光伏发电量预测方法、装置、设备及介质与流程

1.本发明涉及新能源技术领域，尤其涉及一种光伏发电量预测方法、装置、设备及介质。


背景技术：

2.随着科学技术的发展，各种新能源设备的应用越来越广泛，对应的，光伏发电技术的应用也越来越广泛。光伏发电是利用半导体界面的光生伏特效应而将光能直接转变为电能的一种技术，光伏发电的发电量容易受到环境的影响。对于光伏发电量进行准确地预测，能够更好地进行电网调度，满足用户用电需求。
3.现有技术中，通常通过时序序列预测的方式对光伏发电站的光伏发电量进行预测，即通过光伏发电站在过去一段时间内的发电量，根据时间序列中数据随时间变化的规律，预测未来一段时间内的发电量。现有技术的问题在于，光伏发电站的光伏发电量容易受到环境、天气等多方面因素的共同影响，其值不一定随时间规律变化，因此仅根据时序序列进行预测的方案，不能实现对多方面因素的综合考虑，不利于提高光伏发电量预测的准确性。


技术实现要素：

4.本发明提供一种光伏发电量预测方法、装置、设备及介质，用以解决现有技术中仅根据时序序列进行预测的方案，不能实现对多方面因素的综合考虑，不利于提高光伏发电量预测的准确性的问题，实现提高光伏发电量预测的准确性。
5.本发明提供一种光伏发电量预测方法，包括：获取待预测光伏发电站在历史时段内的至少一张目标卫星图像和至少一组参考参数，其中，所述历史时段的终止时刻为当前时刻，所述参考参数包括日地距离、经纬度、太阳照射角度、海拔高度和天气数据中的至少一种；根据所述参考参数，获取所述待预测光伏发电站在预测时段内的至少一组预测参数，其中，所述预测时段的起始时刻为当前时刻；根据所述目标卫星图像、所述参考参数以及所述预测参数，通过已训练的光伏发电量预测模型，获取所述待预测光伏发电站在所述预测时段内的预测发电量数据。
6.根据本发明提供的一种光伏发电量预测方法，所述根据所述参考参数，获取所述待预测光伏发电站在预测时段内的至少一组预测参数，包括：将所述参考参数输入已训练的参数预测模型，以获取所述参数预测模型输出的一组预测参数；根据所述参考参数和所述预测参数，插值获取所述待预测光伏发电站在预测时段内的多组预测参数。
7.根据本发明提供的一种光伏发电量预测方法，所述根据所述参考参数，获取所述待预测光伏发电站在预测时段内的至少一组预测参数，包括：
针对多组参考参数，分别获取各组参考参数对应的参数采集时间；根据所述多组参考参数，以及各组参考参数对应的参数采集时间，生成所述待预测光伏发电站在所述历史时段内的目标参数模拟曲线；从预设的曲线数据库中获取与所述目标参数模拟曲线匹配的历史模拟曲线，其中，所述曲线数据库中的曲线根据所述待预测光伏发电站历史连续采集的参考参数生成，所述历史模拟曲线中包含与所述目标参数模拟曲线的相似度高于预设相似度阈值的曲线分段；根据所述历史模拟曲线，获取所述待预测光伏发电站在预测时段内的至少一组预测参数。
8.根据本发明提供的一种光伏发电量预测方法，所述根据所述目标卫星图像、所述参考参数以及所述预测参数，通过已训练的光伏发电量预测模型，获取所述待预测光伏发电站在所述预测时段内的预测发电量数据，包括：将所述目标卫星图像、所述参考参数以及所述预测参数，输入所述已训练的光伏发电量预测模型；获取所述光伏发电量预测模型输出的预测发电量数据。
9.根据本发明提供的一种光伏发电量预测方法，所述根据所述目标卫星图像、所述参考参数以及所述预测参数，通过已训练的光伏发电量预测模型，获取所述待预测光伏发电站在所述预测时段内的预测发电量数据，包括：根据所述目标卫星图像获取所述待预测光伏发电站在所述预测时段内的多张预测卫星图像；将所述目标卫星图像、所述预测卫星图像、所述参考参数以及所述预测参数，输入所述已训练的光伏发电量预测模型；获取所述光伏发电量预测模型输出的预测发电量数据。
