【技术实现步骤摘要】
本专利技术涉及光伏功率预测，尤其涉及一种基于智能划分和神经网络的光伏发电功率区间预测方法及相关设备。
技术介绍
1、近年来，光伏发电发展迅猛，装机规模不断扩大，其不确定性为电力系统的安全稳定运行带来了严重的冲击，为电力系统的调度运行带来了更大的挑战。合理有效的光伏功率预测技术可以为电力系统的运行调度提供依据，在提高光伏发电利用率等方面否具有重要意义。
2、光伏功率预测技术可以分为点预测和区间预测两种。其中，区间预测目前已逐渐成为光伏功率预测的主流方法，是研究的热点。光伏出力具有不同的时空分布特性，季节模型往往难以反映出光伏出力的全部特性，难以满足预测需求。
3、因此，急需一种基于智能划分和神经网络的光伏发电功率区间预测方法来解决现有功率区间预测是针对单一模型或传统的天气，难以满足预测需求。
技术实现思路
1、本专利技术实施例提供一种基于智能划分和神经网络的光伏发电功率区间预测方法，旨在解决现有功率区间预测是针对单一模型或传统的天气，难以满足预测需求的问题。通过获取历史功率数据和历史气象数据，并确定辐照度偏离度指标，并根据辐照度偏离度指标对历史功率数据和历史气象数据按照月份进行聚类划分，得到不同聚类的数据集，通过不同聚类的数据集对待训练的联合预测模型进行训练，得到训练好的联合预测模型，通过训练好的联合预测模型，得到点预测结果，并利用点预测结果，从而得到光伏功率预测区间，解决了现有功率区间预测是针对单一模型或传统的天气，难以满足预测需求，本专利技术能够有效地提高
2、第一方面，本专利技术实施例提供一种基于智能划分和神经网络的光伏发电功率区间预测方法，所述方法包括：
3、获取历史功率数据和历史气象数据；
4、基于所述历史功率数据和所述历史气象数据，确定辐照度偏离度指标；
5、根据所述辐照度偏离度指标对所述历史功率数据和所述历史气象数据按照月份进行聚类划分，得到不同聚类的数据集，每个聚类天气类型对应一个聚类后的数据集；
6、通过所述不同聚类的数据集对待训练的联合预测模型进行训练，得到训练好的联合预测模型，每个训练好的联合预测模型对应一个聚类天气类型；
7、基于训练好的联合预测模型，得到点预测结果；
8、基于点预测结果，得到光伏功率预测区间。
9、可选的，所述基于所述历史功率数据和所述历史气象数据，确定辐照度偏离度指标的步骤包括：
10、对所述历史功率数据和所述历史气象数据进行数据预处理，得到处理后的历史光伏功率数据和处理后的历史气象数据；
11、根据所述处理后的历史功率数据和所述处理后的历史气象数据，确定辐照度偏离度指标。
12、可选的，所述根据所述所述处理后的历史功率数据和所述处理后的历史气象数据，确定辐照度偏离度指标的步骤包括：
13、根据公式：d＝itheo-iprac (1)
14、即可求出辐照度偏离度d；式中，itheo为理论辐照度，iprac为实际辐照度。
15、可选的，所述基于所述历史功率数据和所述历史气象数据，确定辐照度偏离度指标的步骤包括：
16、根据公式：
17、
18、
19、即可求出各个月份的平均辐照度偏离度dave、平均辐照度iave和平均出力pave；
20、式中，t为该月数据的总数，itheo,i为第i个理论辐照度值，iprac,i为第i个实际辐照度值，pprac,i为第i个实际功率。
21、可选的，所述基于点预测结果，得到光伏功率预测区间的步骤包括：
22、对所述点预测结果进行误差计算，得到点预测误差分布；
23、并用核密度估计拟合误差分布，得到光伏功率预测区间。
24、可选的，所述方法还包括：
25、构建动态时间窗；
26、通过所述动态时间窗对所述训练好的预测模型进行区间自适应，得到训练好的区间预测模型。
27、可选的，所述方法还包括：
28、通过训练好的区间预测模型对预设天数光伏功率进行区间预测，得到预设天数的功率预测区间。
29、第二方面，本专利技术实施例还提供了一种基于智能划分和神经网络的光伏发电功率区间预测的装置，所述基于智能划分和神经网络的光伏发电功率区间预测的装置包括：
30、获取模块，用于获取历史功率数据和历史气象数据；
31、确定模块，用于基于所述历史功率数据和所述历史气象数据，确定辐照度偏离度指标；
32、划分模块，用于根据所述辐照度偏离度指标对所述历史功率数据和所述历史气象数据按照月份进行聚类划分，得到不同聚类的数据集，每个聚类天气类型对应一个聚类后的数据集；
