一种基于典型弃光场景的弃光电量预测方法及装置与流程
本发明涉及光伏发电技术领域，更具体地说，涉及一种基于典型弃光场景的弃光电量预测方法、装置、设备及计算机可读存储介质。
背景技术：
近年来，随着光伏发电装机容量的不断增加，局部地区出现了大规模的弃光问题。弃光问题不仅会造成清洁能源的浪费，使发电企业经济效益下降，而且还会给电力调度运行带来很大的困扰。因此，对弃光问题的分析，尤其是弃光电量的预测与分析具有重要的意义。
目前，常用的弃光电量计算方法包括标杆电站法和辐照度还原法等。其中，标杆电站法是选取光伏电站附近不限电的标杆光伏电站的实际发电量推算出该光伏电站的发电能力，并根据推算出的该光伏电站的发电能力计算发电受限的非标杆光伏电站的弃光电量，但是，该方法只能计算过往时间的弃光电量而无法预测未来的弃光电量。辐照度还原法是通过还原辐照度以预测光伏发电站的理论出力，并根据理论出力预测光伏电站的弃光电量，但由于预测模型存在一定的偏差，且由于光伏电站的出力不仅与辐照度有关，还与温度、湿度等其他气象因素有关，以上这些均会对所预测出的理论出力产生影响，进而造成预测不准确。
综上所述，如何提高对光伏电站弃光电量预测的准确性是目前本领域技术人员亟待解决的技术问题。
技术实现要素：
有鉴于此，本发明的目的是提供一种基于典型弃光场景的弃光电量预测方法、装置、设备及计算机可读存储介质，以提高对光伏电站弃光电量预测的准确性。
为了实现上述目的，本发明提供如下技术方案：
一种基于典型弃光场景的弃光电量预测方法，包括：
获取光伏电站在预测时间段内选定时刻的气象因素的预测数据，并从预先计算出的每个所述选定时刻的所述气象因素的偏差百分数区间内取值，将所述取值作为采样样本；其中，所述偏差百分数区间为根据预设时间段内的每个子时间段的选定时刻的气象因素的实际数据和预测数据计算出偏差百分数，并对所述预设时间段内的每个所述选定时刻的所述偏差百分数的最大值及最小值所形成的区间进行划分得到的；
根据所述采样样本及所述预测时间段内的所述气象因素的预测数据，确定每个所述采样样本所属的弃光场景；其中，所述弃光场景为预先根据每个所述子时间段的所述气象因素的实际数据，利用聚类算法对所述预设时间段内的子时间段进行聚类得到的；
根据预先计算出的每个所述弃光场景的弃光电量，计算所述光伏电站在所述预测时间段内的弃光电量；其中，所述弃光场景的弃光电量为根据获取到的每个所述弃光场景内的每个所述子时间段对应的所述光伏电站的实际出力计算出的。
优选的，根据每个所述子时间段的所述气象因素的实际数据，利用聚类算法对所述预设时间段内的子时间段进行聚类得到所述弃光场景，包括：
分别将每个所述子时间段内的每个所述选定时刻的irel,i(t)＝[irel,i(1)...irel,i(m)]与trel,i(t)＝[trel,i(1)...trel,i(m)]作为输入样本，其中，i表示光辐照强度，t表示温度，rel表示实际数据，i表示第i天，i＝1,2...n，t表示每天的t时刻，t＝1,2...m；
利用所述聚类算法将具有相似irel,i(t)和相似trel,i(t)的子时间段归纳为一个类别，并分别将每个类别作为一弃光场景cj，其中，所述弃光场景cj中所包含的样本总数为zj，j表示所述弃光场景的编号，j＝1,2...h。
优选的，所述聚类算法具体为k-means聚类算法。
优选的，根据获取到的每个所述弃光场景内的每个所述子时间段对应的所述光伏电站的实际出力计算所述弃光场景的弃光电量，包括：
利用标杆电站法计算所述弃光场景cj中样本ul对应的所述光伏电站的发电能力pcap＝[pcap,l(t)]＝[pcap,l(1)...pcap(m)]，并根据获取到的样本ul对应的所述光伏电站的实际出力prel＝[prel,l(t)]＝[prel,l(1)...prel,l(m)]，计算所述光伏电站在所述弃光场景cj内的第l天的弃光功率pwest＝[pwest,l(t)]＝[pcap,l(1)-prel,l(1)...pcap,l(m)-prel,l(m)]，若pcap,l(t)＜prel,l(t)，则t时刻的弃光功率pwest,l(t)＝0，其中，l表示对所述弃光场景cj中的样本进行重新编号后的第l天，l＝1,2...zj，cap表示计算出的发电能力，west表示弃光数据；
