本發(fā)明總體說來涉及光伏發(fā)電領(lǐng)域，更具體地講，涉及一種預(yù)測光伏發(fā)電功率的方法及裝置。
背景技術(shù)：
：鑒于化石燃料消費(fèi)對生態(tài)環(huán)境所造成的負(fù)面影響，近些年可再生能源備受關(guān)注，新型的清潔能源取代傳統(tǒng)能源是大勢所趨。隨著光伏發(fā)電技術(shù)的快速發(fā)展，光伏發(fā)電已得到廣泛應(yīng)用。但由于光伏發(fā)電的輸出功率具有隨機(jī)性、間歇性和不可控性，因此存在無法對光電能源進(jìn)行最有效的利用的問題。這使得對光伏發(fā)電功率的預(yù)測就顯得尤為重要。在現(xiàn)有技術(shù)中，預(yù)測光伏發(fā)電功率的方法通常將時間和天氣參數(shù)作為輸入?yún)?shù)，但這種方法存在的問題是：難以獲得理想時間長度(例如，一整年內(nèi))的連續(xù)歷史天氣數(shù)據(jù)作為預(yù)測訓(xùn)練樣本，而導(dǎo)致基于歷史數(shù)據(jù)的預(yù)測不準(zhǔn)確。技術(shù)實(shí)現(xiàn)要素：本發(fā)明的示例性實(shí)施例在于提供一種預(yù)測光伏發(fā)電功率的方法及裝置，其能夠更準(zhǔn)確地預(yù)測光伏發(fā)電功率。根據(jù)本發(fā)明的示例性實(shí)施例，提供一種預(yù)測光伏發(fā)電功率的方法，包括：(a)獲取預(yù)測時段與輸入?yún)?shù)對應(yīng)的值，其中，所述輸入?yún)?shù)包括：時段對應(yīng)于一年中的第x天、時段對應(yīng)于一天中的第y小時、時段對應(yīng)的數(shù)值天氣預(yù)報；(b)將獲取的與輸入?yún)?shù)對應(yīng)的值輸入到基于訓(xùn)練集訓(xùn)練得到的發(fā)電功率預(yù)測模型，以獲取預(yù)測時段的光伏發(fā)電功率值，其中，所述訓(xùn)練集包括：多個歷史時段之中的每一歷史時段與輸入?yún)?shù)對應(yīng)的值以及所述每一歷史時段的實(shí)際光伏發(fā)電功率值?？蛇x地，時段對應(yīng)的數(shù)值天氣預(yù)報包括以下項之中的至少一項：時段對應(yīng)的氣溫、時段對應(yīng)的短波輻射、時段對應(yīng)的地面氣壓?？蛇x地，所述輸入?yún)?shù)是通過相關(guān)性分析、靈敏度分析以及garson算法三者聯(lián)合從多個參數(shù)中確定的對光伏發(fā)電功率預(yù)測影響最大的參數(shù)。可選地，步驟(b)包括：將獲取的與輸入?yún)?shù)對應(yīng)的值分別輸入到不同的發(fā)電功率預(yù)測模型，并基于不同的發(fā)電功率預(yù)測模型預(yù)測的結(jié)果來確定預(yù)測時段的光伏發(fā)電功率值，其中，不同的發(fā)電功率預(yù)測模型是分別利用不同類型的人工神經(jīng)網(wǎng)絡(luò)基于訓(xùn)練集建立的?？蛇x地，所述不同類型的人工神經(jīng)網(wǎng)絡(luò)包括：前向神經(jīng)網(wǎng)絡(luò)、模式識別神經(jīng)網(wǎng)絡(luò)、函數(shù)擬合神經(jīng)網(wǎng)絡(luò)、徑向基神經(jīng)網(wǎng)絡(luò)?？蛇x地，步驟(b)包括：將獲取的與輸入?yún)?shù)對應(yīng)的值分別輸入到不同的發(fā)電功率預(yù)測模型，并基于不同的發(fā)電功率預(yù)測模型預(yù)測的結(jié)果來確定預(yù)測時段的光伏發(fā)電功率值，其中，不同的發(fā)電功率預(yù)測模型是分別使用不同的訓(xùn)練算法基于訓(xùn)練集來訓(xùn)練同一類型的人工神經(jīng)網(wǎng)絡(luò)分別得到的。