本公开涉及光伏预测，特别涉及一种总辐射预报模型训练方法、预报方法及装置。
背景技术：
1、光伏发电功率预测的准确率很大程度上决定于总辐射气象要素预报的准确率。数值模式预报是光伏发电总辐射气象要素预报的首选方法，但受限于数值预报边界条件、初始场、空间分辨率等因素的限制，数值预报模式直接输出的总辐射预报的准确率不能完全满足光伏电站的业务要求。
2、为此提出机器学习模型或者深度学习模型对数值模式预报进行后处理，虽然可在一定程度上提高总辐射预报的准确率，但该方法是基于单数值模式的数据源，无法消除单个模式预报的不确定性，预报的稳定性差，并且现有模型在特征因子的选取上，没有从大气环流整体上考虑，导致预报准确率较低，难以满足电网对光伏电站预报准确率的考核要求，并且由于缺少对天气物理过程的考虑，模型的解释性较差。
技术实现思路
1、本公开提供一种总辐射预报模型训练方法、预报方法及装置，可提高预测的准确性和可解释性。
2、第一方面，本公开提供了一种总辐射预报模型训练方法，包括：
3、获取训练数据集；所述训练集包括预报数据子集和实况数据子集，所述预报数据子集包括多种数值模式的预报数据，所述实况数据子集包括目标点及与所述目标点相邻的多个相邻格点的总辐射实况测量值；
4、基于预报要素和所述实况数据子集确定每种所述数值模式对应的特征因子，所述预报要素是影响辐射预报的要素；
5、利用至少两种机器学习模型基于所述特征因子和所述训练数据集进行预测，获得每种所述机器学习模型的初始预测结果；
6、利用深度学习模型对所述初始预测结果进行集成处理，获得总辐射预测结果；
7、基于所述总辐射预测结果计算残差值，基于所述残差值调整所述深度学习模型的参数，并在所述残差值达到预设的残差阈值的情况下，获得总辐射预报模型。
8、第二方面，本公开提供了一种总辐射预报方法，包括：
9、获取预报数据和实况数据；
10、将所述预报数据和所述实况数据输入总辐射预报模型；其中，所述总辐射预报模型是通过上述所述的总辐射预报模型训练方法获得的；
11、所述总辐射预报模型对所述预报数据和所述实况数据进行处理，输出获得总辐射预测结果。
12、第三方面，本公开提供了一种总辐射预报模型训练装置，包括：
13、第一获取模块，用于获取训练数据集；所述训练集包括预报数据子集和实况数据子集，所述预报数据子集包括多种数值模式的预报数据，所述实况数据子集包括目标点及与所述目标点相邻的多个相邻格点的总辐射实况测量值；
14、确定模块，用于基于预报要素和所述实况数据子集确定每种所述数值模式对应的特征因子，所述预报要素是影响辐射预报的要素；
15、获得模块，用于利用至少两种机器学习模型基于所述特征因子和所述训练数据集进行预测，获得每种所述机器学习模型的初始预测结果；以及，利用深度学习模型对所述初始预测结果进行集成处理，获得总辐射预测结果；
16、调整模块，用于基于所述总辐射预测结果计算残差值，基于所述残差值调整所述深度学习模型的参数，并在所述残差值达到预设的残差阈值的情况下，获得总辐射预报模型。
17、第四方面，本公开提供了一种总辐射预报装置，其特征在于，包括：
18、第二获取模块，用于获取预报数据和实况数据；
19、输入模块，用于将所述预报数据和所述实况数据输入总辐射预报模型；其中，所述总辐射预报模型是通过上述所述的总辐射预报模型训练方法获得的；
20、输出模块，用于所述总辐射预报模型对所述预报数据和所述实况数据进行处理，输出获得总辐射预测结果。
21、第五方面，本公开提供了一种电子设备，该电子设备包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的一个或多个计算机程序，一个或多个所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的总辐射预报模型训练方法和总辐射预报方法。
22、第六方面，本公开提供了一种计算机可读存储介质，其上存储有计算机程序，其中，所述计算机程序在被处理器执行时实现上述的总辐射预报模型训练方法和总辐射预报方法。
23、本公开实施例所提供的总辐射预报模型训练方法，基于预报要素和实况数据子集确定多种数值模式对应的特征因子，利用至少两种机器学习模型基于所述特征因子和训练数据集进行预测，获得每种所述机器学习模型的初始预测结果，再利用深度学习模型对所述初始预测结果进行集成处理，获得总辐射预测结果，基于所述总辐射预测结果计算残差值，基于所述残差值调整所述深度学习模型的参数，并在所述残差值达到预设的残差阈值的情况下，获得总辐射预报模型，由于训练数据包括预报数据子集和实况数据子集，而预报数据子集包括多种数值模式的预报数据，既能减小各模式预报的系统性偏差，又能综合各数值模式的优点，消除了单模式预报稳定性差的缺陷；在特征因子的构建上，考虑了天气学原理的动力过程和热力过程，使得机器学习模型的预测更准确，还可以增强对天气过程的可解释性，而且，深度学习模型集成了多种机器学习的初始预测结果，并基于多种机器学习的初始预测结果调整深度学习模型的参数，提高了总辐射预报模型预测的准确性。
24、应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
1.一种总辐射预报模型训练方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述基于预报要素和所述实况数据子集确定每种所述数值模式对应的特征因子，包括：
3.根据权利要求1所述的方法，其特征在于，所述机器学习模型包括随机森林算法、梯度提升决策树算法、轻量级梯度提升算法中的两种或两种以上。
4.根据权利要求1所述的方法，其特征在于，所述利用深度学习模型对所述初始预测结果进行集成处理，获得总辐射预测结果，包括：
5.根据权利要求1所述的方法，其特征在于，所述实况数据子集通过以下步骤获得：
6.根据权利要求1所述的方法，其特征在于，所述特征因子包括气象学特征因子和地形学特征因子中的一种或多种；其中，
7.根据权利要求1所述的方法，其特征在于，所述多种数值模式的预报数据包括气象局风能太阳能预报系统cma-wsp、中国气象局中尺度天气数值预报系统cma-meso、中国气象局广东快速更新同化数值预报系统cma-gd、太阳能数值天气预报系统wrf-solar中至少两种。
8.一种总辐射预报方法，其特征在于，包括：
9.一种总辐射预报模型训练装置，其特征在于，包括：
10.一种总辐射预报装置，其特征在于，包括：