根据弃光功率pwest,l(t)计算第l天的弃光电量为
计算样本ul在所述弃光场景cj内的频次
根据样本ul的弃光电量qwest,l及频次
优选的，对所述预设时间段内的每个所述选定时刻的所述偏差百分数的最大值及最小值所形成的区间进行划分得到所述偏差百分数区间，包括：
按照预设精度将每个所述选定时刻的光辐照强度的偏差百分数的最大值和最小值所形成的区间划分为k个偏差百分数区间，并将每个所述选定时刻的温度的偏差百分数的最大值和最小值所形成的区间划分为k′个偏差百分数区间。
优选的，从每个所述选定时刻的所述气象因素的偏差百分数区间内取值，并将所述取值作为采样样本，包括：
选取光辐照强度对应的每个偏差百分数区间中的中心值δk,io(t)、以及温度对应的每个偏差百分数区间中的中心值δk′,to(t)分别作为所述预测时间段内所述选定时刻的光辐照强度的实际数据与预测数据的偏差百分数、以及温度的实际数据与预测数据的偏差百分数；
利用蒙特卡洛抽样算法从所述预测时间段内所述选定时刻的光辐照强度的偏差百分数以及温度的偏差百分数所形成的
优选的，根据预先计算出的每个所述弃光场景的弃光电量，计算所述光伏电站在所述预测时间段内的弃光电量，包括：
确定所述采样样本在所述弃光场景内的分布频次
通过计算出的每个所述采样样本所属的所述弃光场景的弃光电量
一种基于典型弃光场景的弃光电量预测装置，包括：
获取模块，用于：获取光伏电站在预测时间段内选定时刻的气象因素的预测数据，并从预先计算出的每个所述选定时刻的所述气象因素的偏差百分数区间内取值，将所述取值作为采样样本，其中，所述偏差百分数区间为根据预设时间段内的每个子时间段的选定时刻的气象因素的实际数据和预测数据计算出偏差百分数，并对所述预设时间段内的每个所述选定时刻的所述偏差百分数的最大值及最小值所形成的区间进行划分得到的；
确定模块，用于：根据所述采样样本及所述预测时间段内的所述气象因素的预测数据，确定每个所述采样样本所属的弃光场景，其中，所述弃光场景为预先根据每个所述子时间段的所述气象因素的实际数据，利用聚类算法对所述预设时间段内的子时间段进行聚类得到的；
计算模块，用于：根据预先计算出的每个所述弃光场景的弃光电量，计算所述光伏电站在所述预测时间段内的弃光电量，其中，所述弃光场景的弃光电量为根据获取到的每个所述弃光场景内的每个所述子时间段对应的所述光伏电站的实际出力计算出的。
一种基于典型弃光场景的弃光电量预测设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如上述任一项所述的基于典型弃光场景的弃光电量预测方法的步骤。
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如上述任一项所述的基于典型弃光场景的弃光电量预测方法的步骤。
本发明提供了一种基于典型弃光场景的弃光电量预测方法、装置、设备及计算机可读存储介质，其中该方法包括：获取光伏电站在预测时间段内选定时刻的气象因素的预测数据，并从预先计算出的每个选定时刻的气象因素的偏差百分数区间内取值，将取值作为采样样本；其中，偏差百分数区间为根据预设时间段内的每个子时间段的选定时刻的气象因素的实际数据和预测数据计算出偏差百分数，并对预设时间段内的每个选定时刻的偏差百分数的最大值及最小值所形成的区间进行划分得到的；根据采样样本及预测时间段内的气象因素的预测数据，确定每个采样样本所属的弃光场景；其中，弃光场景为预先根据每个子时间段的气象因素的实际数据，利用聚类算法对预设时间段内的子时间段进行聚类得到的；根据预先计算出的每个弃光场景的弃光电量，计算光伏电站在预测时间段内的弃光电量；其中，弃光场景的弃光电量为根据获取到的每个弃光场景内的每个子时间段对应的光伏电站的实际出力计算出的。