可選地，所述不同的訓(xùn)練算法包括：l-m算法、貝葉斯正則化算法、量化共軛梯度算法?？蛇x地，所述人工神經(jīng)網(wǎng)絡(luò)具有4層網(wǎng)絡(luò)，且每個隱藏層具有10個神經(jīng)元。根據(jù)本發(fā)明的另一示例性實(shí)施例，提供一種預(yù)測光伏發(fā)電功率的裝置，包括：參數(shù)值獲取程序模塊，獲取預(yù)測時段與輸入?yún)?shù)對應(yīng)的值，其中，所述輸入?yún)?shù)包括：時段對應(yīng)于一年中的第x天、時段對應(yīng)于一天中的第y小時、時段對應(yīng)的數(shù)值天氣預(yù)報；預(yù)測程序模塊，將獲取的與輸入?yún)?shù)對應(yīng)的值輸入到基于訓(xùn)練集訓(xùn)練得到的發(fā)電功率預(yù)測模型，以獲取預(yù)測時段的光伏發(fā)電功率值，其中，所述訓(xùn)練集包括：多個歷史時段之中的每一歷史時段與輸入?yún)?shù)對應(yīng)的值以及所述每一歷史時段的實(shí)際光伏發(fā)電功率值?？蛇x地，時段對應(yīng)的數(shù)值天氣預(yù)報包括以下項之中的至少一項：時段對應(yīng)的氣溫、時段對應(yīng)的短波輻射、時段對應(yīng)的地面氣壓。可選地，所述輸入?yún)?shù)是通過相關(guān)性分析、靈敏度分析以及garson算法三者聯(lián)合從多個參數(shù)中確定的對光伏發(fā)電功率預(yù)測影響最大的參數(shù)。可選地，預(yù)測程序模塊將獲取的與輸入?yún)?shù)對應(yīng)的值分別輸入到不同的發(fā)電功率預(yù)測模型，并基于不同的發(fā)電功率預(yù)測模型預(yù)測的結(jié)果來確定預(yù)測時段的光伏發(fā)電功率值，其中，不同的發(fā)電功率預(yù)測模型是分別利用不同類型的人工神經(jīng)網(wǎng)絡(luò)基于訓(xùn)練集建立的。可選地，所述不同類型的人工神經(jīng)網(wǎng)絡(luò)包括：前向神經(jīng)網(wǎng)絡(luò)、模式識別神經(jīng)網(wǎng)絡(luò)、函數(shù)擬合神經(jīng)網(wǎng)絡(luò)、徑向基神經(jīng)網(wǎng)絡(luò)?？蛇x地，預(yù)測程序模塊將獲取的與輸入?yún)?shù)對應(yīng)的值分別輸入到不同的發(fā)電功率預(yù)測模型，并基于不同的發(fā)電功率預(yù)測模型預(yù)測的結(jié)果來確定預(yù)測時段的光伏發(fā)電功率值，其中，不同的發(fā)電功率預(yù)測模型是分別使用不同的訓(xùn)練算法基于訓(xùn)練集來訓(xùn)練同一類型的人工神經(jīng)網(wǎng)絡(luò)分別得到的。可選地，所述不同的訓(xùn)練算法包括：l-m算法、貝葉斯正則化算法、量化共軛梯度算法。可選地，所述人工神經(jīng)網(wǎng)絡(luò)具有4層網(wǎng)絡(luò)，且每個隱藏層具有10個神經(jīng)元。根據(jù)本發(fā)明的另一示例性實(shí)施例，提供一種計算機(jī)可讀存儲介質(zhì)，存儲有計算機(jī)程序，所述計算機(jī)程序被配置為使計算機(jī)的處理器執(zhí)行上述預(yù)測光伏發(fā)電功率的方法。根據(jù)本發(fā)明的另一示例性實(shí)施例，提供一種計算機(jī)，所述計算機(jī)包括上述計算機(jī)可讀存儲介質(zhì)。