未来时段的总预测光伏功率，每天的N个时刻的第一预测光伏功率，以及光伏电站在未来时段的每天的平均预测光伏功率等功率预测数据。

可以理解的是，按照相同时段划分数据集构建的极端梯度提升模型，准确地学习光伏电站在不同时段的气象数据和功率数据之间的关系，更好地学习光伏发电的时间特性，提升光伏功率预测准确度和精度。

其中，N个第一预测光伏功率是对光伏电站的N个时段进行光伏功率短期预测的精准预测结果。

在一些实施例中，每个时段的时长为15分钟，N为96。

在该实施例中，设定15分钟的时间分辨率，对历史实测气象数据、修正后的历史预测气象数据和历史光伏功率数据，按照同时段不同日期进行分类，形成96个历史数据集，对96个历史数据集分别使用XGBoost算法建模并进行参数调优，得到96个极端梯度提升模型。

将修正后的场站预测气象数据，也按照15分钟的时间分辨率的同时段不同日期进行分类，形成96个预测数据集，将96个预测数据集分别输入至对应时刻的96个极端梯度提升模型，得到光伏电站在未来时段的场站预测光伏功率。

将修正后的场站预测气象数据输入至极端梯度提升模型进行求解，得到第二预测光伏功率；对第二预测光伏功率进行反归一化处理，确定场站预测光伏功率。

在该实施例中，可以对历史预测气象数据、历史实测气象数据、历史光伏功率数据和未来时段的场站预测气象数据进行归一化处理，在输入预测结果时，再对极端梯度提升模型求解得到的第二预测光伏功率进行反归一化处理，实现预测结果的可视化展示，并保存预测结果。

在一些实施例中，在步骤110、获取光伏电站的历史预测气象数据、历史实测气象数据、历史光伏功率数据和未来时段的场站预测气象数据之后，在步骤120、基于历史预测气象数据和历史实测气象数据，通过多项式回归方程建立辐照度修正公式，对历史预测气象数据和场站预测气象数据进行辐照度修正之前，光伏功率预测方法还可以包括：

对历史预测气象数据、历史实测气象数据、历史光伏功率数据和未来时段的场站预测气象数据进行数据清洗处理。

在实际执行中，对历史预测气象数据、历史实测气象数据、历史光伏功率数据和未来时段的场站预测气象数据的数据清洗处理可以包括缺失值填充、异常值处理以及数据归一化等处理。

下面介绍一个具体的实施例。

如图2所示，数据输入阶段，输入历史气象数据（包括预测气象数据和实测气象数据）、功率数据和未来三天预报数据（未来时段的气象预测数据）。

对输入数据进行数据清晰和归一化处理，使用多项式对辐照度数据进行修正，按照时间对数据进行拆分整合。

拆分后历史实测气象数据和功率数据输入96个XGBoost训练模型进行修改，进行参数调优得到96个XGBoost预测模型。

拆分后未来三天预报数据输入至96个XGBoost预测模型进行求解，输出预测结果，对预测结果进行数据反归一化处理，数据输出阶段输出最终的场站预测光伏功率。

如图3所示，在对滁州市某光伏电站2021年11月至2022年12月的数据分别使用单一XGBoost模型、96个XGBoost模型以及辐照度修正+96个XGBoost模型进行训练和预测。

挑选其中六天的数据并进行可视化分析，分析结果如图3所示，图3所示的曲线从上至下依次为实际功率值、辐照度修正+96个XGBoost模型预测功率值、96个XGBoost模型预测功率值和单一模型预测功率值。

从图3中可以看出，辐照度修正+96个XGBoost模型的预测结果最好，96个XGBoost模型的预测结果其次，单一XGBoost模型的预测结果最差，准确率分别为89.56、81.25、75.23。数据证明，经过辐照度修正和96个模型构建可以有效的提高功率预测的精度，帮助电站提高光伏电站运营管理效率，优化电网调度，避免一定经济损失。

本申请实施例提供的光伏功率预测方法，执行主体可以为光伏功率预测装置。本申请实施例中以光伏功率预测装置执行光伏功率预测方法为例，说明本申请实施例提供的光伏功率预测装置。

