本发明涉及光伏电站的发电功率预测领域，特别涉及光伏电站超短期输出功率预测。
背景技术：
1、太阳能是一种清洁且丰富的能源，具有许多环保优势。光伏电站利用光伏效应将太阳能转化为直流电能，并通过逆变器转换为交流电能。作为一种重要的可再生能源发电方式，光伏电站是世界各国大力发展的对象，符合全球能源转型和可持续发展的趋势。
2、一般而言，在日落到日升之间是没有光能的，是0输出；其余是正常发电时间，其中光能的高峰时段一般在正午12点到13点之间，但该期间电流以尖脉冲形式进行输出，尖脉冲的能量形式则会对电网产生一定的冲击，导致电网的调峰压力随之增加，甚至可能会出现弃光弃风现象。因此，对光能高峰时段的光伏电站输出功率进行准确预报是很有价值的工程目标和难点。
3、目前，现有技术是通过大数据技术，对光伏电站较长时段的历史数据进行大规模的数据挖掘，此类方案的缺点是需要该光伏电站至少存储1年以上的数据，这也就意味着该方案需要等到一个新的光伏电站正常运行1年后才能部署，其应用推广的局限性较大。
技术实现思路
1、本发明的目的是提供一种用于光伏电站超短期输出功率预测的装置和方法，从而保证电网的稳定运行。
2、为了实现以上目的，本发明通过以下技术方案实现：
3、一种用于光伏电站超短期内输出功率预测的装置，包括数据集模块、小模型预测模块、残差预测模块、包络卡尔曼预测模块和融合模块；
4、所述数据集模块包括所述光伏电站n个月的正常输出功率的数据集，其中，n≥1；
5、所述小模型预测模块，基于所述光伏电站n个月的正常输出功率的数据集，对所述光伏电站超短期内输出功率进行预测获得功率预测数据，其中，所述超短期为未来15分钟到4个小时，其中，1≤n≤12；
6、所述残差预测模块，基于所述数据集，对所述光伏电站超短期内功率残差进行预测获得功率残差预测数据；
7、所述包络卡尔曼预测模块，对所述数据集分别进行外包络曲线拟合和内包络曲线拟合得到外包络曲线和内包络曲线，并采用卡尔曼滤波预测法获得外包络功率拟合预测值和内包络功率拟合预测值；
8、所述融合模块，用于将所述功率预测数据、所述功率残差预测数据、所述外包络功率拟合预测值和所述内包络功率拟合预测值进行拟合，得到所述光伏电站超短期内的输出功率的最终预测值。
9、进一步的，所述小模型预测模块、所述残差预测模块和所述融合模块均采用convlstm网络结构。
10、进一步的，所述小模型预测模块和所述残差预测模块的输入数据均为所述光伏电站当前时间的前10小时的正常发电部分的功率输出数据。
11、进一步的，所述包络卡尔曼预测模块包括外包络曲线拟合模块、内包络曲线拟合测模块和卡尔曼滤波预测模块，且所述包络卡尔曼预测模块分别以所述外包络曲线和所述内包络曲线为实测数据，以所述功率预测数据和所述功率残差预测数据之和为观测数据。
12、进一步的，所述外包络曲线拟合模块和所述内包络曲线拟合模块均采用arima模型。
13、一种采用上述装置预测光伏电站超短期输出功率的方法，包括以下步骤：
14、步骤1、采用所述小模型预测模块对所述光伏电站超短期内的功率进行预测获得功率预测数据；
15、步骤2、采用所述残差预测模块对所述光伏电站未超短期内的功率残差进行预测获得功率残差预测数据；
16、步骤3、采用所述包络卡尔曼预测模块对所述光伏电站n个月的正常输功率出数据分别进行外包络曲线拟合和内包络曲线拟合得到外包络曲线和内包络曲线，并采用卡尔曼滤波预测法获得外包络功率拟合预测值和内包络功率拟合预测值；
17、步骤4、采用所述融合模块将所述功率预测数据、所述功率残差预测数据、所述外包络功率拟合预测值和所述内包络功率拟合预测值进行拟合，得到所述光伏电站超短期内输出功率的最终预测值。
18、进一步的，所述小模型预测模块、残差预测模块和融合模块均采用convlstm网络结构。
19、进一步的，所述小模型预测模块和所述残差预测模块的输入数据均为所述光伏电站当前时间的前10小时的正常发电部分的功率输出数据。
20、进一步的，所述包络卡尔曼预测模块，所述包络卡尔曼预测模块包括外包络曲线拟合模块、内包络曲线拟合测模块和卡尔曼滤波预测模块，且所述包络卡尔曼预测模块分别以所述外包络曲线和所述内包络曲线为实测数据，以所述所述功率预测数据、所述功率残差预测数据为观测数据。
21、进一步的，所述外包络曲线拟合模块和所述内包络曲线拟合模块均采用arima模型。
22、与现有技术相比，本发明具有如下优点：
23、1、小模型与低计算量：采用轻量级模型设计，显著降低了计算量，从而对计算资源的要求较小。
24、2、快速部署：对光伏电站的历史数据量要求相对较低，这使得它可以快速部署到新建的光伏电站中，缩短了部署时间。
25、3、准确预测正午尖脉冲数据：特别针对正午时段的尖脉冲数据进行了学习，能够在整体达到国家相关预测标准的基础上，对正午的能源尖脉冲数据提供准确的预报，有助于降低电网在尖脉冲时段的安全稳定运行风险。
1.一种用于光伏电站超短期内输出功率预测的装置，其特征在于，包括数据集模块、小模型预测模块、残差预测模块、包络卡尔曼预测模块和融合模块；
2.如权利要求1所述的装置，其特征在于，所述小模型预测模块、所述残差预测模块和所述融合模块均采用convlstm网络结构。
3.如权利要求1所述的装置，其特征在于，所述小模型预测模块和所述残差预测模块的输入数据均为所述光伏电站当前时间的前10小时的正常发电部分的功率输出数据。
4.如权利要求1所述的装置，其特征在于，所述包络卡尔曼预测模块包括外包络曲线拟合模块、内包络曲线拟合测模块和卡尔曼滤波预测模块，且所述包络卡尔曼预测模块分别以所述外包络曲线和所述内包络曲线为实测数据，以所述功率预测数据和所述功率残差预测数据之和为观测数据。
5.如权利要求4所述的装置，其特征在于，所述外包络曲线拟合模块和所述内包络曲线拟合模块均采用arima模型。
6.一种采用如权利要求1-5任一项所述装置预测光伏电站超短期输出功率的方法，其特征在于，包括以下步骤：
7.如权利要求6所述的方法，其特征在于，所述小模型预测模块、残差预测模块和融合模块均采用convlstm网络结构。
8.如权利要求7所述的方法，其特征在于：所述小模型预测模块和所述残差预测模块输入数据均为所述光伏电站当前时间的前10小时的正常发电部分的功率输出数据。
9.如权利要求6所述的方法，其特征在于，所述包络卡尔曼预测模块，所述包络卡尔曼预测模块包括外包络曲线拟合模块、内包络曲线拟合测模块和卡尔曼滤波预测模块，且所述包络卡尔曼预测模块分别以所述外包络曲线和所述内包络曲线为实测数据，以所述所述功率预测数据、所述功率残差预测数据为观测数据。
10.如权利要求9所述的方法，其特征在于，所述外包络曲线拟合模块和所述内包络曲线拟合模块均采用arima模型。
