[0001] 本申请涉及大数据领域，具体而言，涉及一种数据处理方法及装置、存储介质及电子装置。

[0002] 随着全球对清洁能源的需求不断增加，光伏发电作为一种环保、可再生的能源形式，得到了广泛的应用和推广。且我国光伏场站设备数量多、占地面积大，而且光伏场站一般都位于沙漠、戈壁、荒漠、山坡等区域，这些地区自然环境较差，导致设备的网络环境差。光伏场站在运行中会产生大量的数据，传统上常使用中央化数据处理，即在本地建立一个中心服务器，将所有本地数据均传输至服务器再处理。然而，由于光伏站产生大量实时数据，传统的中央化数据处理可能面临着数据传输和存储的压力。

[0003] 针对相关技术中，对于光伏场站运行设备所产生的大量数据无法得到实时处理问题，目前未提出有效的解决方案。

[0004] 因此，有必要对相关技术予以改良以克服相关技术中的所述缺陷。

[0023] 为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

[0024] 需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

[0025] 本申请实施例中所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例，图1是本申请实施例的一种数据处理方法的移动终端的硬件结构框图。如图1所示，移动终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于处理器(Centra lProcess i ng Un it，CPU)或可编程逻辑器件(F i e l d Programmab l e Gate Array，FPGA)等的处理装置)和用于存储数据的存储器104，其中，上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述移动终端的结构造成限定。例如，移动终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。

[0026] 存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本申请实施例中的数据处理方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至移动终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

[0027] 传输设备106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端的通信供应商提供的无线网络。在一个实例中，传输设备106包括一个网络适配器(Network I nterface Contro l l er，简称为N I C)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备106可以为射频(Rad i o Frequency，简称为RF)模块，其用于通过无线方式与互联网进行通讯。

[0028] 在本实施例中提供了一种数据处理方法，包括但不限于用于在数据处理模型中，图2是根据本申请实施例的一种数据处理方法的流程图，如图2所示，该流程包括如下步骤S202‑S206：

[0029] 步骤S202：从光伏设备关联的传感组件获取设备监测数据；

[0030] 步骤S204：通过边缘设备对监测数据进行处理，得到用于对光伏设备对应的负载需求进行预测的目标数据；

[0031] 步骤S206：将目标数据输入至目标模型中，得到数据预测结果，其中，数据预测结果用于调控光伏设备在不同运行周期的工作状态。

[0032] 上述步骤，光伏设备关联的传感组件获取设备监测数据；通过边缘设备对监测数据进行处理，得到用于对光伏设备对应的负载需求进行预测的目标数据；将目标数据输入至目标模型中，得到数据预测结果，其中，数据预测结果用于调控光伏设备在不同运行周期的工作状态。解决了现有对于光伏场站运行设备所产生的大量数据无法得到实时处理问题。通过边缘设备的设置提升了数据的实时处理效率，降低了数据传输负担，并增强隐私和安全性。

[0033] 在一个示例性的实施例中，在确定连接移动终端与所述光伏设备进行控制的情况下，检测移动终端的设备权限；在确定移动终端具有对数据处理系统的数据访问权限或者设备操控权限的情况下，允许移动终端对设备监测数据进行操作；在确定移动终端不具有对数据处理系统的数据访问权限或者设备操控权限的情况下，向数据处理系统对应的管理对象发送报警信息，其中，报警信息用于指示数据处理系统中存在异常连接的移动终端，提示管理对象待检查用于连接移动终端的接口。

[0034] 可以理解的是，为了确保系统在数据传输和处理过程中免受潜在的网络攻击，需要对移动终端的设备权限进行检测，如果移动终端有相关的权限则可以执行相应的操作。如果没有相应的权限，则向后台的控制中心报警。通过对移动终端设备权限进行检测，有效防止未经授权的操作和恶意攻击，提高系统的安全性。通过报警机制，可以及时发现系统存在的安全漏洞，从而加强安全防护，降低系统受到攻击的风险。

