【技术实现步骤摘要】
本专利技术涉及光伏发电功率预测，尤其涉及一种基于时间序列神经分层插值模型的光伏功率超短期多步预测方法、装置及介质。
技术介绍
1、光伏发电作为一种清洁、可再生的能源形式，受到了广泛的关注和应用。随着全球能源结构转型的推进和可再生能源的快速发展，如何精确预测光伏出力成为了提高能源利用效率和电网稳定性的关键挑战。然而，由于光伏发电的高度不确定性和外部环境因素的复杂性，预测的准确性和可靠性仍亟待提高。目前，光伏功率超短期多步预测方法已经有许多相关研究与项目实践。
2、如cn116070769a公开了超短期风电场功率多步区间预测模块化方法及其设备，包括如下步骤：获取风电场地理位置信息，并以一定采样间隔完成对风电场历史运行数据的采集与存储；基于风电场地理信息和历史运行数据，综合地实现风电场特征风机选择，并在此基础上获得风电场多元特征风况；基于风电场特征风况选择结果，通过不同的时间有限差分直接时间序列建模策略，实现特征风电机组风况的超短期多步预测，建立多步区间预测模型；定义有限差分运行域，并实现有限差分运算空间的凸划分；实现全局时间有限差分-机器学习风电场集总发电特性建模；基于所建立的特征风况预测模型和风电场集总发电特性模型，基于滚动预测机制，实现风电场超短期多步区间预测。
3、现有的光伏功率预测方法主要可分为三类：基于统计的方法、基于传统机器学习的方法和基于深度学习的方法。大部分统计模型主要针对单变量时间序列分析，尽管可以通过某些改进来处理多变量时间序列的预测问题，但通常仍难以取得准确的预测结果。机器学习模型适用于
4、然而，当前的光伏功率预测方法在处理光伏功率数据的不足方面还存在一些挑战。一方面，现有的方法往往忽视了光伏电站输出功率与外生变量之间的复杂关系，导致预测结果精度不高；另一方面，部分方法在处理数据缺失值时缺乏有效的处理策略，影响了预测模型的稳定性和可靠性。
技术实现思路
1、本专利技术实施例的目的是提供一种基于时间序列神经分层插值模型的光伏功率超短期多步预测方法、装置及介质，以解决现有光伏功率超短期多步预测方法对光伏数据处理关注不足的问题，以及光伏功率预测精度不高的问题。
2、根据本申请实施例的第一方面，提供一种基于时间序列神经分层插值模型的光伏功率超短期多步预测方法，该方法用于实现对光伏电站超短期内多个时间步长的功率预测，该方法包括：
3、通过计算相关系数对与光伏电站功率输出相关的外生变量进行分析，仅将高度相关的变量纳入预测模型；
4、采用基于k近邻算法和线性插值的数据处理策略，对光伏电站缺失数据进行重构；
5、构建基于多尺度信号采样和分层插值方法的时间序列神经分层插值模型，确定模型整体结构和评估指标；
6、采用所述时间序列神经分层插值模型对光伏功率进行预测，得到光伏功率超短期多步预测结果。
7、根据本申请实施例的第二方面，一种基于时间序列神经分层插值模型的光伏功率超短期多步预测装置，该装置用于实现对光伏电站超短期内多个时间步长的功率预测，该装置包括：
8、第一构建模块，用于计算光伏电站功率与相关外生变量输出间的相关系数并进行分析，仅将高度相关的变量纳入预测模型；
9、第二构建模块，用于处理光伏电站数据，通过k近邻算法和线性插值对光伏电站缺失数据进行重构；
10、第三构建模块，用于构建基于多尺度信号采样和分层插值方法的时间序列神经分层插值模型，确定模型整体结构和评估指标；
11、求解模块，用于将光伏电站的历史数据和相关气象特征数据经外生变量分析和数据质量控制方法后，对所述时间序列神经分层插值模型进行训练和验证，使用训练好的模型对光伏功率进行超短期多步预测。
12、根据本申请实施例的第三方面，提供一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的方法。
13、根据本申请实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机指令，其特征在于，该指令被处理器执行时实现如第一方面所述方法的步骤。
