本發(fā)明涉及光功率預(yù)測技術(shù)領(lǐng)域，尤其涉及一種評估光功率預(yù)測算法性能優(yōu)劣的方法及裝置。

背景技術(shù)：

光功率預(yù)測是指根據(jù)氣象條件，通過預(yù)測模型，對光伏發(fā)電站有功功率進(jìn)行預(yù)報(bào)。其中，預(yù)測模型是指利用光伏發(fā)電站歷史數(shù)據(jù)、執(zhí)行某種算法從而得到關(guān)于歷史數(shù)據(jù)的某種潛在規(guī)律。

根據(jù)NFL定理(No Free Lunch Theorem，沒有免費(fèi)的午餐)，對于離開特定應(yīng)用場景的算法，所有算法的期望性能都是相同的。只有在特定的應(yīng)用場景下，不同算法才有性能優(yōu)劣的差別。

那么，在現(xiàn)有技術(shù)中，在光功率預(yù)測這一應(yīng)用場景下，一般把光伏發(fā)電站歷史數(shù)據(jù)D簡單分為兩個(gè)互斥的集合，其中一個(gè)作為訓(xùn)練集S，另一個(gè)作為測試集T，即D＝S∪T，S∩T＝Φ。用訓(xùn)練集S通過某種算法訓(xùn)練出預(yù)測模型，用T來評估其預(yù)測的準(zhǔn)確度。

這種評估算法方法主要存在的問題在于，通過將數(shù)據(jù)D簡單的分為兩個(gè)互斥的集合，不同的劃分方法會(huì)導(dǎo)致不同的評估結(jié)果，導(dǎo)致評估結(jié)果的保真性不夠，評估結(jié)果不穩(wěn)定，使得實(shí)際應(yīng)用場景中算法不是最優(yōu)，從而得到的預(yù)測模型不是最優(yōu)，從而影響光功率預(yù)測系統(tǒng)性能。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明實(shí)施例提供一種評估光功率預(yù)測算法性能優(yōu)劣的方法及裝置，能夠得到保真性和穩(wěn)定性比較好的評估結(jié)果，從而得到性能較好的光功率預(yù)測算法。

第一方面，本發(fā)明實(shí)施例提供了一種評估光功率預(yù)測算法性能優(yōu)劣的方法，包括：

獲取光伏發(fā)電站歷史數(shù)據(jù)D，所述歷史數(shù)據(jù)D包含多個(gè)樣本對應(yīng)的多個(gè)類別的屬性數(shù)據(jù)；

采用待預(yù)測的屬性數(shù)據(jù)對每個(gè)樣本進(jìn)行標(biāo)記；

對所述歷史數(shù)據(jù)D進(jìn)行K次數(shù)據(jù)劃分，得到K組訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集，其中K≥2，每組對應(yīng)的訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集中均包含至少一個(gè)樣本對應(yīng)的屬性數(shù)據(jù)；

針對每組訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集，分別采用待評估光功率預(yù)測算法對所述訓(xùn)練數(shù)據(jù)集進(jìn)行擬合，得到所述待評估光功率預(yù)測算法對應(yīng)的光功率預(yù)測模型，并將對應(yīng)的測試數(shù)據(jù)集中除待預(yù)測的屬性數(shù)據(jù)之外的屬性數(shù)據(jù)輸入所述光功率預(yù)測模型中，得到K組所述待預(yù)測的屬性數(shù)據(jù)對應(yīng)的預(yù)測值；

根據(jù)K組所述待預(yù)測的屬性數(shù)據(jù)的真實(shí)值和所述預(yù)測值對所述待評估光功率預(yù)測算法進(jìn)行評估。

第二方面，本發(fā)明實(shí)施例提供了一種評估光功率預(yù)測算法性能優(yōu)劣的裝置，包括：

數(shù)據(jù)獲取模塊，用于獲取光伏發(fā)電站歷史數(shù)據(jù)D，所述歷史數(shù)據(jù)D包含多個(gè)樣本對應(yīng)的多個(gè)類別的屬性數(shù)據(jù)；

