[0001] 本公开属于新能源功率预测技术领域，更具体地说，是涉及一种短期光伏功率预测方法及装置、电子设备、存储介质。

[0002] 太阳能作为一种重要的清洁能源，正在快速发展，并在能源结构转型中扮演着关键角色。太阳能技术的进步和广泛应用，不仅有助于减少化石燃料的使用和温室气体的排放，还推动了可再生能源的普及和应用。然而，太阳能发电的间歇性和不稳定性也带来了新的挑战，这使得光伏功率预测的重要性日益凸显。传统的统计方法通过构建数学模型来分析历史光伏功率数据，以识别其中的规律和趋势，这些统计方法往往基于简化的假设，难以有效处理光伏功率数据的非线性关系。

[0003] 近年来，随着人工智能技术的进步，深度学习方法在光伏功率预测中得到了广泛应用。深度学习通过学习历史数据，能够自动提取有用特征，并构建复杂非线性的预测模型，尽管已有多种预测方法，但在短期光伏功率预测方面，存在光伏功率预测模型的预测精度低的问题。

[0012] 以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本公开实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本公开。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本公开的描述。

[0013] 为使本公开的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施例来进行说明。

[0014] 请参考图1，图1为本公开一实施例提供的一种短期光伏功率预测方法的流程示意图，该方法包括：S101：基于多尺度池化网络对天气特征数据进行分割，得到季节特征数据和趋势特征数据。

[0015] 在本实施例中，天气状况对光伏功率有着显著影响，不同时间尺度下的天气特征蕴含着不同的信息。多尺度池化网络是一种能够处理不同尺度信息的网络结构，多尺度池化网络能够从长时间范围到短时间范围等不同角度去审视天气特征数据，从而捕捉到数据中不同尺度的特征。

[0016] 多尺度池化网络可以按照不同的时间窗口（如以月为尺度去捕捉季节相关特征，以天为尺度去捕捉短期天气变化趋势特征等）对整体的天气特征数据进行划分，从而分离出具有不同特性的季节特征数据和趋势特征数据。季节特征数据反映了一年中不同季节光照时长、强度以及气温等相对稳定且周期性变化的特点，比如夏季光照时间长、强度大，冬季相对较弱等规律；而趋势特征数据更多体现了短期内天气变化的走向，像连续几日的云层增厚或消散趋势对光伏功率的影响等。

[0017] S102：对季节特征数据进行特征提取，得到第一特征数据，对趋势特征数据进行特征提取，得到第二特征数据。

[0018] 在本实施例中，原始的季节特征数据和趋势特征数据虽然蕴含了有用信息，但往往比较繁杂且包含很多冗余部分。通过特征提取（比如卷积神经网络中的卷积核操作等）的过程，可以从这些数据中提炼出关键的、更具代表性的特征。

[0019] 对于季节特征数据，提取的第一特征数据可以包含该季节下光照角度、平均气温、典型的天气模式等对光伏功率产生重要影响的特征因素，这些特征能够反映天气数据的季节性变化规律；对于趋势特征数据提取的第二特征数据，可以聚焦于如云层移动速度、空气湿度变化速率等这些能反映短期内天气动态变化且与光伏功率密切相关的特征，这些特征能够反映天气数据的长期趋势和变化规律。

[0020] S103：基于第一特征数据和第二特征数据得到RMS特征数据。

[0021] 在本实施例中，RMS特征数据是一种综合考虑第一特征数据和第二特征数据的融合方式，可以通过特定的计算规则（如加权、求和、拼接等）把两种不同来源、不同性质的特征信息进行整合，使新生成的RMS特征数据既包含了季节层面相对稳定且周期性的关键要素，又融入了短期趋势变化相关的重要内容。

[0022] 例如，可以根据第一特征数据和第二特征数据各自对应的权重（权重可通过数据分析或者模型训练等方式确定），进行加权组合并进行相应的数学变换（如先平方、求平均再开方等类似均方根的计算过程），得到一个能从多维度反映天气对光伏功率影响的综合特征数据，为后续准确预测提供更全面的依据。

[0023] S104：基于Conv1d‑LSTM网络对天气特征数据进行处理，得到Conv1d‑LSTM特征数据。

[0024] 在本实施例中，Conv1D‑LSTM网络是一种结合了卷积神经网络中的一维卷积（Convolutional Neural Network 1D，Conv1D）操作和长短期记忆网络（Long Short‑Term Memory，LSTM）的深度学习模型。

