CN116029440A

CN116029440A - 光伏电站超短期功率预测方法和装置

Info

Publication number: CN116029440A
Application number: CN202310075104.8A
Authority: CN
Inventors: 胡琼
Original assignee: Sungrow Shanghai Co Ltd
Current assignee: Sungrow Shanghai Co Ltd
Priority date: 2023-01-18
Filing date: 2023-01-18
Publication date: 2023-04-28

Abstract

本申请公开了一种光伏电站超短期功率预测方法和装置，属于光伏电站领域。所述光伏电站超短期功率预测方法，包括：基于获取的光伏电站在目标时刻对应的第一室外图像，确定所述目标时刻对应的目标天气类别；从多个候选天气类别对应的多个参考辐照数据中，获取与所述目标天气类别对应的目标参考辐照数据；在所述光伏电站在所述目标时刻的第一预测辐照数据不处于目标辐照范围内的情况下，基于所述目标参考辐照数据和所述第一预测辐照数据，确定所述光伏电站在未来目标时长内的发电功率。本申请的光伏电站超短期功率预测方法，操作简单便捷且实现成本较低，且预测得到的短期预测功率具有较高的准确性和精确性。

Description

光伏电站超短期功率预测方法和装置

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超短期功率预测方法和装置。

背景技术

随着光伏技术的发展，越来越多的光伏电站开始接入电网，为了提高电网消纳光伏发电的能力，需通过精准的功率预测功能提前预测发电能力，目前较多的地区的光伏电站需进行超短期功率预测(如预测未来四小时的发电功率)，然后将预测结果进行上报以进行电站考核，以此来提高自身预测发电的能力。相关技术中，主要通过对太阳的辐照数据进行超短期预测以及修正，然后基于修正后的辐照数据估算超短期发电功率，其中，对辐照数据的超短期修正主要通过如下几种方式进行：1)利用历史相似日的辐照进行修正；2)利用当天过去时间的实测辐照去修正未来时刻的预报辐照；3)利用天空成像仪获得地基云图，利用图像进行建模，预测电站上空未来4小时云的运动轨迹和厚度，然后利用云层信息对预报辐照进行修正。然而，以上这些方法所实现的预测结果的准确性不高。

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超短期功率预测方法和装置，提高最终确定的短期预测功率的准确性和精确性。

第一方面，本申请提供了一种光伏电站超短期功率预测方法，该方法包括：

基于获取的光伏电站在目标时刻对应的第一室外图像，确定所述目标时刻对应的目标天气类别；

从多个候选天气类别对应的多个参考辐照数据中，获取与所述目标天气类别对应的目标参考辐照数据；

在所述光伏电站在所述目标时刻的第一预测辐照数据不处于目标辐照范围内的情况下，基于所述目标参考辐照数据和所述第一预测辐照数据，确定所述光伏电站在未来目标时长内的发电功率。

根据本申请的光伏电站超短期功率预测方法，通过对图像传感器所拍摄的光伏电站在目标时刻对应的第一室外图像确定光伏电站在目标时刻的目标天气类别，并将该目标天气类别与预先确定的候选天气类别进行对比以确定目标天气类别所对应的目标参考辐照数据，然后基于目标参考辐照数据确定光伏电站在未来目标时长内的发电功率，无需设置额外的专业设备，且无需获取历史年份中的相同日期数据，所需样本量较少，操作简单便捷且实现成本较低；除此之外，基于天气类别实现超短期预测功率的预测修正，还避免了一天中实际辐照变化对预测结果的影响，显著提高了最终确定的超短期预测功率的准确性和精确性，从而解决现有技术中预测结果的准确性不高的技术问题。

根据本申请的一个实施例，所述基于获取的光伏电站在目标时刻对应的第一室外图像，确定所述目标时刻对应的目标天气类别，包括：

获取所述第一室外图像的亮度特征和对比度特征中的至少一种；

基于所述亮度特征和所述对比度特征中的至少一种，确定所述目标天气类别。

根据本申请的一个实施例，所述基于所述亮度特征和所述对比度特征中的至少一种，确定所述目标天气类别，包括：

对所述亮度特征和所述对比度特征中的至少一种进行聚类处理，获取所述亮度特征和所述对比度特征中的至少一种与各候选天气类别对应的第一聚类中心之间的第一距离；

将最短的第一距离对应的第一聚类中心所对应的候选天气类别确定为所述目标天气类别。

根据本申请的一个实施例，在所述基于获取的光伏电站在目标时刻对应的第一室外图像，确定所述目标时刻对应的目标天气类别之前，所述方法还包括：

获取所述光伏电站在目标季节内目标自然日中与所述目标时刻相同的时刻所对应的多个历史室外图像和实际历史辐照数据，所述目标季节为与所述目标时刻所在自然日所属的季节相同的季节，所述目标自然日为多个历史自然日；

