本发明涉及分布式光伏，尤其涉及分布式光伏功率预测模型的训练方法、分布式光伏功率预测方法、装置、电子设备及存储介质。
背景技术：
1、分布式光伏具有点多面广的特点，大量并网对电网的安全稳定运行造成影响。现有的分布式光伏功率预测通常通过模型进行预测，但是由于不同类型的参数对分布式光伏功率的预测结果影响不同，因此，功率预测模型的输入数据的选择会影响模型的精度；如何选择合适类型的数据，提高模型精度成为有待解决的问题。
技术实现思路
1、本发明提供了一种分布式光伏功率预测模型的训练、分布式光伏功率预测方法、装置、电子设备及存储介质，以解决模型训练过程中数据类型选择不当导致模型精度较低，进而影响光伏功率预测准确性的问题。
2、根据本发明的一方面，提供了一种分布式光伏功率预测模型的训练方法，包括：
3、获取历史气象数据集，所述历史气象数据集中包括不同时刻的历史气象数据，所述历史气象数据包括不同类型的气象数据；
4、基于所述历史气象数据集中的历史气象数据确定气象参数变化值、组件温度系数和组件功率系数；
5、将所述历史气象数据集中的历史气象数据、气象参数变化值、组件温度系数和组件功率系数所对应的数据类型分别作为待分析数据类型，计算所述待分析数据类型的数据与光伏功率的数据相关性以及一阶差分的相关性；
6、基于各所述待分析数据类型对应的数据相关性和一阶差分的相关性进行筛选，确定目标数据类型；
7、基于各所述目标数据类型对应的数据对分布式光伏功率预测模型进行训练，得到目标光伏功率预测模型。
8、可选的，所述历史气象数据包括：温度，所述气象参数变化值包括：至少一种温度变化值，所述基于所述历史气象数据集中的历史气象数据确定气象参数变化值，包括：
9、确定各所述温度对应的采集时间以及至少一个第一时间间隔；
10、针对每个第一时间间隔，根据所述温度的采集时间以及第一时间间隔确定上一温度，计算所述温度和上一温度的差值，得到所述采集时间对应的温度变化值。
11、可选的，所述历史气象数据包括：气压，所述气象参数变化值包括：至少一种气压变化值，所述基于所述历史气象数据集中的历史气象数据确定气象参数变化值，包括：
12、确定各所述气压对应的采集时间以及至少一个第二时间间隔；
13、针对每个第二时间间隔，根据所述气压的采集时间以及第二时间间隔确定上一气压，计算所述气压和上一气压的差值，得到所述采集时间对应的气压变化值。
14、可选的，所述历史气象数据包括：温度、辐照度和风速；所述基于所述历史气象数据集中的历史气象数据确定组件温度系数和组件功率系数，包括：
15、根据所述辐照度与辐照度参数的乘积确定第一温度；
16、根据所述风速与风速参数的乘积确定第二温度；
17、将所述温度、所述第一温度和所述第二温度相加，得到组件温度系数；
18、根据所述组件温度系数确定组件功率系数；
19、其中，所述辐照度参数根据光伏组件表面的辐射特性和温度差确定，所述温度差为迎光表面和背光表面的温度差，所述迎光表面的温度为光伏组件温度，所述背光表面为气温；所述风速参数根据空气密度、空气比热容以及光伏组件的风阻确定，所述风速参数为负数。
20、可选的，所述根据所述组件温度系数确定组件功率系数，包括：
21、计算所述组件温度系数和预设温度的差值，得到第一差值；
22、将所述第一差值与第一参数相乘，得到第一乘积；
23、计算1与所述第一乘积的差值，得到第二差值；
24、将所述第二差值与所述辐照度相乘，得到第二乘积；
25、将所述第二乘积与预设辐照度的比值确定为组件功率系数；
26、其中，所述预设温度根据光伏组件测试时的标准温度确定，所述第一参数根据光伏组件的功率随温度变化的灵敏度确定，所述预设辐照度根据光伏组件测试时的标准辐照度确定。
27、可选的，所述计算所述待分析数据类型的数据与光伏功率的一阶差分的相关性，包括：
28、确定所述待分析数据类型所对应的不同时刻的数据；
29、对于每个时刻，基于所述时刻所对应的数据及所述数据对应的上一数据计算所述数据的一阶差分，并根据所述时刻所对应的光伏功率及所述光伏功率对应的上一光伏功率计算所述光伏功率的一阶差分；
30、根据所有时刻的数据的一阶差分和光伏功率的一阶差分计算一阶差分的相关性。
31、可选的，所述基于各所述待分析数据类型对应的数据相关性和一阶差分的相关性进行筛选，确定目标数据类型，包括：
32、将所述数据相关性大于预设的相关性阈值的各所述待分析数据类型作为候选数据类型；
33、比较各所述候选数据类型对应的一阶差分的相关性的大小，按照一阶差分的相关性从高到低的顺序选择预设数量的候选数据类型作为目标数据类型。
34、根据本发明的另一方面，提供了一种分布式光伏功率预测方法，包括：
35、基于目标数据类型获取待预测气象预报数据；
