本技术涉及新能源光伏负荷预测，尤其涉及一种基于多源数据深度学习的光伏负荷预测方法及系统。
背景技术：
1、光伏负荷预测是指利用天气预报、历史发电数据等信息，对光伏电站未来发电量进行预测的活动。通过光伏负荷预测，可以更好地安排发电计划，平衡供需，减少电力波动，为电网运行提供稳定的数据支持，提高能源利用率，同时对光伏电站的投资和建设提供参考，辅助电力市场运营，促进减排。
2、随着新能源光伏技术的快速发展，光伏负荷预测成为确保电力系统稳定运行的关键环节。目前，相关技术中已有多种基于数据驱动的负荷预测方法被提出，主要依赖历史光伏负荷数据进行模型训练，再将当前检测到的环境数据和发电功率输入完成训练的模型中，得到最终的光伏负荷预测结果。
3、然而，相关技术中的光伏负荷预测方法，其数据来源主要依赖于历史光伏负荷数据，数据来源单一，忽略了影响光伏负荷预测结果的其他干扰因素，如发电功率、发电效率、输送损耗以及实时天气数据等，导致预测结果与实际负荷存在较大偏差，无法满足高精度预测的需求。
技术实现思路
1、本技术提供了一种基于多源数据深度学习的光伏负荷预测方法及系统，用于整合影响光伏负荷预测结果的多源数据，并利用多个不同深度学习模型并行处理的方式得到光伏负荷的预测结果。
2、第一方面，本技术提供一种基于多源数据深度学习的光伏负荷预测方法，应用于光伏负荷预测系统，该方法包括：
3、获取历史干扰数据，构建多源数据集，该历史干扰数据包括光伏发电系统的发电功率数据、发电效率数据、输送损耗数据、历史天气数据和历史负荷数据；
4、使用多源数据集分别对多个不同的深度学习模型进行训练，得到多个不同的目标深度学习模型；
5、获取每个目标深度学习模型对应的加权值；
6、将实时获取的多源数据分别输入到不同的目标深度学习模型中，输出每个目标深度学习模型对应的光伏负荷预测结果，该多源数据与历史干扰数据一一对应；
7、依据每个目标深度学习模型输出的光伏负荷预测结果和对应的加权值计算得到最终光伏负荷预测结果。
8、通过上述实施例，光伏负荷预测系统通过整合影响光伏负荷预测结果的多种类型的干扰数据，构建多源数据集。在此基础上，用该多源数据集训练多个不同的深度学习模型，发挥不同模型的各自优势，能够从不同侧重点对复杂的光伏负荷做出预测。再将多模型的预测结果按照其准确度加权融合，进一步提升了预测的鲁棒性和准确性。该方法解决了相关技术进行光伏负荷预测过程中数据来源单一、预测偏差大的缺陷，通过整合多源数据进行深度学习模型训练，能够更全面地捕捉影响光伏负荷的关键因素，从而提高光伏负荷预测的准确性和可靠性。
9、在一些实施例中，在使用多源数据集分别对多个不同的深度学习模型进行训练，得到多个不同的目标深度学习模型的步骤之后，还包括：
10、实时获取新的多源数据；
11、依据新的多源数据更新多源数据集；
12、定期使用多源数据集中的新增数据对目标深度学习模型进行增量训练。
13、通过上述实施例，光伏负荷预测系统通过不断获取光伏发电系统实时运行过程中产生的新数据，对已训练的深度学习模型定期进行增量学习，使模型能够持续跟踪光伏负荷特征的变化趋势，自适应地对预测模型进行优化更新，增强了光伏负荷预测结果的动态适应性和长期稳定性。
14、在一些实施例中，获取每个目标深度学习模型对应的加权值的步骤，具体包括：
15、获取每个目标深度学习模型在验证集上的准确度；
16、依据准确度之间的比值确定每个目标深度学习模型对应的加权值。
17、通过上述实施例，光伏负荷预测系统以模型在验证集上的预测准确度为依据，评估每个模型对最终预测结果的贡献度，准确度越高的模型被赋予更大的权重。该方法能够更充分地利用表现良好的模型的预测结果，削弱欠佳模型的影响，从而使多模型融合的预测结果尽可能接近真实值。
18、在一些实施例中，使用多源数据集分别对多个不同的深度学习模型进行训练，得到多个不同的目标深度学习模型的步骤，具体包括：
19、依据每个深度学习模型的训练需求，对多源数据集进行预处理，得到多个特征训练集，该特征训练集与深度学习模型一一对应；
20、使用特征训练集对深度学习模型进行训练，得到多个不同的目标深度学习模型。
21、通过上述实施例，由于不同深度学习模型对训练数据的格式、质量等要求各不相同。为了充分发挥每种模型的建模能力，光伏负荷预测系统根据每个深度学习模型的特性对原始的多源数据集进行定制化的预处理，提取出能够分别匹配每个模型接口的特征训练集。既兼顾了多模型集成策略对数据多样性的需求，又考虑到不同模型对数据质量的个性化要求，在提升单个模型预测性能的同时，也为后续的模型融合奠定了基础。
22、在一些实施例中，使用多源数据集分别对多个不同的深度学习模型进行训练，得到多个不同的目标深度学习模型的步骤，具体包括：
23、依据每个深度学习模型预设的处理数据类型对多源数据集进行划分，得到每个深度学习模型对应的专用训练集，该专用训练集是该多源数据集的子集；
24、使用专用训练集对深度学习模型进行训练，得到多个不同的目标深度学习模型。
