【技术实现步骤摘要】
本公开涉及气象分析，特别涉及一种天气状态模式识别方法及装置、电子设备、存储介质。
技术介绍
1、太阳能是一种可靠、可持续的清洁能源。近年来，光伏技术的快速发展和进步，使太阳能得到了有效利用，为未来能源的可持续发展注入了新的生命。现阶段，提高能源产量和利润最大化仍然是建设光伏电站整个生命周期的关键目标。因此，并网光伏技术得到了迅速发展。然而，光伏发电系统可能存在影响其效率的故障，如阴影、污垢、模块老化、模块故障等，这些故障如果没有被及时发现和纠正，则可能会对能源生产造成重大损失。因此，通过对光伏发电系统进行性能评估，可以通过确定快速准确的故障预警来避免或减少经济损失，有助于提高光伏电站的发电量。
2、在对光伏发电系统进行性能评估的过程中，光伏发电系统输出功率预测的准确性很大程度上取决于天气条件，然而，若在预测过程中采用单一的天气模型，则难以忠实地描述不同天气条件下的整体映射关系。
3、现有技术中，天气类型的确定主要有两种常用的方法：一是基于数据采集与监视控制(supervisory control and data acquisition，scada)系统采集的光伏电站历史数据和相应的预标注天气类型数据，得到天气分类模型；另一种是依靠数值天气预报(numerical weather prediction，nwp)资料，直接划分天气类型。然而，这两种方法都需要预先提供关于天气类型的既定信息，若无法获得这些既定信息，则将无法确定天气类型。此外，现有技术对天气类型的确定通常只能精确到日，随着光伏发电系统的不断发展
技术实现思路
1、本公开旨在至少解决现有技术中存在的问题之一，提供一种天气状态模式识别方法及装置、电子设备、存储介质。
2、本公开的一个方面，提供了一种天气状态模式识别方法，所述识别方法包括：
3、获取太阳辐射数据的当前时点特征；
4、将所述当前时点特征输入预先训练好的天气模式聚类模型，得到所述当前时点特征对应的时点天气模式；所述天气模式聚类模型基于无监督聚类算法构建形成；
5、将所述时点天气模式输入预先训练好的逐时天气分类模型，得到所述当前时点特征对应的时点天气类型；所述逐时天气分类模型基于多级梯度提升决策树-逻辑回归结构建立。
6、可选地，所述预先训练好的天气模式聚类模型根据以下步骤训练得到：
7、获取太阳辐射样本集；
8、分别确定所述太阳辐射样本集中每个样本的辐照度日统计特征和辐照度小时统计特征；
9、基于所述辐照度日统计特征和所述辐照度小时统计特征，对k-means聚类模型进行训练。
10、可选地，所述基于所述辐照度日统计特征和所述辐照度小时统计特征，对k-means聚类模型进行训练，包括：
11、确定作为聚类目标的小时天气模式的种类数k；
12、从所述太阳辐射样本集中随机选取k个样本作为k个聚类中心；
13、分配步骤：根据所述辐照度日统计特征和所述辐照度小时统计特征，分别计算所述太阳辐射样本集中每个样本到各个所述聚类中心的距离，将各个所述样本分配至距离最近的所述聚类中心；
14、更新步骤：根据各个所述样本的分配结果更新所述聚类中心；
15、重复所述分配步骤和所述更新步骤，直至所述聚类中心不再发生变化。
16、可选地，所述基于所述辐照度日统计特征和所述辐照度小时统计特征，对k-means聚类模型进行训练，还包括：
17、采用smote算法，基于样本数量较少的所述小时天气模式，通过上采样和扩展，生成新的太阳辐射样本集。
18、可选地，所述预先训练好的逐时天气分类模型根据以下步骤训练得到：
19、构建所述多级梯度提升决策树-逻辑回归结构；所述多级梯度提升决策树-逻辑回归结构包括多个梯度提升决策分类树以及与各所述梯度提升决策分类树相连接的多个逻辑回归模型；
20、以所述辐照度小时统计特征作为输入分类特征，以所述小时天气模式作为分类目标，基于所述太阳辐射样本集对所述多个梯度提升决策分类树进行训练，提取针对每种所述小时天气模式的类型特征；
21、基于所述类型特征，以所述类型特征对应的小时天气类型标签为预测目标，训练所述多个逻辑回归模型。
22、可选地，所述基于所述类型特征，以所述类型特征对应的小时天气类型标签为预测目标，训练所述多个逻辑回归模型，包括：
23、采用一对其余策略，训练所述多个逻辑回归模型。