36、将所述待预测气象预报数据输入到预先训练好的目标光伏功率预测模型中，所述目标光伏功率预测模型采用本发明任一实施例所述的分布式光伏功率预测模型的训练方法进行模型训练得到；
37、根据所述目标光伏功率预测模型的输出结果确定分布式光伏功率预测结果。
38、根据本发明的另一方面，提供了一种分布式光伏功率预测模型的训练装置，包括：
39、数据集获取模块，用于获取历史气象数据集，所述历史气象数据集中包括不同时刻的历史气象数据，所述历史气象数据包括不同类型的气象数据；
40、参数确定模块，用于基于所述历史气象数据集中的历史气象数据确定气象参数变化值、组件温度系数和组件功率系数；
41、相关性确定模块，用于将所述历史气象数据集中的历史气象数据、气象参数变化值、组件温度系数和组件功率系数所对应的数据类型分别作为待分析数据类型，计算所述待分析数据类型的数据与光伏功率的数据相关性以及一阶差分的相关性；
42、目标类型筛选模块，用于基于各所述待分析数据类型对应的数据相关性和一阶差分的相关性进行筛选，确定目标数据类型；
43、模型训练模块，用于基于各所述目标数据类型对应的数据对分布式光伏功率预测模型进行训练，得到目标光伏功率预测模型。
44、可选的，所述历史气象数据包括：温度，所述气象参数变化值包括：至少一种温度变化值，所述参数确定模块，包括：
45、第一时间间隔确定单元，用于确定各所述温度对应的采集时间以及至少一个第一时间间隔；
46、温度变化值确定单元，用于针对每个第一时间间隔，根据所述温度的采集时间以及第一时间间隔确定上一温度，计算所述温度和上一温度的差值，得到所述采集时间对应的温度变化值。
47、可选的，所述历史气象数据包括：气压，所述气象参数变化值包括：至少一种气压变化值，所述参数确定模块，包括：
48、第二时间间隔确定单元，用于确定各所述气压对应的采集时间以及至少一个第二时间间隔；
49、气压变化值确定单元，用于针对每个第二时间间隔，根据所述气压的采集时间以及第二时间间隔确定上一气压，计算所述气压和上一气压的差值，得到所述采集时间对应的气压变化值。
50、可选的，所述历史气象数据包括：温度、辐照度和风速；所述参数确定模块，包括：
51、第一温度确定单元，用于根据所述辐照度与辐照度参数的乘积确定第一温度；
52、第二温度确定单元，用于根据所述风速与风速参数的乘积确定第二温度；
53、组件温度系数确定单元，用于将所述温度、所述第一温度和所述第二温度相加，得到组件温度系数；
54、组件功率系数确定单元，用于根据所述组件温度系数确定组件功率系数；
55、其中，所述辐照度参数根据光伏组件表面的辐射特性和温度差确定，所述温度差为迎光表面和背光表面的温度差，所述迎光表面的温度为光伏组件温度，所述背光表面为气温；所述风速参数根据空气密度、空气比热容以及光伏组件的风阻确定，所述风速参数为负数。
56、可选的，所述组件功率系数确定单元，具体用于：
57、计算所述组件温度系数和预设温度的差值，得到第一差值；
58、将所述第一差值与第一参数相乘，得到第一乘积；
59、计算1与所述第一乘积的差值，得到第二差值；
60、将所述第二差值与所述辐照度相乘，得到第二乘积；
61、将所述第二乘积与预设辐照度的比值确定为组件功率系数；
62、其中，所述预设温度根据光伏组件测试时的标准温度确定，所述第一参数根据光伏组件的功率随温度变化的灵敏度确定，所述预设辐照度根据光伏组件测试时的标准辐照度确定。
63、可选的，所述相关性确定模块，包括：
64、数据确定单元，用于确定所述待分析数据类型所对应的不同时刻的数据；
65、一阶差分计算单元，用于对于每个时刻，基于所述时刻所对应的数据及所述数据对应的上一数据计算所述数据的一阶差分，并根据所述时刻所对应的光伏功率及所述光伏功率对应的上一光伏功率计算所述光伏功率的一阶差分；
66、相关性计算单元，用于根据所有时刻的数据的一阶差分和光伏功率的一阶差分计算一阶差分的相关性。
67、可选的，所述目标类型筛选模块，包括：
68、候选类型确定单元，用于将所述数据相关性大于预设的相关性阈值的各所述待分析数据类型作为候选数据类型；
69、目标类型确定单元，用于比较各所述候选数据类型对应的一阶差分的相关性的大小，按照一阶差分的相关性从高到低的顺序选择预设数量的候选数据类型作为目标数据类型。
70、根据本发明的另一方面，提供了一种分布式光伏功率预测装置，包括：
71、待预测数据获取模块，用于基于目标数据类型获取待预测气象预报数据；
72、模型预测模块，用于将所述待预测气象预报数据输入到预先训练好的目标光伏功率预测模型中，所述目标光伏功率预测模型采用本发明任一实施例所述的分布式光伏功率预测模型的训练方法进行模型训练得到；