[0035] 在一个示例性的实施例中，将目标数据输入至目标模型中，得到数据预测结果之前，还包括：获取光伏设备的历史监测数据；对历史监测数据进行数据结构转换，得到目标数据结构；提取目标数据结构中的特征，得到用训练目标模型的特征数据集。

[0036] 可选的，所述数据结构转换是将时间序列数据转换为模型可以接受的数据结构，常见的数据结构包括数组、矩阵、DataFrame等。对于时间序列数据，通常可以将其转换为二维数组或DataFrame，其中每一行代表一个时间点，每一列代表一个特征或变量。通过将时间序列数据转换为模型能够接受的格式，然后进行进一步的模型训练和预测。这样可以提高模型的准确性和稳定性，提高模型在实际应用中的效果和可靠性。

[0037] 在一个示例性的实施例中，提取目标数据结构中的特征，得到用训练目标模型的特征数据集之后，还包括：根据预设划分方式将特征数据集划分为测试集与训练集；利用测试集与训练集训练初始模型，得到目标模型，其中，目标模型用于对当前数据处理周期关联的后一数据处理周期的数据变化进行预测。

[0038] 可选的，所述将特征数据集划分为测试集与训练集的目的是为了评估机器学习模型的性能。具体来说，训练集用于训练模型，即通过输入特征数据和标签数据来调整模型的参数，使其能够准确地预测标签数据。而测试集则用于评估模型的性能，即通过输入特征数据来预测标签数据，并与实际标签数据进行比较，从而计算模型的准确率、精确率、召回率等指标。通过将数据集划分为训练集和测试集，可以在训练集上训练模型，然后在测试集上评估模型的性能，从而检验模型在新数据上的泛化能力，避免过拟合或欠拟合的问题，提高模型在新数据上的预测准确性。

[0039] 在一个示例性的实施例中，将目标数据输入至目标模型中，得到数据预测结果之后，还包括：根据预测结果确定所述光伏设备的工作需求；基于工作需求确定光伏设备在不同运行周期的目标工作状态；汇总目标工作状态，确定光伏设备对应的调控策略。

[0040] 在一个示例性的实施例中，将目标数据输入至目标模型中，得到数据预测结果之后，还包括：在光伏设备执行完成基于预测结果的调控策略的情况下，获取光伏设备对应的实际运行数据；比较实际运行数据与预测结果对应的需求运行数据的差异；根据所述差异调整所述目标模型的预测偏差，并将所述预测结果与对应的预测偏差上传至所述光伏设备对应的远程云服务器保存。

[0041] 也就是说，可以通过实际数据与预测数据之间的差异来评估和优化预测模型的表现，如果实际数据与预测数据之间的差异较小，则说明模型的准确性较高；反之，则需要进一步调整和改进模型。通过较实际运行数据与预测结果对应的需求运行数据的差异，可以及时发现问题并进行调整，从而提高预测效果，使预测结果更加准确和可靠。

[0042] 显然，上述所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。为了更好的理解上述方法，以下结合实施例对上述过程进行说明，但不用于限定本申请实施例的技术方案，具体地：

[0043] 本申请可选实施例提供一种基于边缘计算提升多类型终端数据处理系统，以解决光伏组件、逆变器等设备实时数据处理问题，该系统主要包括数据采集模块及边缘设备。边缘设备当中包括数据处理模块、通信模块及安全模块。数据采集模块连接到光伏场站的传感器，通信模块连接到远程的云服务器。通过这些模块对光伏场站产生的大量实时数据进行分析和优化，从而提高光伏系统的能源利用效率。

[0044] 可选的，图3是根据本申请实施例的一种基于边缘计算提升多类型终端数据处理系统的结构示意图；上述系统至少包括：数据采集模块32、边缘设备34，其实，上述边缘设备34还包括：安全模块3401、数据处理模块3402、通信模块3403。