33、训练模块，用于通过所述不同聚类的数据集对待训练的联合预测模型进行训练，得到训练好的联合预测模型，每个训练好的联合预测模型对应一个聚类天气类型；
34、第一处理模块，用于基于训练好的联合预测模型，得到点预测结果；
35、第二处理模块，用于基于点预测结果，得到光伏功率预测区间。
36、第三方面，本专利技术实施例提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本专利技术实施例提供的基于智能划分和神经网络的光伏发电功率区间预测方法中的步骤。
37、第四方面，本专利技术实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现专利技术实施例提供的基于智能划分和神经网络的光伏发电功率区间预测方法中的步骤。
38、本专利技术实施例中，获取历史功率数据和历史气象数据；基于所述历史功率数据和所述历史气象数据，确定辐照度偏离度指标；并根据所述辐照度偏离度指标对所述历史功率数据和所述历史气象数据按照月份进行聚类划分，得到不同聚类的数据集，每个聚类天气类型对应一个聚类后的数据集；通过所述不同聚类的数据集对待训练的联合预测模型进行训练，得到训练好的联合预测模型，每个训练好的联合预测模型对应一个聚类天气类型；基于训练好的联合预测模型，得到点预测结果；基于点预测结果，得到光伏功率预测区间。通过获取历史功率数据和历史气象数据，并确定辐照度偏离度指标，并根据辐照度偏离度指标对历史功率数据和历史气象数据按照月份进行聚类划分，得到不同聚类的数据集，通过不同聚类的数据集对待训练的联合预测模型进行训练，得到训练好的联合预测模型，通过训练好的联合预测模型，得到点预测结果，并利用点预测结果，从而得到光伏功率预测区间，解决了现有功率区间预测是针对单一模型或传统的天气，难以满足预测需求，本专利技术能够有效地提高光伏功率区间预测精度，降低预测区间的宽度，更能反映出光伏出力的不确定性，对电力系统的本文档来自技高网...
【技术保护点】
1.一种基于智能划分和神经网络的光伏发电功率区间预测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述基于所述历史功率数据和所述历史气象数据，确定辐照度偏离度指标的步骤包括：
3.根据权利要求2所述的方法，其特征在于，所述根据所述所述处理后的历史功率数据和所述处理后的历史气象数据，确定辐照度偏离度指标的步骤包括：
4.根据权利要求2所述的方法，其特征在于，所述基于所述历史功率数据和所述历史气象数据，确定辐照度偏离度指标的步骤包括：
5.根据权利要求4所述的方法，其特征在于，所述基于点预测结果，得到光伏功率预测区间的步骤包括：
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
7.根据权利要求6所述的方法，其特征在于，所述方法还包括：
8.一种基于智能划分和神经网络的光伏发电功率区间预测装置，其特征在于，所述基于智能划分和神经网络的光伏发电功率区间预测装置包括：
9.一种电子设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的基于智能划分和神经网络的光伏发电功率区间预测方法中的步骤。
...【技术特征摘要】
1.一种基于智能划分和神经网络的光伏发电功率区间预测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述基于所述历史功率数据和所述历史气象数据，确定辐照度偏离度指标的步骤包括：
3.根据权利要求2所述的方法，其特征在于，所述根据所述所述处理后的历史功率数据和所述处理后的历史气象数据，确定辐照度偏离度指标的步骤包括：
4.根据权利要求2所述的方法，其特征在于，所述基于所述历史功率数据和所述历史气象数据，确定辐照度偏离度指标的步骤包括：
5.根据权利要求4所述的方法，其特征在于，所述基于点预测结果，得到光伏功率预测区间的步骤包括：
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：<...
【专利技术属性】
技术研发人员：朱红路，孙亚辉，张茜，李佳琦，潘炳蓉，连泳钧，
申请(专利权)人：华北电力大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。