光功率预报方法、装置、计算机设备及存储介质与流程

1.本技术涉及光伏发电技术领域，特别涉及一种光功率预报方法、装置、计算机设备及存储介质。


背景技术：

2.光伏发电是一种输出的光功率与气象条件密切相关的发电方法。
3.目前，光伏发电企业普遍基于单一的机器学习模型，将气象源的预报数据输入该机器学习模型中从而输出预报的光功率，预报精度不够好。


技术实现要素：

4.本技术实施例提供了一种光功率预报方法、装置、计算机设备及存储介质，可以最大化挖掘每个气象源的预报水平，从而提高光功率的预报精度。所述技术方案如下。
5.根据本技术的一方面，提供了一种光功率预报方法，所述方法包括：
6.获取针对目标时段的n个预报数据，所述n个预报数据分别来自于n个气象源，所述n为大于1的正整数；
7.调用预报模型，所述预报模型包括：光功率预报层以及光功率修正层，所述光功率预报层中包括n个机器学习处理模块；
8.将针对所述目标时段的第i预报数据输入所述光功率预报层中的第i机器学习处理模块，得到针对所述目标时段的第i参考预报光功率，所述i为不大于所述n的正整数；
9.将针对所述目标时段的第1参考预报光功率至第n参考预报光功率，输入所述光功率修正层，得到针对所述目标时段的修正预报光功率。
10.根据本技术的一方面，提供了一种光功率预报装置，所述装置包括：预报数据获取模块、模型调用模块、光功率预报模块和光功率修正模块；
11.所述预报数据获取模块，用于获取针对目标时段的n个预报数据，所述n个预报数据分别来自于n个气象源，所述n为大于1的正整数；
12.所述模型调用模块，用于调用预报模型，所述预报模型包括：光功率预报层以及光功率修正层，所述光功率预报层中包括n个机器学习处理模块；
13.所述光功率预报模块，用于将针对所述目标时段的第i预报数据输入所述光功率预报层中的第i机器学习处理模块，得到针对所述目标时段的第i参考预报光功率，所述i为不大于所述n的正整数；
14.所述光功率修正模块，用于将针对所述目标时段的第1参考预报光功率至第n参考预报光功率，输入所述光功率修正层，得到针对所述目标时段的修正预报光功率。
15.根据本技术的另一方面，提供了一种计算机设备，所述计算机设备包括：处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如上方面所述的光功率预报方法。
16.根据本技术的另一方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如上方面所述的光功率预报方法。
17.根据本技术的另一个方面，提供一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述可选实现方式中提供的光功率预报方法。
18.本技术实施例提供的技术方案带来的有益效果至少包括如下的有益效果。
19.通过获取来自于n个气象源的n个预报数据，将n个预报数据分别使用n个机器学习处理模块进行处理，得到与n个气象源对应的n个参考预报光功率，再通过光功率修正层对n个参考预报光功率进行修正处理得到最终的修正预报光功率，实现了一种光功率预报的处理方式，相较于目前的采用单一的机器学习处理模块进行处理的处理方式，能够最大化挖掘每个气象源的预报水平，并且融合不同气象源的优势，提高光功率的预报精度。
附图说明
20.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，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。
21.图1是本技术一个示例性实施例提供的光功率预报系统的示意图；
22.图2是本技术一个示例性实施例提供的光功率预报方法的流程图；
23.图3是本技术一个示例性实施例提供的光功率预报方法的流程图；
24.图4是本技术一个示例性实施例提供的光功率预报方法的流程图；
25.图5是本技术一个示例性实施例提供的光功率预报方法的示意图；
26.图6是本技术一个示例性实施例提供的光功率预报装置的框图；
27.图7是本技术一个示例性实施例提供的计算机设备的结构示意图。
具体实施方式