[0045] 可选的，上述数据采集模块32，主要用于从光伏设备关联的传感组件获取设备监测数据，具体的：用于从传感器中获取数据，例如温度、湿度、光照强度等。这些数据是系统的输入，用于监测和分析光伏站的状态；

[0046] 可选的，边缘设备34是一种嵌入式计算设备或专门设计的网关，可以布置在光伏组件或逆变器上。可与所述数据采集模块32连接，用于对所述监测数据进行处理，输出目标数据，并根据所述目标数据对所述光伏设备对应的负载需求进行预测。

[0047] 可选的，上述安全模块3401，用于检测连接所述数据处理系统的移动终端的设备权限，在确定所述终端设备具有对所述数据处理系统的数据访问权限或者设备操控权限的情况下，允许所述移动终端对所述数据处理系统进行操作；在确定所述终端设备不具有对所述数据处理系统的数据访问权限或者设备操控权限的情况下，向所述数据处理系统对应的管理对象发送报警信息，其中，所述报警信息用于指示存在异常移动终端连接所述数据处理系统，待检查所述数据处理系统的系统安全。

[0048] 可选的，上述通信模块3402，用于实现边缘设备与其他设备、中央服务器或云端服务器之间的通信。支持多种通信方式，包括无线通信(如Wi‑F i、LoRa、NB‑I oT)和有线通信(如以太网)，以满足不同光伏站的网络环境和需求。

[0049] 可选的，上述数据处理模块3403，用于通过整合各种传感器的数据，实现对光伏发电系统的监测、优化和维护。可以实现实时能源产出监测、能量储存状态监测、负载需求预测、以及光伏组件调度。

[0050] 此外，上述多类型终端数据处理系统待处理的数据通过安装在光伏场站中光伏组件上的不同传感器获取，可选的，上述不同传感器可以包括：光照传感器、温度传感器、湿度传感器、电流传感器、电压传感器、电池状态传感器、角度传感器。具体的，上述光照传感器用于测量光照强度，帮助监测太阳光的强度和变化，以优化光伏组件的工作状态。上述温度传感器用于测量光伏组件、逆变器和其他设备的温度，有助于监测设备是否处于合适的工作温度范围。上述湿度传感器用于测量空气湿度。上述电流传感器用于监测光伏组件和电缆中的电流，有助于实时了解发电系统的性能。上述电压传感器用于监测电压水平，帮助确保光伏系统在适当的电压范围内运行，上述电池状态传感器用于监测能量储存系统(如电池)的状态，包括电荷状态、温度等参数。上述角度传感器用于测量光伏组件的安装角度，帮助调整光伏板的朝向，最大化光照的接收。

[0051] 可选的，光伏场站中主要涉及到的终端类型包括，光伏组件(即太阳能电池板)，逆变器，传感器(环境传感器)，通信设备，用户接口设备。

[0052] 作为一种可选的实施例，所述数据处理模块用于接收所述数据采集模块获取到的所述设备监测数据进行数据处理，并根据处理结果确定所述光伏设备的调度策略。具体包括：

[0053] 转换单元，用于对所述设备监测数据进行数据结构转换，得到目标数据结构；

[0054] 特征提取单元，与所述转换单元连接，用于对所述目标数据结构进行特征提取，得到用训练目标模型的特征数据集；

[0055] 划分单元，与所述特征提取单元连接，用于根据预设划分方式将所述特征数据集划分为测试集与训练集；

[0056] 模型单元，与所述划分单元连接，用于利用所述测试集与所述训练集训练目标模型，得到所述设备监测数据对应的负载需求的预测模型，并使用预测模型对当前数据处理周期关联的后一数据处理周期的数据变化进行预测；

[0057] 调度单元，与所述模型单元连接，用于根据所述模型单元对所述后一数据处理周期的预测结果确定所述光伏设备的调度策略。

[0058] 可选的，上述所述能源产出监测通过接收光照强度、温度等传感器数据，实时监测光伏发电系统的能源产出。这可以通过对光伏组件的电流、电压等参数进行实时分析来实现。

