本发明涉及新能源预测领域，尤其涉及一种短期光伏发电功率的预测模型搭建及预测方法、装置。
背景技术：
1、随着能源科技的进步和光伏发电理论的发展，光伏发电正成为全球能源结构的重要组成部分。准确的光伏发电功率预测对于提高电网稳定性、增加电网消纳光电能力以及提高新能源电站运营管理效率等方面都具有重要意义。而面对具有波动性、间歇性、非线性的光伏功率，传统的预测方法难以准确预测。具体来说，现有单一的模型都存在自身局限性，因此光伏预测的方法仍然存在各种问题，例如面对极端值时稳定性差、非线性处理能力较差等。
2、在数据处理模型中，经典的pearson相关系数法要求数据集是连续型变量，更适用于线性关系，并且面对极端值时稳定性差，可靠性降低，不适用于具有大量数据且包含极端值的光伏数据。传统的k-means算法是将欧几里得距离作为数据点与代表向量之间不相似程度的度量，限制了能处理的数据变量的类型，同时使得聚类的中心的确定对于异常点不具有鲁棒性。同时，考虑到光伏输出功率受天气因素影响较大，存在预测模型输入子训练数据集数据量大、数据维度高并呈现非线性特征等问题，导致预测模型的泛化能力差。因此，目前仍然缺少一种在提高预测的效率和精确度的同时，降低预测的空间复杂度。
技术实现思路
1、本发明提供了一种短期光伏发电功率的预测模型搭建及预测方法、装置，以解决面对高纬以及大量光伏数据时，如何在保证光伏发电功率预测的效率的同时，提高预测准确度的技术问题。
2、为了解决上述技术问题，第一方面，本发明实施例提供了一种短期光伏发电功率的预测模型搭建及预测方法、装置，包括：
3、获取光伏数据，基于支持向量机算法，从所述光伏数据中提取第一特征集合；
4、通过轮廓系数法以及层次聚类算法，结合所述第一特征集合，获取第二特征集合；
5、根据所述第二特征集合，通过层次聚类算法，划分所述光伏数据，获取若干子训练数据集；
6、根据各所述子训练数据集以及所述第一特征集合，训练若干双向长短期记忆网络模型，获取短期光伏发电功率预测模型。
7、相比现有技术，上述实施例具有以下有益效果：每个双向长短期记忆网络模型对应一个聚类获得的分类类型，由多个双向长短期记忆网络模型组成的混合模型对光伏发电功率预测，提高了预测模型的泛化能力；同时基于支持向量机对重要特征进行提取，在降低模型训练时的输入数据的纬度，提高模型的预测效率的同时，还避免了不重要特征带来噪声影响，提高了模型的预测能力。
8、在第一方面的一个实施例中，所述基于支持向量机算法，从所述光伏数据中提取第一特征集合，包括：
9、基于支持向量机算法，获取所述光伏数据中各特征的权重系数；
10、基于第一预设阈值，筛选所述权重系数绝对值大于所述第一预设阈值的特征，获取所述第一特征集合。
11、相比现有技术，上述实施例具有以下有益效果：支持向量机算法具有处理非线性输入的能力，能有效过滤掉潜在噪声，在面对高维数据的特征提取时，可以有效降低高维数据中的潜在噪声或者不相关特征的高维数据，可以显著提升后续预测的效率以及准确性。
12、在第一方面的一个实施例中，所述通过轮廓系数法以及层次聚类算法，结合所述第一特征集合，获取第二特征集合，包括：
13、通过轮廓系数法，获取所述层次聚类算法的聚类个数；
14、根据所述第一特征集合中的各特征的所述权重系数的绝对值，对所述第一特征集合中的各特征降序排序，取所述第一特征集合中前所述聚类个数的特征组成所述第二特征集合。
15、相比现有技术，上述实施例具有以下有益效果：为了进一步挖掘光伏预测场景中的信息，在基于支持向量机初步筛选的前提下，通过轮廓系数法，进一步通过层次聚类算法，去除高维特征数据中的噪声数据，并选择出更具备代表性的特征数据，以此提升后续训练模型的准确性和效率。