本申请公开的上述技术方案，预先根据每个子时间段的选定时刻的气象因素的实际数据，利用聚类算法将预设时间段内的子时间段划分为不同的弃光场景，也即根据气象因素的差异划分弃光场景，在需要对光伏电站在预测时间段内的弃光电量进行预测时，则获取预测时间段内选定时刻的气象因素的预测数据，考虑到实际数据与预测数据之间存在一定的偏差且在划分弃光场景时是根据气象因素的实际数据进行划分的，因此，则可以从预先划分出的气象因素在预设时间段内的每个选定时刻的偏差百分数区间内进行取值，以获取预测时间段内选定时刻的气象因素的实际数据与预测数据之间的偏差的可能取值，将所取值作为采样样本，并利用采样样本和预测时间段内选定时刻的气象因素的预测数据确定每个采样样本所属的弃光场景，然后，根据预先计算出的弃光场景的弃光电量计算光伏电站在预测时间段的弃光电量，以提高弃光电量预测的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种基于典型弃光场景的弃光电量预测方法的流程图；
图2为本发明实施例提供的一种基于典型弃光场景的弃光电量预测装置的结构示意图；
图3为本发明实施例提供的一种基于典型弃光场景的弃光电量预测设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参见图1，其示出了本发明实施例提供的一种基于典型弃光场景的弃光电量预测方法的流程图，可以包括：
s11：获取光伏电站在预测时间段内选定时刻的气象因素的预测数据，并从预先计算出的每个选定时刻的气象因素的偏差百分数区间内取值，将取值作为采样样本；其中，偏差百分数区间为根据预设时间段内的每个子时间段的选定时刻的气象因素的实际数据和预测数据计算出偏差百分数，并对预设时间段内的每个选定时刻的偏差百分数的最大值及最小值所形成的区间进行划分得到的。
考虑到光伏电站的发电量与气象因素有关且在划分弃光场景时是根据气象因素的差异进行划分的，则在对光伏电站在未来一段时间的弃光电量进行预测时，需要获取光伏电站在预测时间段内选定时刻的气象因素的预测数据。其中，这里所提及的预测时间段即为未来的某个时间段，其具体可以为一天或者一周等，选定时刻可以为每天的等时间间隔的选定时刻等，例如选定时刻可以为0点、1点……直至24点，并且这里所提及的气象因素包括但不限于光辐照强度、温度、风速、风向、湿度。
考虑到在预先划分弃光场景时是根据气象因素的实际数据进行划分的，并且考虑到预测时间段内选定时刻的气象因素的实际数据与预测数据之间存在一定的偏差，为了根据预测时间段内选定时刻的气象因素的预测数据估算气象因素实际数据的可能取值，以提高后续预测弃光电量的准确性，则可以从预先计算出的每个选定时刻的气象因素的偏差百分数区间内取值，利用偏差百分数的取值作为采样样本，并作为预测时间段内选定时刻的气象因素的实际数据与预测数据之间的偏差。
其中，偏差百分数区间的获取过程具体可以为：预先从电力调度运行与管理系统(如ems(energymanagementsystem，能量管理系统))中获取光伏电站在预设时间段内的每个子时间段的选定时刻的气象因素的实际数据和预测数据，根据实际数据和预测数据计算每个选定时刻的气象因素的偏差百分数，从中获取预设时间段内每个选定时刻的偏差百分数的最大值和最小值，利用预设时间段内每个选定时刻的偏差百分数的最大值形成最大预测误差包络线，并利用最小值形成最小预测误差包络线，而预测时间段内选定时刻的气象因素的实际数据与预测数据之间的偏差则可以认为是在对应的最大预测误差包络线与最小预测误差包络线内进行波动，也即其可以为偏差百分数的最大值与最小值之间的任意值，由于这其中包含许多数值，为了选取方便，则可以将预设时间段内每个选定时刻的偏差百分数的最大值和最小值所形成的区间划分为多个偏差百分数区间，以便于从所划分出的偏差百分数区间内选取采样样本。
需要说明的是，预设时间段具体为过往某个时间段，其可以为一年、数个月或者数天等，子时间段即为对预设时间段进行划分得到的时间段，常以天为子时间段，当然，也可以以其他单位作为子时间段。
s12：根据采样样本及预测时间段内的气象因素的预测数据，确定每个采样样本所属的弃光场景；其中，弃光场景为预先根据每个子时间段的气象因素的实际数据，利用聚类算法对预设时间段内的子时间段进行聚类得到的。
在从预先计算出的偏差百分数区间内选取采样样本之后，则可以根据采样样本以及预测时间段内选定时刻的气象因素的预测数据确定每个采样样本所属的弃光场景。