在根據(jù)本發(fā)明示例性實(shí)施例的預(yù)測光伏發(fā)電功率的方法及裝置中，將時間參數(shù)替換為對應(yīng)的一年中的哪一天以及一天中的哪一小時作為輸入?yún)?shù)，此外，還可基于多個預(yù)測模型來預(yù)測光伏發(fā)電功率，多個預(yù)測模型可以是分別基于不同類型的人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到的，或者是分別通過不同的訓(xùn)練算法訓(xùn)練得到的，從而提高光伏發(fā)電功率預(yù)測的準(zhǔn)確性。將在接下來的描述中部分闡述本發(fā)明總體構(gòu)思另外的方面和/或優(yōu)點(diǎn)，還有一部分通過描述將是清楚的，或者可以經(jīng)過本發(fā)明總體構(gòu)思的實(shí)施而得知。附圖說明通過下面結(jié)合示例性地示出實(shí)施例的附圖進(jìn)行的描述，本發(fā)明示例性實(shí)施例的上述和其他目的和特點(diǎn)將會變得更加清楚，其中：圖1示出根據(jù)本發(fā)明示例性實(shí)施例的預(yù)測光伏發(fā)電功率的方法的流程圖；圖2示出根據(jù)本發(fā)明示例性實(shí)施例的使用不同輸入?yún)?shù)的預(yù)測效果的示例；圖3示出根據(jù)本發(fā)明示例性實(shí)施例的各參數(shù)對光伏發(fā)電功率預(yù)測的重要性的示例；圖4示出根據(jù)本發(fā)明示例性實(shí)施例的不同的神經(jīng)網(wǎng)絡(luò)大小對光伏發(fā)電功率預(yù)測的影響的示例；圖5示出根據(jù)本發(fā)明示例性實(shí)施例的預(yù)測光伏發(fā)電功率的裝置的框圖。具體實(shí)施方式現(xiàn)將詳細(xì)參照本發(fā)明的實(shí)施例，所述實(shí)施例的示例在附圖中示出，其中，相同的標(biāo)號始終指的是相同的部件。以下將通過參照附圖來說明所述實(shí)施例，以便解釋本發(fā)明。圖1示出根據(jù)本發(fā)明示例性實(shí)施例的預(yù)測光伏發(fā)電功率的方法的流程圖。參照圖1，在步驟s10，獲取預(yù)測時段與輸入?yún)?shù)對應(yīng)的值，其中，所述輸入?yún)?shù)包括：時段對應(yīng)于一年中的第x天(dayofyear，doy)、時段對應(yīng)于一天中的第y小時(hourofday，hod)、時段對應(yīng)的數(shù)值天氣預(yù)報(nwp)。作為示例，時段對應(yīng)的數(shù)值天氣預(yù)報可包括以下項之中的至少一項：時段對應(yīng)的氣溫(airtemperature，temp)、時段對應(yīng)的短波輻射(short-wavelengthradiation，swr)、時段對應(yīng)的地面氣壓(surfacepressure，sp)。在步驟s20，將獲取的與輸入?yún)?shù)對應(yīng)的值輸入到基于訓(xùn)練集訓(xùn)練得到的發(fā)電功率預(yù)測模型，以獲取預(yù)測時段的光伏發(fā)電功率值，其中，所述訓(xùn)練集包括：多個歷史時段之中的每一歷史時段與輸入?yún)?shù)對應(yīng)的值以及所述每一歷史時段的實(shí)際光伏發(fā)電功率值。這里，訓(xùn)練集使用的是每一歷史時段與輸入?yún)?shù)對應(yīng)的值(即，預(yù)測的天氣數(shù)據(jù))，而非實(shí)際測量的歷史天氣數(shù)據(jù)，以保證訓(xùn)練的數(shù)據(jù)和用于預(yù)測的輸入數(shù)據(jù)的來源相似，從而進(jìn)一步提高預(yù)測的準(zhǔn)確度。