[0059] 可选的，上述所述能量储存状态监测包括电荷状态、温度等。这些信息可以通过电流和电压传感器数据进行实时获取。

[0060] 可选的，上述所述负载需求预测，使用的是季节性分解方法(Seasona l and Trend decompos it i on us i ng Loess，STL)。在光伏负载需求预测中，季节性分解方法的应用旨在捕捉光伏系统在不同时间尺度上的周期性变化，例如每天、每周、每月等。通过季节性分解，可以更准确地预测未来的负载需求，帮助系统进行智能能源调度，提高光伏系统的能源利用效率。

[0061] 可选的，上述负载需求预测的具体实现方法包括以下几个步骤：

[0062] 步骤一：数据采集及处理。获取光伏系统的相关数据，包括光照强度、电流、电压等关键参数。这些数据可以通过监测设备、传感器、逆变器等设备收集；确定数据采集的时间间隔，例如每小时、每日、每月等。同时，确定数据的时间跨度，确保数据覆盖足够长的时间周期，以捕捉系统在不同季节和时间尺度上的变化。这里通常的时间周期至少是一年，也可以更高。将数据转换为模型能够接受的格式。包括将时间序列数据转换为合适的数据结构，如DataFrame，以便于后续的分析和建模；根据预测的目标，进行特征工程，提取有意义的特征。这可能包括对时间戳进行拆分(年、月、日、小时)、添加季节性指标、计算滞后特征等，以更好地捕捉数据的模式；将整个数据集划分为训练集和测试集。训练集用于模型的训练，而测试集则用于评估模型在未见过的数据上的预测性能。为训练集和测试集生成相应的标签(负载需求的实际值)，以监督模型的学习；

[0063] 步骤二：趋势和季节性分解。趋势和季节性分解是对时间序列数据进行分解，以提取其中的趋势、季节性和残差成分；

[0064] 可选的，上述趋势和季节性分解具体包括：

[0065] 第一，局部回归(Loess)。Loess是一种非参数的光滑技术，其核心思想是在每个数据点周围拟合一个局部的多项式。这使得对于每个数据点，拟合更关注其附近的数据点，而不是整体的趋势；

[0066] 可选的，上述所述的拟合是通过STL方法使用局部回归对整个时间序列进行的拟合，得到初步的趋势和季节性。这一步称为趋势分解，通过Loess来拟合整体趋势，以获取原始时间序列的趋势和季节性的初步估计。

[0067] 可选的，在局部回归中，需要指定一个局部窗口的大小，即在进行拟合时考虑的附近数据点的范围。这个窗口的大小可以通过设置参数来调整，影响到局部拟合的灵敏度。局部窗口在局部回归(Loess)中是一个重要的参数，定义了在进行回归分析时考虑的附近数据点的范围。窗口的大小决定了在拟合趋势或曲线时有多少数据点被纳入计算，从而影响了拟合的平滑程度和对局部变化的敏感性。较小的窗口能够更敏感地捕捉数据中的细节和局部变化，但可能对噪音和异常值更敏感。较大的窗口可以提供更平滑的拟合，有助于过滤掉噪音，但可能无法捕捉细节。

[0068] 第二，平滑参数选择。平滑参数，决定了拟合的平滑度。平滑参数的选择对最终的趋势和季节性估计有重要影响，需要根据具体情况进行调整；

[0069] 可选的，上述的平滑参数可以手动尝试不同的平滑参数值，观察拟合效果，并选择最适合数据特性的值。如0.25、0.5、0.75等，可能是一个合理的起点。然后根据实际情况逐步调整，观察效果。也可以使用交叉验证的方法，将数据分为训练集和验证集，通过在训练集上拟合并在验证集上评估模型的性能，选择最优的平滑参数。平滑参数选择还可以使用python中自带的自适应调整，通过数据的特性自动调整平滑参数以达到较好的拟合效果。