10.根据本发明提供的一种光伏发电量预测方法，所述根据所述目标卫星图像获取所述待预测光伏发电站在所述预测时段内的多张预测卫星图像，包括：将所述目标卫星图像输入已训练的第一图像预测模型，获得所述第一图像预测模型输出的所述预测时段内多个目标时刻的第一预测图像，其中，所述预测时段内最后一个目标时刻是所述预测时段的终止时刻；将所述目标卫星图像输入已训练的第二图像预测模型，获得所述第二图像预测模型输出的所述预测时段的终止时刻的第二预测图像；根据所述目标卫星图像，以及所述预测时段的终止时刻的第二预测图像，插值获得其它各所述目标时刻对应的第二预测图像；针对每一目标时刻，根据该目标时刻的第一预测图像和第二预测图像，确定该目标时刻对应的预测卫星图像。
11.根据本发明提供的一种光伏发电量预测方法，所述光伏发电量预测模型根据如下步骤进行训练：将训练数据中的训练目标卫星图像、训练预测卫星图像、训练参考参数以及训练预测参数输入所述光伏发电量预测模型，以获取所述光伏发电量预测模型输出的预测发电量数据，其中，所述训练数据包括多组训练信息组，每一组训练信息组包括所述待预测光伏
发电站对应的训练目标卫星图像、训练预测卫星图像、训练参考参数、训练预测参数和标注发电量数据；根据所述预测发电量数据和所述标注发电量数据对所述光伏发电量预测模型的模型参数进行调整，并继续执行所述将训练数据中的训练目标卫星图像、训练预测卫星图像、训练参考参数以及训练预测参数输入所述光伏发电量预测模型的步骤，直至满足预设训练条件，以得到已训练的光伏发电量预测模型。
12.本发明还提供一种光伏发电量预测装置，包括：数据获取模块，用于获取待预测光伏发电站在历史时段内的至少一张目标卫星图像和至少一组参考参数，其中，所述历史时段的终止时刻为当前时刻，所述参考参数包括日地距离、经纬度、太阳照射角度、海拔高度和天气数据中的至少一种；数据处理模块，用于根据所述参考参数，获取所述待预测光伏发电站在预测时段内的至少一组预测参数，其中，所述预测时段的起始时刻为当前时刻；预测模块，用于根据所述目标卫星图像、所述参考参数以及所述预测参数，通过已训练的光伏发电量预测模型，获取所述待预测光伏发电站在所述预测时段内的预测发电量数据。
13.本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现任一种所述光伏发电量预测方法。
14.本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现任一种所述光伏发电量预测方法。
15.本发明提供的光伏发电量预测方法中，获取待预测光伏发电站在历史时段内的至少一张目标卫星图像和至少一组参考参数，其中，所述历史时段的终止时刻为当前时刻，所述参考参数包括日地距离、经纬度、太阳照射角度、海拔高度和天气数据中的至少一种；根据所述参考参数，获取所述待预测光伏发电站在预测时段内的至少一组预测参数，其中，所述预测时段的起始时刻为当前时刻；根据所述目标卫星图像、所述参考参数以及所述预测参数，通过已训练的光伏发电量预测模型，获取所述待预测光伏发电站在所述预测时段内的预测发电量数据。本发明中，先获取历史时段内的目标卫星图像和参考参数，再根据参考参数获得预测时段内的预测参数；然后结合目标卫星图像、参考参数和预测参数，通过已训练的光伏发电量预测模型进行预测以获得预测发电量数据。综合考虑能够共同反应环境、天气等情况的多种因素（包括目标卫星图像、参考参数和预测参数），且通过训练好的模型进行预测，而不是仅根据时序序列随时间变化的关系进行预测。如此，针对非线性变化的光伏发电量有更好地预测效果，有利于提高光伏发电量预测的准确性。
附图说明
16.为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
17.图1是本发明提供的光伏发电量预测方法的流程示意图；
图2是本发明提供的光伏发电量预测装置的结构示意图；图3是本发明提供的电子设备的结构示意图。
具体实施方式