具体地，在选取采样样本之后，则可以通过每个采样样本以及预测时间段内选定时刻的气象因素的预测数据估算每个选定时刻的气象因素的实际数据，通过所估算出的预测时间段内选定时刻的气象因素的实际数据确定每个采样样本对应所属的弃光场景。
其中，弃光场景为将每个子时间段的每个选定时刻的气象因素的实际数据作为输入样本，利用聚类算法对预设时间段内的子时间段进行聚类得到的。也就是说，通过聚类算法将气象因素相似的子时间段归纳为一弃光场景，以便于通过所得到的弃光场景准确预测光伏电站的弃光电量。
s13：根据预先计算出的每个弃光场景的弃光电量，计算光伏电站在预测时间段内的弃光电量；其中，弃光场景的弃光电量为根据获取到的每个弃光场景内的每个子时间段对应的光伏电站的实际出力计算出的。
在确定每个采样样本所属的弃光场景之后，则可以根据预先计算出的每个弃光场景的弃光电量计算光伏电站在预测时间段内的弃光电量。弃光场景的弃光电量具体是根据获取到的弃光场景内的每个子时间段对应的光伏电站的实际出力计算得到的，其中，这里所提及的光伏电站的实际出力即为光伏电站的实际发电功率。
这种计算方式可以更加准确地预测光伏电站在未来一段时间的弃光电量，可以用于优化电网运行方式的计算与分析，提高电力系统各类设备的利用率，提高全社会的经济效益和社会效益。通过上述方案可以实现电力调度运行中弃光电量的计算与分析过程的自动化与准确性，将极大地提高电力调度人员的工作效率和效能，同时可以提高清洁能源、储能电站的协调调度运行等工作的准确性与经济性，从而促进清洁能源的科学消纳，保证清洁能源利用及电力系统的安全、稳定、经济运行。
本申请公开的上述技术方案，预先根据每个子时间段的选定时刻的气象因素的实际数据，利用聚类算法将预设时间段内的子时间段划分为不同的弃光场景，也即根据气象因素的差异划分弃光场景，在需要对光伏电站在预测时间段内的弃光电量进行预测时，则获取预测时间段内选定时刻的气象因素的预测数据，考虑到实际数据与预测数据之间存在一定的偏差且在划分弃光场景时是根据气象因素的实际数据进行划分的，因此，则可以从预先划分出的气象因素在预设时间段内的每个选定时刻的偏差百分数区间内进行取值，以获取预测时间段内选定时刻的气象因素的实际数据与预测数据之间的偏差的可能取值，将所取值作为采样样本，并利用采样样本和预测时间段内选定时刻的气象因素的预测数据确定每个采样样本所属的弃光场景，然后，根据预先计算出的弃光场景的弃光电量计算光伏电站在预测时间段的弃光电量，以提高弃光电量预测的准确性。
本发明实施例提供的一种基于典型弃光场景的弃光电量预测方法，根据每个子时间段的气象因素的实际数据，利用聚类算法对预设时间段内的子时间段进行聚类得到弃光场景，可以包括：
分别将每个子时间段内的每个选定时刻的irel,i(t)＝[irel,i(1)...irel,i(m)]与trel,i(t)＝[trel,i(1)...trel,i(m)]作为输入样本，其中，i表示光辐照强度，t表示温度，rel表示实际数据，i表示第i天，i＝1,2...n，t表示每天的t时刻，t＝1,2...m；
利用聚类算法将具有相似irel,i(t)和相似irel,i(t)的子时间段归纳为一个类别，并分别将每个类别作为一弃光场景cj，其中，弃光场景cj中所包含的样本总数为zj，j表示弃光场景的编号，j＝1,2...h。
在划分弃光场景时，将每个子时间段内的每个选定时刻的irel,i(t)＝[irel,i(1)...irel,i(m)]与trel,i(t)＝[trel,i(1)...trel,i(m)]作为输入样本，其中，i表示光辐照强度，t表示温度，rel表示实际数据，i表示第i天，i＝1,2...n，t表示每天的t时刻，t＝1,2...m。
也就是说，这里以预设时间段为连续n天，子时间段为连续n天中的每天，选定时刻为每天的m个等时间间隔，气象因素为光辐照强度、温度，且预测时间段以未来的某一天为例进行说明，至于对其他情况的处理则可以参照对上述具体情况的处理。
在将光伏电站连续n天的气象因素的实际数据作为样本输入之后，也即将每天的光辐照强度的实际数据irel,i(t)和温度的实际数据irel,i(t)作为一个样本输入之后，则可以利用聚类算法将气象因素的实际数据相似的子时间段(即天)归纳为一个类别，也即将具有相似irel,i(t)和相似irel,i(t)的样本划分为一个类别，假设共划分出h个类别，分别将每个类别作为一个典型的弃光场景cj，j＝1,2...h，也即共得到h个典型的弃光场景。利用气象因素的实际数据作为划分弃光场景的依据具有较高的可信度、较好的可靠性，因此，可以提高后续利用弃光场景预测光伏电站弃光电量的准确性。