作為示例，每一歷史時段的實(shí)際光伏發(fā)電功率值可從微電網(wǎng)的scada系統(tǒng)獲取。作為示例，可使用人工神經(jīng)網(wǎng)絡(luò)來建立發(fā)電功率預(yù)測模型。作為示例，上述輸入?yún)?shù)可以是通過相關(guān)性分析、靈敏度分析以及garson算法三者聯(lián)合從多個參數(shù)中確定的對光伏發(fā)電功率預(yù)測影響最大的參數(shù)。換言之，從多個參數(shù)中確定用于光伏發(fā)電功率預(yù)測的最佳的輸入?yún)?shù)的組合。這里，所述多個參數(shù)可包括：時段對應(yīng)于一年中的第x天、時段對應(yīng)于一天中的第y小時、時段對應(yīng)的氣溫、時段對應(yīng)的短波輻射、時段對應(yīng)的地面氣壓、時段對應(yīng)的風(fēng)速(windspeed，ws)、時段對應(yīng)的濕度(humidity，h)、時段對應(yīng)的高云量(highcloudamount，hcc)、時段對應(yīng)的中云量(middlecloudamount，mcc)、時段對應(yīng)的低云量(lowcloudamount，lcc)。具體說來，作為示例，可利用相關(guān)性分析基于訓(xùn)練集來確定對光伏發(fā)電功率影響最大的輸入?yún)?shù)。相關(guān)系數(shù)r可指示兩個變量a和b之間的線性關(guān)系的強(qiáng)度和方向：其中，是a的平均值，是b的平均值，m和n分別指示矩陣的第m行和第n列。作為示例，可利用garson算法對發(fā)電功率預(yù)測模型所使用的人工神經(jīng)網(wǎng)絡(luò)的輸入層-隱藏層的連接權(quán)重和隱藏層-輸出層的連接權(quán)重的乘積的絕對值求和，以確定輸入?yún)?shù)對光伏發(fā)電功率預(yù)測影響的相對重要性。其中，rij指示與輸入?yún)?shù)對應(yīng)的輸入變量xi相對于輸出神經(jīng)元j的相對重要性，h指示隱藏層中神經(jīng)元的數(shù)量，wik指示輸入神經(jīng)元i和隱藏神經(jīng)元k之間的連接權(quán)重。作為示例，關(guān)于靈敏度分析，可通過觀察與每個輸入?yún)?shù)對應(yīng)的輸入變量受到一些改變時對應(yīng)的均方誤差mse的增大情況來對輸入?yún)?shù)進(jìn)行排序。例如，可對每個輸入變量進(jìn)行以下改變之中的至少一項：(a)恒定行替換-每行被零方差行替換，或者所有的值被設(shè)置為原始行的平均值；(b)置換-每行被該行的值的隨機(jī)排列替換；(c)擾動-向每個輸入變量添加少量白噪聲；(d)曲線方法-將每個輸入變量沿等間隔的最小值和最大值之間的比例進(jìn)行演變?？紤]到多種因素(例如，可能難以使用一整年的連續(xù)歷史天氣數(shù)據(jù)進(jìn)行訓(xùn)練、訓(xùn)練數(shù)據(jù)對應(yīng)的時間與測試數(shù)據(jù)對應(yīng)的時間不同等)，可將時間參數(shù)轉(zhuǎn)換為以某個間隔重復(fù)的其他參數(shù)。因此，在根據(jù)本發(fā)明的示例性實(shí)施例中，選擇doy和hod作為輸入?yún)?shù)，而非選擇時間參數(shù)作為輸入?yún)?shù)。并且，根據(jù)基于上述分析方法的測試結(jié)果，也證明doy和hod作為輸入?yún)?shù)對光伏發(fā)電功率預(yù)測的影響更大。圖2示出根據(jù)本發(fā)明示例性實(shí)施例的使用不同輸入?yún)?shù)的預(yù)測效果的示例。