18.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
19.为了解决当前技术的技术问题，本发明提供一种光伏发电量预测方法、装置、设备及介质，下面结合图1-图3进行具体描述。
20.如图1所示，本发明实施例提供一种光伏发电量预测方法，具体的，所述方法包括如下步骤：s100，获取待预测光伏发电站在历史时段内的至少一张目标卫星图像和至少一组参考参数，其中，所述历史时段的终止时刻为当前时刻，所述参考参数包括日地距离、经纬度、太阳照射角度、海拔高度和天气数据中的至少一种。
21.其中，待预测光伏发电站是需要进行光伏发电量预测的发电站，历史时段是光伏发电站在当前时刻之前的一段时间，需要说明的是，历史时段的具体时长可以根据实际需求设置和调整，在此不作具体限定。目标卫星图像是在历史时段内针对待预测光伏发电站进行图像采集获得的卫星图像。需要说明的是，可以根据预设的多个拍摄角度对待预测光伏发电站进行卫星图像采集，拍摄角度可以根据实际需求设置和调整，在此不作具体限定。
22.本实施例中，参考参数包括日地距离、经纬度、太阳照射角度、海拔高度和天气数据，从而实现综合考虑多种因素对光伏发电站的影响，提高光伏发电量预测的准确性。例如，日地距离、经纬度、太阳照射角度、海拔高度和天气会影响到待预测发电站所能获得的太阳辐射的强度，从而影响其光伏发电量。其中，天气数据用于指示待预测光伏发电站对应的天气，例如，天气数据可以是晴天、多云、下雨等，还可以包括具体的气温、湿度、云量等，在此不做具体现行。需要说明的是，实际使用的参考参数也可以是上述各种参数中的一种或多种的组合，在此不作具体限定。
23.s200，根据所述参考参数，获取所述待预测光伏发电站在预测时段内的至少一组预测参数，其中，所述预测时段的起始时刻为当前时刻。
24.其中，所述预测时段是预先设置的需要进行光伏发电量的一段时间。需要说明的是，预测时段的时间长度可以根据实际需求进行设置和调整，且可以设置成与历史时段的时间长度相同，也可以不同，在此不作具体限定。本实施例中，将历史时段和预测时段的时间长度都设置为1小时，实际应用场景中，可以设置历史时段的时间长度比预测时段的时间长度更长（例如历史时段为24小时，预测时段为1小时），以提高光伏预测量的准确性。
25.本实施例中，获得的参考参数是历史时段内的参数，为了提高光伏发电量预测的准确性，可以预测获得预测时段内的相关参数。参考参数在一段时间内的变化通常是有规律的，因此进行参数预测的效果较好，可以获得预测时段内的预测参数。
26.需要说明的是，针对经纬度和海拔高度，是不随时间的变化而变化的，因此不需要进行预测，直接作为预测参数即可。
27.在一种应用场景中，所述根据所述参考参数，获取所述待预测光伏发电站在预测时段内的至少一组预测参数，包括：将所述参考参数输入已训练的参数预测模型，以获取所述参数预测模型输出的一组预测参数；根据所述参考参数和所述预测参数，插值获取所述待预测光伏发电站在预测时段内的多组预测参数。
28.其中，所述参考预测模型是预先训练的用于对参考参数进行预测的模型。需要说明的是，针对经纬度、海拔高度等不随时间变化而改变的参考参数，也可以直接获得预测参数，而针对日地距离、太阳照射角度等随时间规律变化的参考参数，也可以通过时间变化确定对应的预测参数。针对天气数据，则可以通过参考预测模型进行预测。在一种应用场景中，参考预测模型可以被训练为，针对输入的参考参数，先确定各参考参数随时间变化的变化类型，进而结合变化类型进行参数预测。
29.具体的，所述参考预测模型针对输入的参考参数，预测获得预测时刻（即预测时段的终止时刻）所对应的一组预测参数，从而根据当前时刻（和/或历史时段内其它时刻）的参考参数进行插值，确定预测时段内多个时刻所对应的预测参数，从而提高光伏发电量预测的准确性。