[0025] Conv1d可以提取天气特征数据中的局部特征，对于天气特征数据这样具有时间序列特性的数据，Conv1d可以沿着时间维度滑动卷积核，捕捉不同时刻天气特征之间的关联，比如相邻几个小时内风速、温度、光照强度等特征的相互关系。

[0026] LSTM可以处理序列数据中的长短期依赖关系，因为光伏功率不仅受当前时刻天气的影响，还与过去一段时间内的天气变化情况密切相关，LSTM通过门控机制（输入门、遗忘门、输出门等）可以记住过往重要的天气特征信息并传递到后续的计算中，避免了传统神经网络在处理长序列时容易出现的梯度消失或梯度爆炸问题。

[0027] 将两者结合的Conv1d‑LSTM网络，先是利用Conv1d提取局部特征，然后由LSTM进一步整合并处理这些特征在时间序列上的依赖关系，从而得到的Conv1d‑LSTM特征数据能更好地反映天气特征随时间变化对光伏功率的影响机制。

[0028] S105：基于RMS特征数据和Conv1d‑LSTM特征数据得到光伏预测功率。

[0029] 在本实施例中，将RMS特征数据和Conv1d‑LSTM特征数据进行相加操作，得到光伏预测功率。

[0030] 在本实施例中，RMS特征数据整合了季节特征数据和趋势特征数据中提取出的关键信息，反映了不同时间尺度下天气因素对光伏功率影响的综合情况，涵盖了如季节更替带来的光照时长、强度变化以及短期内天气趋势变化等方面的特征。而Conv1d‑LSTM特征数据着重体现了天气特征在时间序列上的局部特征以及长短期依赖关系，捕捉了天气要素随时间动态变化如何影响光伏功率的机制，例如连续几个时间段内风速、云层厚度等因素变化与光伏功率波动之间的关联。将这两种特征数据相加，能够使最终的特征表示融合两方面的优势，实现信息的互补，让得到的综合特征既包含了较为宏观的周期性天气影响因素，又囊括了细致的时间序列变化相关要素，从而更全面地刻画影响光伏功率的各种条件。

[0031] 相加操作相比于一些复杂的特征融合策略（如采用复杂的非线性变换或者多层融合网络等），相加在计算上更为简便易行，同时也能在一定程度上避免过度复杂的融合过程可能带来的过拟合风险等问题。

[0032] 由上可以得出，首先，本实施例通过多尺度池化网络分割天气特征数据，可从不同时间尺度捕捉信息，分离出季节与趋势特征数据，为后续分析奠基。其次进行特征提取，提炼关键代表性特征，使数据更精炼。最后通过特定方式得到RMS特征数据，融合多源关键要素，全面反映天气对光伏功率影响。再借助Conv1d‑LSTM网络处理数据，既能提取局部特征，又能处理长短期依赖关系，更好呈现天气与功率的影响机制。最后将两种特征数据相加获取光伏预测功率，操作简便且能避免过拟合风险，实现信息互补，更全面刻画影响条件，从而有效提升预测精度。

[0033] 在本公开的一种实施例中，在基于多尺度池化网络对天气特征数据进行分割，得到季节特征数据和趋势特征数据之前，还包括：基于光伏发电站的历史气象数据和对应历史气象数据的发电功率数据得到天气特征数据。

[0034] 在本实施例中，获取光伏发电站的历史气象数据和对应历史气象数据的发电功率数据。

[0035] 示例性的，获取天气特征数据和对应的发电功率数据，光伏发电站的历史气象数据包含但不限于：温度、天气、辐照强度、相对湿度、降水量、降雪量、风速、直接辐射能量、散射辐射能量、大气层外太阳辐射、水平面总辐射量、云量、湿度、可见度。

[0036] 分别对光伏发电站的历史气象数据和对应历史气象数据的发电功率数据进行预处理，得到气象特征数据和功率特征数据。

[0037] 可以采用线性插值对历史气象数据中的缺失值进行填充；对发电功率数据缺失值采用分时段处理，对下午7点到上午6点的缺失数据进行0填充，其他时间段数据采用线性插值法填充。

