一种不同时间尺度下光伏电量及功率预测方法与流程

本发明涉及光伏电量及功率预测，具体为一种不同时间尺度下光伏电量及功率预测方法。

背景技术：

1、日前有必要进行光伏次日发电量的预测，以制定次日火电机组的发电计划。在日内光伏发电功率是时刻变化的，有必要进行15分钟级别的光伏发电功率的预测，为分钟级别的电力平衡提供参考依据；当当前光伏预测的精度不足，预测不准时导致系统电力电量供应不足风险或弃光风险。

2、因此，如何从日前和日内两个时间尺度出发，分别进行光伏电量和功率的预测，提升预测精度，成为急需解决的关键问题，可为高比例新能源电力系统的调度运行提供参考依据。

技术实现思路

1、针对现有技术的不足，本发明提供了一种不同时间尺度下光伏电量及功率预测方法，其目的在于解决背景技术中所提到的问题。

2、为实现上述目的，本发明提供如下技术方案：一种不同时间尺度下光伏电量及功率预测方法，包括如下步骤：

3、步骤s1：采集光伏日发电量数据构建日前光伏电量数据集，采集光伏功率数据构建日内光伏功率数据集；

4、步骤s2：构建基于ctfnet神经网络的光伏电量预测模型并训练，通过训练后的光伏电量预测模型对光伏日发电量数据进行预测；

5、步骤s3：构建基于核密度估计kde的误差修正模型对光伏电量预测模型的预测值进行误差修正；

6、步骤s4：基于移动平均法，对日内光伏功率数据集进行平滑处理，得到平滑处理后的日内光伏功率数据集；

7、步骤s5：构建光伏功率预测模型对平滑处理后的日内光伏功率数据集进行日内光伏功率预测。

8、进一步的，构建基于ctfnet神经网络的光伏电量预测模型的具体过程为：基于ctfnet神经网络构建光伏电量预测模型；设计光伏电量预测模型隐藏层的层数为两层，第一层隐藏层的神经元数量为8；第二层隐藏层的神经元数量为12，只取最后一个时间步的数据；选取激活函数为relu。

9、进一步的，步骤s1的具体过程为：

10、步骤s1.1：统计连续n天的光伏日发电量数据，构成光伏日发电量数据集，表示第n天的光伏日发电量数据；采用三次样条插值法，对光伏日发电量数据集进行扩展，得到日前光伏电量数据集，、、分别表示第n天的光伏日发电量数据经过三次样条插值法扩展生成的第一个扩展光伏日发电量数据、第二个扩展光伏日发电量数据和第三个扩展光伏日发电量数据；

11、步骤s1.2：统计连续m个点的光伏功率数据，数据采样间隔为15min，构成光伏功率数据集，表示第m个点的光伏功率数据，通过最大最小归一法，将光伏功率数据集中处于0-1之间的光伏功率数据取出构成日内光伏功率数据集，表示通过最大最小归一法取出的处于0-1之间的第m个点的光伏功率数据。

12、进一步的，对光伏电量预测模型进行训练的过程为：将日前光伏电量数据集按比例a%和1-a%划分为第一训练集和第一测试集；设定滑动窗口为x天；首先将光伏电量预测模型放在第一训练集上进行训练，其次，将训练好的光伏电量预测模型放在第一测试集上统计预测误差，当预测误差的绝对平均百分比，则调整光伏电量预测模型隐藏层的神经元数量，直到。

13、进一步的，表示为：

14、；

15、式中，和分别为第一测试集中光伏日发电量数据的已知值和预测值；为第一测试集中的有效光伏日发电量数据。

16、进一步的，步骤s3的具体过程为：

17、步骤s3.1：基于核密度估计kde的误差修正模型，将光伏电量预测模型在第一训练集训练产生的误差值r作为误差修正模型的输入，对误差修正模型进行训练；将训练好的误差修正模型对第一测试集进行误差预测，得到第一测试集上的误差预测值s；

18、步骤s3.2：将光伏电量预测模型的光伏电量预测值epr与误差修正模型的误差预测值s相结合，调整误差修正权重k，得到误差修正后的预测值eprs。

19、进一步的，步骤s5的具体过程为：

20、步骤s5.1：基于门控循环单元神经网络，构建光伏功率预测模型；

21、步骤s5.2：将平滑处理后的日内光伏功率数据集按预设比例b%和1-b%划分为第二训练集和第二测试集；设定光伏功率预测模型输入输出窗口的范围，初始设定光伏功率预测模型输入输出窗口的长度，将光伏功率预测模型的预测值与实际值之差平方的平均值作为损失函数，在第二训练集上进行训练，在第二测试集上进行测试；光伏功率预测模型先通过大区间逐步进行预测，检测到误差连续增长时，再通过小区间步长进行预测，筛选出损失函数最小时的光伏功率预测模型并进行保存。