73、预测结果确定模块，用于根据所述目标光伏功率预测模型的输出结果确定分布式光伏功率预测结果。
74、根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
75、至少一个处理器，以及与所述至少一个处理器通信连接的存储器；
76、其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的分布式光伏功率预测模型的训练方法或分布式光伏功率预测方法。
77、根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的分布式光伏功率预测模型的训练方法或分布式光伏功率预测方法。
78、本发明实施例的技术方案，通过获取历史气象数据集，所述历史气象数据集中包括不同时刻的历史气象数据，所述历史气象数据包括不同类型的气象数据；基于所述历史气象数据集中的历史气象数据确定气象参数变化值、组件温度系数和组件功率系数；将所述历史气象数据集中的历史气象数据、气象参数变化值、组件温度系数和组件功率系数所对应的数据类型分别作为待分析数据类型，计算所述待分析数据类型的数据与光伏功率的数据相关性以及一阶差分的相关性；基于各所述待分析数据类型对应的数据相关性和一阶差分的相关性进行筛选，确定目标数据类型；基于各所述目标数据类型对应的数据对分布式光伏功率预测模型进行训练，得到目标光伏功率预测模型，解决了模型训练过程中数据类型选择不当导致模型精度较低，进而影响光伏功率预测准确性的问题，通过对历史气象数据进行分析，确定可能影响光伏功率预测准确性的气象参数变化值、组件温度系数和组件功率系数，通过将每种数据类型分别作为待分析数据类型，分析待分析数据类型的数据与光伏功率的数据相关性和一阶差分的相关性，基于数据相关性和一阶差分的相关性对不同数据类型进行筛选，得到相关性较高的目标数据类型，基于相关性较高的目标数据类型选择数据对分布式光伏功率预测模型进行训练，得到目标光伏功率预测模型，由于模型训练所采用的数据与光伏功率的相关性较高，因此，训练得到的模型精度较高，可以准确预测分布式光伏功率，有效提升分布式光伏功率预测精度。
79、应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
1.一种分布式光伏功率预测模型的训练方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述历史气象数据包括：温度，所述气象参数变化值包括：至少一种温度变化值，所述基于所述历史气象数据集中的历史气象数据确定气象参数变化值，包括：
3.根据权利要求1所述的方法，其特征在于，所述历史气象数据包括：气压，所述气象参数变化值包括：至少一种气压变化值，所述基于所述历史气象数据集中的历史气象数据确定气象参数变化值，包括：
4.根据权利要求1所述的方法，其特征在于，所述历史气象数据包括：温度、辐照度和风速；所述基于所述历史气象数据集中的历史气象数据确定组件温度系数和组件功率系数，包括：
5.根据权利要求4所述的方法，其特征在于，所述根据所述组件温度系数确定组件功率系数，包括：
6.根据权利要求1所述的方法，其特征在于，所述计算所述待分析数据类型的数据与光伏功率的一阶差分的相关性，包括：
7.根据权利要求1所述的方法，其特征在于，所述基于各所述待分析数据类型对应的数据相关性和一阶差分的相关性进行筛选，确定目标数据类型，包括：
8.一种分布式光伏功率预测方法，其特征在于，包括：
9.一种分布式光伏功率预测模型的训练装置，其特征在于，包括：
10.根据权利要求9所述的装置，其特征在于，所述历史气象数据包括：温度，所述气象参数变化值包括：至少一种温度变化值，所述参数确定模块，包括：
11.根据权利要求9所述的装置，其特征在于，所述历史气象数据包括：气压，所述气象参数变化值包括：至少一种气压变化值，所述参数确定模块，包括：
12.根据权利要求9所述的装置，其特征在于，所述历史气象数据包括：温度、辐照度和风速；所述参数确定模块，包括：
13.根据权利要求12所述的装置，其特征在于，所述组件功率系数确定单元，具体用于：
14.根据权利要求9所述的装置，其特征在于，所述相关性确定模块，包括：
15.根据权利要求9所述的装置，其特征在于，所述目标类型筛选模块，包括：
16.一种分布式光伏功率预测装置，其特征在于，包括：
17.一种电子设备，其特征在于，所述电子设备包括：
18.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的分布式光伏功率预测模型的训练方法或权利要求8所述的分布式光伏功率预测方法。