[0038] 可以采用四分位算法对发电功率数据进行检测，若为异常值，进行删除并采用线性插值法填充。

[0039] 示例性的，对历史气象数据进行检测是否存在缺失值，若存在缺失值采用线性插值法填充，对发电功率数据采用分时段处理，对下午7点到上午6点的缺失数据进行0填充，其他时间段数据采用线性插值法填充。

[0040] 使用四分位法对发电功率数据进行异常值检测。四分位法将数据集分成四个部分来表示，四分位数包括第一四分位数（Q1）、第二四分位数（Q2，即中位数）和第三四分位数（Q3）。利用四分位距，可以定义异常值的范围：四分位距：

[0041] 下界：

[0042] 上界：

[0043] 在光伏功率数据中，对低于下界或高于上界的发电功率数据判定为异常值。

[0044] 将检测出来的光伏功率数据的异常值数据点置为空值，对空值进行填充。

[0045] 处理后得到气象特征数据和功率特征数据。

[0046] 基于气象特征数据和功率特征数据得到天气特征数据。

[0047] 可以采用皮尔逊相关系数计算气象特征数据和功率特征数据的相关系数矩阵，选取范围为皮尔逊相关系数在‑0.5 ‑1和0.5 1之间的气象特征数据为输入特征。~ ~

[0048] 示例性的，对处理之后得到的气象特征数据和功率特征数据采用皮尔逊相关系数进行相关性分析，选取相关性较强的天气特征值，选取范围为皮尔逊相关系数在‑0.5 ‑1和~0.5 1之间。皮尔逊相关系数计算公式为：
~

[0049] 其中，r表示为皮尔逊相关系数，取值范围在‑1到1之间；xi和yi分别表示第i个功率特征数据以及第i个气象特征数据的观测值；和 分别是功率特征数据以及气象特征数据的均值；n表示为特征数据的总数。

[0050] 根据计算出来的相关系数矩阵，选取气象特征数据中的强相关特征，作为气象特征数据。

[0051] 由上可以得出，本实施例通过获取光伏发电站的历史气象数据和对应发电功率数据，并进行预处理，可提高数据质量。对于历史气象数据和发电功率数据的缺失值，分别采用合适的填充方法，如线性插值、分时段处理，能减少数据缺失对后续分析的影响。利用四分位算法检测发电功率数据异常值并处理，使数据更具合理性。再者，基于皮尔逊相关系数选取气象特征数据和功率特征数据间相关性强的部分作为输入特征，范围在‑0.5 ‑1和0.5~1之间，可聚焦关键因素，去除无关信息，为后续基于天气特征数据进行光伏功率预测奠定~
更准确、可靠的数据基础，有助于提升预测的精度和有效性。

[0052] 在本公开的一种实施例中，对季节特征数据进行特征提取，得到第一特征数据，包括：基于Local‑Global网络对季节特征数据进行特征提取得到第二特征数据；
将第二特征数据输入前馈神经网络得到第一特征数据。

[0053] 在本公开的一种实施例中，基于Local‑Global网络对季节特征数据进行特征提取得到第二特征数据，包括：基于Local‑Global网络对季节特征数据进行特征提取得到局部特征数据和全局特征数据；
对局部特征数据和全局特征数据进行特征融合，得到第二特征数据。

[0054] 在本实施例中，建立RMSnet模型，将气象特征数据作为RMSnet模型的输入，通过RMSnet模型进行光伏功率预测。

[0055] 在本实施例中，可以通过多尺度池化网络对天气特征数据进行分割，得到不同周期的季节特征数据和趋势特征数据。

[0056] 使用了平均池化（Avgpool）的几个不同核，分离几个不同卷积核下的季节特征数据和趋势特征数据信息，并采用均值运算来融合不同的特征信息。具体来说，对于输入序列X，计算公式为：

[0057] 其中，trend表示为趋势特征数据，seasonal表示为季节特征数据，表示为输入序列X的长度， 表示输入序列X
的平均池化。

[0058] 通过采用不同卷积核大小的平均池化操作，获取不同周期的趋势特征数据和季节特征数据的信息。

[0059] 在本实施例中，基于Local‑Global网络对季节特征数据进行特征提取得到第二特征数据。Local‑Global网络是一种结合了局部和全局信息的网络结构。