24、可选地，所述逻辑回归模型为l1正则化逻辑回归分类模型。
25、本公开的另一个方面，提供了一种天气状态模式识别装置，所述识别装置包括：
26、获取模块，用于获取太阳辐射数据的当前时点特征；
27、聚类模块，用于将所述当前时点特征输入预先训练好的天气模式聚类模型，得到所述当前时点特征对应的时点天气模式；所述天气模式聚类模型基于无监督聚类算法构建形成；
28、分类模块，用于将所述时点天气模式输入预先训练好的逐时天气分类模型，得到所述当前时点特征对应的时点天气类型；所述逐时天气分类模型基于多级梯度提升决策树-逻辑回归结构建立。
29、可选地，所述识别装置，还包括：
30、训练模块，用于根据以下步骤训练得到预先训练好的天气模式聚类模型：
31、获取太阳辐射样本集；
32、分别确定所述太阳辐射样本集中每个样本的辐照度日统计特征和辐照度小时统计特征；
33、基于所述辐照度日统计特征和所述辐照度小时统计特征，对k-means聚类模型进行训练。
34、可选地，所述训练模块，用于基于所述辐照度日统计特征和所述辐照度小时统计特征，对k-means聚类模型进行训练，包括：
35、所述训练模块，用于：
36、确定作为聚类目标的小时天气模式的种类数k；
37、从所述太阳辐射样本集中随机选取k个样本作为k个聚类中心；
38、分配步骤：根据所述辐照度日统计特征和所述辐照度小时统计特征，分别计算所述太阳辐射样本集中每个样本到各个所述聚类中心的距离，将各个所述样本分配至距离最近的所述聚类中心；
39、更新步骤：根据各个所述样本的分配结果更新所述聚类中心；
40、重复所述分配步骤和所述更新步骤，直至所述聚类中心不再发生变化。
41、可选地，所述训练模块，用于基于所述辐照度日统计特征和所述辐照度小时统计特征，对k-means聚类模型进行训练，还包括：
42、所述训练模块，用于：
43、采用smote算法，基于样本数量较少的所述小时天气模式，通过上采样和扩展，生成新的太阳辐射样本集。
44、可选地，所述训练模块，还用于根据以下步骤训练得到预先训练好的逐时天气分类模型：
45、构本文档来自技高网...
【技术保护点】
1.一种天气状态模式识别方法，其特征在于，所述识别方法包括：
2.根据权利要求1所述的识别方法，其特征在于，所述预先训练好的天气模式聚类模型根据以下步骤训练得到：
3.根据权利要求2所述的识别方法，其特征在于，所述基于所述辐照度日统计特征和所述辐照度小时统计特征，对K-means聚类模型进行训练，包括：
4.根据权利要求3所述的识别方法，其特征在于，所述基于所述辐照度日统计特征和所述辐照度小时统计特征，对K-means聚类模型进行训练，还包括：
5.根据权利要求3所述的识别方法，其特征在于，所述预先训练好的逐时天气分类模型根据以下步骤训练得到：
6.根据权利要求5所述的识别方法，其特征在于，所述基于所述类型特征，以所述类型特征对应的小时天气类型标签为预测目标，训练所述多个逻辑回归模型，包括：
7.根据权利要求5或6所述的识别方法，其特征在于，所述逻辑回归模型为L1正则化逻辑回归分类模型。
8.一种天气状态模式识别装置，其特征在于，所述识别装置包括：
9.一种电子设备，其特征在于，包括：
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的天气状态模式识别方法。
...【技术特征摘要】
1.一种天气状态模式识别方法，其特征在于，所述识别方法包括：
2.根据权利要求1所述的识别方法，其特征在于，所述预先训练好的天气模式聚类模型根据以下步骤训练得到：
3.根据权利要求2所述的识别方法，其特征在于，所述基于所述辐照度日统计特征和所述辐照度小时统计特征，对k-means聚类模型进行训练，包括：
4.根据权利要求3所述的识别方法，其特征在于，所述基于所述辐照度日统计特征和所述辐照度小时统计特征，对k-means聚类模型进行训练，还包括：
5.根据权利要求3所述的识别方法，其特征在于，所述预先训练好的逐时天气分类模型...
【专利技术属性】
技术研发人员：伊然，于景龙，王介昌，张俊东，翟强，蔡俊龙，尹大为，殷亮，张玉才，
申请(专利权)人：华能吉林发电有限公司，
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。