14、本专利技术至少包括以下有益效果：通过计算相关系数对与光伏电站功率输出相关的外生变量进行分析，仅将高度相关的变量纳入预测模型，有利于减少噪声和无关信息的影响，从而提高了预测的准确性和可靠性；本专利技术基于k近邻算法和线性插值的数据处理策略，对光伏电站缺失数据进行重构，从而提高数据完整性和连续性、降低预测误差，进而提升光伏功率预测模型的性能和应用效果；本专利技术构建基于多尺度信号采样和分层插值方法的时间序列神经分层插值模型，确定模型整体结构和评估指标，能够捕捉光伏功率数据中的多尺度特征和变化趋势，在保留原始信号特征的基础上对数据进行重构，有利于实现光伏功率超短期多步预测的精确性和鲁棒性的提升；本专利技术采用所述时间序列神经分层插值模型对光伏功率进行预测，得到光伏功率超短期多步预测结果，其有益效果在于，能够及时、准确地反映光伏发电系统的实时运行状态，为电力系统的调度和管理提供重要参考。本专利技术克服了现有光伏功率超短期多步预测方法对光伏数据处理关注不足的问题，以及光伏功率预测精度不高的问题。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性，并不能限制本申请。
本文档来自技高网...【技术保护点】
1.一种基于时间序列神经分层插值模型的光伏功率超短期多步预测方法，其特征在于，该方法用于实现对光伏电站超短期内多个时间步长的功率预测，该方法包括：
2.根据权利要求1所述的一种基于时间序列神经分层插值模型的光伏功率超短期多步预测方法，其特征在于，通过计算相关系数对与光伏电站功率输出相关的外生变量进行分析，仅将高度相关的变量纳入预测模型，具体包括：
3.根据权利要求1所述的一种基于时间序列神经分层插值模型的光伏功率超短期多步预测方法，其特征在于，采用基于K近邻算法和线性插值的数据处理策略，对光伏电站缺失数据进行重构，具体包括：
4.根据权利要求1所述的一种基于时间序列神经分层插值模型的光伏功率超短期多步预测方法，其特征在于，构建基于多尺度信号采样和分层插值方法的时间序列神经分层插值模型，确定模型整体结构和评估指标，具体包括：
5.根据权利要求1所述的一种基于时间序列神经分层插值模型的光伏功率超短期多步预测方法，其特征在于，采用所述时间序列神经分层插值模型对光伏功率进行预测，得到光伏功率超短期多步预测结果，具体包括：
6.根
7.根据权利要求1所述的一种基于时间序列神经分层插值模型的光伏功率超短期多步预测方法，其特征在于，构建基于多尺度信号采样和分层插值方法的时间序列神经分层插值模型，确定模型整体结构和评估指标，具体包括：
8.一种基于时间序列神经分层插值模型的光伏功率超短期多步预测装置，其特征在于，该装置用于实现对光伏电站超短期内多个时间步长的功率预测，该装置使用了权利要求1-7任一项所述的方法，该装置包括：
9.一种电子设备，其特征在于，包括：
10.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，该指令被处理器执行时实现如权利要求1-7中任一项所述方法的步骤。
...【技术特征摘要】
1.一种基于时间序列神经分层插值模型的光伏功率超短期多步预测方法，其特征在于，该方法用于实现对光伏电站超短期内多个时间步长的功率预测，该方法包括：
2.根据权利要求1所述的一种基于时间序列神经分层插值模型的光伏功率超短期多步预测方法，其特征在于，通过计算相关系数对与光伏电站功率输出相关的外生变量进行分析，仅将高度相关的变量纳入预测模型，具体包括：
3.根据权利要求1所述的一种基于时间序列神经分层插值模型的光伏功率超短期多步预测方法，其特征在于，采用基于k近邻算法和线性插值的数据处理策略，对光伏电站缺失数据进行重构，具体包括：
4.根据权利要求1所述的一种基于时间序列神经分层插值模型的光伏功率超短期多步预测方法，其特征在于，构建基于多尺度信号采样和分层插值方法的时间序列神经分层插值模型，确定模型整体结构和评估指标，具体包括：
5.根据权利要求1所述的一种基于时间序列神经分层插值模型的光伏功率超短期多步预测方法，其特征在于，采用所述时间序列神经...
【专利技术属性】
技术研发人员：罗皓文，刘佳佳，赖心怡，曾德俊，王泽亮，文福拴，
申请(专利权)人：国网湖北省电力有限公司荆门供电公司，
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。