【技术实现步骤摘要】
本申请涉及数据处理，更具体地说，涉及一种光伏功率预测方法、装置、设备及可读存储介质。
技术介绍
1、分布式光伏功率预测是通过分析收集到的历史光伏发电功率数据预测未来发电功率，对于提高能源系统的效率、降低成本、减少环境污染以及增强能源供应的可靠性和稳定性都具有重要意义。准确的光伏功率有助于优化能源生产和管理系统，提高能源利用效率，降低能源成本，减少对传统能源的依赖，实现可再生能源集成和可持续发展。近几年，分布式光伏功率预测在深度学习网络等先进技术的基础上获得了飞速发展。然而目前基于深度学习网络的光伏功率预测方法，对于光伏功率数据和气象数据之间的相关性考虑较少，导致对于光伏功率预测的准确度较低。
技术实现思路
1、本申请实施例提供了一种光伏功率预测方法、装置、设备及可读存储介质，能够提高光伏功率预测的准确度。
2、有鉴于此，本申请实施例提供了一种光伏功率预测方法，所述方法包括：
3、获取光伏电站的历史光伏功率数据、与所述历史光伏功率数据对应的历史气象数据和预测气象数据；
4、根据所述历史光伏功率数据和所述历史气象数据构建历史单层有向图，所述历史单层有向图包括多个历史气象节点和历史功率节点；
5、根据互信息法从所述多个历史气象节点中确定出与所述历史功率节点对应的历史关联气象节点；
6、基于图注意力机制和所述历史关联气象节点对所述历史功率节点进行特征更新，得到所述历史功率节点的历史特征矩阵；
7、将所述历史特征矩阵和所
8、可选地，所述获取光伏电站的历史光伏功率数据、与所述历史光伏功率数据对应的历史气象数据和预测气象数据，包括：
9、获取光伏电站的初始历史光伏功率数据、与所述初始历史光伏功率数据对应的初始历史气象数据和预测气象数据；
10、对所述初始历史光伏功率数据和所述初始历史气象数据进行预处理，得到所述光伏电站的历史光伏功率数据、与所述历史光伏功率数据对应的历史气象数据，所述预处理包括数据插值和数据异常值分析。
11、可选地，所述根据互信息法从所述多个历史气象节点中确定出与所述历史功率节点对应的历史关联气象节点，包括：
12、根据互信息法计算每个历史气象节点与历史功率节点之间的互信息值；
13、将取值大于阈值的互信息值对应的历史气象节点确定为历史关联气象节点。
14、可选地，在所述获取光伏电站的历史光伏功率数据、与所述历史光伏功率数据对应的历史气象数据和预测气象数据之前，所述方法还包括：
15、获取待训练光伏功率数据、与所述待训练光伏功率数据对应的待训练气象数据；
16、对所述待训练光伏功率数据和所述待训练气象数据进行划分，得到第一待训练数据集、第二待训练数据集和第三待训练数据集，所述第一待训练数据集包括第一待训练光伏功率数据和与所述第一待训练光伏功率数据对应的第一待训练气象数据，所述第二待训练数据集包括第二待训练光伏功率数据和与所述第二待训练光伏功率数据对应的第二待训练气象数据，所述第三待训练数据集包括第三待训练光伏功率数据和与所述第三待训练光伏功率数据对应的第三待训练气象数据，所述第一待训练光伏功率数据的波动趋势为平稳波动，所述第二待训练光伏功率数据的波动趋势为中等波动，所述第三待训练光伏功率数据的波动趋势为剧烈波动；
17、分别根据第一待训练数据集、第二待训练数据集、第三待训练数据集构建第一单层有向图、第二单层有向图、第三单层有向图；
18、基于互信息法和图注意力机制分别获取所述第一单层有向图的第一特征矩阵、第二单层有向图的第二特征矩阵和第三单层有向图的第三单层特征矩阵；
19、根据所述第一待训练数据集、第一特征矩阵和初始双向长短期记忆网络训练得到所述第一待训练光伏功率对应的第一光伏功率预测模型；
20、根据所述第二待训练数据集、第二特征矩阵和初始双向长短期记忆网络训练得到所述第二待训练光伏功率对应的第二光伏功率预测模型；
21、根据所述第三待训练数据集、第三特征矩阵和初始双向长短期记忆网络训练得到所述第三待训练光伏功率对应的第三光伏功率预测模型。
22、可选地，所述对所述待训练光伏功率数据和所述待训练气象数据进行划分，得到第一待训练数据集、第二待训练数据集和第三待训练数据集，包括：
23、对所述待训练光伏功率数据进行特征提取，得到所述待训练光伏功率数据的极值点个数、平均绝对变化值和标准差；