數(shù)據(jù)標(biāo)記模塊，用于采用待預(yù)測的屬性數(shù)據(jù)對每個(gè)樣本進(jìn)行標(biāo)記；

數(shù)據(jù)劃分模塊，用于對所述歷史數(shù)據(jù)D進(jìn)行K次數(shù)據(jù)劃分，得到K組訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集，其中K≥2，每組對應(yīng)的訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集中均包含至少一個(gè)樣本對應(yīng)的屬性數(shù)據(jù)；

預(yù)測模塊，用于針對每組訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集，分別采用待評估光功率預(yù)測算法對所述訓(xùn)練數(shù)據(jù)集進(jìn)行擬合，得到所述待評估光功率預(yù)測算法對應(yīng)的光功率預(yù)測模型，并將對應(yīng)的測試數(shù)據(jù)集中除待預(yù)測的屬性數(shù)據(jù)之外的屬性數(shù)據(jù)輸入所述光功率預(yù)測模型中，得到K組所述待預(yù)測的屬性數(shù)據(jù)對應(yīng)的預(yù)測值；

算法評估模塊，用于根據(jù)K組所述待預(yù)測的屬性數(shù)據(jù)的真實(shí)值和所述預(yù)測值對所述待評估光功率預(yù)測算法進(jìn)行評估。

本發(fā)明實(shí)施例采用新的方法對歷史數(shù)據(jù)D進(jìn)行劃分，使得訓(xùn)練集和測試集分布更合理，然后用交叉驗(yàn)證法進(jìn)行多次評估，最終得到保真性和穩(wěn)定性都比較好的評估結(jié)果。

附圖說明

圖1A是本發(fā)明實(shí)施例一中的一種評估光功率預(yù)測算法性能優(yōu)劣的方法的流程圖；

圖1B是本發(fā)明實(shí)施例一中的一種評估光功率預(yù)測算法性能優(yōu)劣的方法中數(shù)據(jù)劃分示意圖；

圖2A是本發(fā)明實(shí)施例二中的一種評估光功率預(yù)測算法性能優(yōu)劣的方法的流程圖；

圖2B是本發(fā)明實(shí)施例二中的一種評估光功率預(yù)測算法性能優(yōu)劣的方法中數(shù)據(jù)子集劃分示意圖；

圖2C是本發(fā)明實(shí)施例二中的一種評估光功率預(yù)測算法性能優(yōu)劣的方法中的數(shù)據(jù)分組示意圖；

圖3是本發(fā)明實(shí)施例三中的一種評估光功率預(yù)測算法性能優(yōu)劣的裝置的結(jié)構(gòu)圖。

具體實(shí)施方式

下面結(jié)合附圖和實(shí)施例對本發(fā)明作進(jìn)一步的詳細(xì)說明?？梢岳斫獾氖?，此處所描述的具體實(shí)施例僅僅用于解釋本發(fā)明，而非對本發(fā)明的限定。另外還需要說明的是，為了便于描述，附圖中僅示出了與本發(fā)明相關(guān)的部分而非全部結(jié)構(gòu)，并且不限制于本實(shí)施例的步驟順序。

實(shí)施例一

圖1A為本發(fā)明實(shí)施例一提供的一種評估光功率預(yù)測算法性能優(yōu)劣的方法的流程圖，本實(shí)施例可適用于評估光功率預(yù)測算法性能優(yōu)劣的情況，該方法可以由本發(fā)明實(shí)施例提供的評估光功率預(yù)測算法性能優(yōu)劣的裝置來執(zhí)行，該裝置可采用軟件和/或硬件的方式實(shí)現(xiàn)，該裝置可集成在終端設(shè)備中，例如，筆記本電腦、臺(tái)式電腦等，如圖1A所示，該方法具體包括如下步驟：

S110、獲取光伏發(fā)電站歷史數(shù)據(jù)D，該歷史數(shù)據(jù)D包含多個(gè)樣本對應(yīng)的多個(gè)類別的屬性數(shù)據(jù)。