分别提取各所述历史室外图像对应的历史亮度特征和历史对比度特征中的至少一种；

基于所述历史亮度特征和历史对比度特征中的至少一种，对所述多个历史室外图像进行分类，确定各类历史室外图像对应的候选天气类别；

基于所述实际历史辐照数据，分别确定各所述候选天气类别对应的参考辐照数据。

根据本申请的一个实施例，所述基于所述历史亮度特征和历史对比度特征中的至少一种，对所述多个历史室外图像进行分类，确定各类历史室外图像对应的候选天气类别，包括：

从所述多个历史室外图像中随机获取目标数量的第一目标图像，并获取所述第一目标图像对应的历史亮度特征和历史对比度特征中的至少一种；

分别将各个所述第一目标图像对应的历史亮度特征和历史对比度特征中的至少一种确定为第一聚类中心，所述第一聚类中心与第一天气类别相对应；

分别计算所述多个历史室外图像中除所述第一目标图像之外的其他图像与各所述第一聚类中心之间的第二距离；

基于所述第二距离对所述其他图像进行聚类，获取各所述第一聚类中心对应的第一类簇；

基于所述第一类簇，更新所述第一类簇对应的第一聚类中心；

基于所述第一类簇中的历史室外图像和所述第一聚类中心，确定聚类准则函数；

在所述聚类准则函数收敛的情况下，将所述第一聚类中心对应的第一天气类别确定为所述候选天气类别；

在所述聚类准则函数不收敛的情况下，从所述多个历史室外图像中随机获取目标数量的第一目标图像。

根据本申请的一个实施例，所述基于所述目标参考辐照数据和所述第一预测辐照数据，确定所述光伏电站在未来目标时长内的发电功率，包括：

获取所述目标时刻的第一预测辐照数据和所述目标参考辐照数据之间的差值；

基于所述差值和所述未来目标时长内至少一个目标预测时刻对应的权重，修正各所述目标预测时刻的第一预测辐照数据，确定各所述目标预测时刻的第二预测辐照数据；

基于所述至少一个目标预测时刻对应的第二预测辐照数据，确定所述发电功率。

根据本申请的一个实施例，所述方法还包括：

在所述第一预测辐照数据处于所述目标辐照范围内的情况下，基于所述第一预测辐照数据确定所述发电功率。

第二方面，本申请提供了一种光伏电站超短期功率预测装置，该装置包括：

第一处理模块，用于基于获取的光伏电站在目标时刻对应的第一室外图像，确定所述目标时刻对应的目标天气类别；

第二处理模块，用于从多个候选天气类别对应的多个参考辐照数据中，获取与所述目标天气类别对应的目标参考辐照数据；

第三处理模块，用于在所述光伏电站在所述目标时刻的第一预测辐照数据不处于目标辐照范围内的情况下，基于所述目标参考辐照数据和所述第一预测辐照数据，确定所述光伏电站在未来目标时长内的发电功率。

根据本申请的光伏电站超短期功率预测装置，通过对图像传感器所拍摄的光伏电站在目标时刻对应的第一室外图像确定光伏电站在目标时刻的目标天气类别，并将该目标天气类别与预先确定的候选天气类别进行对比以确定目标天气类别所对应的目标参考辐照数据，然后基于目标参考辐照数据确定光伏电站在未来目标时长内的发电功率，无需设置额外的专业设备，且无需获取历史年份中的相同日期数据，所需样本量较少，操作简单便捷且实现成本较低；除此之外，基于天气类别实现超短期预测功率的预测修正，还避免了一天中实际辐照变化对预测结果的影响，显著提高了最终确定的超短期预测功率的准确性和精确性，从而解决现有技术中预测结果的准确性不高的技术问题。

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电站超短期功率预测方法。

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电站超短期功率预测方法。

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超短期功率预测方法。

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超短期功率预测方法。

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：

通过对图像传感器所拍摄的光伏电站在目标时刻对应的第一室外图像确定光伏电站在目标时刻的目标天气类别，并将该目标天气类别与预先确定的候选天气类别进行对比以确定目标天气类别所对应的目标参考辐照数据，然后基于目标参考辐照数据确定光伏电站在未来目标时长内的发电功率，无需设置额外的专业设备，且无需获取历史年份中的相同日期数据，所需样本量较少，操作简单便捷且实现成本较低；除此之外，基于天气类别实现超短期预测功率的预测修正，还避免了一天中实际辐照变化对预测结果的影响，显著提高了最终确定的超短期预测功率的准确性和精确性，从而解决现有技术中预测结果的准确性不高的技术问题。

进一步的，通过从室外图像中提取亮度特征和对比度特征等特征，以基于亮度特征和对比度特征等特征确定目标时刻光伏电站所在区域的目标天气类别，以便于后续能够进一步确定该目标天气类别对应的参考辐照数据来修正预测时刻对应的第一预测辐照数据，预测结果的准确性高，适用于任意天气环境(如晴天以及非晴天等)，具有较为广泛的应用场景。

更进一步的，通过目标参考辐照数据与目标时刻所对应的第一预测辐照数据之间的差值以及各预测时刻对应的权重，分别修正各预测时刻对应的第一预测辐照数据得到各预测时刻对应的第二预测辐照数据，并基于第二预测辐照数据预测超短期预测功率，在修正过程中充分考虑到随着时间的推移当前时刻对未来预测时刻的影响逐渐减弱这一特性，能够显著提高预测结果的准确性和精确性。

再进一步的，通过聚类的方法进行多次迭代以确定最终的第一聚类中心，能够减小误差，提高最终分类结果的准确性和精确性，有助于提高后续超短期预测功率的结果的准确性和精确性，且操作简单易于实现。

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超短期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超短期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超短期功率预测装置的结构示意图；

