【技术实现步骤摘要】
本公开涉及光伏发电，具体涉及一种光伏功率预测方法、装置、设备及介质。
技术介绍
1、近年来，随着全球能源危机和环境污染问题的日益突出，人们对清洁能源的需求和研究日益增加。作为可再生能源的关键组成部分，光伏发电凭借其可持续、无污染的特点受到了广泛关注。然而，由于光伏发电系统的功率输出受到日照、气温等气象因素的影响，其不稳定性成为限制光伏发电系统发展和利用的重要因素。
2、为了优化光伏发电系统的能源管理、提高发电效率，准确预测光伏功率显得尤为重要。光伏功率预测可以帮助系统运营者合理规划发电计划，实现对电网的优化调度；同时，对于电力市场参与者和投资者来说，准确的功率预测也可以提供重要参考，从而降低经济风险并优化资源配置。因此，光伏功率预测技术的研究和应用具有重要的现实意义。
3、然而申请人发现，目前针对光伏功率预测的方案所得到的预测结果准确率较低，且稳定性较差。
技术实现思路
1、为了解决相关技术中的问题，本公开实施例提供一种光伏功率预测方法、装置、设备及介质。
2、第一方面，本公开实施例中提供了一种光伏功率预测方法，包括：
3、获取光伏发电系统在指定时期的光伏功率历史数据，光伏功率历史数据至少包括光伏发电系统的环境特征数据以及光伏发电功率数据；
4、基于改进的自适应白噪声完备集成经验模态分解方法对指定时期的光伏功率历史数据进行分解，以获取多组第一内涵模态分量；
5、获取训练后的多个光伏功率预测模型，并将每个光伏功率
6、根据多个第一光伏功率预测结果获取光伏发电系统在指定时期后的目标时期的光伏发电功率数据。
7、在本公开提供的一种实施方式中，光伏功率预测模型包括光伏功率预测卷积神经网络模型以及光伏功率预测最小二乘支持向量机模型；
8、将每个光伏功率预测模型各自对应的第一内涵模态分量分别输入对应的光伏功率预测模型，以获取对应的第一光伏功率预测结果，包括：
9、将每个光伏功率预测模型各自对应的第一内涵模态分量分别输入对应的光伏功率预测卷积神经网络模型，以获取多个长期依赖时序关联特征向量；
10、将每个光伏功率预测卷积神经网络模型输出的光伏功率数据特征向量分别输入对应的光伏功率预测最小二乘支持向量机模型，以获取对应的第一光伏功率预测结果。
11、在本公开提供的一种实施方式中，光伏功率预测卷积神经网络模型包括至少一个卷积层以及与每个卷积层对应的池化层；
12、卷积层中的卷积核用于对输入的特征矩阵进行卷积以获取多组特征向量，并输出多组特征向量；
13、池化层用于确定池化层窗口，在确定的池化层窗口内选取对应的卷积层输出的多组特征向量中的最大值作为池化结果，并输出池化结果。
14、在本公开提供的一种实施方式中，基于改进的自适应白噪声完备集成经验模态分解方法对指定时期的光伏功率历史数据进行分解，以获取多组第一内涵模态分量，包括：
15、根据构造第一组信号序列，并根据获取第一组残差，其中为指定时期中时刻的光伏功率历史数据，为白噪声，为运用经验模态分解方法对分解所得到的第一个模态分量，为高斯白噪声权值系数，是信号序列的局部均值；
16、根据获取第一组第一内涵模态分量；