30.在另一种应用场景中，所述根据所述参考参数，获取所述待预测光伏发电站在预测时段内的至少一组预测参数，包括：针对多组参考参数，分别获取各组参考参数对应的参数采集时间；根据所述多组参考参数，以及各组参考参数对应的参数采集时间，生成所述待预测光伏发电站在所述历史时段内的目标参数模拟曲线；从预设的曲线数据库中获取与所述目标参数模拟曲线匹配的历史模拟曲线，其中，所述曲线数据库中的曲线根据所述待预测光伏发电站历史连续采集的参考参数生成，所述历史模拟曲线中包含与所述目标参数模拟曲线的相似度高于预设相似度阈值的曲线分段；根据所述历史模拟曲线，获取所述待预测光伏发电站在预测时段内的至少一组预测参数。
31.其中，可以针对每一种参考参数，生成一条目标参数模拟曲线，然后在曲线数据库中查找对应的历史模拟曲线。上述预设的曲线数据库是预先对待预测光伏发电站进行数据采集并进行曲线生成后构建的包含多条曲线的数据库。需要说明的是，曲线之间的相似度可以通过对两条曲线进行叠加拟合，并计算相对应的点之间的差异值之和确定，还可以有其它确定方式，在此不做具体限定。预设相似度阈值可以根据实际需求预先设置和调整。
32.s300，根据所述目标卫星图像、所述参考参数以及所述预测参数，通过已训练的光伏发电量预测模型，获取所述待预测光伏发电站在所述预测时段内的预测发电量数据。
33.在一种应用场景中，直接根据目标卫星图像、参考参数和预测参数进行发电量预测。具体的，所述根据所述目标卫星图像、所述参考参数以及所述预测参数，通过已训练的光伏发电量预测模型，获取所述待预测光伏发电站在所述预测时段内的预测发电量数据，包括：将所述目标卫星图像、所述参考参数以及所述预测参数，输入所述已训练的光伏
发电量预测模型；获取所述光伏发电量预测模型输出的预测发电量数据。
34.在另一种应用场景中，还可以先根据目标卫星图像，预测出预测时段内的预测卫星图像，从而结合预测卫星图像进行光伏发电量预测，以提高光伏发电量预测的准确性。具体的，所述根据所述目标卫星图像、所述参考参数以及所述预测参数，通过已训练的光伏发电量预测模型，获取所述待预测光伏发电站在所述预测时段内的预测发电量数据，包括：根据所述目标卫星图像获取所述待预测光伏发电站在所述预测时段内的多张预测卫星图像；将所述目标卫星图像、所述预测卫星图像、所述参考参数以及所述预测参数，输入所述已训练的光伏发电量预测模型；获取所述光伏发电量预测模型输出的预测发电量数据。
35.进一步的，所述根据所述目标卫星图像获取所述待预测光伏发电站在所述预测时段内的多张预测卫星图像，包括：将所述目标卫星图像输入已训练的第一图像预测模型，获得所述第一图像预测模型输出的所述预测时段内多个目标时刻的第一预测图像，其中，所述预测时段内最后一个目标时刻是所述预测时段的终止时刻；将所述目标卫星图像输入已训练的第二图像预测模型，获得所述第二图像预测模型输出的所述预测时段的终止时刻的第二预测图像；根据所述目标卫星图像，以及所述预测时段的终止时刻的第二预测图像，插值获得其它各所述目标时刻对应的第二预测图像；针对每一目标时刻，根据该目标时刻的第一预测图像和第二预测图像，确定该目标时刻对应的预测卫星图像。
36.其中，所述第一图像预测模型被预先训练为，根据输入数据，预测获得未来间隔的多个时刻所对应的图像，例如每隔十分钟的图像。所述第二图像预测模型被预先训练为，根据输入数据，预测获得未来某时间段之后的一个时刻（即预测时刻）的图像。
37.进一步的，针对第二预测图像，基于其对应的目标卫星图像，通过插值可以获得各个目标时刻对应的第二预测图像，再对第一预测图像和第二预测图像进行图像融合（例如使用图像融合模型进行融合，或者计算图像对应的像素值的均值以实现融合），从而结合第一图像预测模型和第二图像预测模型，获得更准确的预测卫星图像。
38.需要说明的是，为了减少模型训练过程所需要的训练时间，可以仅使用通过第一图像预测模型进行预测的方式，或者仅使用通过第二图像预测模型进行预测的方式，在此不作具体限定。
