本技术涉及功率预测，尤其涉及一种基于时间序列分解的新能源功率预测方法及装置。
背景技术：
1、风电和光伏发电(简称风光)等可再生能源具有清洁、无污染的特点，被认为是未来电力系统的重要组成部分。然而风电和光伏发电具有显著的间歇性和随机性，这使得它们在电力系统中的功率难以预测，因此，准确预测风电和光伏发电的功率对于电力系统调度和运行十分重要。
2、目前，风光的功率预测方式通常是应用机器学习模型作为功率预测模型进行功率预测，如，arima和sarima模型在处理线性时间序列时具有较好的性能，但其在应对非线性和非平稳数据时表现欠佳。并且，风光的功率预测受到多种因素的影响，如，气象条件、环境变化以及设备状态等，因此数据具有高度的复杂性和非线性特征。目前风光的处理预测时，忽略了特征选择，导致功率预测模型的性能不佳，影响风光功率预测的可靠性。
技术实现思路
1、针对现有技术中的至少一个问题，本技术提出了一种基于时间序列分解的新能源功率预测方法及装置，能够在保证风光的功率预测的效率的基础上，提高风光的功率预测的可靠性。
2、为了解决上述技术问题，本技术提供以下技术方案：
3、第一方面，本技术提供一种基于时间序列分解的新能源功率预测方法，包括：
4、获取目标新能源的原始时间序列；
5、对所述原始时间序列进行时域分解，得到趋势项、季节项和残差项，对所述残差项进行频域分解，得到模态特征；
6、基于所述趋势项和季节项进行特征筛选，得到目标特征数据；
7、应用所述目标特征数据、模态特征和预设的功率预测模型，确定所述目标新能源的功率预测结果，所述预设的功率预测模型是基于批量历史原始时间序列及其各自对应的实际功率对双向长短期记忆网络模型预先训练得到的。
8、在一个实施例中，所述的基于时间序列分解的新能源功率预测方法，还包括：
9、采集批量历史原始时间序列及其各自对应的实际功率；
10、对每个历史原始时间序列进行时域分解，得到该历史原始时间序列对应的历史趋势项、历史季节项和历史残差项，对每个历史原始时间序列对应的历史残差项进行频域分解，得到该历史原始时间序列的历史模态特征；
11、基于每个历史原始时间序列对应的所述历史趋势项和历史季节项进行特征筛选，得到该历史原始时间序列的历史特征数据；
12、应用各个历史原始时间序列各自对应的历史特征数据、历史模态特征和实际功率对双向长短期记忆网络模型进行训练，得到所述预设的功率预测模型。
13、在一个实施例中，所述对所述残差项进行频域分解，得到模态特征，包括：
14、应用变分模态分解方法对所述残差项进行频域分解，得到模态特征。
15、在一个实施例中，所述基于所述趋势项和季节项进行特征筛选，得到目标特征数据，包括：
16、应用最大互信息系数对所述趋势项和季节项进行特征筛选，得到目标特征数据。
17、在一个实施例中，所述应用所述目标特征数据、模态特征和预设的功率预测模型，确定所述目标新能源的功率预测结果，包括：
18、应用所述目标特征数据和预设的第一子功率预测模型，确定第一中间功率预测值；
19、应用所述模态特征和预设的第二子功率预测模型，确定第二中间功率预测值；
20、将所述第一中间功率预测值和第二中间功率预测值之和，确定为所述目标新能源的功率预测结果；
21、所述预设的功率预测模型包括：所述预设的第一子功率预测模型和预设的第二子功率预测模型。
22、在一个实施例中，所述应用各个历史原始时间序列各自对应的历史特征数据、历史模态特征和实际功率对双向长短期记忆网络模型进行训练，得到所述预设的功率预测模型，包括：
23、将所述历史特征数据输入第一双向长短期记忆网络模型，得到该第一双向长短期记忆网络模型的输出结果，将所述历史模态特征输入第二双向长短期记忆网络模型，到该第二双向长短期记忆网络模型的输出结果；利用所述第一双向长短期记忆网络模型和第二双向长短期记忆网络模型的输出结果之和以及对应的实际功率，训练得到所述预设的功率预测模型；
24、其中，预设的第一子功率预测模型为训练后的第一双向长短期记忆网络模型，第二子功率预测模型为训练后的第二双向长短期记忆网络模型。