其中，一個(gè)樣本包含多個(gè)類別的屬性數(shù)據(jù)。例如，一個(gè)樣本包含的屬性數(shù)據(jù)可以包含以下至少一種：溫度、濕度、輻照度、風(fēng)速、風(fēng)向、開機(jī)容量和電廠功率等。

具體的，可將{溫度，濕度，輻照度，風(fēng)速，風(fēng)向，開機(jī)容量，電廠功率}作為一個(gè)樣本。而光伏發(fā)電站歷史數(shù)據(jù)D中包含多個(gè)這樣的樣本數(shù)據(jù)。

S120、采用待預(yù)測的屬性數(shù)據(jù)對每個(gè)樣本進(jìn)行標(biāo)記。

為便于步驟S130中光功率預(yù)測模型的訓(xùn)練，及步驟S140中屬性數(shù)據(jù)的預(yù)測，在本步驟中預(yù)先對樣本數(shù)據(jù)進(jìn)行標(biāo)記。例如，可選擇樣本屬性數(shù)據(jù)中{溫度，濕度，輻照度，風(fēng)速，風(fēng)向，開機(jī)容量，電廠功率}的任一類別的屬性數(shù)據(jù)作為待預(yù)測的屬性數(shù)據(jù)(例如，電廠功率)對樣本進(jìn)行標(biāo)記。其中，待預(yù)測的屬性數(shù)據(jù)可以為多個(gè)。

S130、對所述歷史數(shù)據(jù)D進(jìn)行K次數(shù)據(jù)劃分，得到K組訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集，其中K≥2，每組對應(yīng)的訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集中均包含至少一個(gè)樣本對應(yīng)的屬性數(shù)據(jù)。

其中，針對K組訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集，每組訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集分別包含多個(gè)完整的樣本數(shù)據(jù)。其中，K大于等于2。

具體的，如圖1B所示，可對歷史數(shù)據(jù)D進(jìn)行K次劃分，每次劃分結(jié)果中均包含一個(gè)訓(xùn)練數(shù)據(jù)集和一個(gè)測試數(shù)據(jù)集。訓(xùn)練數(shù)據(jù)集用于根據(jù)待評估光功率預(yù)測算法得到光功率預(yù)測模型，測試數(shù)據(jù)集用于輸入光功率預(yù)測模型得到預(yù)測屬性數(shù)據(jù)。

S140、針對每組訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集，分別采用待評估光功率預(yù)測算法對所述訓(xùn)練數(shù)據(jù)集進(jìn)行擬合，得到所述待評估光功率預(yù)測算法對應(yīng)的光功率預(yù)測模型，并將對應(yīng)的測試數(shù)據(jù)集中除待預(yù)測的屬性數(shù)據(jù)之外的屬性數(shù)據(jù)輸入所述光功率預(yù)測模型中，得到K組所述待預(yù)測的屬性數(shù)據(jù)對應(yīng)的預(yù)測值。

其中，待評估光功率預(yù)測算法可以為一個(gè)或多個(gè)。

S150、根據(jù)K組所述待預(yù)測的屬性數(shù)據(jù)的真實(shí)值和所述預(yù)測值對所述待評估光功率預(yù)測算法進(jìn)行評估。

其中，測試數(shù)據(jù)集中包含待預(yù)測的屬性數(shù)據(jù)對應(yīng)的真實(shí)值。在將測試數(shù)據(jù)集輸入光功率預(yù)測模型時(shí)，不將該真實(shí)值輸入其中。

具體的，以樣本{溫度，濕度，輻照度，風(fēng)速，風(fēng)向，開機(jī)容量，電廠功率}為例，如果待預(yù)測的屬性數(shù)據(jù)為電廠功率，那么將測試數(shù)據(jù)集中的其余屬性數(shù)據(jù){溫度，濕度，輻照度，風(fēng)速，風(fēng)向，開機(jī)容量}輸入光功率預(yù)測模型中，可得到預(yù)測的電廠功率，將電廠功率的真實(shí)值和預(yù)測值進(jìn)行比較，即可確定待評估光功率預(yù)測算法性能的優(yōu)劣。