39.本实施例中，所使用的模型在训练过程中输入的数据与使用过程中输入的数据相对应。例如，若光伏发电量预测模型在使用过程中仅输入所述目标卫星图像、所述参考参数以及所述预测参数，则训练过程中也输入上述三种数据。若光伏发电量预测模型在使用过程中输入所述目标卫星图像、所述预测卫星图像、所述参考参数以及所述预测参数，则训练过程中也输入上述四种数据。其它模型以此类推，在此不再赘述。
40.具体的，本实施例中，所述光伏发电量预测模型根据如下步骤进行训练：将训练数据中的训练目标卫星图像、训练预测卫星图像、训练参考参数以及训练
预测参数输入所述光伏发电量预测模型，以获取所述光伏发电量预测模型输出的预测发电量数据，其中，所述训练数据包括多组训练信息组，每一组训练信息组包括所述待预测光伏发电站对应的训练目标卫星图像、训练预测卫星图像、训练参考参数、训练预测参数和标注发电量数据；根据所述预测发电量数据和所述标注发电量数据对所述光伏发电量预测模型的模型参数进行调整，并继续执行所述将训练数据中的训练目标卫星图像、训练预测卫星图像、训练参考参数以及训练预测参数输入所述光伏发电量预测模型的步骤，直至满足预设训练条件，以得到已训练的光伏发电量预测模型。
41.其中，所述预设训练条件可以是所述预测发电量数据和所述标注发电量数据之间的损失值小于预设的损失阈值，或者模型迭代次数达到预设迭代阈值，还可以是其它条件，在此不作具体限定。
42.如此，利用卫星图像作为光伏发电量预测模型的输入，卫星可以观测到大范围区域的太阳辐照情况，有利于更准确预测太阳能发电量。卫星图像可以全面反映区域内太阳辐照强度的变化，是预测太阳能发电量的重要输入。本实施例中，光伏发电量预测模型是卷积神经网络模型（cnn，convolutional neural networks），cnn有能力自动学习卫星图像中的特征分布，提取相关辐照信息，更实时且准确。且cnn能学习图像特定特征，还原非线性关系，提高预测的准确性。
43.进一步的，在对卷积神经网络模型进行训练过程中，使用增量学习机制，具体的，只微调（fine tune）网络的最后几层权重参数，保持前面的特征提取层不变。每次增量学习后，模型残差将会递减，最终收敛到较低值。如此，可以很好地平衡已学习知识和继续学习新信息之间的权衡，有效实现网络的自适应，提高模型训练效率和训练效果。
44.本实施例中，还结合一种具体的应用场景对光伏发电量预测模型的训练过程进行具体描述。需要说明的是，对于训练过程中需要使用到的图像，可以包括多组（例如5000组）不同时间、角度和运量的卫星图像，且可以将分辨率设置成统一的数值（例如256
×
256）。
45.对应的训练参考参数以及训练预测参数可以直接输入模型，因此此处针对图像的处理进行详细说明，实际模型训练过程中将对应的图像、训练参考参数以及训练预测参数一起输入模型中作为输入数据。需要说明的是，训练过程中，使用的标注发电量数据是光伏发电站在1小时内的太阳能发电量。
46.针对图像数据可以进行如下预处理（预处理过程可以在训练预测卫星图像获取之前进行，也可以在之后进行，在此不作具体限定）：将像素值正则化到0~1区间以加速训练；随机裁剪224
×
224大小的图像并水平翻转，进行数据增强；填充224
×
224，输入到cnn网络。
47.本实施例中使用的cnn网络是预先构建的轻量级卷积神经网络，其输入层接受224
×
224
×
3的图像；第一个卷积层包含64个5
×
5的卷积核，stride为2；第二个卷积层包含128个3
×
3的卷积核，stride为1；两个卷积层之间加入最大池化层，大小2
×
2，stride 2；最后加入一个有2048个神经元的全连接层，使用relu作为激活函数。
48.使用前3000组数据初始化并全量训练cnn网络，使用adam优化算法，batch size设为128；最佳学习率从0.001开始逐步递减；训练20个epoch后测试在验证集上的平均绝对误差（mae）。
49.每收集100组新图像后，使用增量学习策略fine tune最后的全连接层：将新数据