17、根据构造第二组信号序列，并根据获取第二组残差，其中为运用经验模态分解方法对分解所得到的第2个模态分量，为白噪声的信噪比与的标准差的比值，是信号序列的局部均值；
18、根据获取第二组第一内涵模态分量；
19、依次根据获取第组残差，并根据获取第组第一内涵模态分量；
20、其中且为整数，为第组残差，为运用经验模态分解方法对分解所得到的第个模态分量，为白噪声的信噪比与的标准差的比值。
21、在本公开提供的一种实施方式中，基于改进的自适应白噪声完备集成经验模态分解方法对指定时期的光伏功率历史数据进行分解，以获取多组第一内涵模态分量之前，方法还包括：
22、对指定时期的光伏功率历史数据进行数据清洗，数据清洗包括空缺值填充处理、异常值替换处理和归一化处理中至少一项；
23、基于改进的自适应白噪声完备集成经验模态分解方法对指定时期的光伏功率历史数据进行分解，以获取多组第一内涵模态分量，包括：
24、基于改进的自适应白噪声完备集成经验模态分解方法对数据清洗后的指定时期的光伏功率历史数据进行分解，以获取多组第一内涵模态分量。
25、在本公开提供的一种实施方式中，光伏发电系统的环境特征数据包括光伏发电系统所在地的光辐照度、空气湿度、温度、风速、风向中的至少一项。
26、在本公开提供的一种实施方式中，获取训练后的多个光伏功率预测模型，包括：
27、获取光伏发电系统在第一历史时期的光伏功率历史数据以及光伏发电系统在第二历史时期的光伏发电功率数据，第一历史时期早于第二历史时期；
28、基于改进的自适应白噪声完备集成经验模态分解方法对第一历史时期的光伏功率历史数据进行分解，以获取多组第二内涵模态分量；
29、获取多个待训练光伏功率预测模型，并根据第二历史时期的光伏发电功率数据获取与每个待训练光伏功率预测模型对应的第二光伏功率预测结果；
30、将对应的第二内涵模态分量作为对应的待训练光伏功率预测模型的输入，将对应的第二光伏功率预测结果作为对应的待训练光伏功率预测模型的输出，对对应的待训练光伏功率预测模型进行训练，以获取训练后的多个光伏功率预测模型。
31、在本公开提供的一种实施方式中，基于改进的自适应白噪声完备集成经验模态分解方法对第一历史时期的光伏功率历史数据进行分解，以获取多组第二内涵模态分量之前，方法还包括：
32、对第一历史时期的光伏功率历史数据进行数据清洗；
33、基于改进的自适应白噪声完备集成经验模态分解方法对第一历史时期的光伏功率历史数据进行分解，以获取多组第二内涵模态分量，包括：
34、基于改进的自适应白噪声完备集成经验模态分解方法对数据清洗后的第一历史时期的光伏功率历史数据进行分解，以获取多组第二内涵模态分量；
35、根据第二历史时期的光伏发电功率数据获取与每个待训练光伏功率预测模型对应的第二光伏功率预测结果之前，方法还包括：
36、对第二历史时期的光伏发电功率数据进行数据清洗；
37、根据第二历史时期的光伏发电功率数据获取与每个待训练光伏功率预测模型对应的第二光伏功率预测结果，包括：
38、根据数据清洗后的第二历史时期的光伏发电功率数据获取与每个待训练光伏功率预测模型对应的第二光伏功率预测结果。
39、第二方面，本公开实施例中提供了一种光伏功率预测装置，包括：
40、历史数据获取模块，被配置为获本文档来自技高网...