25、第二方面，本技术提供一种基于时间序列分解的新能源功率预测装置，包括：
26、获取模块，用于获取目标新能源的原始时间序列；
27、第一分解模块，用于对所述原始时间序列进行时域分解，得到趋势项、季节项和残差项，对所述残差项进行频域分解，得到模态特征；
28、第一筛选模块，用于基于所述趋势项和季节项进行特征筛选，得到目标特征数据；
29、预测模块，用于应用所述目标特征数据、模态特征和预设的功率预测模型，确定所述目标新能源的功率预测结果，所述预设的功率预测模型是基于批量历史原始时间序列及其各自对应的实际功率对双向长短期记忆网络模型预先训练得到的。
30、在一个实施例中，所述的基于时间序列分解的新能源功率预测装置，还包括：
31、采集模块，用于采集批量历史原始时间序列及其各自对应的实际功率；
32、第二分解模块，用于对每个历史原始时间序列进行时域分解，得到该历史原始时间序列对应的历史趋势项、历史季节项和历史残差项，对每个历史原始时间序列对应的历史残差项进行频域分解，得到该历史原始时间序列的历史模态特征；
33、第二筛选模块，用于基于每个历史原始时间序列对应的所述历史趋势项和历史季节项进行特征筛选，得到该历史原始时间序列的历史特征数据；
34、训练模块，用于应用各个历史原始时间序列各自对应的历史特征数据、历史模态特征和实际功率对双向长短期记忆网络模型进行训练，得到所述预设的功率预测模型。
35、在一个实施例中，所述第一分解模块包括：
36、频域分解单元，用于应用变分模态分解方法对所述残差项进行频域分解，得到模态特征。
37、在一个实施例中，所述第一筛选模块，包括：
38、筛选单元，用于应用最大互信息系数对所述趋势项和季节项进行特征筛选，得到目标特征数据。
39、在一个实施例中，所述预测模块包括：
40、第一确定单元，用于应用所述目标特征数据和预设的第一子功率预测模型，确定第一中间功率预测值；
41、第二确定单元，用于应用所述模态特征和预设的第二子功率预测模型，确定第二中间功率预测值；
42、将所述第一中间功率预测值和第二中间功率预测值之和，确定为所述目标新能源的功率预测结果；
43、预测单元，用于所述预设的功率预测模型包括：所述预设的第一子功率预测模型和预设的第二子功率预测模型。
44、在一个实施例中，所述训练模块，包括：
45、输入单元，用于将所述历史特征数据输入第一双向长短期记忆网络模型，得到该第一双向长短期记忆网络模型的输出结果，将所述历史模态特征输入第二双向长短期记忆网络模型，到该第二双向长短期记忆网络模型的输出结果；
46、训练单元，用于利用所述第一双向长短期记忆网络模型和第二双向长短期记忆网络模型的输出结果之和以及对应的实际功率，训练得到所述预设的功率预测模型；
47、其中，预设的第一子功率预测模型为训练后的第一双向长短期记忆网络模型，第二子功率预测模型为训练后的第二双向长短期记忆网络模型。
48、第三方面，本技术提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述的基于时间序列分解的新能源功率预测方法。
49、第四方面，本技术提供一种计算机可读存储介质，其上存储有计算机指令，所述指令被处理器执行时实现所述的基于时间序列分解的新能源功率预测方法。
50、由上述技术方案可知，本技术提供一种基于时间序列分解的新能源功率预测方法及装置。其中，该方法包括：获取目标新能源的原始时间序列；对所述原始时间序列进行时域分解，得到趋势项、季节项和残差项，对所述残差项进行频域分解，得到模态特征；基于所述趋势项和季节项进行特征筛选，得到目标特征数据；应用所述目标特征数据、模态特征和预设的功率预测模型，确定所述目标新能源的功率预测结果，所述预设的功率预测模型是基于批量历史原始时间序列及其各自对应的实际功率对双向长短期记忆网络模型预先训练得到的，能够在保证风光的功率预测的效率的基础上，提高风光的功率预测的可靠性，进而可以提高电力系统的稳定性和经济性，可以提供有效处理复杂时序数据的预测模型，还能够有效减少备用容量和调峰需求，实现高效且精准地风光功率预测，对于电力系统的优化运行具有重要意义。