[0070] 第三，边界效应处理。边界效应指的是在数据序列的边界或端点处，由于数据点不足而导致拟合不准确或不稳定的情况。

[0071] 可选的，通过将时间序列视为环形结构，可以在边界处更好地处理拟合问题。将时间序列视为一个环形结构，即将序列的首尾相接，形成一个周期性的环。这样，序列在边界处没有明确的终点，而是形成了一个循环。对于具有周期性的数据，循环处理可以更好地利用序列的周期性信息。这对于处理具有周期性趋势的时间序列数据(例如季节性变化)有很好的效果。在拟合趋势或进行局部回归时，采用循环结构可以确保在序列的边界处考虑到周期性的相邻数据点。这有助于在边界处获得更准确的拟合结果，减轻由于边界效应导致的不稳定性。

[0072] 可选的，在循环结构中，可以考虑使用周期性权重函数，使得在序列边界附近的数据点在拟合中具有适当的权重。可以实现平滑地处理从序列内部到边界的过渡。

[0073] 作为一种可选的实施方式，如一个具有季节性变化的时间序列，可以将这个时间序列首尾相接形成一个环，使得季节性的周期性变化在边界处得到更好的处理。这样，拟合趋势或季节性时能够更好地捕捉到跨越边界的周期性变化。

[0074] 需要说明的是，通过上述实施方式，在光伏负载需求预测中，STL方法用于分解光伏系统产生的时间序列数据，提取出趋势和季节性，从而更好地理解和预测系统的运行特性。能够适应不同时间点的数据变化，对于具有复杂周期性和非线性趋势的时间序列能够提供较为准确的分解结果。通过结合Loess的光滑性和分解能力，为时间序列的趋势分解提供了一种灵活、高效的工具。在光伏负载需求预测中，STL方法可以帮助揭示光伏系统在不同时间尺度上的趋势和季节性变化。

[0075] 步骤三，模型训练，模型的架构构建完成后，将数据集和验证集输入模型，来完成训练。在训练中，可以动态的调整平滑参数；

[0076] 步骤四，根据训练好的模型训练进行负载需求预测；

[0077] 步骤五，根据光伏负载需求来进行光伏组件调度，实现光伏电站的智能控制。

[0078] 综上，本申请可选的实施例，通过基于边缘计算的数据处理系统，将数据处理下沉到设备级别，减轻了数据传输的负担，特别是在网络环境较差的沙漠、戈壁等地区。同时，该系统将数据处理推向光伏组件、逆变器等设备，降低了数据传输的延迟，提高了系统的实时性。这对于光伏场站的监测和调度等实时应用非常重要。另外，通过利用季节性分解方法进行负载需求预测，有助于系统实现智能能源调度。通过对趋势和季节性的分解，系统能更准确地预测未来的负载需求，从而优化光伏组件的工作状态，提高光伏系统的能源利用效率。

[0079] 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根据上述实施例的方法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，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的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，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本申请各个实施例的方法。

[0080] 在本实施例中还提供了一种数据处理装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的设备较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

[0081] 图4是根据本申请实施例的一种数据处理装置的结构框图，该装置包括：

[0082] 第一获取模块42，用于从光伏设备关联的传感组件获取设备监测数据；

[0083] 处理模块44，用于通过边缘设备对所述监测数据进行处理，得到用于对所述光伏设备对应的负载需求进行预测的目标数据；

[0084] 预测模块46，用于将所述目标数据输入至目标模型中，得到数据预测结果，其中，所述数据预测结果用于调控所述光伏设备在不同运行周期的工作状态。

[0085] 上述装置，从光伏设备关联的传感组件获取设备监测数据；通过边缘设备对监测数据进行处理，得到用于对光伏设备对应的负载需求进行预测的目标数据；将目标数据输入至目标模型中，得到数据预测结果，其中，数据预测结果用于调控光伏设备在不同运行周期的工作状态。解决了现有对于光伏场站运行设备所产生的大量数据无法得到实时处理问题。通过边缘设备的设置提升了数据的实时处理效率，降低了数据传输负担，并增强隐私和安全性。