加入并扩展训练集；仅将最后一层的参数更新；每次fine tune后测试mae是否下降。每隔1000次fine tune；再全量训练一次整个网络以避免模型early stopping。持续收集新图像，反复执行上述训练步骤，直到mae停止下降。如此，获得训练完成的光伏发电量预测模型，用于预测并输出对应的太阳能发电量。
50.进一步的，本实施例中，在完成预测之后，若获得预测时段内的真实发电量数据，可以根据真实发电量数据，更新训练数据，从而更新已训练的光伏发电量模型，提高后续预测的准确性。
51.由上可见，本实施例提供的光伏发电量预测方法中，获取待预测光伏发电站在历史时段内的至少一张目标卫星图像和至少一组参考参数，其中，所述历史时段的终止时刻为当前时刻，所述参考参数包括日地距离、经纬度、太阳照射角度、海拔高度和天气数据中的至少一种；根据所述参考参数，获取所述待预测光伏发电站在预测时段内的至少一组预测参数，其中，所述预测时段的起始时刻为当前时刻；根据所述目标卫星图像、所述参考参数以及所述预测参数，通过已训练的光伏发电量预测模型，获取所述待预测光伏发电站在所述预测时段内的预测发电量数据。本发明中，先获取历史时段内的目标卫星图像和参考参数，再根据参考参数获得预测时段内的预测参数；然后结合目标卫星图像、参考参数和预测参数，通过已训练的光伏发电量预测模型进行预测以获得预测发电量数据。综合考虑能够共同反应环境、天气等情况的多种因素（包括目标卫星图像、参考参数和预测参数），且通过训练好的模型进行预测，而不是仅根据时序序列随时间变化的关系进行预测。如此，针对非线性变化的光伏发电量有更好地预测效果，有利于提高光伏发电量预测的准确性。
52.具体的，本实施例中，利用卫星图像作为输入，可以反映太阳辐射度的变化，对应的，采用卷积网络，可以提取图像特征，并结合参数特征进行预测，还原复杂非线性关系，提升预测准确性。还设计了增量学习机制，利用新数据改进模型。相较无法更新模型的方案，自适应性更强。每隔一段时间进行全量学习，可避免模型early stopping，保证预测效果稳定提升。
53.下面对本发明提供的光伏发电量预测装置进行描述，下文描述的光伏发电量预测装置与上文描述的光伏发电量预测方法可相互对应参照。如图2中所示，所述光伏发电量预测装置包括：数据获取模块210，用于获取待预测光伏发电站在历史时段内的至少一张目标卫星图像和至少一组参考参数，其中，所述历史时段的终止时刻为当前时刻，所述参考参数包括日地距离、经纬度、太阳照射角度、海拔高度和天气数据中的至少一种；数据处理模块220，用于根据所述参考参数，获取所述待预测光伏发电站在预测时段内的至少一组预测参数，其中，所述预测时段的起始时刻为当前时刻；预测模块230，用于根据所述目标卫星图像、所述参考参数以及所述预测参数，通过已训练的光伏发电量预测模型，获取所述待预测光伏发电站在所述预测时段内的预测发电量数据。
54.上述光伏发电量预测装置及其各个具体模块的具体功能，可以参照方法实施例中的具体描述，在此不再赘述。
55.图3示例了一种电子设备的实体结构示意图，如图3所示，该电子设备可以包括：处理器（processor）310、通信接口（communications interface）320、存储器（memory）330和
通信总线340，其中，处理器310，通信接口320，存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令，以执行光伏发电量预测方法，该方法包括：获取待预测光伏发电站在历史时段内的至少一张目标卫星图像和至少一组参考参数，其中，所述历史时段的终止时刻为当前时刻，所述参考参数包括日地距离、经纬度、太阳照射角度、海拔高度和天气数据中的至少一种；根据所述参考参数，获取所述待预测光伏发电站在预测时段内的至少一组预测参数，其中，所述预测时段的起始时刻为当前时刻；根据所述目标卫星图像、所述参考参数以及所述预测参数，通过已训练的光伏发电量预测模型，获取所述待预测光伏发电站在所述预测时段内的预测发电量数据。