图4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。

相关技术中，进行超短期预测辐照数据修正有三种方式：

其一，利用历史相似日的辐照进行修正；该方法需要历史年份中的相同日期数据，容易导致数据量不足，从而影响最终修正结果的准确性。

其二，利用当天过去时间的实测辐照去修正未来时刻的预报辐照；该方法未考虑到一天中天气状态由于经常变化，拥有相同天气状况的日期，在同一时刻的天气状况可能是不同的这一问题，若使用当天预测时刻之前时刻的实测辐照去修正预测时刻辐照，忽略了一天中辐照是逐渐增强，再逐渐减弱的，不同时刻的辐照变化也不同这些特性；从而影响最终修正结果的准确性；而且，该方法也无法对日出附近时刻的预测辐照进行修正，适用场景有限。

其三，利用天空成像仪获得地基云图，利用图像进行建模，预测电站上空未来4小时云的运动轨迹和厚度，然后利用云层信息对预报辐照进行修正；由于云团运动会受到高空风速、低空风速以及气压等各种气象因素的影响，云团的位置，厚度以及形状等都会对辐照产生不同的影响，导致很难准确预测云动轨迹，从而难以准确的得到修正结果；并且该方法需要配备专业设备进行地基云图采集，实现成本较高。

以上三种方式均无法准确修正预测辐照值。

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超短期功率预测方法、光伏电站超短期功率预测装置、电子设备和可读存储介质进行详细地说明。

其中，光伏电站超短期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超短期功率预测方法，该光伏电站超短期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电站超短期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电站超短期功率预测方法进行说明。

如图1所示，该光伏电站超短期功率预测方法包括：步骤110、步骤120和步骤130。

步骤110、基于获取的光伏电站在目标时刻对应的第一室外图像，确定目标时刻对应的目标天气类别；

在该步骤中，目标时刻可以为当天已发生的任意时刻，例如为12:00、6:00或当前时刻等。

第一室外图像为用于表征目标时刻下光伏电站附近的天气情况的图像，如可以为天空图像、风景图像或其他图像等，本申请不作限定。

在实际执行过程中，可以采用图像传感器采集第一室外图像，并将采集到的第一室外图像存储于本地或云端数据库，在后续需要使用时调取即可。

其中，图像传感器可以为普通高清相机等，本申请不作限定。

天气类别用于区分太阳辐照强度的程度。

天气类别可以包括：晴天、晴到多云、多云、阴天以及雨天等类别。

可以理解的是，天气类别不同，其对应的太阳辐照强度的程度具有明显差异，如晴天时的太阳辐照强度的程度远高于阴天以及雨天等天气下的太阳辐照强度的程度。

目标天气类别为多个天气类别中的一种。

在一些实施例中，步骤110可以包括：

获取第一室外图像的亮度特征和对比度特征中的至少一种；

基于亮度特征和对比度特征中的至少一种，确定目标天气类别。

在该实施例中，可以使用opencv提取第一室外图像的亮度特征和对比度特征。

当然，在其他实施例中，也可以通过其他任意可实现的方式提取亮度特征和对比度特征，本申请不作限定。

可以理解的是，太阳辐照强度不同，对于同一个场景，其所呈现的图像中亮度和对比度等特征也可能存在差别；例如，晴天下的图像的亮度将高于雨天下的图像的亮度。

在本申请中，可以对所提取到的亮度特征和对比度特征中的至少一种特征进行识别，以将该第一室外图像归类于与所识别的特征类似的一类天气类别。

在实际执行过程中，可以通过聚类的方式确定目标天气类别；或者也可以通过深度学习的方式，如将亮度特征和对比度特征中的至少一种输入至训练好的神经网络模型中，由神经网络模型输出对应的目标天气类别；或者也可以采用其他可实现的方式确定目标天气类别，本申请不作限定。

在本申请中，通过从室外图像中提取亮度特征和对比度特征等特征，以基于亮度特征和对比度特征等特征确定目标时刻光伏电站所在区域的目标天气类别，使得所确定的目标天气类别与当天过去时间的天气类别以及辐照数据无关，也无需对地基云图进行分析，能够避免以上各因素对结果准确性的影响，从而提高预测结果的准确性；除此之外，操作简单快捷，也有效降低了预测成本。

进一步地，通过提取室外图像的亮度以及对比度等特征，便于后续对第一室外图像进行聚类获得相似时刻，基于相似时刻的参考辐照数据修正预测时刻的第一预测辐照数据，这样对相似时刻的选择更精确，即使一天中天气状况发生变化，不同时刻也可以匹配到其对应天气状况下的相似时刻；用相似时刻的参考辐照数据对第一预测辐照进行修正，可以提高预测辐照的精度，尤其是在非晴天的天气条件下，从而提高超短期功率预测的精度。

根据本申请实施例提供的光伏电站超短期功率预测方法，通过从室外图像中提取亮度特征和对比度特征等特征，以基于亮度特征和对比度特征等特征确定目标时刻光伏电站所在区域的目标天气类别，以便于后续能够进一步确定该目标天气类别对应的参考辐照数据来修正预测时刻对应的第一预测辐照数据，预测结果的准确性高，适用于任意天气环境(如晴天以及非晴天等)，具有较为广泛的应用场景。

