短期光伏功率的预测方法、装置、存储介质以及电子设备与流程

本技术涉及短期光伏功率预测领域或其他相关领域，具体而言，涉及一种短期光伏功率的预测方法、装置、存储介质以及电子设备。

背景技术：

1、准确的短期光伏发电功率预测可以有效缓解光伏并网对电力系统造成的压力，然而，光伏发电功率受多种因素影响，如太阳辐射、气象条件等，呈现出明显的波动性和不确定性，使得光伏发电功率的预测变得困难，这对电网的稳定运行和电力资源的合理配置提出了挑战。因此提出准确的预测模型迫在眉睫，这对保证电网的稳定运行和资源的合理配置具有重要意义。

2、为了解决这一问题，各种预测方法被提出。目前大致可以分为物理模型、统计模型和机器学习模型。其中，物理模型是指基于光伏发电系统工作原理建立的模型，如利用太阳位置、辐射模型等预测发电功率；统计模型是指采用历史数据进行分析，使用统计学方法建立的预测模型，如时间序列分析模型（autoregressive integrated moving average：arima）、灰色预测模型等；机器学习模型是指基于数据驱动的方法，通过学习大量历史数据来预测光伏发电功率，如神经网络、支持向量机等。但上述模型中，物理模型通常比较复杂，需要详细的气象数据和太阳辐射数据，会导致模型构建和计算成本高，无法精确地捕捉到所有影响光伏发电的气象条件变化，如云层的遮挡和散射等；统计模型基于线性关系进行假设，无法很好地处理光伏发电功率的非线性特征，也会因为外部环境的变化而需要重新校准，影响了模型的稳定性和可靠性；机器学习模型通常需要大量的历史数据来训练，如果数据不全面或存在噪声，模型的预测效果不佳。

3、针对相关技术中对光伏功率进行预测时存在预测精确度低、预测效率低的问题，目前尚未提出有效的解决方案。

技术实现思路

1、本技术的主要目的在于提供一种短期光伏功率的预测方法、装置、存储介质以及电子设备，以解决相关技术中对光伏功率进行预测时存在预测精确度低、预测效率低的问题。

2、为了实现上述目的，根据本技术的一个方面，提供了一种短期光伏功率的预测方法。该方法包括：获取预设时间段内m种天气状态的m组光伏数据，其中，每组光伏数据包括光伏功率数据以及预设时间段的天气数据，m为正整数；利用目标模态分解算法对m组光伏数据进行信号分解，得到m组模态分量，其中，目标模态分解算法是由目标优化算法基于历史时间段的历史光伏数据对预设模态分解算法优化得到；将m组模态分量输入目标深度学习模型，输出m组模态预测序列，计算每组模态预测序列中的数据的总和，得到m种天气状态的光伏功率预测数据。

3、进一步地，目标模态分解算法通过以下方式得到：对历史光伏数据进行预处理，得到历史光伏功率序列；预设模态分解算法利用样本熵算法对历史光伏功率序列进行计算，得到初始适应度值和初始位置数据；获取初始迭代数据，在初始迭代数据小于等于预设迭代阈值的情况下，目标优化算法对初始适应度值和初始位置数据进行迭代更新，直至初始迭代数据大于预设迭代阈值，获取目标适应度值和目标位置数据；在目标适应度值和目标位置数据符合迭代终止条件的情况下，获取目标分解层数和目标惩罚因子，根据目标分解层数和目标惩罚因子构建得到目标模态分解算法，其中，目标分解层数和目标惩罚因子是指计算得到目标适应度值和目标位置数据时的模态分解算法中的算法参数。

4、进一步地，利用目标模态分解算法对m组光伏数据进行信号分解，得到m组模态分量包括：对m组光伏数据进行序列转换，得到m组光伏数据序列；获取白高斯噪声参数，利用白高斯噪声参数对m组光伏数据序列进行加噪处理，得到m组处理后的光伏数据序列；获取第一算子和第二算子，利用第一算子和第二算子对每组处理后的光伏数据序列进行处理，得到m组模态分量。