25、通过上述实施例，为了让每个模型都能发挥所长，光伏负荷预测系统从多源数据集中筛选出每个模型最擅长处理的数据子集作为其专属的训练集。使训练得到的每个模型在各自擅长的领域做出可靠预测，提高了光伏负荷预测的准确性和可靠性。
26、在一些实施例中，在依据每个目标深度学习模型输出的光伏负荷预测结果和对应的加权值计算得到最终光伏负荷预测结果的步骤之后，还包括：
27、获取光伏负荷的实际测量值；
28、依据实际测量值和最终光伏负荷预测结果的差值生成光伏负荷预测的误差曲线；
29、依据误差曲线的波动状况对最终光伏负荷预测结果进行评估。
30、通过上述实施例，光伏负荷预测系统通过引入真实的光伏负荷测量值作为评判标准，量化多模型融合预测结果与客观事实间的偏差，并通过误差曲线形象直观地展示预测误差随时间的动态变化趋势，便于用户对最终光伏负荷预测结果的准确性进行评估。
31、在一些实施例中，依据误差曲线的波动状况对最终光伏负荷预测结果进行评估的步骤，具体包括：
32、统计预设时间段内差值超过预设范围阈值的最终光伏负荷预测结果的数量；
33、若检测到最终光伏负荷预测结果的数量超过预设数量阈值，则判定最终光伏负荷预测结果出现异常。
34、通过上述实施例，光伏负荷预测系统在检测到预测误差长期保持较低水平且波动小时，判定该预测模型(目标深度学习模型)生成的最终光伏负荷预测结果正常；反之，若误差较大或忽高忽低，则判定最终光伏负荷预测结果存在异常。实现对目标深度学习模型预测结果的自动化监测，便于用户及时发现模型存在的问题并进行处理。
35、第二方面，本技术提供一种光伏负荷预测系统，该光伏负荷预测系统包括：一个或多个处理器和存储器；
36、该存储器与该一个或多个处理器耦合，该存储器用于存储计算机程序代码，该计算机程序代码包括计算机指令，该一个或多个处理器调用该计算机指令以使得该光伏负荷预测系统可以实现上述实施例提供的一种基于多源数据深度学习的光伏负荷预测方法，此处不再赘述。
37、第三方面，本技术提供一种计算机可读存储介质，包括指令，当该指令在光伏负荷预测系统上运行时，使得该光伏负荷预测系统可以实现上述实施例提供的一种基于多源数据深度学习的光伏负荷预测方法，此处不再赘述。
38、第四方面，本技术提供一种计算机程序产品，当该计算机程序产品在光伏负荷预测系统上运行时，使得该光伏负荷预测系统可以实现上述实施例提供的一种基于多源数据深度学习的光伏负荷预测方法，此处不再赘述。
39、本技术实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
40、1、解决了相关技术进行光伏负荷预测过程中数据来源单一、预测偏差大的缺陷，通过整合了多源数据进行深度学习模型训练，能够更全面地捕捉影响光伏负荷的关键因素，从而提高光伏负荷预测的准确性和可靠性。
41、2、引入了集成学习思想，使用多源数据对多个深度学习模型进行训练，并融合多个深度学习模型的预测结果，进一步提升光伏负荷预测的准确性和稳定性。
42、3、光伏负荷预测系统通过不断获取光伏发电系统实时运行过程中产生的新数据，对已训练的深度学习模型定期进行增量学习，使模型能够持续跟踪光伏负荷特征的变化趋势，自适应地对预测模型进行优化更新，增强了光伏负荷预测结果的动态适应性和长期稳定性。
1.一种基于多源数据深度学习的光伏负荷预测方法，应用于光伏负荷预测系统，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，在所述使用所述多源数据集分别对多个不同的深度学习模型进行训练，得到多个不同的目标深度学习模型的步骤之后，还包括：
3.根据权利要求1所述的方法，其特征在于，所述获取每个目标深度学习模型对应的加权值的步骤，具体包括：
4.根据权利要求1所述的方法，其特征在于，所述使用所述多源数据集分别对多个不同的深度学习模型进行训练，得到多个不同的目标深度学习模型的步骤，具体包括：
5.根据权利要求1所述的方法，其特征在于，所述使用所述多源数据集分别对多个不同的深度学习模型进行训练，得到多个不同的目标深度学习模型的步骤，具体包括：
6.根据权利要求1所述的方法，其特征在于，在所述依据每个目标深度学习模型输出的光伏负荷预测结果和对应的加权值计算得到最终光伏负荷预测结果的步骤之后，还包括：
7.根据权利要求6所述的方法，其特征在于，所述依据所述误差曲线的波动状况对最终光伏负荷预测结果进行评估的步骤，具体包括：
8.一种光伏负荷预测系统，其特征在于，所述光伏负荷预测系统包括：一个或多个处理器和存储器；
9.一种计算机可读存储介质，包括指令，其特征在于，当所述指令在光伏负荷预测系统上运行时，使得所述光伏负荷预测系统执行如权利要求1-7中任一项所述的方法。
10.一种计算机程序产品，其特征在于，当所述计算机程序产品在光伏负荷预测系统上运行时，使得所述光伏负荷预测系统执行如权利要求1-7中任一项所述的方法。