28.为使本技术的目的、技术方案和优点更加清楚，下面将结合附图对本技术实施方式作进一步地详细描述。
29.使用太阳能进行光伏发电具有能量密度低、间歇性、不确定等特征，特别是光伏发电的输出功率与气象条件密切相关，使得其发电特性与常规电力具有很大区别。
30.光伏发电并网接入是光伏发电实现大规模高效利用的重要形式。由于光伏发电的间歇性、不确定性和不可控性，当大规模、大容量的光伏发电系统接入电网，对公共电网的安全运行带来重大挑战。
31.为此，若能较准确地预测光伏发电系统的光功率，减轻光伏发电系统的输出功率的不确定性，可促进电网对这类不稳定能源的接纳和消化，对于光伏发电系统并网接入运行的安全性和稳定性，以及电网经济调度具有重要意义。
32.目前，光功率预报主要基于气象源的预报数据，将辐照或者光功率作为优化目标，
进行单一机器学习模型建模。
33.由于每种气象源都有自身的局限性与结构性偏差，如何能高效的发挥多种气象源的优势，减少每种气象源的偏差，是光功率预报的一项巨大挑战。
34.在本技术实施例中，为每个气象源分别进行建模，从而能够发挥各个气象源的优势，减少各个气象源的偏差，提高光功率预报的准确性。下面，对本技术实施例提供的光功率预报方法进行实例性的说明。
35.请参考图1，其示出了本技术实施例涉及的一种光功率预报系统的示意图。该光功率预报系统可以包括：气象源110、计算机设备120和光伏发电企业130。
36.气象源110能够发布有关气象的预报数据，如发布预测的辐照、温度、降雨量、云量、天顶角度、晴空指数和天气类型等等。在本技术实施例中，气象源110的数量为至少两个，图1仅以气象源110的数量为3个进行示例性的说明。可选地，气象源110可以包括：天气研究和预报模式(the weather research and forecasting model，wrf)、欧洲中期天气预报中心(european centre for medium
‑
rangeweather forecasts，ecmwf)提供的确定性预报、欧洲中期天气预报中心提供的集合预报、国际商业机器公司(international business machinescorporation，ibm)的气象部门(theweathercompany)提供的确定性预报等等。
37.计算机设备120是指能够传输数据并进行数据处理的设备，如具有计算和存储能力的服务器，或者是诸如手机、平板电脑、多媒体播放设备、可穿戴设备等终端，还可以是其他计算机设备。可选地，当计算机设备为服务器时，该计算机设备可以是一台服务器，也可以是由多台服务器组成的服务器集群，或者是一个云计算服务中心。本技术实施例中，计算机设备120能够获取多个气象源110分别提供的预报数据，并调用预报模型对这些预报数据进行处理，得到修正预报光功率，并将修正预报光功率发送给光伏发电企业130。
38.光伏发电企业130能够进行光功率预报。可选地，计算机设备120可以设置在光伏发电企业130中，也可以独立于光伏发电企业130，本技术实施例对此不加以限定。
39.请参考图2，其示出了本技术一个示例性实施例示出的光功率预报方法的流程图，本技术实施例以该方法应用于图1所示的光功率预报系统中的计算机设备为例进行说明，该方法包括：
40.步骤202，获取针对目标时段的n个预报数据，n个预报数据分别来自于n个气象源，n为大于1的正整数。
41.在一种可能的实现方式中，计算机设备从n个气象源处分别获取针对目标时段的n个预报数据。
42.目标时段是指在当前时刻之后的未来的某个时段，本技术实施例对目标时段的具体时长不加以限定。示例性的，目标时段可以是一天，也可以是半天，还可以是正午时段，如上午11时至下午13时。
43.气象源是指能够发布气象相关的预报数据的气象产品。在本技术实施例中，气象源的数量为多个，多个气象源支持发布多个预报数据，气象源与预报数据之间是一一对应关系。可选的，气象源包括如下气象源中的至少两种：欧洲中期天气预报中心提供的确定性预报；欧洲中期天气预报中心提供的集合预报；国际商业机器公司提供的确定性预报；天气研究和预报模式。
44.示例性的，计算机设备从天气研究和预报模式处获取日前第一预报数据，从欧洲
