【技术实现步骤摘要】
风光资源未来预测误差求解方法、装置、设备及存储介质
[0001]本专利技术涉及新能源发电
，尤其是涉及风光资源未来预测误差求解方法、装置、设备及存储介质。
技术介绍
[0002]新能源的预测误差对电网运行具有重要影响，而作为新能源的风电资源和光伏资源，合称为风光资源，其自身所具备的随机性和波动性增加了对风光资源未来预测误差进行求解的难度。现有技术中对风光资源的未来预测误差进行求解的方法通常没有考虑风光资源在时段上存在的分布差异，以及风电装机数和光伏装机数对风光资源预测误差的影响，从而导致预测误差的准确性较差，难以为电网调度提供参考。
技术实现思路
[0003]本专利技术提供了风光资源未来预测误差求解方法、装置、设备及存储介质，以解决现有技术对风光资源的未来预测误差进行求解的准确性较差的问题，在对风光资源未来预测误差进行拟合求解时充分考虑了风光资源的季节性差异与昼夜差异，以及风电装机数和光伏装机数对风光资源预测误差的影响，从而获得准确的未来预测误差值，以使能够根据该未来预测误差值为电网调度提供参考。
【技术保护点】
【技术特征摘要】
1.一种风光资源未来预测误差求解方法，其特征在于，包括：基于预先获取的风光预测误差回归模型，根据预先获取的历史风光出力数据，分别获得预设历史时段中每一个季节的昼、夜时段的历史风电装机占比、历史光伏装机占比和历史风光预测误差标幺值的绝对平均值；基于所述风光预测误差回归模型，分别根据所述预设历史时段中每一个季节的昼、夜时段的历史风电装机占比、历史光伏装机占比和历史风光预测误差标幺值的绝对平均值进行参数回归拟合，获得每一个季节的昼、夜时段的风电装机影响因子和光伏装机影响因子；基于所述风光预测误差回归模型，根据预设的未来风光出力数据、所述风电装机影响因子和所述光伏装机影响因子，获得预设未来时段中每一个季节的昼、夜时段的未来预测误差值；其中，所述历史风光出力数据包括所述预设历史时段的历史风电总装机数、历史光伏总装机数、历史风电出力预测误差和历史光伏出力预测误差；所述未来风光出力数据包括所述预设未来时段的未来风电总装机数和未来光伏总装机数。2.如权利要求1所述的风光资源未来预测误差求解方法，其特征在于，所述方法具体通过如下步骤预先获取所述风光预测误差回归模型：根据如下表达式构建所述风光预测误差回归模型：其中，C
w
为风电总装机数，C
p
为光伏总装机数，X为风电装机占比，Y为光伏装机占比，P
wei
为i时段风电出力预测误差，P
pei
为i时段光伏出力预测误差，N为时段总数，Z为各时段风光预测误差标幺值的绝对平均值，a为风电装机影响因子，b为光伏装机影响因子，c为常数项。3.如权利要求2所述的风光资源未来预测误差求解方法，其特征在于，所述基于预先获取的风光预测误差回归模型，根据预先获取的历史风光出力数据，分别获得预设历史时段中每一个季节的昼、夜时段的历史风电装机占比、历史光伏装机占比和历史风光预测误差标幺值的绝对平均值，具体包括：基于预先获取的风光预测误差回归模型，根据预先获取的历史风光出力数据，获得预设历史时段中每一个季节的昼时段的第一历史风电装机占比、第一历史光伏装机占比和第一历史风光预测误差标幺值的绝对平均值；基于所述风光预测误差回归模型，根据所述预设历史时段的历史风电总装机数和历史
风电出力预测误差，获得预设历史时段中每一个季节的夜时段的第二历史风电装机占比、第二历史光伏装机占比和第二历史风光预测误差标幺值的绝对平均值，其中，所述第二历史光伏装机占比为零。4.如权利要求3所述的风光资源未来预测误差求解方法，其特征在于，所述基于所述风光预测误差回归模型，根据预设的未来风光出力数据、所述风电装机影响因子和所述光伏装机影响因子，获得预设未来时段中每一个季节的昼、夜时段的未来预测误差值，具体包括：基于所述风光预测误差回归模型，根据预设的未来风光出力数据，分别获得所述预设未来时段中每一个季节的昼、夜时段的未来风电装机占比和未来光伏装机占比；基于所述风光预测误差回归模型，根据所述未来风电装机占比、未来光伏装机占比、所述风电装机影响因子和所述光伏装机影响因子，获得预设未来时段中每一个季节的昼、夜时段的未来预测误差值。5.一种风光资源未来预测误差求解装置，其特征在于，包括：数据获取模块，用于基于预先获取的风光预测误差回归模型，根据预先获取的历史风光出力数据，分别获得预设历史时段中每一个季节的昼、夜时段的历史风电装机占比、历史光伏装机占比和历史风光预测误差标幺值的绝对平均值；参数...
【专利技术属性】
技术研发人员：袁泉，张蔷，邹金，卓映君，王子强，卢斯煜，王巍，李豹，周毓敏，姚海成，周鑫，卢伟辉，
申请(专利权)人：南方电网科学研究院有限责任公司，
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。