基于双层人工神经网络的区域光伏功率预测方法及系统.pdf

《基于双层人工神经网络的区域光伏功率预测方法及系统.pdf》由会员分享，可在线阅读，更多相关《基于双层人工神经网络的区域光伏功率预测方法及系统.pdf（11页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 202010877791.1 (22)申请日 2020.08.27 (71)申请人 国网山东省电力公司聊城供电公司 地址 252003 山东省聊城市东昌府区东昌 东路179号 申请人 国家电网有限公司 (72)发明人 尹晓敏侯昆明朱辉杨秀菊 董丽丽徐卉吴萌杜亚楠 (74)专利代理机构 济南圣达知识产权代理有限 公司 37221 代理人 李圣梅 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06N 3/04(2006.01。

2、) (54)发明名称 基于双层人工神经网络的区域光伏功率预 测方法及系统 (57)摘要 本公开提出了基于双层人工神经网络的区 域光伏功率预测方法及系统， 包括： 利用第一层 人工神经网络对各个光伏电站的滚动出力预测； 结合各个光伏电站自身的滚动出力预测精度及 区域内各个光伏电站出力与区域总出力之间的 相关系数选择基准光伏电站； 利用基准光伏电站 历史出力数据对第二层人工神经网络进行训练； 对各基准光伏电站实时功率进行采集并输入至 双层人工神经网络模型， 实现区域光伏总出力的 滚动预测， 滚动预测包括对晴空工况下区域输出 功率的滚动预测及多云工况或线路故障时区域 输出功率的滚动预测。 本方法无需。

3、对待测区域内 全部光伏电站出力进行采集， 在降低了成本的同 时保证了较高的预测精度。 权利要求书2页 说明书7页 附图1页 CN 111950811 A 2020.11.17 CN 111950811 A 1.基于双层人工神经网络的区域光伏功率预测方法， 其特征是， 包括： 利用第一层人工神经网络实现各个光伏电站的滚动出力预测； 结合第一层人工神经网络的滚动出力预测精度及区域内各个光伏电站出力与区域总 出力之间的相关系数选择基准光伏电站； 利用第二层人工神经网络实现基于基准光伏电站出力的区域总出力预测， 第一层人工 神经网络及第二层人工神经网络构成双层人工神经网络模型； 对各基准光伏电站实时功。

4、率进行采集并输入至双层人工神经网络模型， 得到区域光伏 总出力的滚动预测结果， 滚动预测包括对晴空工况下区域输出功率的滚动预测及多云工况 或线路故障时区域输出功率的滚动预测。 2.如权利要求1所述的基于双层人工神经网络的区域光伏功率预测方法， 其特征是， 利 用第一层人工神经网络实现各个光伏电站的滚动出力预测， 具体包括： 对区域内各个光伏 电站的历史出力数据进行归一化处理， 基于处理后的各个光伏电站历史出力数据分别建立 多个训练集对第一层人工神经网络进行训练， 实现各个光伏电站自身出力的滚动出力预 测。 3.如权利要求1所述的基于双层人工神经网络的区域光伏功率预测方法， 其特征是， 对 各基。

5、准光伏电站实时功率进行采集并输入至双层人工神经网络模型， 具体为： 先输入至第 一层人工神经网络， 将第一层人工神经网络得到的各基准光伏电站的功率滚动预测的结果 输入至第二层人工神经网络中， 得到基于基准光伏电站出力数据的区域总出力滚动预测。 4.如权利要求3所述的基于双层人工神经网络的区域光伏功率预测方法， 其特征是， 将 第一层人工神经网络得到的各基准光伏电站的功率滚动预测的结果输入至第二层人工神 经网络中， 得到基于基准光伏电站出力数据的区域总出力滚动预测， 具体包括： 通过对比分析基准光伏电站与其相邻的光伏电站在多云工况下的功率滚动预测值， 对 第一层人工神经网络得到的各基准光伏电站的。

6、功率滚动预测的结果进行修正， 得到修正后 的各基准光伏电站在未发生扰动时的功率期望预测值并以此作为第二层人工神经网络的 输入参量进行区域总出力滚动预测。 5.如权利要求1所述的基于双层人工神经网络的区域光伏功率预测方法， 其特征是， 所 述区域内各个光伏电站出力与区域总出力之间的相关系数为皮尔逊相关系数， 所述皮尔逊 相关系数用于反映出各光伏电站出力与区域总出力之间的相关性。 6.如权利要求1所述的基于双层人工神经网络的区域光伏功率预测方法， 其特征是， 所 述滚动出力预测精度为各个光伏电站自身的功率预测值和实际功率值的平均相对误差。 7.一种基于双层人工神经网络的区域光伏功率预测系统， 其特。