中期天气预报中心提供的确定性预报处获取日前第二预报数据。其中，日前第一预报数据和日前第二预报数据中的“日前”指的是预报数据的目标时段是未来的24小时。
45.步骤204，调用预报模型，预报模型包括：光功率预报层以及光功率修正层，光功率预报层中包括n个机器学习处理模块。
46.在一种可能的实现方式中，在从n个气象源处获取n个预报数据后，计算机设备调用预报模型对获取到的n个预报数据进行处理。
47.预报模型中的光功率预报层是用于输出参考预报光功率的预报层。在本技术实施例中，光功率预报层包括n个机器学习处理模块，n个机器学习模块用于分别对n个预报数据进行处理，从而得到n个参考预报光功率。可选的，任一机器学习处理模块中包括至少一个机器学习处理模型。
48.预报模型中的光功率修正层是用于对n个参考预报光功率进行处理，从而输出修正预报光功率的修正层。
49.步骤206，将针对目标时段的第i预报数据输入光功率预报层中的第i机器学习处理模块，得到针对目标时段的第i参考预报光功率，i为不大于n的正整数。
50.在一种可能的实现方式中，计算机设备将针对目标时段的第1预报数据输入光功率预报层中的第1机器学习处理模块，得到针对目标时段的第1参考预报光功率；将针对目标时段的第2预报数据输入光功率预报层中的第2机器学习处理模块，得到针对目标时段的第2参考预报光功率；直至得到第1参考预报光功率至第n参考预报光功率。
51.参考预报光功率是由光功率预报层处理后得到的预报光功率的参考预报值。可以理解的是，由于针对不同气象源的预报数据采用不同的机器学习处理模块进行处理，可以充分考虑不同气象源的预报特征，相较于目前的采用单一的机器学习处理模块进行处理的处理方式，能够提高各个气象源分别对应的参考预报光功率的预报准确性。
52.步骤208，将针对目标时段的第1参考预报光功率至第n参考预报光功率，输入光功率修正层，得到针对目标时段的修正预报光功率。
53.在一种可能的实现方式中，计算机设备在通过光功率预报层中的n个机器学习处理模块获取n个参考预报光功率后，将n个参考预报光功率输入光功率修正层，得到针对目标时段的修正预报光功率。
54.修正预报光功率是由光功率修正层对n个参考预报光功率进行综合考量后，修正得到的预报光功率的最终预报值。可选的，光功率修正层中包括至少一个机器学习模型。
55.综上所述，本实施例提供的方法，通过获取来自于n个气象源的n个预报数据，将n个预报数据分别使用n个机器学习处理模块进行处理，得到与n个气象源对应的n个参考预报光功率，再通过光功率修正层对n个参考预报光功率进行修正处理得到最终的修正预报光功率，实现了一种光功率预报的处理方式，相较于目前的采用单一的机器学习处理模块进行处理的处理方式，能够最大化挖掘每个气象源的预报水平，并且融合不同气象源的优势，提高光功率的预报精度。
56.在示意性实施例中，为了提高光功率预报层输出的参考预报光功率的预报准确性，对光功率预报层进行分层，光功率预报层包括：第一预报层和第二预报层，采用第一预报层先对预报数据中的一种预报参数进行优化，得到更加精确的修正预报参数，进一步地，可以利用精确度更高的修正预报参数输入第二预报层，从而对光功率进行预报。
57.请参考图3，其示出了本技术一个示例性实施例示出的光功率预报方法的流程图，本技术实施例以该方法应用于图1所示的光功率预报系统中的计算机设备为例进行说明，该方法包括：
58.步骤302，获取针对目标时段的n个预报数据，n个预报数据分别来自于n个气象源，n为大于1的正整数。
59.本步骤的实施方式参照上述步骤202，在此不进行赘述。
60.步骤304，调用预报模型，预报模型包括：光功率预报层以及光功率修正层，光功率预报层中包括n个机器学习处理模块，光功率预报层包括：第一预报层和第二预报层。
61.在本实施例中，光功率预报层包括：第一预报层和第二预报层，相应的，n个机器学习处理模块中的第i机器学习处理模块包括：存在于第一预报层中的第i1机器学习模型，以及存在于第二预报层中的第i2机器学习模型。可以理解的是，第i1机器学习模型和第i2机器学习模型是存在于不同预报层的不同机器学习模型。