在一些实施例中，基于亮度特征和对比度特征中的至少一种，确定目标天气类别，可以包括：

对亮度特征和对比度特征中的至少一种进行聚类处理，获取亮度特征和对比度特征中的至少一种与各候选天气类别对应的第一聚类中心之间的第一距离；

将最短的第一距离对应的第一聚类中心所对应的候选天气类别确定为目标天气类别。

在该实施例中，第一距离可以表现为欧式距离。

第一距离用于表征第一室外图像的亮度特征和/或对比度特征与该第一距离对应的第一聚类中心之间的相似度。

可以理解的是，第一距离越短，则表征二者相似程度越高。

在实际执行过程中，可以将亮度特征和/或对比度特征进行向量化表示，并基于表示向量进行聚类处理。

候选天气类别为预先确定的。

候选天气类别可以包括但不限于：晴天、晴到多云、多云、阴天以及雨天等类别。

每一种候选天气类别所对应的亮度特征和/或对比度特征处于一定的范围区间内，且不同候选天气类别所对应的亮度特征和/或对比度特征所处的范围区间不同。

每一种候选天气类别对应一个第一聚类中心，该第一聚类中心为基于该候选天气类别所对应的亮度特征和/或对比度特征所确定的。

通过计算第一室外图像的亮度特征和/或对比度特征分别与每一种候选天气类别对应的第一聚类中心之间的第一距离，从而可以得到多个第一距离；通过筛选得到最短的第一距离，相当于筛选得到多个候选天气类别中与目标时刻对应的当前天气类别最相似的一个类别。

下面以对亮度特征和对比度特征进行聚类处理为例，对该实施例的实现方式进行说明。

例如，已知k种候选天气类别，每个候选天气类别对应有一个聚类中心c_j,j＝1,2,L,k其中，k为大于2的整数。

先从第一室外图像中提取亮度特征和对比度特征，并以向量w_now的形式进行表示：

w_now＝[x₁,x₂,L]^T

其中，w_now表示第一室外图像；x₁表示第一室外图像的亮度特征；x₂表示第一室外图像的对比度特征；“…”表示第一室外图像的其他特征，本申请不作限定。

分别计算w_now到每一个第一聚类中心的第一距离：

其中，D(w_now,c_j)表示第一室外图像w_now到第j个第一聚类中心的第一距离；w_now表示第一室外图像；c_j表示第j个第一聚类中心；x₁表示第一室外图像的亮度特征；x₂表示第一室外图像的对比度特征；c_j1表示第j个第一聚类中心对应的亮度特征；c_j2表示第j个第一聚类中心对应的对比度特征。

比较各第一距离的大小，并将第一室外图像w_now归类到与它距离最近的第一聚类中心所在的聚类：

min{D(w_now,c_j),j＝1,2,L,k}

其中，D(w_now,c_j)表示第一室外图像w_now与第j个第一聚类中心之间的第一距离。

在将第一室外图像w_now归类到与它距离最近的第一聚类中心所在的聚类之后，即可将其所归类的聚类对应的候选天气类别确定为该第一室外图像对应的目标天气类别。

根据本申请实施例提供的光伏电站超短期功率预测方法，通过聚类算法，基于第一室外图像的亮度特征和/或对比度特征对第一室外图像进行聚类以将其归类至与其最相近的一类天气类别所在的聚类，从而确定目标时刻下光伏电站当前所处区域的天气类别，分类的准确性和精度较高。

步骤120、从多个候选天气类别对应的多个参考辐照数据中，获取与目标天气类别对应的目标参考辐照数据；

在该步骤中，参考辐照数据为预先确定的数值，用于表征正常情况下，光伏电站在该候选天气类别下在目标时刻应接收的辐照。

目标参考辐照数据为光伏电站在目标天气类别下，且在目标时刻应接收的辐照。

多个候选天气类别与多个参考辐照数据一一对应。

候选天气类别及其对应的参考辐照数据可基于历史数据确定，或者也可以基于用户的经验进行设置，或者也可以通过其他方式确定，本申请在此不作限定。

候选天气类别及其对应的参考辐照数据的具体确定方式将在后文中进行说明，在此暂不作赘述。

在确定第一室外图像对应的目标天气类别后，即可从多个参考辐照数据中获取与该目标天气类别匹配的参考辐照数据，并将该匹配得到的参考辐照数据确定为目标参考辐照数据。

步骤130、在光伏电站在目标时刻的第一预测辐照数据不处于目标辐照范围内的情况下，基于目标参考辐照数据和第一预测辐照数据，确定光伏电站在未来目标时长内的发电功率。

在该步骤中，目标时长为一个较短的时长，例如可以为未来4个小时或未来2个小时等，具体可基于电网当地政策而定。

未来目标时长内的发电功率即未来目标时长内的超短期预测功率。

第一预测辐照数据为通过常规手段预测得到的光伏电站在某时刻所接收到的辐照数据；例如可以为某时刻由数值天气预报提供的辐照值。

目标辐照范围为目标天气类别所对应的目标时刻下的参考辐照范围，用于判断第一预测辐照数据是否与正常情况下的辐照数据相近。

可以理解的是，在第一预测辐照数据不超过该目标辐照范围的情况下，可近似认为该第一预测辐照数据与正常情况下的辐照数据相近，第一预测辐照数据较为准确，无需进行修正。

在一些实施例中，目标辐照范围可以为目标天气类别所属聚类的参考辐照范围。该参考辐照范围同样可以基于历史数据确定，或者也可以基于用户的经验进行设置，或者也可以通过其他方式确定，本申请在此不作限定。