16、在第一方面的一个实施例中，所述根据所述第二特征集合，通过层次聚类算法，划分所述光伏数据，获取若干子训练数据集，包括：
17、根据预设比例，划分所述光伏数据，获取训练数据集以及测试数据集；
18、以所述第二特征集合中各特征为分类类别，通过层次聚类算法，将所述训练数据集划分为各所述分类类别对应的所述子训练数据集。
19、相比现有技术，上述实施例具有以下有益效果：由于高维数据可能存在大量的聚类，使得层次结构的构建变得复杂和不稳定，同时，高维数据中的特征可能存在相关性，这会影响层次聚类算法对数据分布的准确描述，根据经过多次特征筛选保留的特征，进行聚类分类，提高了聚类算法对数据分布的准确性。
20、在第一方面的一个实施例中，所述根据各所述子训练数据集以及所述第一特征集合，训练若干双向长短期记忆网络模型，获取短期光伏发电功率预测模型，包括：依次以所述子训练数据集中的所述第一特征集合中的所有特征为输入，以光伏预测结果为输出，训练所述第二特征集合中对应特征的双向长短期记忆网络模型。
21、相比现有技术，上述实施例具有以下有益效果：由于双向长短期记忆网络模型，需要减少冗余信息影响，但同时因其输入维度过低会遗漏部分重要信息，故选取经过支持向量机初步筛选的特征为输入，根据层次聚类算法分类的数据集进行各类别预测模型的针对训练，通过该方法不仅提高了模型预测效率，还提高了最终预测的准确性。
22、第二方面，本发明实施例还提供了一种短期光伏发电功率的预测方法，包括：
23、获取短期光伏发电功率预测模型；所述短期光伏发电功率预测模型由本发明实施例提供的任意一种短期光伏发电功率的预测模型搭建方法获得；
24、获取实时光伏数据，通过层次聚类算法，对所述实时光伏数据进行分类，获取所述实时光伏数据的分类；
25、将所述实时光伏数据输入至所述分类对应的所述短期光伏发电功率预测模型中的双向长短期记忆网络模型中，获取光伏发电功率预测结果。
26、相比现有技术，上述实施例具有以下有益效果：通过识别数据类别，选择合适的预测模型，提高了预测结果的准确性。
27、第三方面，本发明实施例提供了一种短期光伏发电功率的预测模型搭建装置，包括：第一特征集合提取模块、第二特征集合提取模块、子训练数据集划分模块以及模型训练模块；
28、其中，所述第一特征集合提取模块，用于获取光伏数据，基于支持向量机算法，从所述光伏数据中提取第一特征集合；
29、所述第二特征集合提取模块，用于通过轮廓系数法以及层次聚类算法，结合所述第一特征集合，获取第二特征集合；
30、所述子训练数据集划分模块，用于根据所述第二特征集合，通过层次聚类算法，划分所述光伏数据，获取若干子训练数据集；
31、所述模型训练模块，用于根据各所述子训练数据集以及所述第一特征集合，训练若干双向长短期记忆网络模型，获取短期光伏发电功率预测模型。
32、在第三方面的一个实施例中，所述第一特征集合提取模块，包括：权重系数获取单元以及第一特征筛选单元；
33、其中，所述权重系数获取单元，用于基于支持向量机算法，获取所述光伏数据中各特征的权重系数；
34、所述第一特征筛选单元，用于基于第一预设阈值，筛选所述权重系数绝对值大于所述第一预设阈值的特征，获取所述第一特征集合。
35、在第三方面的一个实施例中，所述第二特征集合提取模块，包括：聚类个数确定单元以及第二特征筛选单元；
36、其中，所述聚类个数确定单元，用于通过轮廓系数法，获取所述层次聚类算法的聚类个数；
37、所述第二特征筛选单元，用于根据所述第一特征集合中的各特征的所述权重系数的绝对值，对所述第一特征集合中的各特征降序排序，取所述第一特征集合中前所述聚类个数的特征组成所述第二特征集合。
38、在第三方面的一个实施例中，所述子训练数据集划分模块，用于根据所述第二特征集合，通过层次聚类算法，划分所述光伏数据，获取若干子训练数据集，包括：
