本发明涉及光伏发电功率预测，具体涉及一种光伏出力预测模型训练方法及装置。
背景技术：
1、光伏发电因其具备安全高效、资源丰富、地域分布广泛等优势，成为发展速度最快的新能源发电技术。但是，光伏发电功率容易受到光照强度、温度、湿度、风速和风向等多类气象要素的影响，呈现出明显的随机性、波动性及间歇性，给电力系统的安全、稳定运行和优化调度带来很大困难。因此，随着光伏装机容量的迅猛增长，光伏出力的精确预测显得尤为重要，光伏出力是指光伏电池组件或光伏系统在特定时间内输出的电功率。
2、现有技术中普遍从影响因素识别、相似日选取、发电序列分解和预测模型构建等角度出发，致力于构建高精度的光伏出力预测模型。现有技术中光伏出力预测存在以下问题：
3、首先，在影响因素识别方面，目前多数采用特征选择、相关性分析、回归分析等方法量化评估各类因素对光伏出力的影响程度，根据排序结果判定光伏出力的关键影响因素。但是，该过程需要根据候选因素的影响程度排序结果剔除低关联性影响因子，容易忽略多个潜在影响因素之间的复杂作用关系。
4、其次，在相似日选取方面，研究人员充分利用聚类算法挑选待预测日的相似日，但是如何克服聚类过程中需要手动或凭经验设定聚类中心和簇数，是历史相似日选取是否合理的关键环节。
5、最后，在预测模型构建方面，现有的智能优化算法普遍存在算法收敛速度慢且易陷入局部最优值等问题，严重影响光伏出力预测模型的泛化性能和预测表现。
6、综上所述，现有技术中光伏出力预测的过程中，存在针对影响因素识别结果缺乏合理性、相似日选取方法过于依赖主观经验判断和筛选标准单一，以及预测模型的超参数优化过程耗时过长和效率偏低等问题，
技术实现思路
1、本发明实施例提供了一种光伏出力预测模型训练方法及装置，以至少解决由于现有技术中影响因素识别结果缺乏合理性、相似日选取方法过于依赖主观经验判断和筛选标准单一，以及预测模型的超参数优化过程耗时过长和效率偏低，而导致光伏出力预测的结果不准确的技术问题。
2、根据本发明实施例的一个方面，提供了一种光伏出力预测模型训练方法，所述方法包括：获取光伏电站在上一预设周期内的历史出力数据以及气象影响因素数据；根据所述历史出力数据以及所述气象影响因素数据，确定所述气象影响因素数据中的多个主成分因子；根据所述主成分因子对应的分类指标，对所述光伏电站的历史样本数据进行分类；以及，根据所述待预测日的气象数据确定所述待预测日对应的多个历史相似日，其中，所述历史样本数据中的气象数据由所述多个主成分因子构成；以所述多个历史相似日的气象数据以及历史出力数据为训练数据，对所述光伏电站对应的光伏发电量组合预测模型进行训练，以得到所述光伏发电站的目标出力预测模型。
3、进一步地，所述气象影响因素数据包括以下至少之一：全辐射辐照度、温度、湿度、风向和风速。
4、进一步地，所述根据所述历史出力数据以及所述气象影响因素数据，确定所述气象影响因素数据中的多个主成分因子，包括：通过核主成分分析法将所述气象影响因素数据对应的多维气象指标转换为所述多个主成分因子。
5、进一步地，所述根据所述主成分因子对应的分类指标，对所述光伏电站的历史样本数据进行分类；以及，根据所述待预测日的气象数据确定所述待预测日对应的多个历史相似日，包括：基于层次聚类法，对所述历史样本数据进行分类；通过确定所述待预测日与隶属于同一类别的历史日之间的综合相似距离，获取所述多个历史相似日。
6、进一步地，所述以所述多个历史相似日的气象数据以及历史出力数据为训练数据，对所述光伏电站对应的光伏发电量组合预测模型进行训练，包括：构建卷积神经网络cnn-长短期记忆网络lstm神经网络；以及，构建传统的粒子群pso优化模型；对所述pso优化模型进行改进，以得到改进的粒子群ipso优化算法；通过所述ipso优化算法确定cnn-lstm的最优超参数组合，构建ipso-cnn-lstm组合预测模型。