在一些实施例中，该方法还可以包括：在第一预测辐照数据处于目标辐照范围内的情况下，基于第一预测辐照数据确定发电功率。

在该实施例中，在第一预测辐照数据处于目标辐照范围内的情况下，则直接将第一预测辐照数据和其他气象参数一起带入功率预测模型，得到未来目标时长内的超短期预测功率。

在第一预测辐照数据不处于该目标辐照范围的情况下，则认为该第一预测辐照数据与正常情况下的辐照数据相差较远，需进行修正。

在实际执行过程中，可基于步骤120所确定的目标参考辐照数据修正第一预测辐照数据，并将修正后的数据与其他气象参数一起带入功率预测模型，得到未来目标时长内的超短期预测功率。

根据本申请实施例提供的光伏电站超短期功率预测方法，通过对图像传感器所拍摄的光伏电站在目标时刻对应的第一室外图像确定光伏电站在目标时刻的目标天气类别，并将该目标天气类别与预先确定的候选天气类别进行对比以确定目标天气类别所对应的目标参考辐照数据，然后基于目标参考辐照数据确定光伏电站在未来目标时长内的发电功率，无需设置额外的专业设备，且无需获取历史年份中的相同日期数据，所需样本量较少，操作简单便捷且实现成本较低；除此之外，基于天气类别实现超短期预测功率的预测修正，还避免了一天中实际辐照变化对预测结果的影响，显著提高了最终确定的超短期预测功率的准确性和精确性，从而解决现有技术中预测结果的准确性不高的技术问题。

在一些实施例中，步骤130可以包括：

获取目标时刻的第一预测辐照数据和目标参考辐照数据之间的差值；

基于差值和未来目标时长内至少一个目标预测时刻对应的权重，修正各目标预测时刻的第一预测辐照数据，确定各目标预测时刻的第二预测辐照数据；

基于至少一个目标预测时刻对应的第二预测辐照数据，确定发电功率。

在该实施例中，目标时刻可以为当前时刻。

目标预测时刻可以为目标时长内的任意预测时刻。

其中，预测时刻为以目标时刻为起始时刻的未来目标时长内的时刻。

可以理解的是，目标时刻对应有第一预测辐照数据；且每一个预测时刻，均对应有第一预测辐照数据。

例如，在目标时长为4小时的情况下，目标预测时刻可以为多个，包括4个预测时刻、8个预测时刻、16个预测时刻以及其他数量的预测时刻，本申请不作限定。

第二预测辐照数据为对第一预测辐照数据进行修正后的数据。

需要说明的是，在本申请中，每一个目标预测时刻均对应有一个权重，且目标预测时刻距离目标时刻越远，其对应的权重越低，以符合随着时间的推移，当前时刻对未来预测时刻的影响逐渐减弱这一特性，提高预测结果的准确性。

下面结合图2，以未来4小时16个预测时刻为例，对该实施例进行说明。

在光伏电站在目标时刻的第一预测辐照数据不处于目标辐照范围内的情况下，通过如下公式计算目标时刻对应的第一预测辐照数据和目标参考辐照数据之间的差值：

diff＝r_ref-r_now

其中，diff表示差值；r_ref表示目标参考辐照数据；r_now表示目标时刻对应的第一预测辐照数据。

对未来4小时16个预测时刻可以按照如下公式设置权重：

在得到差值和各预测时刻对应的权重后，基于如下公式分别确定各预测时刻对应的第二预测辐照数据：

其中，T_i,i＝1,2,L,16，T_i,i用于表示未来4小时第i个预测时刻对应的修正后辐照数据(即第二预测辐照数据)；T_i-pre,i＝1,2,L,16，T_i-pre用于表示未来4小时第i个预测时刻对应的第一预测辐照数据；diff表示差值。

第i个预测时刻对应的第一预测辐照数据为基于常规手段所预测得到的数据，具体确定方式本申请不作限定。

在得到各个预测时刻对应的第二预测辐照数据后，将第二预测辐照数据和其他气象参数一起带入功率预测模型，分别计算得到每个预测时刻对应的预测功率，并对得到的预测功力进行累加计算，所得到的累加值即为未来4小时的超短期预测功率。

根据本申请实施例提供的光伏电站超短期功率预测方法，通过目标参考辐照数据与目标时刻所对应的第一预测辐照数据之间的差值以及各预测时刻对应的权重，分别修正各预测时刻对应的第一预测辐照数据得到各预测时刻对应的第二预测辐照数据，并基于第二预测辐照数据预测超短期预测功率，在修正过程中充分考虑到随着时间的推移当前时刻对未来预测时刻的影响逐渐减弱这一特性，能够显著提高预测结果的准确性和精确性。

下面对候选天气类别的确定方式进行详细说明。

继续参考图2，在一些实施例中，在步骤110之前，该方法还可以包括：

获取光伏电站在目标季节内目标自然日中与目标时刻相同的时刻所对应的多个历史室外图像和实际历史辐照数据，目标季节为与目标时刻所在自然日所属的季节相同的季节，目标自然日为多个历史自然日；