[0086] 在一个示例性的实施例中，上述装置还包括：确定模块，用于将所述目标数据输入至目标模型中，得到数据预测结果之后，根据所述预测结果确定所述光伏设备的工作需求；基于所述工作需求确定所述光伏设备在不同运行周期的目标工作状态；汇总所述目标工作状态，确定所述光伏设备对应的调控策略。

[0087] 在一个示例性的实施例中，上述装置还包括：训练模块，用于提取所述目标数据结构中的特征，得到用训练所述目标模型的特征数据集之后，根据预设划分方式将所述特征数据集划分为测试集与训练集；利用所述测试集与所述训练集训练初始模型，得到所述目标模型，其中，所述目标模型用于对当前数据处理周期关联的后一数据处理周期的数据变化进行预测。

[0088] 在一个示例性的实施例中，上述装置还包括：第二获取模块，用于将所述目标数据输入至目标模型中，得到数据预测结果之前，获取所述光伏设备的历史监测数据；对所述历史监测数据进行数据结构转换，得到目标数据结构；提取所述目标数据结构中的特征，得到用训练所述目标模型的特征数据集。

[0089] 在一个示例性的实施例中，上述装置还包括：检测模块，用于在确定连接移动终端与所述光伏设备进行控制的情况下，检测所述移动终端的设备权限；在确定所述移动终端具有对数据处理系统的数据访问权限或者设备操控权限的情况下，允许所述移动终端对所述设备监测数据进行操作；在确定所述移动终端不具有对所述数据处理系统的数据访问权限或者设备操控权限的情况下，向所述数据处理系统对应的管理对象发送报警信息。

[0090] 本申请的实施例还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。

[0091] 可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的计算机程序：

[0092] S1、用于从光伏设备关联的传感组件获取设备监测数据；

[0093] S2、用于通过边缘设备对所述监测数据进行处理，得到用于对所述光伏设备对应的负载需求进行预测的目标数据；

[0094] S3、用于将所述目标数据输入至目标模型中，得到数据预测结果，其中，所述数据预测结果用于调控所述光伏设备在不同运行周期的工作状态。

[0095] 在一个示例性实施例中，上述计算机可读存储介质可以包括但不限于：U盘、只读存储器(Read‑On l y Memory，简称为ROM)、随机存取存储器(Random Access Memory，简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。

[0096] 本实施例中的具体示例可以参考上述实施例及示例性实施方式中所描述的示例，本实施例在此不再赘述。

[0097] 本申请的实施例还提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时上述任一项方法实施例中的步骤。

[0098] 本申请的实施例还提供了另一种计算机程序产品，包括非易失性计算机可读存储介质，所述非易失性计算机可读存储介质存储计算机程序，所述计算机程序被处理器执行时实现上述任一项方法实施例中的步骤。

[0099] 本申请的实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。

[0100] 可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：

[0101] S1、用于从光伏设备关联的传感组件获取设备监测数据；

[0102] S2、用于通过边缘设备对所述监测数据进行处理，得到用于对所述光伏设备对应的负载需求进行预测的目标数据；

[0103] S3、用于将所述目标数据输入至目标模型中，得到数据预测结果，其中，所述数据预测结果用于调控所述光伏设备在不同运行周期的工作状态。

[0104] 在一个示例性实施例中，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。

[0105] 本实施例中的具体示例可以参考上述实施例及示例性实施方式中所描述的示例，本实施例在此不再赘述。

[0106] 显然，本领域的技术人员应该明白，上述的本申请的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本申请不限制于任何特定的硬件和软件结合。

[0107] 以上所述仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。