本发明实施例提供的一种基于典型弃光场景的弃光电量预测方法，聚类算法具体可以为k-means聚类算法。
上述所提及的聚类算法具体可以为k-means聚类算法，利用该算法进行划分聚类时，同一类别中的样本的相似度比较高，而不同类别中的样本的相似度比较小，因此，则可以更加准确地将预设时间段内的子时间段划分为不同的典型的弃光场景，从而便于根据不同的弃光场景计算光伏电站在未来一段时间的弃光电量，以提高弃光电量预测的准确性。当然，还可以利用其他的聚类算法对预设时间段内的子时间段进行聚类，本发明对此不做任何限定。
本发明实施例提供的一种基于典型弃光场景的弃光电量预测方法，根据获取到的每个弃光场景内的每个子时间段对应的光伏电站的实际出力计算弃光场景的弃光电量，可以包括：
利用标杆电站法计算弃光场景cj中样本ul对应的光伏电站的发电能力pcap＝[pcap,l(t)]＝[pcap,l(1)...pcap(m)]，并根据获取到的样本ul对应的光伏电站的实际出力prel＝[prel,l(t)]＝[prel,l(1)...prel,l(m)]，计算光伏电站在弃光场景cj内的第l天的弃光功率pwest＝[pwest,l(t)]＝[pcap,l(1)-prel,l(1)...pcap,l(m)-prel,l(m)]，若pcap,l(t)＜prel,l(t)，则t时刻的弃光功率pwest,l(t)＝0，其中，l表示对弃光场景cj中的样本进行重新编号后的第l天，l＝1,2...zj，cap表示计算出的发电能力，west表示弃光数据；
根据弃光功率pwest,l(t)计算第l天的弃光电量为
计算样本ul在弃光场景cj内的频次
根据样本ul的弃光电量qwestl及频次
在划分出不同的弃光场景之后，假设弃光场景cj中有zj个样本，则可以对弃光场景cj中的各个样本重新编号，并记为l＝1,2...zj。
通过标杆电站法计算弃光场景cj中各个样本对应的光伏发电能力序列，并记为
需要说明的是，若pcap,l(t)＜prel,l(t)，则t时刻的弃光功率pwest,l(t)＝0，其中，cap表示计算出的发电能力，west表示弃光数据。
根据弃光功率pwest可以计算出光伏电站在弃光场景cj内的第l天的弃光电量为
由于弃光场景cj中所包含的各样本并不相同，则样本ul在弃光场景cj内频次为
根据弃光场景cj中样本ul对应的弃光电量qwest,l及频次
本发明实施例提供的一种基于典型弃光场景的弃光电量预测方法，对预设时间段内的每个选定时刻的偏差百分数的最大值及最小值所形成的区间进行划分得到偏差百分数区间，可以包括：
按照预设精度将每个选定时刻的光辐照强度的偏差百分数的最大值和最小值所形成的区间划分为k个偏差百分数区间，并将每个选定时刻的温度的偏差百分数的最大值和最小值所形成的区间划分为k′个偏差百分数区间。
在获取到的光伏电站在连续n天、每天m个等时间间隔对应的光辐照强度的实际数据
在计算出光辐照强度及温度在每个选定时刻的偏差百分数之后，分别从每个选定时刻中获取光辐照强度的偏差百分数的最大值δi,max(t)＝max{δi,1(t)...δi,n(t)}、温度的偏差百分数的最大值δt,max(t)＝max{δt,1(t)...δt,n(t)}，并获取光辐照强度的偏差百分数的最小值δi,min(t)＝min{δi,1(t)...δi,n(t)}、温度的偏差百分数的最小值δt,min(t)＝min{δt,1(t)...δt,n(t)}。
由于所获取到的每个选定时刻的光辐照强度的偏差百分数的最大值和最小值所形成的区间、以及每个选定时刻的温度的偏差百分数的最大值和最小值所形成的区间均包含很多数值，为了后续取值的方便，则将每个选定时刻的光辐照强度的偏差百分数的最大值和最小值所形成的区间划分为k个偏差百分数区间，并将每个选定时刻的温度的偏差百分数的最大值和最小值所形成的区间划分为k′个偏差百分数区间。
