本发明涉及新能源发电，具体为一种发电功率预测方法、模型训练方法及系统。
背景技术：
1、随着全球对清洁能源的需求不断增长，新能源发电（风能、太阳能）在能源领域的地位日益重要。然而，新能源发电具有间歇性和不确定性等特点，给电力系统的稳定运行和调度带来了巨大挑战。新能源发电功率的精确预测有利于电网调度人员提早制定合理的发电计划和运行方式，统筹电力系统的调峰、调频等应对措施，对于优化电力系统运行，提高能源利用效率和保障电网安全具有重要意义。
2、现有的新能源发电功率预测方法往往难以处理复杂的非线性关系和多变量时空特征，导致预测精度有限。近年来，随着机器学习和深度学习技术的迅速发展，为新能源发电功率预测提供了新的思路和方法。深度学习方法的优势在于可拟合多变量与发电功率数据之间的复杂非线性关系，探寻新能源发电功率在时间维度上的波动规律，以提高发电功率的预测精度；但是单一结构网络模型无法准确拟合多变量和新能源发电功率间的关系，而且现有的时序预测模型不能深入挖掘众多变量之间的关联信息，因此直接影响了发电功率的预测精度。
技术实现思路
1、针对现有技术中存在的问题，本发明提供一种发电功率预测方法、模型训练方法及系统，能够准确拟合气象数据中各变量和实际发电功率的相关度，分析实际发电功率在时间维度上的波动规律，提高新能源发电功率预测的精度。
2、本发明是通过以下技术方案来实现：
3、第一方面，本技术提出一种发电功率预测模型的训练方法，包括以下步骤：
4、获取新能源发电场的气象数据时间序列和对应的实际发电功率时间序列；
5、所述气象数据时间序列包括风机不同高度位置的气象数据，实际发电功率时间序列为与气象数据时间序列对应的各时刻的实际发电功率；
6、确定各时刻不同高度位置的气象数据中各变量与对应的实际发电功率的相关度，获取不同高度位置中相关度最高的变量重构气象数据，得到气象数据的多维时序数据；
7、采用气象数据的多维时序数据和实际发电功率时间序列对发电功率预测模型进行训练，训练时：
8、提取实际发电功率时间序列中时间跨度的功率时序特征，根据功率时序特征初步预测未来时间段的第一发电功率，该第一发电功率包含实际发电功率时间序列的功率时序特征；
9、提取气象数据的多维时序数据中各变量的时序融合特征，将各变量的时序融合特征进行融合得到气象数据特征，根据气象数据特征初步预测未来时间段的第二发电功率，该第二发电功率包含多维时序数据的气象数据特征；
10、对第一发电功率的功率时序特征和第二发电功率的气象数据特征进行全连接融合，得到最终的预测结果。
11、优选的，所述气象数据包括风速、风向、气温、气压和相对湿度，将风速、风向、气温、气压和相对湿度作为变量，确定各变量与实际发电功率的相关度。
12、优选的，所述重构气象数据，得到气象数据的多维时序数据，包括：
13、采用多种相关性分析法对各时刻不同高度位置的气象数据和实际发电功率分别进行相关性分析，确定不同高度位置的气象数据中各变量与实际发电功率的相关度，获取不同高度位置的气象数据和实际发电功率相关度最高的变量，根据相关度最高的变量重构该时刻的气象数据得到多维数据，根据各时刻的多维数据构建气象数据的多维时序数据。
14、优选的，所述确定各时刻不同高度位置的气象数据中各变量与对应的实际发电功率的相关度，包括：
15、采用多种相关性分析法分别计算各高度位置的气象数据中各变量与实际发电功率的相关度并分配权重，对各变量的权重进行融合得到各变量与实际发电功率的最终相关度。
16、优选的，所述相关性分析法包括pearson相关系数分析法、kendall相关系数分析法和spearman相关系数分析法。
17、优选的，所述发电功率预测模型，包括tcn特征提取模块、tpa-lstm特征提取模块和特征融合模块；
18、所述tcn特征提取模块包括多个串行的tcn模块，将实际发电功率时间序列作为tcn特征提取模块的输入，tcn特征提取模块输出未来时间段的第一发电功率；
19、所述tpa-lstm特征提取模块包括lstm模型和tpa模型，将多维时序数据作为lstm模型的输入，lstm模型输出各变量的时序融合特征并作为tpa模型的输入，tpa模型输出未来时间段的第二发电功率；
20、所述特征融合模块由全连接层组成，对tcn特征提取模块预测的第一发电功率和第一发电功率进行全连接融合，得到最终的预测结果。
