[发明专利]光功率的预测方法、装置、设备及存储介质

权利要求书

1.一种光功率的预测方法，其特征在于，所述方法包括：

获取至少两个气象源的历史气象数据和气象预测数据，以及获取所述历史气象数据对应的实际光功率；所述历史气象数据包括历史气象预测数据和历史气象实测数据中的至少一种，所述历史气象预测数据是指已发生时间上的气象预测数据，所述历史气象实测数据是对所述已发生时间上的地球大气层状态进行观测得到的气象数据，所述气象预测数据是对未来时间上的地球大气层状态进行预测得到的气象数据；

针对每一个气象源的历史气象数据和气象预测数据，与所述实际光功率进行预处理，得到所述至少两个气象源对应的至少两个特征数据序列；

预测模型包括多模态输入层、至少两个编码模块和至少两个预测模块；通过所述多模态输入层将所述至少两个特征数据序列中的第i个特征数据序列输入所述至少两个编码模块中的第i个编码模块；通过所述第i个编码模块对所述第i个特征数据序列进行特征编码，得到第i个特征编码向量；通过所述至少两个预测模块中的第i个预测模块基于所述第i个特征编码向量进行光功率预测，得到至少两个候选光功率中的第i个候选光功率，i为正整数；

基于所述至少两个候选光功率确定所述气象预测数据对应的预测光功率；

其中，所述编码模块包括特征金字塔网络；所述通过所述第i个编码模块对所述第i个特征数据序列进行特征编码，包括：通过所述第i个编码模块中的特征金字塔网络对所述第i个特征数据序列进行特征编码。

2.根据权利要求1所述的方法，其特征在于，所述预测模块包括结合了时间步注意力机制的第一网络、第二网络；

所述通过第i个预测模块基于所述第i个特征编码向量进行光功率预测，得到第i个候选光功率，包括：

通过所述第一网络对所述第i个特征编码向量进行时序特征提取，得到隐含上下时间步的时序关系的隐层向量；

通过所述第二网络基于所述隐层向量进行光功率预测，得到所述第i个候选光功率。

3.根据权利要求1或2所述的方法，其特征在于，所述针对每一个气象源的历史气象数据和气象预测数据，与所述实际光功率进行预处理，得到所述至少两个气象源对应的至少两个特征数据序列，包括：

基于第i个气象源的历史气象数据和实际光功率，构建第i个光功率计算函数；

调用所述第i个光功率计算函数计算所述第i个气象源的气象预测数据对应的理论光功率；

按照时序对所述第i个气象源的历史气象数据和气象预测数据、以及所述理论光功率组合，生成所述第i个气象源对应的第i个特征数据序列，i为正整数。

4.根据权利要求1或2所述的方法，其特征在于，所述针对每一个气象源的历史气象数据和气象预测数据，与所述实际光功率进行预处理，得到所述至少两个气象源对应的至少两个特征数据序列，包括：

基于所述至少两个气象源的历史气象数据和实际光功率，构建光功率计算函数；

调用所述光功率计算函数计算第i个气象源的气象预测数据对应的理论光功率；

按照时序对所述第i个气象源的历史气象数据和气象预测数据、以及所述理论光功率组合，生成所述第i个气象源对应的第i个特征数据序列，i为正整数。

5.根据权利要求1或2所述的方法，其特征在于，所述预测模型的训练过程包括：

获取所述至少两个气象源的第一气象数据和第二气象数据，以及获取所述第一气象数据对应的第一历史光功率，所述第二气象数据标记有第二历史光功率，所述第一气象数据描述的天气时刻先于所述第二气象数据描述的天气时刻；

针对每一个气象源的第一气象数据和第二气象数据，与所述第一历史光功率进行预处理，得到所述至少两个气象源对应的至少两个样本特征数据序列；

调用神经网络模型基于每一个样本特征数据序列进行光功率预测，得到所述至少两个样本特征数据序列对应的至少两个样本候选光功率；

基于所述至少两个样本候选光功率与所述第二历史光功率之间的预测损失，对所述神经网络模型进行训练，得到所述预测模型。