本實(shí)施例采用新的方法對歷史數(shù)據(jù)D進(jìn)行劃分，使得訓(xùn)練集和測試集分布更合理，然后用交叉驗(yàn)證法進(jìn)行多次評估，最終得到保真性和穩(wěn)定性都比較好的評估結(jié)果。

在上述實(shí)施例基礎(chǔ)上，對所述歷史數(shù)據(jù)D進(jìn)行K次數(shù)據(jù)劃分，得到K組訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集包括：

將所述歷史數(shù)據(jù)D劃分為M個(gè)數(shù)據(jù)子集，其中，M≥3；

根據(jù)所述M個(gè)數(shù)據(jù)子集得到K組訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集。

其中，K組訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集中，每組的訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集中的樣本都不相同。

在上述實(shí)施例基礎(chǔ)上，根據(jù)所述M個(gè)數(shù)據(jù)子集得到K組訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集包括：

從所述M個(gè)數(shù)據(jù)子集中選取N個(gè)數(shù)據(jù)子集作為測試數(shù)據(jù)集，其余數(shù)據(jù)子集作為訓(xùn)練數(shù)據(jù)集，重復(fù)K次，且每次選取的N個(gè)數(shù)據(jù)子集均不相同。

例如，如果M＝3，則將歷史數(shù)據(jù)D劃分為3個(gè)數(shù)據(jù)子集分別為數(shù)據(jù)集1、數(shù)據(jù)集2和數(shù)據(jù)集3，那么第一次劃分可選取數(shù)據(jù)集1和數(shù)據(jù)集2作為訓(xùn)練數(shù)據(jù)集，數(shù)據(jù)集3作為測試數(shù)據(jù)集；第二次劃分可選取數(shù)據(jù)集1和數(shù)據(jù)集3作為訓(xùn)練數(shù)據(jù)集，數(shù)據(jù)集2作為測試數(shù)據(jù)集；或者，第一次劃分可選取數(shù)據(jù)集1和數(shù)據(jù)集2作為測試數(shù)據(jù)集，數(shù)據(jù)集3作為訓(xùn)練數(shù)據(jù)集；第二次劃分可選取數(shù)據(jù)集1和數(shù)據(jù)集3作為測試數(shù)據(jù)集，數(shù)據(jù)集2作為訓(xùn)練數(shù)據(jù)集。

在上述實(shí)施例基礎(chǔ)上，所述M個(gè)數(shù)據(jù)子集互斥。

例如，將所述歷史數(shù)據(jù)D劃分為M個(gè)數(shù)據(jù)子集，M個(gè)數(shù)據(jù)子集中兩兩數(shù)據(jù)子集間沒有交集。

在上述實(shí)施例基礎(chǔ)上，所述M＝K，N＝1。

具體的，可將所述歷史數(shù)據(jù)D劃分為K個(gè)數(shù)據(jù)子集，其中，K≥3；從所述K個(gè)數(shù)據(jù)子集中選取1個(gè)數(shù)據(jù)子集作為測試數(shù)據(jù)集，其余數(shù)據(jù)子集作為訓(xùn)練數(shù)據(jù)集，重復(fù)K次，且每次選取的作為測試數(shù)據(jù)集的1個(gè)數(shù)據(jù)子集均不相同。

例如，如果M＝3，則將歷史數(shù)據(jù)D劃分為3個(gè)數(shù)據(jù)子集分別為數(shù)據(jù)集1、數(shù)據(jù)集2和數(shù)據(jù)集3，且數(shù)據(jù)集1、數(shù)據(jù)集2和數(shù)據(jù)集3互斥，那么可進(jìn)行如下三次劃分：第一次劃分可選取數(shù)據(jù)集1和數(shù)據(jù)集2作為訓(xùn)練數(shù)據(jù)集，數(shù)據(jù)集3作為測試數(shù)據(jù)集；第二次劃分可選取數(shù)據(jù)集1和數(shù)據(jù)集3作為訓(xùn)練數(shù)據(jù)集，數(shù)據(jù)集2作為測試數(shù)據(jù)集；第三次劃分可選取數(shù)據(jù)集2和數(shù)據(jù)集3作為訓(xùn)練數(shù)據(jù)集，數(shù)據(jù)集1作為測試數(shù)據(jù)集。