[0060] 首先提取局部特征，局部特征主要是通过不同卷积核、步长的一维卷积进行下采样操作，提取不同时间下的局部特征信息，计算流程公式如下所示：

[0061] 其中， 表示Local‑Global网络的输出，i表示不同分支对应的不同尺度大小，表示一维卷积， 表示平均池化。 表示 激活函数， 表示丢弃率，防止模型过拟合。

[0062] 其次是提取全局特征，Local‑Global网络中的全局特征采用卷积核大小等于整个序列长度的因果卷积来捕获全局相关性，为了实现因果卷积，在序列的开始处填充卷积核‑1数量的0，然后进行卷积操作。使得模型能够更好的捕捉时间序列中的长期依赖关系，并使得模型的输出只依赖于当前的输入和过去的输入；然后再将Local‑Global网络的输出与因果卷积之后的数据进行相加，使得模型能够更好的关注序列数据中的局部特征和全局特征，

[0063] 其中， 表示因果卷积， 表示层归一化， 表示Local模块的输出；然后采用一维卷积上采样操作来恢复序列的长度，再将上采样输出层的数据与最初的输入数据进行相加操作，使得模型保留原始输入信息，防止重要信息在层与层之间的传播过程中丢失。

[0064] 将第二特征数据输入前馈神经网络得到第一特征数据。

[0065] 本实施例通过前馈神经网络（Feed Forward NetWork）采用多层线性变换和非线性激活函数来学习多时间尺度特征的复杂特征和模式，提高模型的泛化能力和鲁棒性。

[0066] 由上可以得出，本实施例通过多尺度池化网络对天气特征数据进行分割，可得到不同周期的季节特征数据和趋势特征数据，能更好地捕捉数据中的周期性和趋势性信息。其次，基于Local‑Global网络进行特征提取，先提取局部特征再提取全局特征，能够综合考虑局部和全局信息，使模型更好地关注序列数据中的局部特征和全局特征。此外，利用前馈神经网络学习多时间尺度特征的复杂特征和模式，通过多层线性变换和非线性激活函数，可提高模型的泛化能力和鲁棒性，有助于更准确地进行光伏功率预测。

[0067] 在本公开的一种实施例中，对局部特征数据和全局特征数据进行特征融合，包括：对局部特征数据和全局特征数据进行拼接，得到第三特征数据；
基于二维卷积网络对第三特征数据分配权重。

[0068] 在本实施例中，可以采用cat操作将不同时间尺度所提取的全局特征数据和局部特征数据进行融合；其次使用二维卷积网络（Conv2d）卷积为各个时间尺度的特征进行分配权重，得到多时间尺度的特征表示；最后通过Feed Forward NetWork网络采用多层线性变换和非线性激活函数来学习多时间尺度特征的复杂特征和模式，提高模型的泛化能力和鲁棒性。

[0069] 由上可以得出，本实施例通过对局部特征数据和全局特征数据进行拼接得到第三特征数据，再利用二维卷积网络为其分配权重，能够有效地融合不同时间尺度下的特征信息。采用cat操作进行融合，保证了数据的完整性。而二维卷积网络的权重分配机制，使各时间尺度的特征得到合理考量。最后通过前馈网络学习多时间尺度特征的复杂特征和模式，这一系列操作极大地提高了模型的泛化能力和鲁棒性，有助于更精准地进行相关预测或分析。

[0070] 在本公开的一种实施例中，对趋势特征数据进行特征提取，得到第二特征数据，包括：对趋势特征数据进行线性组合，得到第二特征数据。

[0071] 在本实施例中，将趋势特征数据输入可逆实例归一化网络（Reversible Instance Normalization，RevIN），RevIN网络可以去除输入序列中的非平稳信息，特别是实例的均值和标准差，并通过将输入归一化删除的信息返回给模型，实现模型的反归一化操作。RevIN网络的整体流程为：首先进行趋势特征数据的归一化操作，对输入数据的每个特征计算均值和标准差，使用均值和标准差对输入数据进行标准化，将数据调整到一个统一的尺度上；然后通过linear层对输入的特征数据进行线性组合，来捕捉输入特征之间的线性关系；最后进行反归一化操作，使用之前计算的均值和标准差对输出数据进行反归一化处理，恢复数据到原始尺度。

[0072] 采用均值和标准差对输入数据 进行归一化，则输入趋势特征数据 的平均值和标准差计算如下：

[0073]