分别提取各历史室外图像对应的历史亮度特征和历史对比度特征中的至少一种；

基于历史亮度特征和历史对比度特征中的至少一种，对多个历史室外图像进行分类，确定各类历史室外图像对应的候选天气类别；

基于实际历史辐照数据，分别确定各候选天气类别对应的参考辐照数据。

在该实施例中，目标季节为与目标时刻所在自然日所属的季节相同的季节。

目标自然日可以为多个历史自然日。

历史室外图像为历史自然日中与目标时刻相同的时刻下该光伏电站所处区域的室外图像，用于表征该历史自然日中与目标时刻相同的时刻下该光伏电站所处区域的光照强度情况。

可以理解的是，不同的历史自然日，其在同一时刻所对应的光照强度可能相同，也可能不同。

不同的季节下历史自然日在同一时刻所对应的光照强度也有所差异。

在本申请中，在修正过程中，按照季节分别进行修正，以进一步提高修正结果的准确性。

实际历史辐照数据为光伏电站在历史自然日内与目标时刻相同的时刻下所接收的实际光照辐照。

在本实施例中，基于历史亮度特征和历史对比度特征中的至少一种，对多个历史室外图像进行分类，确定各类历史室外图像对应的候选天气类别，可以通过聚类的方式确定候选天气类别，或者也可以通过深度学习的方式(如通过神经网络模型等方式)来确定候选天气类别，或者也可以采用其他方式，本申请不作限定。

根据本申请实施例提供的光伏电站超短期功率预测方法，通过对历史室外图像进行分类，即可获取多个候选天气类别，从而可进一步获取候选天气类别所对应的参考辐照数据，后续在实际应用过程中，可直接从这些参考辐照数据中选择匹配的参考辐照数据作为目标参考辐照数据，无需重复计算，操作简单便捷，能够提高预测效率；且无需配备专业设备，实现成本较低。

在一些实施例中，基于历史亮度特征和历史对比度特征中的至少一种，对多个历史室外图像进行分类，确定各类历史室外图像对应的候选天气类别，可以包括：

从多个历史室外图像中随机获取目标数量的第一目标图像，并获取第一目标图像对应的历史亮度特征和历史对比度特征中的至少一种；

分别将各个第一目标图像对应的历史亮度特征和历史对比度特征中的至少一种确定为第一聚类中心，第一聚类中心与第一天气类别相对应；

分别计算多个历史室外图像中除第一目标图像之外的其他图像与各第一聚类中心之间的第二距离；

基于第二距离对其他图像进行聚类，获取各第一聚类中心对应的第一类簇；

基于第一类簇，更新第一类簇对应的第一聚类中心；

基于第一类簇中的历史室外图像和第一聚类中心，确定聚类准则函数；

在聚类准则函数收敛的情况下，将第一聚类中心对应的第一天气类别确定为候选天气类别；

在聚类准则函数不收敛的情况下，从多个历史室外图像中随机获取目标数量的第一目标图像。

在该实施例中，目标数量可以为任意正整数值。

第一目标图像可以为多个历史室外图像中的任一图像。

第二距离可以表现为欧式距离。

需要说明的是，目标数量的第一目标图像为从多个历史室外图像中随机获取的。

在聚类过程中，涉及多次迭代，不同次的迭代中，其所获取的目标数量的第一目标图像不完全相同；即下一次迭代过程中，将对上一次迭代过程中所获取的第一目标图像进行更新，从多个历史室外图像中获取与之前迭代过程中所获取的第一目标图像不完全相同的图像。

每一次迭代均对应有聚类准则函数，该聚类准则函数为基于当前迭代次数下更新后的第一聚类中心所确定的。

下面以某一季节12:00为例对该实施例的实现方式进行说明。

提取该季节每天12:00的历史室外图像，以及每张历史室外图像对应的12:00的实际历史辐照数据。

分析历史室外图像的亮度特征和对比度特征等特征，并进行聚类。

在一些实施例中，可以使用K-Means聚类算法进行聚类。

其中，K-Means算法的目标是根据输入的聚类个数K，将数据划分成K个类簇。算法的主要思想是：首先从给定的N个数据对象中随机选取K个对象作为初始聚类中心，K值为给定的聚类个数。然后计算剩余的对象到每个聚类中心的距离，将它们分配到与其距离最近的聚类中心所在的类簇中，最后对分配完成后的新类重新计算新的聚类中心。不断重复以上过程，直到算法收敛为止。算法是否收敛一般采用误差平方和准则函数作为判断依据。

下面以K-Means聚类算法进行说明。

在实际执行过程中，首先使用opencv提取历史室外图像亮度特征和对比度特征等特征，将历史室外图像表示成向量的方式：w_i＝[x₁,x₂,L]^T，得到历史室外图像数据集{w₁,w₂,L,w_n}；

其中，n为历史室外图像的数量，n为正整数；w_i为第i个历史室外图像；x₁为第i个历史室外图像的亮度特征；x₂为第i个历史室外图像的对比度特征；“…”为其他特征。

设定聚类个数k，即k种天气类型；其中，k为正整数且k≤n。

从n个历史室外图像中随机选取k个图像作为第一目标图像，并将各第一目标图像作为聚类中心。

可以理解的是，在第一次聚类时，该k个图像为初始聚类中心，迭代次数t＝0。

计算n个历史室外图像中除初始聚类中心外其他图像到各个初始聚类中心的第二距离。

例如，可以通过如下公式确定：

D(w_i,c_j),{i＝1,2,L,n；j＝1,2,L,k}

其中，D(w_i,c_j)为第i个历史室外图像和第j个第一聚类中心之间的第二距离；w_i为第i个历史室外图像；c_j为第j个第一聚类中心。

其中：

c_j＝[c_j1,c_j2,L]^T，c_j1为第j个第一聚类中心对应的亮度特征的聚类中心；c_j2为第j个第一聚类中心对应的对比度特征的聚类中心。

例如，第二距离可以用欧式距离来度量：

其中，D(w_i,c_j)为第i个历史室外图像和第j个第一聚类中心之间的欧式距离，w_i为第i个历史室外图像，w_i＝[x_i1,x_i2,L]^T，x_i1为第i个历史室外图像的亮度特征，x_i2为第i个历史室外图像的对比度特征；c_j为第j个第一聚类中心，c_j＝[c_j1,c_j2,L]^T。