62.可选的，光功率预报层中的n个机器学习处理模块中的机器学习模型的类型包括如下类型中的至少一种：极度梯度提升(extreme gradient boosting，xgb)模型；微梯度提升机器(light gradient boosting machine，lightgbm)模型；梯度提升决策树(gradient boosting decision tree，gbdt)模型；随机森林(randomforest，rf)模型；神经网络模型。
63.在本实施例中，第i1机器学习模型和第i2机器学习模型可以是相同类型的机器学习模型，也可以是不同类型的机器学习模型。示例性的，第i1机器学习模型和第i2机器学习模型均为xgb模型。示例性的，第i1机器学习模型为xgb模型，第i2机器学习模型为gbdt模型。
64.步骤306，将针对目标时段的第i预报数据输入第一预报层中的第i1机器学习模型，得到针对目标时段的第i修正预报参数。
65.在一种可能的实现方式中，计算机设备将针对目标时段的第1预报数据输入第一预报层中的第11机器学习模型，得到针对目标时段的第1修正预报参数；将针对目标时段的第2预报数据输入第一预报层中的第21机器学习模型，得到针对目标时段的第2修正预报参数；直至得到第1修正预报参数至第n修正预报参数。
66.其中，第i修正预报参数是通过第i1机器学习模型对第i预报数据中的一种预报参数进行优化后得到的数据。可以理解的是，通过第一预报层中的机器学习模型对预报数据中的一种预报参数进行优化，得到更加精确的修正预报参数，从而可以利用精确度更高的修正预报参数，对光功率进行预报。
67.可选的，第i预报数据包括如下预报数据中的至少一种：第i预报辐照、第i预报温度和第i预报时刻标签。可选的，第i预报数据还包括如下预报数据中的至少一种：第i预报降雨量、第i预报云量、第i预报天顶角度、第i预报上下午标记、第i预报晴空指数和第i天气类型。
68.示例性的，第i预报数据中的必选数据包括：第i预报辐照、第i预报温度和第i预报时刻标签，可选数据包括：第i预报降雨量、第i预报云量、第i预报天顶角度、第i预报上下午标记、第i预报晴空指数和第i天气类型。
69.其中，预报辐照指的是指太阳辐射经过大气层的吸收、散射、发射等作用后在目标时段内到达地球表面单位面积内的辐射能量，单位为瓦特/平方米(w/m2)。预报时刻标签指的是在目标时段内对应的预报时刻。预报晴空指数用于描述大气对太阳短波辐射影响，指
的是在目标时段内入射到水平面的太阳总辐射量与天文辐射之比，单位为焦耳/平方米(j/m2)。天气类型指的是在目标时段内的天气的类型，如：雨天、晴天、多云等等。预报温度指的是在目标时段内的温度的范围，单位为摄氏度(℃)。预报降雨量指的是在目标时段内的降雨在水面上聚积的深度，单位为毫米(
㎜
)。预报云量指的是在目标时段内云遮蔽天空视野的成数。预报天顶角度指的是在目标时段内的天体与天顶之间的角距离，单位为度(
°
)。预报上下午标记指的是在目标时段内的时间的上下午属性。
70.步骤308，将针对目标时段的第i修正预报参数和第i中间预报数据输入第二预报层中的第i2机器学习模型，得到针对目标时段的第i参考预报光功率。
71.在一种可能的实现方式中，计算机设备获取如下两种类型的数据：经过第一预报层优化处理后的针对目标时段的第i修正预报参数，以及针对目标时段的第i中间预报数据，将上述两种类型的数据输入第二预报层中的第i2机器学习模型，从而得到针对目标时段的第i参考预报光功率。
72.其中，第i中间预报数据是在第i预报数据中，用于输入第二预报层中的第i2机器学习模型的数据。也即，第i中间预报数据是从气象源处获取的第i预报数据中的部分或全部数据。
73.可选的，第i修正预报参数包括第i修正预报辐照。可以理解的是，预报辐照的精度对预报光功率的精度存在较大的影响，所以在此以第i修正预报参数包括第i修正预报辐照进行示例的说明。也即，在步骤306中，计算机设备将预报数据输入第一预报层，使用第一预报层中的机器学习模型以最优的预报辐照为目标进行处理，得到更加精确的修正预报辐照。