[0074] 其中，mean表示平均值，Variance表示标准差，s表示输入的序列长度， 表示第j个输入趋势特征数据。

[0075] 通过上述计算出的平均值和标准差，我们对数据进行归一化处理：

[0076] 其中， 表示归一化之后的趋势特征数据值， 表示趋势特征数据值。

[0077] 为了增强模型的表达能力，RevIN还可以引入仿射变换参数 和 ：

[0078] 反归一化的计算公式为：

[0079]

[0080] 在本公开的一种实施例中，基于Conv1d‑LSTM网络对天气特征数据进行处理，得到Conv1d‑LSTM特征数据，包括：基于一维卷积网络对天气特征数据进行处理得到第一局部特征数据；
将第一局部特征数据输入短期记忆网络得到Conv1d‑LSTM特征数据。

[0081] 在本实施例中，Conv1d‑LSTM通过将一维卷积提取的局部特征与LSTM捕捉的时序依赖相结合，能够对序列数据进行全面分析，有效地提取和利用序列数据中的空间和时间特征。构建Conv1d‑LSTM卷积循环网络。卷积循环网络通过将输入序列输入到一维卷积进行下采样特征提取，一维卷积神经网络通过卷积核在输入序列上滑动，提取局部特征。

[0082]

[0083] 其中， 是输出特征， 是输入序列的元素， 是卷积核的权重，是偏置，K是卷积核的大小。然后将提取后的第一局部特征数据送入LSTM网络进行长短期特征提取序列数据中的长短期依赖关系。

[0084] 进一步地，将处理好的输入特征数据输入到RMSNet模型中进行训练，选择均方误差函数（Mean Squared Error，MSE）为RMSNet模型的损失函数，MSE损失函数其公式为：

[0085] 其中， 表示提供的真实光伏功率数据，是RMSNet模型输出的光伏预测功率值，值和输出值计算出的损失值。理论上， 的误差越小，RMSNet模型的预测精度越高；反之，如果 的值越大，说明预测值和真实值的误差比较大，需要调整模型的参数并再次训练。所以，RMSNet模型对应的优化目标为：

[0086] 其中， 代表RMSNet模型的训练数据，表示为模型的参数。该公式代表的含义是不断调整模型的参数使得 的值减小，提高模型的预测精度，这也是RMSNet模型的训练过程。若loss值在3轮epoch不再下降，停止训练，得到短期光伏功率预测模型权重文件。

[0087] 由上可以得出，本实施例通过Conv1d‑LSTM结合了一维卷积网络和短期记忆网络，能够全面分析序列数据，有效提取和利用数据中的空间和时间特征。通过一维卷积网络提取局部特征，再由LSTM网络捕捉长短期依赖关系，可精准地处理天气特征数据。其次，选择均方误差函数（MSE）作为RMSNet模型的损失函数，通过不断调整模型参数使MSE值减小，能够提高模型的预测精度，确保在光伏功率预测中获得更准确的结果。

[0088] 请参考图2‑3，图2为本公开一实施例提供的另一种短期光伏功率预测方法的流程示意图，图3为本公开一实施例提供的RMSNet模型的结构图。

[0089] 如图2所示，本实施例基于RMSNet的光伏功率预测方法包括以下步骤：S201：梳理所需数据如温度、天气、辐照强度、相对湿度、降水量、降雪量、风速、直接辐射能量、散射辐射能量、大气层外太阳辐射、水平面总辐射量、云量、湿度、可见度、光伏功率。使用线性插值法对天气数据和光伏功率数据进行缺值填充，下午7点到上午6点的时间段缺失数据进行0值填充。

[0090] S202：对光伏发电站的功率数据以及天气数据预处理。

[0091] 采用四分位算法对发电功率数据进行检测，首先将发电功率升序排列；然后计算中位数(Q2)，如果数据点的数量是奇数，中位数是中间的那个数，如果数据点的数量是偶数，中位数是中间两个数的平均值；然后再计算第一四分位数(Q1)，Q1计算的为下半部分的发电功率数据，其奇偶数的取值方式与Q2相同；然后再计算第三四分位数(Q3)，Q3计算的为上半部分的发电功率数据，其奇偶数的取值方式与Q2相同，最后再根据Q1、Q2、Q3、Q4定义异常值上界和下界的范围，在光发电功率数据中，低于下界或高于上界的光伏功率数据判定为异常值。若为异常值，进行删除并采用线性插值法和0值填充法填充。