在得到第二距离后，分别对除初始聚类中心外其他图像进行归类，若历史室外图像i对第一聚类中心j满足：

D(w_i,c_j)＝min{D(w_i,c_j)j＝1,2,L,k}

则将对象i归入聚类中心点j所在的类簇，也即，将历史室外图像i归类至与其距离最近的第一聚类中心所在的类簇。

当所有历史室外图像都归类完成后，根据类簇中的各对象重新计算聚类中心：

其中，c_j′为更新后的第j个第一聚类中心；n_j表示类簇j中包含的对象总数，w_i表示类簇j中第i个历史室外图像。

计算聚类准则函数。

可以理解的是，K-Means算法使用的是误差平方和准则函数Jc，Jc表示图像数据集中每个图像到聚类中心图像的距离平方和。计算公式如下：

其中，J_c(I)为第I次迭代下的聚类准则函数；n_j表示类簇j中包含的对象总数，w_i表示类簇j中第i个历史室外图像；c_j为更新后的第j个第一聚类中心；k为第一聚类中心的数量。

在得到第I次聚类准则函数之后，判断第I次迭代下的聚类准则函数是否收敛。

若J_c(I)-J_c(I-1)≤ε，即认为聚类准则函数收敛，则算法结束；其中，J_c(I)为第I次(即当前)迭代下的聚类准则函数；J_c(I-1)为第(I-1)次(即上一次)迭代下的聚类准则函数；ε为阈值，可以基于用户自定义。

若J_c(I)-J_c(I-1)＞ε，即认为聚类准则函数不收敛，则进入下一次迭代，I＝I+1，迭代次数t＝I+1，重新从n个历史室外图像中随机选取k个图像作为第一目标图像，重复执行上述步骤，直至本次迭代下的聚类准则函数收敛，则结束算法。

在结束算法后，将最后一次迭代所确定的第一聚类中心确定为最终的聚类中心，并将最后一次迭代所确定的第一聚类中心所对应的天气类别确定为候选天气类别。

在确定最终的聚类中心后，对于每个第一聚类中心，基于该第一聚类中心所对应的历史室外图像对应的实际历史辐照数据，即可确定该第一聚类中心所对应的参考辐照数据，即该候选天气类别对应的参考辐照数据。

在一些实施例中，参考辐照数据可以通过如下步骤确定：

对目标第一聚类中心所对应的实际历史辐照数据进行预处理，获取第一辐照数据；

对第一辐照数据取平均值，确定参考辐照数据。

在该实施例中，目标第一聚类中心为k个第一聚类中心中的任意一个。

第一辐照数据为对第一聚类中心所对应的实际历史辐照数据进行异常值去除等处理所获取的。

例如，将历史室外图像划分成k个聚类之后，对于第j个聚类(j＝1，2，L，k)，其中历史室外图像对应的辐照数据集为：{r₁,r₂,L,r_m}，m为聚类j中的历史室外图像的个数，第j个聚类对应有辐照集，该辐照集包括第j个聚类中多个历史室外图像所对应的多个实际历史辐照数据。

去除辐照集中的异常值后得到该聚类对应的第一辐照数据，然后基于如下公式确定该聚类的参考辐照数据：

其中，r_avr为目标第一聚类中心对应的参考辐照数据；n为第一辐照数据的数量；m为目标第一聚类中心对应的聚类中历史室外图像的个数；r_i为第i个第一辐照数据；

参考辐照数据的范围为：[r_min,r_max]，其中：r_min为辐照数据集去除异常值后的最小的实际历史辐照数据；r_max为辐照数据集去除异常值后的最大的实际历史辐照数据。

当然，在其他实施例中，也可以通过对第一辐照数据取众数或进行其他处理以确定参考辐照数据，本申请不作限定。

根据本申请实施例提供的光伏电站超短期功率预测方法，通过聚类的方法进行多次迭代以确定最终的第一聚类中心，能够减小误差，提高最终分类结果的准确性和精确性，有助于提高后续超短期预测功率的结果的准确性和精确性，且操作简单易于实现。

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

本申请实施例还提供一种光伏电站超短期功率预测装置。

如图3所示，该光伏电站超短期功率预测装置包括：第一处理模块310、第二处理模块320和第三处理模块330。

第一处理模块310，用于基于获取的光伏电站在目标时刻对应的第一室外图像，确定目标时刻对应的目标天气类别；

第二处理模块320，用于从多个候选天气类别对应的多个参考辐照数据中，获取与目标天气类别对应的目标参考辐照数据；

第三处理模块330，用于在光伏电站在目标时刻的第一预测辐照数据不处于目标辐照范围内的情况下，基于目标参考辐照数据和第一预测辐照数据，确定光伏电站在未来目标时长内的发电功率。