74.可选的，第i中间预报数据包括如下预报数据中的至少一种：第i预报辐照和第i预报时刻标签。可选的，第i中间预报数据还包括如下预报数据中的至少一种：第i预报晴空指数和第i天气类型。
75.示例性的，第i中间预报数据中的必选数据包括：第i预报辐照和第i预报时刻标签，可选数据：包括第i预报晴空指数和第i天气类型。
76.可以理解的是，本领域的技术人员在了解了本技术实施例提供的技术方案后，将很容易想到第一预报层的数量可以为多个，采用多个第一预报层对预报数据中的多种预报参数进行优化，得到更加精确的多个修正预报参数，以完成本技术实施例描述的全部或者部分功能，但均应属于本技术的保护范围之内。
77.步骤310，将针对目标时段的第1参考预报光功率至第n参考预报光功率，输入光功率修正层，得到针对目标时段的修正预报光功率。
78.本步骤的实施方式参照上述步骤208，在此不进行赘述。
79.综上所述，本实施例提供的方法，对光功率预报层进行分层，光功率预报层包括：第一预报层和第二预报层，采用第一预报层先对预报数据中的一种预报参数进行优化，得到更加精确的修正预报参数，从而可以利用精确度更高的修正预报参数输入第二预报层，从而预报精度更高的光功率。
80.在示意性实施例中，光功率修正层中包括回归模型。
81.请参考图4，其示出了本技术一个示例性实施例示出的光功率预报方法的流程图，本技术实施例以该方法应用于图1所示的光功率预报系统中的计算机设备为例进行说明，
该方法包括：
82.步骤402，获取针对目标时段的n个预报数据，n个预报数据分别来自于n个气象源，n为大于1的正整数。
83.本步骤的实施方式参照上述步骤202，在此不进行赘述。
84.步骤404，调用预报模型，预报模型包括：光功率预报层以及光功率修正层，光功率预报层中包括n个机器学习处理模块。
85.本步骤的实施方式参照上述步骤204，在此不进行赘述。
86.步骤406，将针对目标时段的第i预报数据输入光功率预报层中的第i机器学习处理模块，得到针对目标时段的第i参考预报光功率，i为不大于n的正整数。
87.本步骤的实施方式参照上述步骤206，在此不进行赘述。
88.步骤408，将针对目标时段的第一参考预报光功率至第n参考预报光功率输入光功率修正层中的回归模型进行回归算法处理，得到针对目标时段的修正预报光功率。
89.在一种可能的实现方式中，计算机设备在通过光功率预报层中的n个机器学习处理模块获取n个参考预报光功率后，将n个参考预报光功率输入光功率修正层中的回归模型中进行回归算法处理，得到针对目标时段的修正预报光功率。
90.可选的，回归模型的类型包括如下类型中的至少一种：线性回归(linear regression)模型；岭(ridge)回归模型；最小绝对值收缩和选择(least absoluteshrinkage and selection operator，lasso)回归模型。
91.综上所述，本实施例提供的方法，在光功率修正层中包括回归模型，用于对光功率预报层输出的n个参考预报光功率进行回归算法处理，从而综合n个参考预报光功率，得到最终的修正预报光功率，提高光功率预报的精度。
92.下面，结合如下实施例，对本技术提供的光功率预报方法进行示例性的说明。
93.在本实施例中，预报模型包括三层，预报模型第一层也即本技术实施例中的第一预报层，预报模型第二层也即本技术实施例中的第二预报层，预报模型第三层也即本技术实施例中的光功率修正层。
94.如图5所示，在预报模型第一层中包括n个xgb模型，n为大于1的正整数，预报模型第一层中的xgb模型以优化预报辐照为目标。气象源1至气象源n共有n个气象源，各个气象源向其对应的xgb模型输入相应的预报数据，如：气象源1向其对应的xgb模型输入第1预报数据；气象源n向其对应的xgb模型输入第n预报数据。各个xgb模型输出修正预报辐照，如：气象源1对应的xgb模型输出第1修正预报辐照；气象源n对应的xgb模型输出第n修正预报辐照。