【技术保护点】
1.一种光伏功率预测方法，其特征在于，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，所述光伏功率预测模型包括光伏功率预测卷积神经网络模型以及光伏功率预测最小二乘支持向量机模型；
3.根据权利要求2所述的光伏功率预测方法，其特征在于，所述光伏功率预测卷积神经网络模型包括至少一个卷积层以及与每个卷积层对应的池化层；
4.根据权利要求1所述的光伏功率预测方法，其特征在于，所述基于改进的自适应白噪声完备集成经验模态分解方法对所述指定时期的光伏功率历史数据进行分解，以获取多组第一内涵模态分量，包括：
5.根据权利要求1所述的光伏功率预测方法，其特征在于，所述基于改进的自适应白噪声完备集成经验模态分解方法对所述指定时期的光伏功率历史数据进行分解，以获取多组第一内涵模态分量之前，所述方法还包括：
6.根据权利要求1所述的光伏功率预测方法，其特征在于，所述光伏发电系统的环境特征数据包括所述光伏发电系统所在地的光辐照度、空气湿度、温度、风速、风向中的至少一项。
7.根据权利要求1-6中任一项所述的光伏功率预测方
8.根据权利要求7所述的光伏功率预测方法，其特征在于，所述基于改进的自适应白噪声完备集成经验模态分解方法对所述第一历史时期的光伏功率历史数据进行分解，以获取多组第二内涵模态分量之前，所述方法还包括：
9.一种光伏功率预测装置，其特征在于，包括：
10.根据权利要求9所述的光伏功率预测装置，其特征在于，所述光伏功率预测模型包括光伏功率预测卷积神经网络模型以及光伏功率预测最小二乘支持向量机模型；
11.根据权利要求10所述的光伏功率预测装置，其特征在于，所述光伏功率预测卷积神经网络模型包括至少一个卷积层以及与每个卷积层对应的池化层；
12.根据权利要求9所述的光伏功率预测装置，其特征在于，所述模态分量获取模块，具体被配置为：
13.根据权利要求9所述的光伏功率预测装置，其特征在于，所述装置还包括：
14.根据权利要求9所述的光伏功率预测装置，其特征在于，所述光伏发电系统的环境特征数据包括所述光伏发电系统所在地的光辐照度、空气湿度、温度、风速、风向中的至少一项。
15.根据权利要求9-14中任一项所述的光伏功率预测装置，其特征在于，所述预测结果获取模块，具体被配置为：
16.根据权利要求15所述的光伏功率预测装置，其特征在于，所述基于改进的自适应白噪声完备集成经验模态分解方法对所述第一历史时期的光伏功率历史数据进行分解，以获取多组第二内涵模态分量之前，所述预测结果获取模块还被配置为：
17.一种电子设备，其特征在于，包括存储器和处理器；其中，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现权利要求1-8中任一项所述的方法步骤。
18.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，该计算机指令被处理器执行时实现权利要求1-8中任一项所述的方法步骤。
...【技术特征摘要】
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，所述光伏功率预测模型包括光伏功率预测卷积神经网络模型以及光伏功率预测最小二乘支持向量机模型；
3.根据权利要求2所述的光伏功率预测方法，其特征在于，所述光伏功率预测卷积神经网络模型包括至少一个卷积层以及与每个卷积层对应的池化层；
4.根据权利要求1所述的光伏功率预测方法，其特征在于，所述基于改进的自适应白噪声完备集成经验模态分解方法对所述指定时期的光伏功率历史数据进行分解，以获取多组第一内涵模态分量，包括：
5.根据权利要求1所述的光伏功率预测方法，其特征在于，所述基于改进的自适应白噪声完备集成经验模态分解方法对所述指定时期的光伏功率历史数据进行分解，以获取多组第一内涵模态分量之前，所述方法还包括：
6.根据权利要求1所述的光伏功率预测方法，其特征在于，所述光伏发电系统的环境特征数据包括所述光伏发电系统所在地的光辐照度、空气湿度、温度、风速、风向中的至少一项。
7.根据权利要求1-6中任一项所述的光伏功率预测方法，其特征在于，所述获取训练后的多个光伏功率预测模型，包括：
8.根据权利要求7所述的光伏功率预测方法，其特征在于，所述基于改进的自适应白噪声完备集成经验模态分解方法对所述第一历史时期的光伏功率历史数据进行分解，以获取多组第二内涵模态分量之前，所述方法还包括：
9.一种光伏功率预测装置，其特征在于，包括：
10.根据权利要...
【专利技术属性】
技术研发人员：申振东，张港红，白晖峰，刘浩，霍超，苑佳楠，张予，谢凡，申一帆，
申请(专利权)人：北京智芯微电子科技有限公司，
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。