本发明实施例提供的一种基于典型弃光场景的弃光电量预测方法，从每个选定时刻的气象因素的偏差百分数区间内取值，并将取值作为采样样本，可以包括：
选取光辐照强度对应的每个偏差百分数区间中的中心值δk,io(t)、以及温度对应的每个偏差百分数区间中的中心值δk′,to(t)分别作为预测时间段内选定时刻的光辐照强度的实际数据与预测数据的偏差百分数、以及温度的实际数据与预测数据的偏差百分数；
利用蒙特卡洛抽样算法从预测时间段内选定时刻的光辐照强度的偏差百分数以及温度的偏差百分数所形成的
在对应每个选定时刻得到k个光辐照强度的偏差百分数区间、以及k′个温度的偏差百分数区间之后，为了取值的方便，以及为了便于估算预测时间段内选定时刻的光辐照强度的实际数据和温度的实际数据，则可以分别利用每个偏差百分数区间中的中心值作为对应区间的取值，相应地，每个选定时刻的光辐照强度所对应的偏差百分数序列即为
对于每个选定时刻，在将光辐照强度的偏差百分数划分为k个偏差百分数区间之后，则对应的光辐照强度在每个选定时刻的偏差百分数有k种取值，类似的，则温度在每个选定时刻的偏差百分数有k′种取值。因此，每天所对应的光辐照强度的偏差百分数可以有km个取值、温度的偏差百分数有k′m个取值，将光辐照强度的偏差百分数与温度的偏差百分数任意组合，则可以得到
本发明实施例提供的一种基于典型弃光场景的弃光电量预测方法，根据预先计算出的每个弃光场景的弃光电量，计算光伏电站在预测时间段内的弃光电量，可以包括：
确定采样样本在弃光场景内的分布频次
通过计算出的每个采样样本所属的弃光场景的弃光电量
在确定每个采样样本所属的弃光场景之后，计算采样样本在弃光场景内的分布频次
例如，所选取的采样样本有m个，其中，有m1个对应属于弃光场景c1，有m2个对应属于弃光场景c2，且m1+m2＝m，则可以计算出采样样本在弃光场景c1中的分布频次
本发明实施例还提供了一种基于典型弃光场景的弃光电量预测装置，请参见图2，其示出了本发明实施例提供的一种基于典型弃光场景的弃光电量预测装置的结构示意图，可以包括：
获取模块11，用于：获取光伏电站在预测时间段内选定时刻的气象因素的预测数据，并从预先计算出的每个选定时刻的气象因素的偏差百分数区间内取值，将取值作为采样样本，其中，偏差百分数区间为根据预设时间段内的每个子时间段的选定时刻的气象因素的实际数据和预测数据计算出偏差百分数，并对预设时间段内的每个选定时刻的偏差百分数的最大值及最小值所形成的区间进行划分得到的；
确定模块12，用于：根据采样样本及预测时间段内的气象因素的预测数据，确定每个采样样本所属的弃光场景，其中，弃光场景为预先根据每个子时间段的气象因素的实际数据，利用聚类算法对预设时间段内的子时间段进行聚类得到的；
计算模块13，用于：根据预先计算出的每个弃光场景的弃光电量，计算光伏电站在预测时间段内的弃光电量，其中，弃光场景的弃光电量为根据获取到的每个弃光场景内的每个子时间段对应的光伏电站的实际出力计算出的。
本发明实施例还提供了一种基于典型弃光场景的弃光电量预测设备，请参见图3，其示出了本发明实施例提供的一种基于典型弃光场景的弃光电量预测设备的结构示意图，可以包括：
存储器21，用于存储计算机程序；
处理器22，用于执行计算机程序时实现上述任一种基于典型弃光场景的弃光电量预测方法的步骤。
本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上述任一种基于典型弃光电场的弃光电量预测方法的步骤。
本发明实施例提供的一种基于典型弃光场景的弃光电量预测装置、设备及计算机可读存储介质中相关部分的说明请参见本发明实施例提供的一种基于典型弃光场景的弃光电量预测方法中对应部分的详细说明，在此不再赘述。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。另外，本发明实施例提供的上述技术方案中与现有技术中对应技术方案实现原理一致的部分并未详细说明，以免过多赘述。
对所公开的实施例的上述说明，使本领域技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
- 还没有人留言评论。精彩留言会获得点赞！