95.在预报模型第二层中也包括n个xgb模型，预报模型第二层中的xgb模型以优化预报光功率为目标。预报模型第二层中的第i个xgb模型的输入数据包括：预报模型第一层所得到的第i修正预报辐照，以及气象源i对应的第i预报数据中的第i中间预报数据。如：预报模型第二层中的第1个xgb模型的输入数据包括：第1修正预报辐照以及第1中间预报数据；预报模型第二层中的第n个xgb模型的输入数据包括：第n修正预报辐照以及第n中间预报数据。各个xgb模型输出参考预报光功率，如：气象源1对应的xgb模型输出第1参考预报光功率；气象源n对应的xgb模型输出第n参考预报光功率。
96.在预报模型第三层中包括1个线性回归模型，线性回归模型用于对预报模型第二
层所得到的n个气象源分别对应的n个参考预报光功率进行线性回归运算，得到最终的修正预报光功率作为光功率预报的结果。
97.可以理解的是，上述方法实施例可以单独实施，也可以组合实施，本技术实施例对此不进行限制。
98.以下为本技术的装置实施例，对于装置实施例中未详细描述的细节，可以结合参考上述方法实施例中相应的记载，本文不再赘述。
99.图6示出了本技术的一个示例性实施例提供的光功率预报装置的结构示意图。该装置可以通过软件、硬件或者两者的结合实现成为计算机设备的全部或一部分，该装置包括：预报数据获取模块601、模型调用模块602、光功率预报模块603和光功率修正模块604；
100.所述预报数据获取模块601，用于获取针对目标时段的n个预报数据，所述n个预报数据分别来自于n个气象源，所述n为大于1的正整数；
101.所述模型调用模块602，用于调用预报模型，所述预报模型包括：光功率预报层以及光功率修正层，所述光功率预报层中包括n个机器学习处理模块；
102.所述光功率预报模块603，用于将针对所述目标时段的第i预报数据输入所述光功率预报层中的第i机器学习处理模块，得到针对所述目标时段的第i参考预报光功率，所述i为不大于所述n的正整数；
103.所述光功率修正模块604，用于将针对所述目标时段的第1参考预报光功率至第n参考预报光功率，输入所述光功率修正层，得到针对所述目标时段的修正预报光功率。
104.在一个可选的实施例中，所述光功率预报层包括：第一预报层和第二预报层，所述光功率预报层中的第i机器学习处理模块包括：所述第一预报层中的第i1机器学习模型和所述第二预报层中的第i2机器学习模型；
105.所述光功率预报模块603，用于将针对所述目标时段的第i预报数据输入所述第一预报层中的所述第i1机器学习模型，得到针对所述目标时段的第i修正预报参数；将针对所述目标时段的所述第i修正预报参数和第i中间预报数据输入所述第二预报层中的所述第i2机器学习模型，得到针对所述目标时段的第i参考预报光功率，所述第i中间预报数据是在所述第i预报数据中，用于输入所述第二预报层中的所述第i2机器学习模型的数据。
106.在一个可选的实施例中，所述第i修正预报参数包括第i修正预报辐照。
107.在一个可选的实施例中，所述第i中间预报数据包括如下预报数据中的至少一种：第i预报辐照和第i预报时刻标签。
108.在一个可选的实施例中，所述第i中间预报数据还包括如下预报数据中的至少一种：第i预报晴空指数和第i天气类型。
109.在一个可选的实施例中，所述第i预报数据包括如下预报数据中的至少一种：第i预报辐照、第i预报温度和第i预报时刻标签。
110.在一个可选的实施例中，所述第i预报数据还包括如下预报数据中的至少一种：第i预报降雨量、第i预报云量、第i预报天顶角度、第i预报上下午标记、第i预报晴空指数和第i天气类型。
111.在一个可选的实施例中，所述光功率修正层中包括回归模型；
112.所述光功率修正模块604，用于将针对所述目标时段的第一参考预报光功率至第n参考预报光功率输入所述光功率修正层中的所述回归模型进行回归算法处理，得到针对所
述目标时段的修正预报光功率。
113.在一个可选的实施例中，所述回归模型的类型包括如下类型中的至少一种：线性回归模型；岭回归模型；最小绝对值收缩和选择回归模型。
114.在一个可选的实施例中，所述气象源包括如下气象源中的至少两种：欧洲中期天气预报中心提供的确定性预报；欧洲中期天气预报中心提供的集合预报；国际商业机器公司提供的确定性预报；天气研究和预报模式。
115.在一个可选的实施例中，所述光功率预报层中的n个机器学习处理模块中的机器学习模型的类型包括如下类型中的至少一种：极度梯度提升模型；微梯度提升机器模型；梯度提升决策树模型；随机森林模型；神经网络模型。