21、第二方面，本技术提出一种发电功率预测模型的训练系统，包括：
22、采集模块，用于获取新能源发电场的气象数据时间序列和对应的实际发电功率时间序列；
23、所述气象数据时间序列包括风机不同高度位置的气象数据，实际发电功率时间序列为与气象数据时间序列对应的各时刻的实际发电功率；
24、数据重构模块，用于确定各时刻不同高度位置的气象数据中各变量与对应的实际发电功率的相关度，获取不同高度位置中相关度最高的变量重构气象数据，得到气象数据的多维时序数据；
25、训练模块，用于采用气象数据的多维时序数据和实际发电功率时间序列对发电功率预测模型进行训练，训练时：
26、提取实际发电功率时间序列中时间跨度的功率时序特征，根据功率时序特征初步预测未来时间段的第一发电功率，该第一发电功率包含实际发电功率时间序列的功率时序特征；
27、提取气象数据的多维时序数据中各变量的时序融合特征，将各变量的时序融合特征进行融合得到气象数据特征，根据气象数据特征初步预测未来时间段的第二发电功率，该第二发电功率包含多维时序数据的气象数据特征；
28、对第一发电功率的功率时序特征和第二发电功率的气象数据特征进行全连接融合，得到最终的预测结果。
29、第三方面，本技术提出一种发电功率预测方法，包括：
30、获取历史时间段的气象数据；
31、将历史时间段的气象数据输入至所述发电功率预测模型的训练方法所训练好的发电功率预测模型中，发电功率预测模型输出该气象数据对应的预测结果。
32、第四方面，本技术提出一种发电功率预测系统，其特征在于，包括：
33、采集模块，用于获取历史时间段的气象数据；
34、模型预测模块，用于将历史时间段的气象数据输入至所述发电功率预测模型的训练方法所训练好的发电功率预测模型中，发电功率预测模型输出该气象数据对应的预测结果。
35、第五方面，本技术提出一种电子设备，包括：
36、存储器，用于存储计算机程序；
37、处理器，用于执行所述计算机程序时实现所述发电功率预测方法的步骤。
38、与现有技术相比，本发明具有以下有益的技术效果：
39、本发明提供的一种发电功率预测模型的训练方法，分析不同高度位置气象数据与对应实际发电功率的相关度，根据相关度最高的变量重构气象数据形成气象数据的多维时序数据，实现对气象数据的降维处理，避免引入过多无关或弱相关的变量，减少噪声干扰；提取多维时序数据中各变量的时序融合特征并进行融合形成气象数据特征，以适应不同气象条件，提高模型鲁棒性，减少数据冗余，提升气象数据利用效率；然后采用集成学习的融合思想，将基于实际发电功率初步预测的第一发电功率与气象数据特征初步预测的第二发电功率进行全连接融合，使气象数据特征与实际发电功率的功率时序特征在时间维度进行融合，分析实际发电功率在时间维度上的波动规律，以提高预测结果的准确性，该方法有效地提高了新能源发电功率预测的精度和可靠性，为新能源发电的高效利用和电力系统的稳定运行提供更有力的支持。
40、本技术还提出了一种发电功率预测模型训练系统、一种发电功率预测方法和一种电子设备，具备上述发电功率预测模型训练方法的全部优势。
1.一种发电功率预测模型的训练方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种发电功率预测模型的训练方法，其特征在于，所述气象数据包括风速、风向、气温、气压和相对湿度，将风速、风向、气温、气压和相对湿度作为变量，确定各变量与实际发电功率的相关度。
3.根据权利要求2所述的一种发电功率预测模型的训练方法，其特征在于，所述重构气象数据，得到气象数据的多维时序数据，包括：
4.根据权利要求3所述的一种发电功率预测模型的训练方法，其特征在于，所述确定各时刻不同高度位置的气象数据中各变量与对应的实际发电功率的相关度，包括：
5.根据权利要求3所述的一种发电功率预测模型的训练方法，其特征在于，所述相关性分析法包括pearson相关系数分析法、kendall相关系数分析法和spearman相关系数分析法。
6.根据权利要求1所述的一种发电功率预测模型的训练方法，其特征在于，所述发电功率预测模型，包括tcn特征提取模块、tpa-lstm特征提取模块和特征融合模块；
7.一种发电功率预测模型的训练系统，其特征在于，包括：
8.一种发电功率预测方法，其特征在于，包括：
9.一种发电功率预测系统，其特征在于，包括：
10.一种电子设备，其特征在于，包括：