39、根据预设比例，划分所述光伏数据，获取训练数据集以及测试数据集；
40、以所述第二特征集合中各特征为分类类别，通过层次聚类算法，将所述训练数据集划分为各所述分类类别对应的所述子训练数据集。
41、在第三方面的一个实施例中，所述模型训练模块，用于根据各所述子训练数据集以及所述第一特征集合，训练若干双向长短期记忆网络模型，获取短期光伏发电功率预测模型，包括：依次以所述子训练数据集中的所述第一特征集合中的所有特征为输入，以光伏预测结果为输出，训练所述第二特征集合中对应特征的双向长短期记忆网络模型。
42、第四方面，本发明实施例还提供一种短期光伏发电功率的预测装置，包括：短期光伏发电功率预测模型获取模块、数据分类模块以及光伏发电功率预测模块；
43、其中，所述短期光伏发电功率预测模型获取模块，用于获取短期光伏发电功率预测模型；所述短期光伏发电功率预测模型由本发明实施例提供的任意一种短期光伏发电功率的预测模型搭建装置获得；
44、所述数据分类模块，用于获取实时光伏数据，通过层次聚类算法，对所述实时光伏数据进行分类，获取所述实时光伏数据的分类；
45、所述光伏发电功率预测模块，用于将所述实时光伏数据输入至所述分类对应的所述短期光伏发电功率预测模型中的双向长短期记忆网络模型中，获取光伏发电功率预测结果。
1.一种短期光伏发电功率的预测模型搭建方法，其特征在于，包括：
2.如权利要求1所述的一种短期光伏发电功率的预测模型搭建方法，其特征在于，所述基于支持向量机算法，从所述光伏数据中提取第一特征集合，包括：
3.如权利要求1或2所述的一种短期光伏发电功率的预测模型搭建方法，其特征在于，所述通过轮廓系数法以及层次聚类算法，结合所述第一特征集合，获取第二特征集合，包括：
4.如权利要求1所述的一种短期光伏发电功率的预测模型搭建方法，其特征在于，所述根据所述第二特征集合，通过层次聚类算法，划分所述光伏数据，获取若干子训练数据集，包括：
5.如权利要求1所述的一种短期光伏发电功率的预测模型搭建方法，其特征在于，所述根据各所述子训练数据集以及所述第一特征集合，训练若干双向长短期记忆网络模型，获取短期光伏发电功率预测模型，包括：依次以所述子训练数据集中的所述第一特征集合中的所有特征为输入，以光伏预测结果为输出，训练所述第二特征集合中对应特征的双向长短期记忆网络模型。
6.一种短期光伏发电功率的预测方法，其特征在于，包括：
7.一种短期光伏发电功率的预测模型搭建装置，其特征在于，包括：第一特征集合提取模块、第二特征集合提取模块、子训练数据集划分模块以及模型训练模块；
8.如权利要求7所述的一种短期光伏发电功率的预测模型搭建装置，其特征在于，所述第一特征集合提取模块，包括：权重系数获取单元以及第一特征筛选单元；
9.如权利要求7或8所述的一种短期光伏发电功率的预测模型搭建装置，其特征在于，所述第二特征集合提取模块，包括：聚类个数确定单元以及第二特征筛选单元；
10.如权利要求7所述的一种短期光伏发电功率的预测模型搭建装置，其特征在于，所述子训练数据集划分模块，用于根据所述第二特征集合，通过层次聚类算法，划分所述光伏数据，获取若干子训练数据集，包括：
11.如权利要求7所述的一种短期光伏发电功率的预测模型搭建装置，其特征在于，所述模型训练模块，用于根据各所述子训练数据集以及所述第一特征集合，训练若干双向长短期记忆网络模型，获取短期光伏发电功率预测模型，包括：依次以所述子训练数据集中的所述第一特征集合中的所有特征为输入，以光伏预测结果为输出，训练所述第二特征集合中对应特征的双向长短期记忆网络模型。
12.一种短期光伏发电功率的预测装置，其特征在于，包括：短期光伏发电功率预测模型获取模块、数据分类模块以及光伏发电功率预测模块；