116.图7是本技术一个实施例提供的计算机设备的结构示意图。具体来讲：计算机设备700包括中央处理单元(英文：central processing unit，简称：cpu)701、包括随机存取存储器(英文：random access memory，简称：ram)702和只读存储器(英文：read
‑
only memory，简称：rom)703的系统存储器704，以及连接系统存储器704和中央处理单元701的系统总线705。计算机设备700还包括帮助计算机内的各个器件之间传输信息的基本输入/输出系统(i/o系统)706，和用于存储操作系统713、应用程序714和其他程序模块715的大容量存储设备707。
117.基本输入/输出系统706包括有用于显示信息的显示器708和用于用户帐号输入信息的诸如鼠标、键盘之类的输入设备709。其中显示器708和输入设备709都通过连接到系统总线705的输入/输出控制器710连接到中央处理单元701。基本输入/输出系统706还可以包括输入/输出控制器710以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地，输入/输出控制器710还提供输出到显示屏、打印机或其他类型的输出设备。
118.大容量存储设备707通过连接到系统总线705的大容量存储控制器(未示出)连接到中央处理单元701。大容量存储设备707及其相关联的计算机可读介质为计算机设备700提供非易失性存储。也就是说，大容量存储设备707可以包括诸如硬盘或者只读光盘(英文：compact disc read
‑
only memory，简称：cd
‑
rom)驱动器之类的计算机可读介质(未示出)。
119.不失一般性，计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括ram、rom、可擦除可编程只读存储器(英文：erasable programmable read
‑
only memory，简称：eprom)、电可擦除可编程只读存储器(英文：electrically erasable programmable read
‑
only memory，简称：eeprom)、闪存或其他固态存储其技术，cd
‑
rom、数字通用光盘(英文：digital versatile disc，简称：dvd)或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然，本领域技术人员可知计算机存储介质不局限于上述几种。上述的系统存储器704和大容量存储设备707可以统称为存储器。
120.根据本技术的各种实施例，计算机设备700还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即计算机设备700可以通过连接在系统总线705上的网络接口单元711连接到网络712，或者说，也可以使用网络接口单元711来连接到其他类型的网络或远程计算机系统(未示出)。
121.本技术还提供一种计算机可读存储介质，该存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，该至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现上述各方法实施例提供的光功率预报方法。
122.本技术还提供一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述可选实现方式中提供的光功率预报方法。
123.应当理解的是，在本文中提及的“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
124.本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
125.以上仅为本技术的可选实施例，并不用以限制本技术，凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。