本發明涉及光伏發電，尤其是指一種光伏發電功率預測方法、裝置及計算機可讀存儲介質。

背景技術：

1、隨著全球對傳統化石燃料依賴的逐步減少，以及對環境污染問題的日益關注，清潔能源正迅速崛起，成為能源結構中的關鍵支柱。太陽能作為一種容易獲取且環境友好型的可再生能源，已經贏得了電力行業的廣泛認可和應用，然而，光伏發電的輸出功率極易受到氣象條件的影響，展現出顯著的間歇性和波動性，這種不穩定性在光伏發電大規模并入電網時，對電力系統的穩定性和可管理性帶來了挑戰，因此，為了確保電力系統的穩定和安全運行，加強對光伏功率的精準預測具有重要意義。

2、傳統的基于深度學習的光伏發電功率預測方法通過采集歷史光伏發電功率數據對神經網絡模型進行訓練，使得神經網絡模型學習歷史光伏發電功率中的規律，從而預測未來的光伏發電功率。但是，由于光伏發電功率往往受氣象因素影響，不同氣象條件下的光伏發電功率曲線形態差異較大，基于這一原因，現有技術中的光伏發電功率預測方法往往會采集歷史光伏發電功率數據及其對應的氣象參數，在對模型進行訓練時，將歷史光伏發電功率數據以及氣象參數共同作為模型的輸入，使得模型學習光伏發電功率和氣象條件之間的關聯，從而在進行光伏發電功率預測時考慮氣象因素的影響，使得預測結果更精確，但是，由于不同氣象參數如溫度、濕度、輻射強度等對于光伏發電功率的影響程度不同，而現有技術中基于氣象參數和歷史光伏發電功率數據對模型進行訓練的方法忽略了這一因素，無法捕捉到每種氣象參數對光伏發電功率的影響程度，導致模型最終輸出的預測結果仍然存在較大的誤差。

3、綜上所述，現有的光伏發電功率預測方法忽略了不同氣象參數對光伏發電功率的影響，導致構建得到的光伏發電功率預測模型無法捕捉不同氣象參數與光伏發電功率之間的關系，從而使得預測結果的精確度較低。

技術實現思路

1、為此，本發明所要解決的技術問題在于克服現有技術中的光伏發電功率預測方法忽略了不同氣象參數對光伏發電功率的影響，導致構建得到的光伏發電功率預測模型無法捕捉不同氣象參數與光伏發電功率之間的關系，從而使得預測結果的精確度較低的問題。

2、為解決上述技術問題，本發明提供了一種光伏發電功率預測方法，包括：

3、采集多個采樣時刻下的氣象參數及光伏發電功率，得到多個采樣時刻的光伏發電數據序列；基于所有光伏發電數據序列，計算每種氣象參數與光伏發電功率的相關性系數；

4、將k個光伏發電數據序列作為聚類中心，并基于每種氣象參數與光伏發電功率的相關性系數，計算各個光伏發電數據序列與各個聚類中心的歐式距離，從而對所有光伏發電數據序列進行聚類，得到k個初始光伏發電數據簇；

5、計算每個初始光伏發電數據簇中各個光伏發電數據序列的局部離群因子，基于每個光伏發電數據序列的局部離群因子，計算每個光伏發電數據序列的權重；

6、基于所有光伏發電數據序列的權重，構建對角線權重矩陣；基于所述對角線權重矩陣以及貝葉斯線性回歸模型后驗分布，構建光伏發電功率預測概率分布模型；

7、將所述多個光伏發電數據序列輸入至所述光伏發電功率預測概率分布模型中，對所述光伏發電功率預測概率分布模型的參數進行優化，得到目標光伏發電功率預測模型。

8、優選地，每種氣象參數與光伏發電功率的相關性系數的計算公式表示為：

9、，

10、其中，表示第種氣象參數與光伏發電功率的相關性系數；表示第個光伏發電數據序列中第種氣象參數；表示所有光伏發電數據序列中第種氣象參數的均值；表示第個光伏發電數據序列中的光伏發電功率；表示所有光伏發電數據序列中光伏發電功率的均值；表示光伏發電數據序列的數量；，表示氣象參數的種類。

11、優選地，各個光伏發電數據序列與各個聚類中心的歐式距離的計算公式表示為：

12、，

13、其中，表示第個光伏發電數據序列與第k個聚類中心的歐式距離；表示第種氣象參數與光伏發電功率的相關性系數；表示第個光伏發電數據序列中第種氣象參數；表示第k個聚類中心中第種氣象參數；，表示氣象參數的種類。

14、優選地，得到k個初始光伏發電數據簇后還包括：

15、基于k個初始光伏發電數據簇的類中心，得到k個新的聚類中心；

16、基于所述k個新的聚類中心，對所有光伏發電數據序列重新進行聚類，得到k個新的光伏發電數據簇，并判斷所述k個新的光伏發電數據簇與所述k個初始光伏發電數據簇是否相同；

17、若k個新的光伏發電數據簇和k個初始光伏發電數據簇不同，則將k個新的光伏發電數據簇的類中心作為k個新的聚類中心，重新對所有光伏發電數據序列進行聚類，直到聚類得到的k個光伏發電數據簇與k個新的光伏發電數據簇相同。

18、優選地，計算每個初始光伏發電數據簇中各個光伏發電數據序列的局部離群因子，基于每個光伏發電數據序列的局部離群因子，計算每個光伏發電數據序列的權重包括：

19、對于每個初始光伏發電數據簇中的每個光伏發電數據序列，將該初始光伏發電數據簇中與該光伏發電數據序列距離最近的第k個光伏發電數據序列作為目標光伏發電數據序列，將所述光伏發電數據序列與目標光伏發電數據序列的距離作為所述光伏發電數據序列的k-鄰近距離；