5、进一步地，利用第一算子和第二算子对每组处理后的光伏数据序列进行处理，得到m组模态分量包括：利用第一算子对每组处理后的光伏数据序列进行计算，得到m组第一局部均值分解序列；利用第二算子对每组第一局部均值分解序列进行计算，得到m组第一残差分量；计算每组处理后的光伏数据序列和每组第一残差分量的差值，得到m组第一模态分量；利用m组第一残差分量和m组第一模态分量确定m组模态分量。

6、进一步地，利用m组第一残差分量和m组第一模态分量确定m组模态分量包括：获取预设阶数，计算m组第一局部均值分解序列的均值，得到m组第二局部均值分解序列；利用第二算子对每组第二局部均值分解序列进行计算，得到m组第二残差分量；计算每组处理后的光伏数据序列和每组第二残差分量的差值，得到m组第二模态分量，直至得到预设阶数关联的m组预设阶数的残差分量和m组预设阶数的模态分量；将所有组残差分量进行组合，得到m组目标残差分量，将所有组模态分量进行组合，得到m组目标模态分量，由每组目标残差分量和每组目标模态分量进行组合，得到m组模态分量。

7、进一步地，将m组模态分量输入目标深度学习模型，输出m组模态预测序列包括：将每组模态分量进行归一化处理，得到m组处理后的模态分量；对每组处理后的模态分量进行序列转换处理，得到m组目标序列，将m组目标序列输入目标深度学习模型。

8、进一步地，目标深度学习模型通过以下方式训练得到：对历史光伏数据进行划分，得到第一历史光伏数据和第二历史光伏数据，对第一历史光伏数据和第二历史光伏数据进行预处理，得到第一历史光伏功率序列和第二历史光伏功率序列；将第一历史光伏功率序列输入预设深度学习模型，输出预设光伏功率序列，计算预设光伏功率序列和第二历史光伏功率序列的均方误差，得到功率误差；在功率误差大于等于误差阈值的情况下，对预设深度学习模型的模型参数进行调整，直至调整后的深度学习模型的功率误差小于误差阈值，将调整后的深度学习模型确定为目标深度学习模型。

9、为了实现上述目的，根据本技术的另一方面，提供了一种短期光伏功率的预测装置。该装置包括：获取单元，用于获取预设时间段内m种天气状态的m组光伏数据，其中，每组光伏数据包括光伏功率数据以及预设时间段的天气数据，m为正整数；分解单元，用于利用目标模态分解算法对m组光伏数据进行信号分解，得到m组模态分量，其中，目标模态分解算法是由目标优化算法基于历史时间段的历史光伏数据对预设模态分解算法优化得到；输入单元，用于将m组模态分量输入目标深度学习模型，输出m组模态预测序列，计算每组模态预测序列中的数据的总和，得到m种天气状态的光伏功率预测数据。

10、根据本发明实施例的另一方面，还提供了一种计算机存储介质，计算机存储介质用于存储程序，其中，程序运行时控制计算机存储介质所在的设备执行一种短期光伏功率的预测方法。

11、根据本发明实施例的另一方面，还提供了一种电子设备，包含一个或多个处理器和存储器；存储器中存储有计算机可读指令，处理器用于运行计算机可读指令，其中，计算机可读指令运行时执行一种短期光伏功率的预测方法。

12、根据本发明实施例的另一方面，还提供了一种计算机程序产品，包括计算机程序，计算机程序被处理器执行时执行一种短期光伏功率的预测方法。

13、通过本技术，采用以下步骤：获取预设时间段内m种天气状态的m组光伏数据，其中，每组光伏数据包括光伏功率数据以及预设时间段的天气数据，m为正整数；利用目标模态分解算法对m组光伏数据进行信号分解，得到m组模态分量，其中，目标模态分解算法是由目标优化算法基于历史时间段的历史光伏数据对预设模态分解算法优化得到；将m组模态分量输入目标深度学习模型，输出m组模态预测序列，计算每组模态预测序列中的数据的总和，得到m种天气状态的光伏功率预测数据，解决了相关技术中对光伏功率进行预测时存在预测精确度低、预测效率低的问题，通过获取预设时间段内多种天气状态的光伏数据，利用目标模态分解算法对光伏数据进行信号分解，得到模态分量，将所有模态分量输入目标深度学习模型，输出多组模态预测序列，计算每组模态预测序列中的数据的总和，得到上述多种天气状态的光伏功率预测数据，进而达到了提高预测光伏功率数据的准确度和效率的效果。