22、一种电子设备，包括处理器、存储器和总线，所述处理器和所述存储器通过所述总线相连，其中，所述存储器用于存储一组程序代码，所述处理器用于调用所述存储器中存储的程序代码，执行一种不同时间尺度下光伏电量及功率预测方法。

23、一种非易失性计算机存储介质，计算机存储介质存储有计算机可执行指令，该计算机可执行指令执行一种不同时间尺度下光伏电量及功率预测方法。

24、与现有的技术相比，本发明具备以下有益效果：本发明在日前和日内时间尺度下，对光伏的次日发电量以及次日每15min的发电功率曲线进行预测，可分别用于调度部门制定日前电量平衡计划以及日内光伏功率逐点调整计划，为系统电力电量平衡提供参考依据；且通过基于核密度估计kde的误差修正模型对基于ctfnet神经网络的光伏电量预测模型的预测值进行误差修正，可大大提高光伏电量预测模型预测值的准确率。

技术特征：

1.一种不同时间尺度下光伏电量及功率预测方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的一种不同时间尺度下光伏电量及功率预测方法，其特征在于：构建基于ctfnet神经网络的光伏电量预测模型的具体过程为：基于ctfnet神经网络构建光伏电量预测模型；设计光伏电量预测模型隐藏层的层数为两层，第一层隐藏层的神经元数量为8；第二层隐藏层的神经元数量为12，只取最后一个时间步的数据；选取激活函数为relu。

3.根据权利要求2所述的一种不同时间尺度下光伏电量及功率预测方法，其特征在于：步骤s1的具体过程为：

4.根据权利要求3所述的一种不同时间尺度下光伏电量及功率预测方法，其特征在于：对光伏电量预测模型进行训练的过程为：将日前光伏电量数据集按比例a%和1-a%划分为第一训练集和第一测试集；设定滑动窗口为x天；首先将光伏电量预测模型放在第一训练集上进行训练，其次，将训练好的光伏电量预测模型放在第一测试集上统计预测误差，当预测误差的绝对平均百分比，则调整光伏电量预测模型隐藏层的神经元数量，直到。

5.根据权利要求4所述的一种不同时间尺度下光伏电量及功率预测方法，其特征在于：表示为：

6.根据权利要求5所述的一种不同时间尺度下光伏电量及功率预测方法，其特征在于：步骤s3的具体过程为：

7.根据权利要求6所述的一种不同时间尺度下光伏电量及功率预测方法，其特征在于：步骤s5的具体过程为：

8.一种电子设备，其特征在于，包括处理器、存储器和总线，所述处理器和所述存储器通过所述总线相连，其中，所述存储器用于存储一组程序代码，所述处理器用于调用所述存储器中存储的程序代码，执行如权利要求1-7任意一项所述的一种不同时间尺度下光伏电量及功率预测方法。

9.一种非易失性计算机存储介质，计算机存储介质存储有计算机可执行指令，其特征在于，该计算机可执行指令执行权利要求1-7任意一项所述的一种不同时间尺度下光伏电量及功率预测方法。

技术总结本发明公开了一种不同时间尺度下光伏电量及功率预测方法，包括如下步骤：构建日前光伏电量数据集以及日内光伏功率数据集；构建基于CTFNet神经网络的光伏电量预测模型并训练，通过训练后的光伏电量预测模型对光伏日发电量数据进行预测；构建基于核密度估计KDE的误差修正模型对光伏电量预测模型的预测值进行误差修正；对日内光伏功率数据集进行平滑处理；构建光伏功率预测模型对平滑处理后的日内光伏功率数据集进行日内光伏功率预测；本发明通过基于核密度估计KDE的误差修正模型对基于CTFNet神经网络的光伏电量预测模型的预测值进行误差修正，可大大提高光伏电量预测模型预测值的准确率。技术研发人员：付熙玮,涂睿,傅裕斌,罗跃军,邹松,尹健,李亚龙受保护的技术使用者：国网江西省电力有限公司南昌供电分公司技术研发日：技术公布日：2025/1/13