20、獲取該初始光伏發電數據簇中與所述光伏發電數據序列的距離小于所述k-鄰近距離的光伏發電數據序列，得到光伏發電數據序列集合；

21、將所述光伏發電數據序列的k-鄰近距離和目標光伏發電數據序列的k-鄰近距離中的最大值，作為所述光伏發電數據序列的可達距離；

22、基于所述光伏發電數據序列的可達距離和所述光伏發電數據序列集合，計算所述光伏發電數據序列的局部可達密度；

23、基于所述光伏發電數據序列的局部可達密度計算所述光伏發電數據序列的局部離群因子；

24、基于預設系數對所述光伏發電數據序列的局部離群因子進行映射，得到所述光伏發電數據序列的權重。

25、優選地，光伏發電數據序列的局部可達密度的計算公式為：

26、，

27、其中，表示光伏發電數據序列的局部可達密度；表示以光伏發電數據序列的k鄰域，即以光伏發電數據序列為圓心、以光伏發電數據序列的k-鄰近距離為半徑的鄰域；表示光伏發電數據序列的可達距離；

28、光伏發電數據序列的局部離群因子的計算公式表示為：

29、，

30、其中，表示光伏發電數據序列的局部離群因子；表示光伏發電數據序列的局部可達密度；

31、光伏發電數據序列的權重的計算公式表示為：

32、，

33、其中，表示第個光伏發電數據序列的權重；表示預設系數。

34、優選地，所述光伏發電功率預測概率分布模型表示為：

35、，

36、，

37、其中，表示光伏發電功率預測概率分布模型；表示光伏發電功率預測概率分布模型輸出的光伏發電功率預測值；表示輸入光伏發電功率預測概率分布模型的氣象參數；表示光伏發電功率數據序列中的氣象參數；表示光伏發電功率數據序列中的光伏發電功率；表示和的協方差矩陣；表示和的協方差矩陣；表示和的協方差矩陣；表示和的協方差矩陣；表示對角線權重矩陣；表示光伏發電功率的噪聲；表示單位矩陣。

38、優選地，將所述多個光伏發電數據序列輸入至所述光伏發電功率預測概率分布模型中后，利用遺傳算法對所述光伏發電功率預測概率分布模型的參數進行優化。

39、本發明還提供了一種光伏發電功率預測裝置，包括：

40、數據獲取及相關性系數計算模塊，用于采集多個采樣時刻下的氣象參數及光伏發電功率，得到多個采樣時刻的光伏發電數據序列；基于所有光伏發電數據序列，計算每種氣象參數與光伏發電功率的相關性系數；

41、聚類模塊，用于將k個光伏發電數據序列作為聚類中心，并基于每種氣象參數與光伏發電功率的相關性系數，計算各個光伏發電數據序列與各個聚類中心的歐式距離，從而對所有光伏發電數據序列進行聚類，得到k個初始光伏發電數據簇；

42、權重計算模塊，用于計算每個初始光伏發電數據簇中各個光伏發電數據序列的局部離群因子，基于每個光伏發電數據序列的局部離群因子，計算每個光伏發電數據序列的權重；

43、模型構建模塊，用于基于所有光伏發電數據序列的權重，構建對角線權重矩陣；基于所述對角線權重矩陣以及貝葉斯線性回歸模型后驗分布，構建光伏發電功率預測概率分布模型；

44、參數優化及模型獲取模塊，用于將所述多個光伏發電數據序列輸入至所述光伏發電功率預測概率分布模型中，對所述光伏發電功率預測概率分布模型的參數進行優化，得到目標光伏發電功率預測模型。

45、本發明還提供了一種計算機可讀存儲介質，所述計算機可讀存儲介質上存儲有計算機程序，所述計算機程序被處理器執行時實現上述的光伏發電功率預測方法的步驟。

46、本技術提供的光伏發電功率預測方法先基于多個采樣時刻的光伏發電功率和多種氣象參數，分別計算每種氣象參數與光伏發電功率的相關性系數，通過計算相關性系數挖掘不同氣象參數與光伏發電功率之間的線性關系，得到每種氣象參數對光伏發電功率的影響程度；基于每種氣象參數與光伏發電功率的相關性系數，對所有光伏發電數據序列進行聚類，得到k個初始光伏發電數據簇，通過采用特征權重k均值聚類法對光伏發電數據序列進行聚類，將屬于相同氣象類型的光伏發電數據序列聚類為一個數據簇；由于數據采集設備或環境等因素影響，導致部分光伏發電數據存在異常，即部分光伏發電功率與其氣象參數并不能完全對應或耦合，因此，利用局部離群因子算法計算每種氣象類型的數據簇中的光伏發電數據序列的局部離群因子，以判斷該光伏發電數據序列中的光伏發電功率與氣象參數的耦合程度，從而判斷該光伏發電數據序列是否異常，并對其賦予相應的權重；基于所有光伏發電數據序列的權重和貝葉斯線性回歸模型后驗分布，構建光伏發電功率預測概率分布模型，最后利用多個光伏發電數據序列對光伏發電功率預測概率分布模型的參數進行優化，得到目標光伏發電功率預測模型；本技術充分考慮了不同氣象參數對光伏發電功率的影響，通過將對應不同氣象參數類型的光伏發電數據序列進行聚類，將局部離群因子算法與高斯過程回歸模型相結合，為每個光伏發電數據序列賦予相應的權重值，使得模型既可以學習到不同氣象參數對于光伏發電功率的關聯性，又可以減少光伏發電功率與氣象參數不匹配的異常數據對模型預測結果的影響，極大地提高了光伏發電功率預測結果的準確性。