在上述實(shí)施例基礎(chǔ)上，根據(jù)K組所述待預(yù)測的屬性數(shù)據(jù)的真實(shí)值和所述預(yù)測值對所述待評估光功率預(yù)測算法進(jìn)行評估包括：

針對每組所述待預(yù)測的屬性數(shù)據(jù)的真實(shí)值和所述預(yù)測值，分別采用如下公式計(jì)算得到待評估光功率預(yù)測算法的預(yù)測準(zhǔn)確度：

其中，P_mi和P_pi分別表示真實(shí)值和預(yù)測值，C_i表示開機(jī)總?cè)萘?，n為樣本數(shù)量；

根據(jù)K組RMSE對所述待評估光功率預(yù)測算法進(jìn)行評估。

具體的，RMSE表征了待預(yù)測的屬性數(shù)據(jù)的真實(shí)值和預(yù)測值的相似程度，RMSE值越小，則真實(shí)值和預(yù)測值間的相似程度越高，則說明對應(yīng)的待評估光功率預(yù)測算法的性能越優(yōu)；否則，RMSE值越大，則真實(shí)值和預(yù)測值間的相似程度越低，則說明對應(yīng)的待評估光功率預(yù)測算法的性能越差。

在上述實(shí)施例基礎(chǔ)上，根據(jù)K組RMSE對所述待評估光功率預(yù)測算法進(jìn)行評估包括：

求取K組RMSE的平均值；

根據(jù)所述平均值的大小對所述待評估光功率預(yù)測算法進(jìn)行評估。

具體的，針對某個(gè)待評估光功率預(yù)測算法，如果其對應(yīng)的K組RMSE的平均值較小，則說明對應(yīng)的待評估光功率預(yù)測算法的性能越優(yōu)；否則，說明對應(yīng)的待評估光功率預(yù)測算法的性能越差。當(dāng)待評估的光功率預(yù)測算法為多個(gè)時(shí)，可根據(jù)每個(gè)光功率預(yù)測算法對應(yīng)的K組RMSE的平均值確定較優(yōu)的光功率預(yù)測算法，即K組RMSE的平均值越小的光功率預(yù)測算法性能越優(yōu)。

本實(shí)施例采用新的方法對歷史數(shù)據(jù)D進(jìn)行劃分，使得訓(xùn)練集和測試集分布更合理，然后用交叉驗(yàn)證法進(jìn)行多次評估，最終得到保真性和穩(wěn)定性都比較好的評估結(jié)果。

實(shí)施例二

圖2A為本發(fā)明實(shí)施例二提供的一種評估光功率預(yù)測算法性能優(yōu)劣的方法的流程圖，本實(shí)施例為一優(yōu)選實(shí)施例，用于對上述實(shí)施例的方案進(jìn)行詳細(xì)說明。具體的，如圖2A所示，本實(shí)施例的方法包括：

S210、根據(jù)數(shù)據(jù)分布一致性原則將光伏發(fā)電站歷史數(shù)據(jù)D為k個(gè)互斥的數(shù)據(jù)子集，采用待預(yù)測的屬性數(shù)據(jù)對每個(gè)樣本進(jìn)行標(biāo)記。

如圖2B所示，即D＝D₁∪D₂∪…∪D_k,D_i∩D_j＝Φ(i≠j)。每一個(gè)數(shù)據(jù)子集D_i都盡可能的保持一致性，即從D中通過分層采樣得到。

S220、分別選取k-1個(gè)數(shù)據(jù)子集作為訓(xùn)練數(shù)據(jù)集，剩下的一個(gè)數(shù)據(jù)子集作為測試數(shù)據(jù)集，得到k組訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集。