如圖2所示，橫坐標(biāo)指示預(yù)測時段，縱坐標(biāo)指示光伏發(fā)電功率，可以看出，當(dāng)以時間為輸入?yún)?shù)時，預(yù)測的光伏發(fā)電功率在一天內(nèi)變化較??；單獨(dú)使用hod作為輸入?yún)?shù)時，預(yù)測效果相較于使用時間參數(shù)時的預(yù)測效果要好，但是針對不同日期預(yù)測的光伏發(fā)電功率幾乎相同，無法反應(yīng)不同日期之間的光伏發(fā)電功率的不同。而同時使用hod和doy作為輸入?yún)?shù)時，預(yù)測效果最好，最接近于實(shí)際光伏發(fā)電功率?？紤]到光伏發(fā)電功率與不同天氣參數(shù)和時間參數(shù)之間關(guān)系的復(fù)雜性，相關(guān)性分析不能作為確定用于光伏發(fā)電功率預(yù)測的輸入?yún)?shù)的最佳方法。而通過不同敏感度分析方式分析光伏發(fā)電功率與不同天氣參數(shù)和時間參數(shù)之間的關(guān)系時，分析結(jié)果缺乏一致性。因此，根據(jù)本發(fā)明的示例性實(shí)施例，結(jié)合相關(guān)性分析、靈敏度分析以及garson算法三者來從多個參數(shù)中確定對光伏發(fā)電功率預(yù)測影響最大的參數(shù)。表1示出針對各個參數(shù)，分別通過相關(guān)性分析、靈敏度分析以及garson算法分別計算的各參數(shù)對光伏發(fā)電功率的重要度。表1作為示例，可分別通過以上三種方法來分別計算各參數(shù)對光伏發(fā)電功率的重要度，并將通過每一方法計算的各重要度分別除以通過該方法計算得到的最大重要度，以得到轉(zhuǎn)換值，然后針對每一參數(shù)，計算通過三種方法得到的該參數(shù)對光伏發(fā)電功率的重要度的轉(zhuǎn)換值的平均值。如圖3所示，可將通過上述方式計算得到的平均值高于預(yù)定閾值(例如，0.25)的參數(shù)(即，doy、hod、temp、sp、swr)作為用于預(yù)測光伏發(fā)電功率的輸入?yún)?shù)。從表2可以看出，使用根據(jù)上述示例性實(shí)施例確定的參數(shù)相較于使用表1中的所有參數(shù)、和僅使用swr作為輸入?yún)?shù)，預(yù)測準(zhǔn)確度更高。表2輸入?yún)?shù)r2maemse所有參數(shù)0.8887.079137.114確定的參數(shù)0.8953.37822.565swr0.7963.78051.729人工神經(jīng)網(wǎng)絡(luò)使用較多的神經(jīng)元和/或隱藏層有助于提高人工神經(jīng)網(wǎng)絡(luò)的性能，但如果使用過多的神經(jīng)元和/或隱藏層，可能會造成過度擬合，從而影響預(yù)測精度。作為示例，根據(jù)本發(fā)明示例性實(shí)施例的發(fā)電功率預(yù)測模型所使用的人工神經(jīng)網(wǎng)絡(luò)可具有4層網(wǎng)絡(luò)，且每個隱藏層可具有10個神經(jīng)元。從圖4可以看出，當(dāng)發(fā)電功率預(yù)測模型所使用的人工神經(jīng)網(wǎng)絡(luò)具有該結(jié)構(gòu)時，預(yù)測效果最好。作為示例，在步驟s20，可將獲取的與輸入?yún)?shù)對應(yīng)的值分別輸入到不同的發(fā)電功率預(yù)測模型，并基于不同的發(fā)電功率預(yù)測模型預(yù)測的結(jié)果來確定預(yù)測時段的光伏發(fā)電功率值，其中，不同的發(fā)電功率預(yù)測模型是分別利用不同類型的人工神經(jīng)網(wǎng)絡(luò)基于訓(xùn)練集建立的。例如，可對不同的發(fā)電功率預(yù)測模型的輸出進(jìn)行平均(加權(quán)等)，以將得到的結(jié)果作為預(yù)測時段的光伏發(fā)電功率值。