本申请实施例还提供一种光伏功率预测装置。

如图4所示，该光伏功率预测装置包括：

获取模块410，用于获取光伏电站的历史预测气象数据、历史实测气象数据、历史光伏功率数据和未来时段的场站预测气象数据；

第一处理模块420，用于基于历史预测气象数据和历史实测气象数据，通过多项式回归方程建立辐照度修正公式，对历史预测气象数据和场站预测气象数据进行辐照度修正；

第二处理模块430，用于基于历史实测气象数据、修正后的历史预测气象数据和历史光伏功率数据，构建极端梯度提升模型；

第三处理模块440，用于将修正后的场站预测气象数据输入至极端梯度提升模型进行求解，得到光伏电站在未来时段的场站预测光伏功率。

根据本申请实施例提供的光伏功率预测装置，通过多项式回归修正预测气象数据的辐照度，结合极端梯度提升模型进行光伏功率短期预测，减少传统预测方式由于气象预测不准确带来的影响，且能够更好地学习光伏发电的时间特性，提升光伏功率预测准确度和精度，有助于满足光伏发电并网时的电力系统考核要求，提高光伏电站运营管理效率，优化电网调度，避免经济损失。

在一些实施例中，第二处理模块430，用于将一天划分为N个时段，根据历史实测气象数据、修正后的历史预测气象数据和历史光伏功率数据，构建N个历史数据集，N个时段和N个历史数据集一一对应，历史数据集包括其对应时段的历史实测气象数据、修正后的历史预测气象数据和历史光伏功率数据，N为大于1的正整数；

在一些实施例中，第二处理模块430，用于将一天划分为N个时段，根据修正后的场站预测气象数据，构建N个预测数据集，N个时段和N个预测数据集一一对应，预测数据集包括其对应时段的场站预测气象数据；

在一些实施例中，第二处理模块430，用于将N个预测数据集分别输入至对应时段的N个极端梯度提升模型进行求解，得到N个第一预测光伏功率，N个第一预测光伏功率与N个时段一一对应；

基于N个第一预测光伏功率，确定场站预测光伏功率。

在一些实施例中，每个时段的时长为15分钟，N为96。

在一些实施例中，第三处理模块440，用于将修正后的场站预测气象数据输入至极端梯度提升模型进行求解，得到第二预测光伏功率；

对第二预测光伏功率进行反归一化处理，确定场站预测光伏功率。

在一些实施例中，第一处理模块420在用于基于历史预测气象数据和历史实测气象数据，通过多项式回归方程建立辐照度修正公式，对历史预测气象数据和场站预测气象数据进行辐照度修正之前，还用于对历史预测气象数据、历史实测气象数据、历史光伏功率数据和未来时段的场站预测气象数据进行数据清洗处理。

本申请实施例中的光伏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，如图5所示，本申请实施例还提供一种电子设备500，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。

需要说明的是，本申请实施例中的电子设备包括上述所述的移动电子设备和非移动电子设备。

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功率预测方法。

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。

Claims

1.一种光伏功率预测方法，其特征在于，包括：

2.根据权利要求1所述的光伏功率预测方法，其特征在于，所述基于所述历史实测气象数据、修正后的所述历史预测气象数据和所述历史光伏功率数据，构建极端梯度提升模型，包括：

3.根据权利要求2所述的光伏功率预测方法，其特征在于，所述将修正后的所述场站预测气象数据输入至所述极端梯度提升模型进行求解，得到所述光伏电站在所述未来时段的场站预测光伏功率，包括：

4.根据权利要求3所述的光伏功率预测方法，其特征在于，所述将所述N个预测数据集分别输入至对应时段的所述N个所述极端梯度提升模型进行求解，得到所述场站预测光伏功率，包括：

5.根据权利要求2所述的光伏功率预测方法，其特征在于，每个所述时段的时长为15分钟，N为96。

6.根据权利要求1-5任一项所述的光伏功率预测方法，其特征在于，所述将修正后的所述场站预测气象数据输入至所述极端梯度提升模型进行求解，得到所述光伏电站在所述未来时段的场站预测光伏功率，包括：

7.根据权利要求1-5任一项所述的光伏功率预测方法，其特征在于，在所述获取光伏电站的历史预测气象数据、历史实测气象数据、历史光伏功率数据和未来时段的场站预测气象数据之后，在所述基于所述历史预测气象数据和所述历史实测气象数据，通过多项式回归方程建立辐照度修正公式，对所述历史预测气象数据和所述场站预测气象数据进行辐照度修正之前，所述方法还包括：

8.一种光伏功率预测装置，其特征在于，包括：

9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任一项所述光伏功率预测方法。

10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-7任一项所述的光伏功率预测方法。