56.此外，上述的存储器330中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器（rom，read-only memory）、随机存取存储器（ram，random access memory）、磁碟或者光盘等各种可以存储程序代码的介质。
57.另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的光伏发电量预测方法，该方法包括：获取待预测光伏发电站在历史时段内的至少一张目标卫星图像和至少一组参考参数，其中，所述历史时段的终止时刻为当前时刻，所述参考参数包括日地距离、经纬度、太阳照射角度、海拔高度和天气数据中的至少一种；根据所述参考参数，获取所述待预测光伏发电站在预测时段内的至少一组预测参数，其中，所述预测时段的起始时刻为当前时刻；根据所述目标卫星图像、所述参考参数以及所述预测参数，通过已训练的光伏发电量预测模型，获取所述待预测光伏发电站在所述预测时段内的预测发电量数据。
58.以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
59.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。
60.最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；
而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

技术特征：
1.一种光伏发电量预测方法，其特征在于，包括：获取待预测光伏发电站在历史时段内的至少一张目标卫星图像和至少一组参考参数，其中，所述历史时段的终止时刻为当前时刻，所述参考参数包括日地距离、经纬度、太阳照射角度、海拔高度和天气数据中的至少一种；根据所述参考参数，获取所述待预测光伏发电站在预测时段内的至少一组预测参数，其中，所述预测时段的起始时刻为当前时刻；根据所述目标卫星图像、所述参考参数以及所述预测参数，通过已训练的光伏发电量预测模型，获取所述待预测光伏发电站在所述预测时段内的预测发电量数据。2.根据权利要求1所述的光伏发电量预测方法，其特征在于，所述根据所述参考参数，获取所述待预测光伏发电站在预测时段内的至少一组预测参数，包括：将所述参考参数输入已训练的参数预测模型，以获取所述参数预测模型输出的一组预测参数；根据所述参考参数和所述预测参数，插值获取所述待预测光伏发电站在预测时段内的多组预测参数。3.根据权利要求1所述的光伏发电量预测方法，其特征在于，所述根据所述参考参数，获取所述待预测光伏发电站在预测时段内的至少一组预测参数，包括：针对多组参考参数，分别获取各组参考参数对应的参数采集时间；根据所述多组参考参数，以及各组参考参数对应的参数采集时间，生成所述待预测光伏发电站在所述历史时段内的目标参数模拟曲线；从预设的曲线数据库中获取与所述目标参数模拟曲线匹配的历史模拟曲线，其中，所述曲线数据库中的曲线根据所述待预测光伏发电站历史连续采集的参考参数生成，所述历史模拟曲线中包含与所述目标参数模拟曲线的相似度高于预设相似度阈值的曲线分段；根据所述历史模拟曲线，获取所述待预测光伏发电站在预测时段内的至少一组预测参数。4.根据权利要求1所述的光伏发电量预测方法，其特征在于，所述根据所述目标卫星图像、所述参考参数以及所述预测参数，通过已训练的光伏发电量预测模型，获取所述待预测光伏发电站在所述预测时段内的预测发电量数据，包括：将所述目标卫星图像、所述参考参数以及所述预测参数，输入所述已训练的光伏发电量预测模型；获取所述光伏发电量预测模型输出的预测发电量数据。5.根据权利要求1所述的光伏发电量预测方法，其特征在于，所述根据所述目标卫星图像、所述参考参数以及所述预测参数，通过已训练的光伏发电量预测模型，获取所述待预测光伏发电站在所述预测时段内的预测发电量数据，包括：根据所述目标卫星图像获取所述待预测光伏发电站在所述预测时段内的多张预测卫星图像；将所述目标卫星图像、所述预测卫星图像、所述参考参数以及所述预测参数，输入所述已训练的光伏发电量预测模型；获取所述光伏发电量预测模型输出的预测发电量数据。6.根据权利要求5所述的光伏发电量预测方法，其特征在于，所述根据所述目标卫星图