作為示例，所述不同類型的人工神經(jīng)網(wǎng)絡(luò)可包括：前向神經(jīng)網(wǎng)絡(luò)(feed-forwardneuralnetwork)、模式識別神經(jīng)網(wǎng)絡(luò)(patternrecognitionneuralnetwork)、函數(shù)擬合神經(jīng)網(wǎng)絡(luò)(functionfittingneuralnetwork)、徑向基神經(jīng)網(wǎng)絡(luò)(radialbasisneuralnetwork)。作為另一示例，在步驟s20，可將獲取的與輸入?yún)?shù)對應(yīng)的值分別輸入到不同的發(fā)電功率預(yù)測模型，并基于不同的發(fā)電功率預(yù)測模型預(yù)測的結(jié)果來確定預(yù)測時段的光伏發(fā)電功率值，其中，不同的發(fā)電功率預(yù)測模型是分別使用不同的訓(xùn)練算法基于訓(xùn)練集來訓(xùn)練同一類型的人工神經(jīng)網(wǎng)絡(luò)分別得到的。例如，可對不同的發(fā)電功率預(yù)測模型的輸出進(jìn)行平均(加權(quán)等)，以將得到的結(jié)果作為預(yù)測時段的光伏發(fā)電功率值。作為示例，所述不同的訓(xùn)練算法可包括：l-m(levenberg-marquardt)算法、貝葉斯正則化(bayesianregularization)算法、量化共軛梯度(scaledconjugategradient)算法。圖5示出根據(jù)本發(fā)明示例性實(shí)施例的預(yù)測光伏發(fā)電功率的裝置的框圖。如圖5所示，根據(jù)本發(fā)明示例性實(shí)施例的預(yù)測光伏發(fā)電功率的裝置包括：參數(shù)值獲取程序模塊10和預(yù)測程序模塊20。參數(shù)值獲取程序模塊10用于獲取預(yù)測時段與輸入?yún)?shù)對應(yīng)的值，其中，所述輸入?yún)?shù)包括：時段對應(yīng)于一年中的第x天、時段對應(yīng)于一天中的第y小時、時段對應(yīng)的數(shù)值天氣預(yù)報。作為示例，時段對應(yīng)的數(shù)值天氣預(yù)報可包括以下項之中的至少一項：時段對應(yīng)的氣溫、時段對應(yīng)的短波輻射、時段對應(yīng)的地面氣壓。作為示例，所述輸入?yún)?shù)可以是通過相關(guān)性分析、靈敏度分析以及garson算法三者聯(lián)合從多個參數(shù)中確定的對光伏發(fā)電功率預(yù)測影響最大的參數(shù)。預(yù)測程序模塊20用于將獲取的與輸入?yún)?shù)對應(yīng)的值輸入到基于訓(xùn)練集訓(xùn)練得到的發(fā)電功率預(yù)測模型，以獲取預(yù)測時段的光伏發(fā)電功率值，其中，所述訓(xùn)練集包括：多個歷史時段之中的每一歷史時段與輸入?yún)?shù)對應(yīng)的值以及所述每一歷史時段的實(shí)際光伏發(fā)電功率值。作為示例，預(yù)測程序模塊20可將獲取的與輸入?yún)?shù)對應(yīng)的值分別輸入到不同的發(fā)電功率預(yù)測模型，并基于不同的發(fā)電功率預(yù)測模型預(yù)測的結(jié)果來確定預(yù)測時段的光伏發(fā)電功率值，其中，不同的發(fā)電功率預(yù)測模型是分別利用不同類型的人工神經(jīng)網(wǎng)絡(luò)基于訓(xùn)練集建立的。