7、根据本发明实施例的一个方面，还提供了一种光伏出力预测模型训练装置，所述装置包括：获取模块，用于获取光伏电站在上一预设周期内的历史出力数据以及气象影响因素数据；确定模块，用于根据所述历史出力数据以及所述气象影响因素数据，确定所述气象影响因素数据中的多个主成分因子；分类模块，用于根据所述主成分因子对应的分类指标，对所述光伏电站的历史样本数据进行分类；以及，根据所述待预测日的气象数据确定所述待预测日对应的多个历史相似日，其中，所述历史样本数据中的气象数据由所述多个主成分因子构成；训练模块，用于以所述多个历史相似日的气象数据以及历史出力数据为训练数据，对所述光伏电站对应的光伏发电量组合预测模型进行训练，以得到所述光伏发电站的目标出力预测模型。
8、进一步地，所述分类模块包括：分类单元，用于基于层次聚类法，对所述历史样本数据进行分类；获取单元，用于通过确定所述待预测日与隶属于同一类别的历史日之间的综合相似距离，获取所述多个历史相似日。
9、进一步地，所述训练模块用于：构建卷积神经网络cnn-长短期记忆网络lstm神经网络；以及，构建传统的粒子群pso优化模型；对所述pso优化模型进行改进，以得到改进的粒子群ipso优化算法；通过所述ipso优化算法确定cnn-lstm的最优超参数组合，构建ipso-cnn-lstm组合预测模型。
10、根据本发明实施例的一个方面，还提供了一种电子设备，包括处理器，存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如上所述的光伏出力预测模型训练方法的步骤。
11、根据本发明实施例的一个方面，还提供了一种可读存储介质，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如上所述的光伏出力预测模型训练方法的步骤。
12、在本发明实施例中，通过获取光伏电站在上一预设周期内的历史出力数据以及气象影响因素数据；根据历史出力数据以及气象影响因素数据，确定气象影响因素数据中的多个主成分因子；根据主成分因子对应的分类指标，对光伏电站的历史样本数据进行分类；以及，根据待预测日的气象数据确定待预测日对应的多个历史相似日；以多个历史相似日的气象数据以及历史出力数据为训练数据，对光伏电站对应的光伏发电量组合预测模型进行训练，以得到光伏发电站的目标出力预测模型。本发明实施例根据影响因素数据中的多个主成分因对光伏电站的历史样本数据进行分类，使得出力预测的影响因素更加合理；根据待预测日的气象数据确定待预测日对应的多个历史相似日，使得相似日与待预测日的气象数据相似度更高，并以多个历史相似日的气象数据以及历史出力数据为训练数据，对光伏电站对应的光伏发电量组合预测模型进行训练，提升了预测模型的训练效率。进而解决了解决由于现有技术中影响因素识别结果缺乏合理性、相似日选取方法筛选标准单一，以及预测模型的超参数优化过程耗时过长和效率偏低，而导致光伏出力预测结果不准确的技术问题。
1.一种光伏出力预测模型训练方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述气象影响因素数据包括以下至少之一：
3.根据权利要求1所述的方法，其特征在于，所述根据所述历史出力数据以及所述气象影响因素数据，确定所述气象影响因素数据中的多个主成分因子，包括：
4.根据权利要求1所述的方法，其特征在于，所述根据所述主成分因子对应的分类指标，对所述光伏电站的历史样本数据进行分类；以及，根据所述待预测日的气象数据确定所述待预测日对应的多个历史相似日，包括：
5.根据权利要求1所述的方法，其特征在于，所述以所述多个历史相似日的气象数据以及历史出力数据为训练数据，对所述光伏电站对应的光伏发电量组合预测模型进行训练，包括：
6.一种光伏出力预测模型训练装置，其特征在于，所述装置包括：
7.根据权利要求6所述的装置，其特征在于，所述分类模块包括：
8.根据权利要求6所述的装置，其特征在于，所述训练模块用于：
9.一种电子设备，其特征在于，包括处理器，存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如权利要求1-5任意一项所述的光伏出力预测模型训练方法的步骤。
10.一种可读存储介质，其特征在于，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现权利要求1-5任意一项所述的光伏出力预测模型训练方法的步骤。