像获取所述待预测光伏发电站在所述预测时段内的多张预测卫星图像，包括：将所述目标卫星图像输入已训练的第一图像预测模型，获得所述第一图像预测模型输出的所述预测时段内多个目标时刻的第一预测图像，其中，所述预测时段内最后一个目标时刻是所述预测时段的终止时刻；将所述目标卫星图像输入已训练的第二图像预测模型，获得所述第二图像预测模型输出的所述预测时段的终止时刻的第二预测图像；根据所述目标卫星图像，以及所述预测时段的终止时刻的第二预测图像，插值获得其它各所述目标时刻对应的第二预测图像；针对每一目标时刻，根据该目标时刻的第一预测图像和第二预测图像，确定该目标时刻对应的预测卫星图像。7.根据权利要求5或6所述的光伏发电量预测方法，其特征在于，所述光伏发电量预测模型根据如下步骤进行训练：将训练数据中的训练目标卫星图像、训练预测卫星图像、训练参考参数以及训练预测参数输入所述光伏发电量预测模型，以获取所述光伏发电量预测模型输出的预测发电量数据，其中，所述训练数据包括多组训练信息组，每一组训练信息组包括所述待预测光伏发电站对应的训练目标卫星图像、训练预测卫星图像、训练参考参数、训练预测参数和标注发电量数据；根据所述预测发电量数据和所述标注发电量数据对所述光伏发电量预测模型的模型参数进行调整，并继续执行所述将训练数据中的训练目标卫星图像、训练预测卫星图像、训练参考参数以及训练预测参数输入所述光伏发电量预测模型的步骤，直至满足预设训练条件，以得到已训练的光伏发电量预测模型。8.一种光伏发电量预测装置，其特征在于，包括：数据获取模块，用于获取待预测光伏发电站在历史时段内的至少一张目标卫星图像和至少一组参考参数，其中，所述历史时段的终止时刻为当前时刻，所述参考参数包括日地距离、经纬度、太阳照射角度、海拔高度和天气数据中的至少一种；数据处理模块，用于根据所述参考参数，获取所述待预测光伏发电站在预测时段内的至少一组预测参数，其中，所述预测时段的起始时刻为当前时刻；预测模块，用于根据所述目标卫星图像、所述参考参数以及所述预测参数，通过已训练的光伏发电量预测模型，获取所述待预测光伏发电站在所述预测时段内的预测发电量数据。9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述光伏发电量预测方法。10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述光伏发电量预测方法。

技术总结
本发明提供一种光伏发电量预测方法、装置、设备及介质，涉及新能源技术领域，方法包括：获取待预测光伏发电站在历史时段内的至少一张目标卫星图像和至少一组参考参数，其中，所述历史时段的终止时刻为当前时刻，所述参考参数包括日地距离、经纬度、太阳照射角度、海拔高度和天气数据中的至少一种；根据所述参考参数，获取所述待预测光伏发电站在预测时段内的至少一组预测参数，其中，所述预测时段的起始时刻为当前时刻；根据所述目标卫星图像、所述参考参数以及所述预测参数，通过已训练的光伏发电量预测模型，获取所述待预测光伏发电站在所述预测时段内的预测发电量数据。本发明有利于提高光伏发电量预测的准确性。于提高光伏发电量预测的准确性。于提高光伏发电量预测的准确性。


技术研发人员：苏明辉 楚俊昌 李瑞平 孔瑞霞 王艳琴
受保护的技术使用者：深圳航天科创泛在电气有限公司
技术研发日：2023.08.07
技术公布日：2023/9/7