作為優(yōu)選示例，所述不同類型的人工神經(jīng)網(wǎng)絡(luò)可包括：前向神經(jīng)網(wǎng)絡(luò)、模式識別神經(jīng)網(wǎng)絡(luò)、函數(shù)擬合神經(jīng)網(wǎng)絡(luò)、徑向基神經(jīng)網(wǎng)絡(luò)。作為另一示例，預(yù)測程序模塊20可將獲取的與輸入?yún)?shù)對應(yīng)的值分別輸入到不同的發(fā)電功率預(yù)測模型，并基于不同的發(fā)電功率預(yù)測模型預(yù)測的結(jié)果來確定預(yù)測時段的光伏發(fā)電功率值，其中，不同的發(fā)電功率預(yù)測模型是分別使用不同的訓(xùn)練算法基于訓(xùn)練集來訓(xùn)練同一類型的人工神經(jīng)網(wǎng)絡(luò)分別得到的。作為優(yōu)選示例，所述不同的訓(xùn)練算法可包括：l-m算法、貝葉斯正則化算法、量化共軛梯度算法。作為示例，根據(jù)本發(fā)明示例性實(shí)施例的發(fā)電功率預(yù)測模型所使用的人工神經(jīng)網(wǎng)絡(luò)可具有4層網(wǎng)絡(luò)，且每個隱藏層可具有10個神經(jīng)元。應(yīng)該理解，根據(jù)本發(fā)明示例性實(shí)施例的預(yù)測光伏發(fā)電功率的裝置的具體實(shí)現(xiàn)方式可參照結(jié)合圖1描述的相關(guān)具體實(shí)現(xiàn)方式來實(shí)現(xiàn)，在此不再贅述。作為示例，根據(jù)本發(fā)明示例性實(shí)施例的計算機(jī)可讀存儲介質(zhì)存儲有計算機(jī)程序，所述計算機(jī)程序可被配置為使計算機(jī)的處理器執(zhí)行如結(jié)合圖1描述的任一預(yù)測光伏發(fā)電功率的方法。作為示例，根據(jù)本發(fā)明示例性實(shí)施例的計算機(jī)可包括上述計算機(jī)可讀存儲介質(zhì)。根據(jù)本發(fā)明示例性實(shí)施例的預(yù)測光伏發(fā)電功率的方法及裝置，將時間參數(shù)替換為對應(yīng)的一年中的哪一天以及一天中的哪一小時作為輸入?yún)?shù)、基于多個預(yù)測模型來預(yù)測光伏發(fā)電功率，多個預(yù)測模型可以是分別基于不同類型的人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到的，或者是分別通過不同的訓(xùn)練算法訓(xùn)練得到的，來有效提高光伏發(fā)電功率預(yù)測的準(zhǔn)確性。此外，應(yīng)該理解，根據(jù)本發(fā)明示例性實(shí)施例的預(yù)測光伏發(fā)電功率的裝置中的各個程序模塊可被實(shí)現(xiàn)硬件組件和/或軟件組件。本領(lǐng)域技術(shù)人員根據(jù)限定的各個程序模塊所執(zhí)行的處理，可以例如使用現(xiàn)場可編程門陣列(fpga)或?qū)Ｓ眉呻娐?asic)來實(shí)現(xiàn)各個程序模塊。此外，根據(jù)本發(fā)明示例性實(shí)施例的預(yù)測光伏發(fā)電功率的方法可以被實(shí)現(xiàn)為計算機(jī)可讀記錄介質(zhì)中的計算機(jī)代碼。本領(lǐng)域技術(shù)人員可以根據(jù)對上述方法的描述來實(shí)現(xiàn)所述計算機(jī)代碼。當(dāng)所述計算機(jī)代碼在計算機(jī)中被執(zhí)行時實(shí)現(xiàn)本發(fā)明的上述方法。雖然已表示和描述了本發(fā)明的一些示例性實(shí)施例，但本領(lǐng)域技術(shù)人員應(yīng)該理解，在不脫離由權(quán)利要求及其等同物限定其范圍的本發(fā)明的原理和精神的情況下，可以對這些實(shí)施例進(jìn)行修改。當(dāng)前第1頁12