[0092] 使用Pearson相关系数计算天气特征和光伏功率数据的相关系数矩阵。取系数在‑0.5 ‑1和0.5 1之间的天气特征为输入特征。
~ ~

[0093] S204：建立RMSNet模型，得到预测结果。

[0094] 构建RMSNet短期光伏功率预测算法模型，模型结构图如图3所示。将步骤3选取的天气特征值输入到模型中，主要分为两个步骤去进行特征的提取：RMS模块和Conv1d‑LSTM。

[0095] RMS模块特征数据首先经过多核平均池化，特征数据分割为两部分：Seanonal、trend。
Seanonal、trend分别经过MLG模块和RevIN模块进行特征提取。

[0096] 在MLG模块中，Seanonal特征数据首先通过一维卷积操作，其次再通过平均池化操作得到不同时间尺度的特征信息，然后通过设置一维卷积中的stride、kernel的值进行降采样的操作，主要是用来提取局部特征信息，然后通过tanh函数增加模型的非线性表达能力，并采用dropout随机丢弃部分一维卷积的神经元来提高模型的泛化能力；然后再采用0值进行填充，主要是为了在进行因果卷积时，保持序列长度的不变，以及使得模型在提取全局特征时，只能看到当前时间节点的前面的局部特征信息，再采用残差连接操作将全局特征信息和局部特征信息进行融合，以及使用LayerNorm对特征通道进行归一化操作，减低模型的复杂性以及提高模型性能；最后采用上采样操作来恢复因下采样导致的序列长度，再将上采样输出层的数据与最初的输入数据进行相加操作，使得模型结合不同层次的特征，模型可以学习到更复杂的特征表示。

[0097] 在RevIN模块中，首先进行特征数据的归一化操作，首先，对输入数据的每个特征计算均值和标准差，使用均值和标准差对输入数据进行标准化，将数据调整到一个统一的尺度上；然后通过linear层对输入的特征数据进行线性组合，来捕捉输入特征之间的线性关系；最后进行反归一化操作，使用之前计算的均值和标准差对输出数据进行反归一化处理，恢复数据到原始尺度。

[0098] 采用cat操作将不同时间尺度所提取的全局特征和局部特征进行融合；其次使用Conv2d卷积为各个时间尺度的特征进行分配权重，得到多时间尺度的特征表示；最后采用Feed Forward NetWork模块采用多层线性变换和非线性激活函数来学习多时间尺度特征的复杂特征和模式，提高模型的泛化能力和鲁棒性。

[0099] 然后将Seanonal、trend经过MLG模块和RevIN模块的特征数据进行相加操作，得到多尺度池化部分的最终RMS模块的特征数据。

[0100] Conv1d‑LSTM原始数据通过Conv1d捕捉序列数据中的局部依赖关系，然后卷积层输出的特征映射被视作LSTM层的输入序列。每个时间步都有一个特征向量，这些特征向量构成了LSTM的输入序列，LSTM逐步处理输入序列的每个时间步，在每个时间步，LSTM根据当前输入、前一时间步的隐藏状态和细胞状态来更新其内部状态，细胞状态在每个时间步都会更新，以保留重要信息和丢弃不必要的信息，通过这种数据流动机制，LSTM能够有效捕捉序列数据中的长短期依赖关系。

[0101] 最后将RMS模块和Conv1d‑LSTM的输出进行相加操作，得到最终的特征表示，进行短期光伏功率预测。

[0102] 在RMSNet模型的训练过程中采用MSE损失函数计算预测值与实际值之间的误差loss，若loss值在3轮epoch不再下降，停止训练，得到短期光伏功率预测模型权重文件。

[0103] 对应于上文实施例的一种短期光伏功率预测方法，图4为本公开一实施例提供的一种短期光伏功率预测装置的结构框图。为了便于说明，仅示出了与本公开实施例相关的部分。参考图4，该一种短期光伏功率预测装置20包括：数据分割模块21、特征提取模块22、RMS数据模块23、Conv1d‑LSTM数据模块24、功率预测模块25。