根据本申请实施例提供的光伏电站超短期功率预测装置，通过对图像传感器所拍摄的光伏电站在目标时刻对应的第一室外图像确定光伏电站在目标时刻的目标天气类别，并将该目标天气类别与预先确定的候选天气类别进行对比以确定目标天气类别所对应的目标参考辐照数据，然后基于目标参考辐照数据确定光伏电站在未来目标时长内的发电功率，无需设置额外的专业设备，且无需获取历史年份中的相同日期数据，所需样本量较少，操作简单便捷且实现成本较低；除此之外，基于天气类别实现超短期预测功率的预测修正，还避免了一天中实际辐照变化对预测结果的影响，显著提高了最终确定的超短期预测功率的准确性和精确性，从而解决现有技术中预测结果的准确性不高的技术问题。

在一些实施例中，第一处理模块310，还可以用于：

获取第一室外图像的亮度特征和对比度特征中的至少一种；

根据本申请实施例提供的光伏电站超短期功率预测装置，通过从室外图像中提取亮度特征和对比度特征等特征，以基于亮度特征和对比度特征等特征确定目标时刻光伏电站所在区域的目标天气类别，以便于后续能够进一步确定该目标天气类别对应的参考辐照数据来修正预测时刻对应的第一预测辐照数据，预测结果的准确性高，适用于任意天气环境(如晴天以及非晴天等)，具有较为广泛的应用场景。

在一些实施例中，第一处理模块310，还可以用于：

在一些实施例中，该装置还可以包括：

第四处理模块，用于在基于获取的光伏电站在目标时刻对应的第一室外图像，确定目标时刻对应的目标天气类别之前，获取光伏电站在目标季节内目标自然日中与目标时刻相同的时刻所对应的多个历史室外图像和实际历史辐照数据，目标季节为与目标时刻所在自然日所属的季节相同的季节，目标自然日为多个历史自然日；

第五处理模块，用于分别提取各历史室外图像对应的历史亮度特征和历史对比度特征中的至少一种；

第六处理模块，用于基于历史亮度特征和历史对比度特征中的至少一种，对多个历史室外图像进行分类，确定各类历史室外图像对应的候选天气类别；

第七处理模块，用于基于实际历史辐照数据，分别确定各候选天气类别对应的参考辐照数据。

在一些实施例中，第六处理模块，还可以用于：

基于第一类簇，更新第一类簇对应的第一聚类中心；

根据本申请实施例提供的光伏电站超短期功率预测装置，通过聚类的方法进行多次迭代以确定最终的第一聚类中心，能够减小误差，提高最终分类结果的准确性和精确性，有助于提高后续超短期预测功率的结果的准确性和精确性，且操作简单易于实现。

在一些实施例中，第三处理模块330，还可以用于：

根据本申请实施例提供的光伏电站超短期功率预测装置，通过目标参考辐照数据与目标时刻所对应的第一预测辐照数据之间的差值以及各预测时刻对应的权重，分别修正各预测时刻对应的第一预测辐照数据得到各预测时刻对应的第二预测辐照数据，并基于第二预测辐照数据预测超短期预测功率，在修正过程中充分考虑到随着时间的推移当前时刻对未来预测时刻的影响逐渐减弱这一特性，能够显著提高预测结果的准确性和精确性

在一些实施例中，该装置还可以包括第八处理模块，用于：在第一预测辐照数据处于目标辐照范围内的情况下，基于第一预测辐照数据确定发电功率。

本申请实施例中的光伏电站超短期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超短期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超短期功率预测装置能够实现图1至图2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4所示，本申请实施例还提供一种电子设备400，包括处理器401、存储器402及存储在存储器402上并可在处理器401上运行的计算机程序，该程序被处理器401执行时实现上述光伏电站超短期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电站超短期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超短期功率预测方法。

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，实现上述光伏电站超短期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

1.一种光伏电站超短期功率预测方法，其特征在于，包括：

2.根据权利要求1所述的光伏电站超短期功率预测方法，其特征在于，所述基于获取的光伏电站在目标时刻对应的第一室外图像，确定所述目标时刻对应的目标天气类别，包括：

3.根据权利要求2所述的光伏电站超短期功率预测方法，其特征在于，所述基于所述亮度特征和所述对比度特征中的至少一种，确定所述目标天气类别，包括：

4.根据权利要求1-3任一项所述的光伏电站超短期功率预测方法，其特征在于，在所述基于获取的光伏电站在目标时刻对应的第一室外图像，确定所述目标时刻对应的目标天气类别之前，所述方法还包括：

5.根据权利要求4所述的光伏电站超短期功率预测方法，其特征在于，所述基于所述历史亮度特征和历史对比度特征中的至少一种，对所述多个历史室外图像进行分类，确定各类历史室外图像对应的候选天气类别，包括：

6.根据权利要求1-3任一项所述的光伏电站超短期功率预测方法，其特征在于，所述基于所述目标参考辐照数据和所述第一预测辐照数据，确定所述光伏电站在未来目标时长内的发电功率，包括：

7.根据权利要求1-3任一项所述的光伏电站超短期功率预测方法，其特征在于，所述方法还包括：

8.一种光伏电站超短期功率预测装置，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任一项所述光伏电站超短期功率预测方法。

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任一项所述的光伏电站超短期功率预测方法。

11.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7任一项所述光伏电站超短期功率预测方法。