如圖2C所示，這種方式下受隨機(jī)樣本劃分的影響比較小，能夠得到保真性和穩(wěn)定性都比較好的評估結(jié)果。

S230、針對每組訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集，分別采用待評估光功率預(yù)測算法對所述訓(xùn)練數(shù)據(jù)集進(jìn)行擬合，得到所述待評估光功率預(yù)測算法對應(yīng)的光功率預(yù)測模型，并將對應(yīng)的測試數(shù)據(jù)集中除待預(yù)測的屬性數(shù)據(jù)之外的屬性數(shù)據(jù)輸入所述光功率預(yù)測模型中，得到K組所述待預(yù)測的屬性數(shù)據(jù)對應(yīng)的預(yù)測值。

具體的，若數(shù)據(jù)集中單個(gè)樣本的屬性空間如下{溫度，濕度，輻照度，風(fēng)速，風(fēng)向，開機(jī)容量，電廠功率}，樣本中“電廠功率”這個(gè)屬性數(shù)據(jù)是這個(gè)樣本的標(biāo)記。采用光功率預(yù)測算法對訓(xùn)練數(shù)據(jù)集進(jìn)行擬合，得到光功率預(yù)測模型。對光功率預(yù)測模型輸入測試數(shù)據(jù)集中除了標(biāo)記P_mi的樣本，即輸入{溫度，濕度，輻照度，風(fēng)速，風(fēng)向，開機(jī)容量}，獲取的結(jié)果即為預(yù)測的“電廠功率”P_pi。通過均方根誤差RMSE來度量預(yù)測準(zhǔn)確度，n是單個(gè)數(shù)據(jù)子集中樣本的數(shù)量。

其中，P_mi和P_pi分別表示電廠功率的實(shí)際值和預(yù)測值，C_i表示開機(jī)總?cè)萘?，RMSE越小表示預(yù)測準(zhǔn)確度越高。這樣可以得到單次數(shù)據(jù)集評估的RMSE值。對k個(gè)訓(xùn)練數(shù)據(jù)集/測試數(shù)據(jù)集所得到的RMSE進(jìn)行平均求值。

所得AVGRMSE即為該光功率預(yù)測算法的最終評估值。重復(fù)上述步驟獲取所有要評估光功率預(yù)測算法的最終評估值。

S240、對K組AVGRMSE進(jìn)行排序，完成對所有待評估光功率預(yù)測算法的最終評估。

AVGRMSE值越小說明該光功率預(yù)測算法性能越優(yōu)。

本實(shí)施例采用新的方法對歷史數(shù)據(jù)D進(jìn)行劃分，使得訓(xùn)練集和測試集分布更合理，然后用交叉驗(yàn)證法進(jìn)行多次評估，最終得到保真性和穩(wěn)定性都比較好的評估結(jié)果。

實(shí)施例三

圖3為本發(fā)明實(shí)施例三提供的一種評估光功率預(yù)測算法性能優(yōu)劣的裝置的結(jié)構(gòu)圖，本實(shí)施例可適用于評估光功率預(yù)測算法性能優(yōu)劣的情況，該裝置可采用軟件和/或硬件的方式實(shí)現(xiàn)，如圖3所示，具體包括：數(shù)據(jù)獲取模塊31、數(shù)據(jù)標(biāo)記模塊32、數(shù)據(jù)劃分模塊33、預(yù)測模塊34和算法評估模塊35。

數(shù)據(jù)獲取模塊31用于獲取光伏發(fā)電站歷史數(shù)據(jù)D，所述歷史數(shù)據(jù)D包含多個(gè)樣本對應(yīng)的多個(gè)類別的屬性數(shù)據(jù)；

數(shù)據(jù)標(biāo)記模塊32用于采用待預(yù)測的屬性數(shù)據(jù)對每個(gè)樣本進(jìn)行標(biāo)記；

數(shù)據(jù)劃分模塊33用于對所述歷史數(shù)據(jù)D進(jìn)行K次數(shù)據(jù)劃分，得到K組訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集，其中K≥2，每組對應(yīng)的訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集中均包含至少一個(gè)樣本對應(yīng)的屬性數(shù)據(jù)；