24、根据所述极值点个数、所述平均绝对变化值、所述标准差以及k均值聚类算法对所述待训练光伏功率数据进行聚类划分，得到第一待训练数据集、第二待训练数据集和第三待训练数据集。
25、本申请实施例还提供了一种光伏功率预测装置，所述装置包括：
26、获取单元，用于获取光伏电站的历史光伏功率数据、与所述历史光伏功率数据对应的历史气象数据和预测气象数据；
27、构建单元，用于根据所述历史光伏功率数据和所述历史气象数据构建历史单层有向图，所述历史单层有向图包括多个历史气象节点和历史功率节点；
28、确定单元，用于根据互信息法从所述多个历史气象节点中确定出与所述历史功率节点对应的历史关联气象节点；
29、特征更新单元，用于基于图注意力机制和所述历史关联气象节点对所述历史功率节点进行特征更新，得到所述历史功率节点的历史特征矩阵；
30、预测单元，用于将所述历史特征矩阵和所述预测气象数据输入所述历史气象数据对应的光伏功率预测模型中，得到所述光伏电站的预测功率，所述光伏功率预测模型是基于双向长短期记忆网络训练得到的。
31、可选地，所述获取单元，具体用于：
32、获取光伏电站的初始历史光伏功率数据、与所述初始历史光伏功率数据对应的初始历史气象数据和预测气象数据；
33、对所述初始历史光伏功率数据和所述初始历史气象数据进行预处理，得到所述光伏电站的历史光伏功率数据、与所述历史光伏功率数据对应的历史气象数据，所述预处理包括数据插值和数据异常值分析。
34、可选地，所述确定单元，具体用于：
35、根据互信息法计算每个历史气象节点与历史功率节点之间的互信息值；
36、将取值大于阈值的互信息值对应的历史气象节点确定为历史关联气象节点。
37、本申请实施例还提供了一种计算机设备，包括：存储器、处理器以及总线系统；
38、其中，所述存储器用于存储程序；
39、所述处理器用于执行所述存储器中的程序，以实现上述所述的任意一种光伏功率预测方法；
40、所述总线系统用于连接所述存储器以及所述处理器，以使所述存储器以及所述处理器进行通信。
41、本申请本文档来自技高网...
【技术保护点】
1.一种光伏功率预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述获取光伏电站的历史光伏功率数据、与所述历史光伏功率数据对应的历史气象数据和预测气象数据，包括：
3.根据权利要求1所述的方法，其特征在于，所述根据互信息法从所述多个历史气象节点中确定出与所述历史功率节点对应的历史关联气象节点，包括：
4.根据权利要求1所述的方法，其特征在于，在所述获取光伏电站的历史光伏功率数据、与所述历史光伏功率数据对应的历史气象数据和预测气象数据之前，所述方法还包括：
5.根据权利要求4所述的方法，其特征在于，所述对所述待训练光伏功率数据和所述待训练气象数据进行划分，得到第一待训练数据集、第二待训练数据集和第三待训练数据集，包括：
6.一种光伏功率预测装置，其特征在于，所述装置包括：
7.根据权利要求6所述的装置，其特征在于，所述获取单元，具体用于：
8.根据权利要求6所述的装置，其特征在于，所述确定单元，具体用于：
9.一种计算机设备，其特征在于，包括：存储器、处理
10.一种计算机可读存储介质，其特征在于，存储有指令，当其在计算机上运行时，使得计算机执行如权利要求1至5中任一项所述的方法。
...【技术特征摘要】
1.一种光伏功率预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述获取光伏电站的历史光伏功率数据、与所述历史光伏功率数据对应的历史气象数据和预测气象数据，包括：
3.根据权利要求1所述的方法，其特征在于，所述根据互信息法从所述多个历史气象节点中确定出与所述历史功率节点对应的历史关联气象节点，包括：
4.根据权利要求1所述的方法，其特征在于，在所述获取光伏电站的历史光伏功率数据、与所述历史光伏功率数据对应的历史气象数据和预测气象数据之前，所述方法还包括：
5.根据权利要求4所述的方法，其特征...
【专利技术属性】
技术研发人员：丁立，吴东晖，隋佳音，韩碧彤，刘怡廷，
申请(专利权)人：国网新能源云技术有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。