[0104] 其中，数据分割模块21，用于基于多尺度池化网络对天气特征数据进行分割，得到季节特征数据和趋势特征数据；特征提取模块22，用于对季节特征数据进行特征提取，得到第一特征数据，对趋势特征数据进行特征提取，得到第二特征数据；
RMS数据模块23，用于基于第一特征数据和第二特征数据得到RMS特征数据；
Conv1d‑LSTM数据模块24，用于基于Conv1d‑LSTM网络对天气特征数据进行处理，得到Conv1d‑LSTM特征数据；
功率预测模块25，用于基于RMS特征数据和Conv1d‑LSTM特征数据得到光伏预测功率。

[0105] 在本公开的一种实施例中，一种短期光伏功率预测装置20还包括：数据处理模块；具体用于：基于光伏发电站的历史气象数据和对应历史气象数据的发电功率数据得到天气特征数据。

[0106] 在本公开的一种实施例中，特征提取模块22具体还用于：基于Local‑Global网络对季节特征数据进行特征提取得到第二特征数据；
将第二特征数据输入前馈神经网络得到第一特征数据。

[0107] 在本公开的一种实施例中，特征提取模块22具体还用于：基于Local‑Global网络对季节特征数据进行特征提取得到局部特征数据和全局特征数据；
对局部特征数据和全局特征数据进行特征融合，得到第二特征数据。

[0108] 在本公开的一种实施例中，特征提取模块22具体还用于：对局部特征数据和全局特征数据进行拼接，得到第三特征数据；
基于二维卷积网络对第三特征数据分配权重。

[0109] 在本公开的一种实施例中，特征提取模块22具体还用于：对趋势特征数据进行线性组合，得到第二特征数据。

[0110] 在本公开的一种实施例中，Conv1d‑LSTM数据模块具体用于：基于一维卷积网络对天气特征数据进行处理得到第一局部特征数据；
将第一局部特征数据输入短期记忆网络得到Conv1d‑LSTM特征数据。

[0111] 参见图5，图5为本公开一实施例提供的电子设备的示意框图。如图5所示的本实施例中的电子设备300可以包括：一个或多个处理器301、一个或多个输入设备302、一个或多个输出设备303及一个或多个存储器304。上述处理器301、输入设备302、输出设备303及存储器304通过通信总线305完成相互间的通信。存储器304用于存储计算机程序，计算机程序包括程序指令。处理器301用于执行存储器304存储的程序指令。其中，处理器301被配置用于调用程序指令执行上述各装置实施例中各模块的功能，例如图4所示模块21至25的功能。

[0112] 应当理解，在本公开实施例中，所称处理器301可以是中央处理单元 (Central Processing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路 (Application Specific Integrated Circuit，ASIC)、现成可编程门阵列 (Field‑Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

[0113] 输入设备302可以包括触控板、指纹采集传感器（用于采集用户的指纹信息和指纹的方向信息）、麦克风等，输出设备303可以包括显示器（LCD等）、扬声器等。

[0114] 该存储器304可以包括只读存储器和随机存取存储器，并向处理器301 提供指令和数据。存储器304的一部分还可以包括非易失性随机存取存储器。例如，存储器304还可以存储设备类型的信息。

[0115] 具体实现中，本公开实施例中所描述的处理器301、输入设备302、输出设备303可执行本公开实施例提供的一种短期光伏功率预测方法的第一实施例和第二实施例中所描述的实现方式，也可执行本公开实施例所描述的电子设备的实现方式，在此不再赘述。

[0116] 在本公开的另一实施例中提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序包括程序指令，程序指令被处理器执行时实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read‑Only Memory）、随机存取存储器（RAM，Random Access Memory）、电载波信号、电信信号以及软件分发介质等。

[0117] 计算机可读存储介质可以是前述任一实施例的电子设备的内部存储单元，例如电子设备的硬盘或内存。计算机可读存储介质也可以是电子设备的外部存储设备，例如电子设备上配备的插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash Card）等。进一步地，计算机可读存储介质还可以既包括电子设备的内部存储单元也包括外部存储设备。计算机可读存储介质用于存储计算机程序及电子设备所需的其他程序和数据。计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。

[0118] 本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本公开的范围。

[0119] 所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的电子设备和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

[0120] 在本申请所提供的几个实施例中，应该理解到，所揭露的电子设备和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。

[0121] 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单元来实现本公开实施例方案的目的。

[0122] 另外，在本公开各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

[0123] 以上，仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以权利要求的保护范围为准。