預(yù)測模塊34用于針對每組訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集，分別采用待評估光功率預(yù)測算法對所述訓(xùn)練數(shù)據(jù)集進(jìn)行擬合，得到所述待評估光功率預(yù)測算法對應(yīng)的光功率預(yù)測模型，并將對應(yīng)的測試數(shù)據(jù)集中除待預(yù)測的屬性數(shù)據(jù)之外的屬性數(shù)據(jù)輸入所述光功率預(yù)測模型中，得到K組所述待預(yù)測的屬性數(shù)據(jù)對應(yīng)的預(yù)測值；

算法評估模塊35用于根據(jù)K組所述待預(yù)測的屬性數(shù)據(jù)的真實(shí)值和所述預(yù)測值對所述待評估光功率預(yù)測算法進(jìn)行評估。

本實(shí)施例的評估光功率預(yù)測算法性能優(yōu)劣的裝置用于執(zhí)行上述各實(shí)施例的評估光功率預(yù)測算法性能優(yōu)劣的方法，其技術(shù)原理和產(chǎn)生的技術(shù)效果類似，這里不再贅述。

在上述實(shí)施例的基礎(chǔ)上，所述數(shù)據(jù)劃分模塊33包括子集劃分單元331和數(shù)據(jù)劃分單元332。

子集劃分單元331用于將所述歷史數(shù)據(jù)D劃分為M個(gè)數(shù)據(jù)子集；

數(shù)據(jù)劃分單元332用于根據(jù)所述M個(gè)數(shù)據(jù)子集得到K組訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集。

在上述實(shí)施例的基礎(chǔ)上，所述數(shù)據(jù)劃分單元332具體用于從所述M個(gè)數(shù)據(jù)子集中選取N個(gè)數(shù)據(jù)子集作為測試數(shù)據(jù)集，其余數(shù)據(jù)子集作為訓(xùn)練數(shù)據(jù)集，重復(fù)K次，且每次選取的N個(gè)數(shù)據(jù)子集均不相同。

在上述實(shí)施例的基礎(chǔ)上，所述M個(gè)數(shù)據(jù)子集互斥。

在上述實(shí)施例的基礎(chǔ)上，所述M＝K，N＝1。

在上述實(shí)施例的基礎(chǔ)上，所述算法評估模塊35包括RMSE計(jì)算單元351和算法評估單元352。

RMSE計(jì)算單元351用于針對每組所述待預(yù)測的屬性數(shù)據(jù)的真實(shí)值和所述預(yù)測值，分別采用如下公式計(jì)算得到待評估光功率預(yù)測算法的預(yù)測準(zhǔn)確度：

其中，P_mi和P_pi分別表示真實(shí)值和預(yù)測值，C_i表示開機(jī)總?cè)萘浚琻為樣本數(shù)量；

算法評估單元352用于根據(jù)K組RMSE對所述待評估光功率預(yù)測算法進(jìn)行評估。

在上述實(shí)施例的基礎(chǔ)上，所述算法評估單元352具體用于求取K組RMSE的平均值；根據(jù)所述平均值的大小對所述待評估光功率預(yù)測算法進(jìn)行評估。

上述各實(shí)施例的評估光功率預(yù)測算法性能優(yōu)劣的裝置用于執(zhí)行上述各實(shí)施例的評估光功率預(yù)測算法性能優(yōu)劣的方法，其技術(shù)原理和產(chǎn)生的技術(shù)效果類似，這里不再贅述。

注意，上述僅為本發(fā)明的較佳實(shí)施例及所運(yùn)用技術(shù)原理。本領(lǐng)域技術(shù)人員會(huì)理解，本發(fā)明不限于這里所述的特定實(shí)施例，對本領(lǐng)域技術(shù)人員來說能夠進(jìn)行各種明顯的變化、重新調(diào)整和替代而不會(huì)脫離本發(fā)明的保護(hù)范圍。因此，雖然通過以上實(shí)施例對本發(fā)明進(jìn)行了較為詳細(xì)的說明，但是本發(fā)明不僅僅限于以上實(shí)施例，在不脫離本發(fā)明構(gòu)思的情況下，還可以包括更多其他等效實(shí)施例，而本發(fā)明的范圍由所附的權(quán)利要求范圍決定。