[发明专利]光伏发电量的预测方法、装置、电子设备和存储介质

说明书

本申请提出一种光伏发电量的预测方法、装置、电子设备和存储介质，其中，该方法包括：通过工况和天气数据与预测日匹配的历史采样日的历史数据对LCA模型进行训练，以得到基于LCA模型训练后的预测模型，最后将预测日的日期或预测日中待预测光伏发电量的时刻输入到预测模型，以得到预测的光伏发电量预测值，由此，在预测光伏发电量的过程中，结合工况和天气数据与预测日匹配的历史采样日的历史数据对LCA模型进行训练，以得到预测模型，并将预测日的日期或时刻输入到预测模型，以得到预测的光伏发电量预测值，通过训练出的训练模型准确预测出预测日对应的光伏发电量预测值。

技术领域

本申请涉及光伏发电技术领域，尤其涉及一种光伏发电量的预测方法、装置、电子设备和存储介质。

背景技术

光伏发电量的预测对于光伏发电厂的选址，并网都有着重大意义。相关技术中，通常采用时间线性序列，选取气候相似的历史数据对光伏发电量进行预测，但只能预测单一地点，且所预测出的光伏发电量存在偏差。

发明内容

本申请提出一种光伏发电量的预测方法、装置、电子设备和存储介质。

本申请第一方面实施例提出了一种光伏发电量的预测方法，所述方法包括：获取光伏发电量预测的训练样本，其中，所述训练样本是工况和天气数据与预测日匹配的历史采样日的历史数据；采用所述训练样本对混合LCA模型进行训练，以得到基于所述LCA模型训练后的预测模型；获取预测日的日期或预测日中待预测光伏发电量的时刻，并将所述日期或时刻输入到所述预测模型，以得到预测的光伏发电量预测值。

在本申请的一个实施例中，所述LCA模型包括输入层、卷积神经网络CNN层、长短期记忆人工神经网络LSTM层、注意力层和输出层，采用所述训练样本对LCA模型进行训练，以得到基于所述LCA模型训练后的预测模型，包括：将所述训练样本输入到所述输入层，通过所述输入层得到所述训练样本各自对应的输入向量；将所述输入向量输入到所述CNN层，并对所述输入向量进行特征提取，以筛选出目标特征向量；获取所述目标特征向量，将所述目标特征向量输入所述LSTM层，以得到所述目标特征向量各自对应的第一输出向量；将所述目标特征向量各自对应的第一输出向量输入到所述注意力层中，并根据所述注意力层中所述第一输出向量的注意力权重参数值，对所述第一输出向量进行筛选，以得到第二输出向量；将所述第二输出向量输入到所述输出层，以确定光伏发电量的预测值，并输出所述光伏发电量的预测值；根据所述训练样本和所述预测值之间的差异，对所述LCA模型进行模型参数调整，以得到所述预测模型。

在本申请的一个实施例中，所述CNN层包括卷积层和丢弃dropout层，将所述输入向量输入到所述CNN层，并对所述输入向量进行特征提取，以筛选出目标特征向量，包括：将所述输入向量输入到所述卷积层中，获取卷积层提取的输入向量的多个特征向量；将所述输入向量的多个特征向量输入到所述dropout层，以从所述多个特征中筛选出目标特征向量。

在本申请的一个实施例中，在将所述第二输出向量输入到所述输出层，以确定光伏发电量的预测值，并输出所述光伏发电量的预测值之后，还包括：获取所述光伏发电量的预测值，并对所述光伏发电量的预测值进行反归一化处理。

在本申请的一个实施例中，在获取光伏发电量预测的训练样本之前，还包括：选取工况和天气数据与预测日匹配的采样日的历史数据；根据各所述采样日的历史数据，采用灰色关联分析法和相似度指标筛选得到日期与所述预测日之间差异小于阈值的历史采样日；获取所述历史采样日的历史数据，并将所述历史采样日的历史数据作为训练样本。