7、征是： 离线学习模块， 被配置为： 利用第一层人工神经网络实现各个光伏电站的滚动出力预 测； 结合各个光伏电站自身的滚动出力预测精度及区域内各个光伏电站出力与区域总出力 之间的相关系数选择基准光伏电站； 利用第二层人工神经网络实现基于基准光伏电站出力 的区域总出力预测， 第一层人工神经网络及第二层人工神经网络构成双层人工神经网络模 型； 在线预测模块， 被配置为： 对各基准光伏电站实时功率进行采集并输入至双层人工神 经网络模型， 并通过对第二层人工神经网络输入参量的修正得到区域光伏总出力的滚动预 测结果， 滚动预测包括对晴空工况下区域输出功率的滚动预测及多云工况或线路故障时区 权利要求书 1/。

8、2 页 2 CN 111950811 A 2 域输出功率的滚动预测。 8.基于双层人工神经网络的区域光伏功率预测终端,包括存储器、 处理器及存储在存 储器上并可在处理器上运行的计算机程序， 其特征是， 所述处理器执行所述程序时实现权 利要求1-6任一所述的基于双层人工神经网络的区域光伏功率预测方法的步骤。 9.一种计算机可读存储介质， 其上存储有计算机程序， 该程序被处理器执行时执行权 利要求1-6任一所述的基于双层人工神经网络的区域光伏功率预测方法的步骤。 权利要求书 2/2 页 3 CN 111950811 A 3 基于双层人工神经网络的区域光伏功率预测方法及系统 技术领域 0001 本公。

9、开属于区域功率预测技术领域， 尤其涉及基于双层人工神经网络的区域光伏 功率预测方法及系统。 背景技术 0002 本部分的陈述仅仅是提供了与本公开相关的背景技术信息， 不必然构成在先技 术。 0003 由于光伏出力具有间歇性、 波动性和随机性的特点， 光伏发电系统的大规模并网 运行会严重影响电力系统的稳定与经济运行。 因此， 开展区域光伏功率预测技术对提高电 网稳定性和增强电网消纳光电能力具有重要意义。 现有专利和文献中提到的光伏发电功率 预测模型可分为三大类， 第一类为累加法， 即对区域内全部光伏电站进行出力预测， 然后将 预测结果累加求和最终得到区域预测结果。 然而此类方法对电站数据量需求极。

10、大， 且并非 全部光伏电站都具有精度较高的出力数据采集系统， 因此很难实现工程应用。 第二类为外 推法， 即首先对区域进行片区划分， 通过对不同片区进行出力预测， 进而累加全部片区的出 力预测结果得到区域出力预测结果。 第三类方法为统计升尺度法， 首先选取与区域出力相 关性较高的基准光伏电站， 并基于基准光伏电站的功率预测结果实现整个区域的出力预 测。 此类方法基于少量电站的出力数据对区域出力进行预测， 极大地减少了数据需求量。 0004 发明人在研究中发现， 基于统计生尺度法的区域出力预测精度取决于基准光伏电 站， 在选择基准光伏电站时， 不仅需要考虑相关系数， 同时应该引入基准光伏电站自身。

11、的功 率预测精度作为基准电站选取指标， 因此除了需要考虑基准光伏电站出力与区域出力之间 的相关性之外， 还需对基准电站自身的功率预测算法精度进行评估。 此外， 当基准光伏电站 受到外界因素扰动， 例如云团遮挡或电网故障时， 区域功率预测结果会产生严重偏差， 目前 已提出的区域功率预测方法缺乏对此问题的分析与解决方案。 0005 综上所述， 如何精准地选择基准光伏电站并且如何在基准光伏电站发生线路故障 或被云团遮挡时保证较高的区域功率预测精度成为制约区域功率预测精度的瓶颈。 发明内容 0006 为克服上述现有技术的不足， 本公开提供了基于双层人工神经网络的区域光伏功 率预测方法， 具有较高的普适。

12、性， 无需对所获取数据进行不同天气状况下的分类， 做出高精 度的功率预测。 0007 为实现上述目的， 本公开的一个或多个实施例提供了如下技术方案： 0008 一方面， 公开了基于双层人工神经网络的区域光伏功率预测方法， 包括： 0009 利用第一层人工神经网络实现各个光伏电站的滚动出力预测； 0010 结合第一层人工神经网络的滚动出力预测精度及区域内各个光伏电站出力与区 域总出力之间的相关系数选择基准光伏电站； 0011 利用第二层人工神经网络实现基于基准光伏电站出力的区域总出力预测， 第一层 说明书 1/7 页 4 CN 111950811 A 4 人工神经网络及第二层人工神经网络构成双层。

13、人工神经网络模型； 对各基准光伏电站实时 功率进行采集并输入至双层人工神经网络模型， 得到区域光伏总出力的滚动预测结果， 滚 动预测包括对晴空工况下区域输出功率的滚动预测及多云工况或线路故障时区域输出功 率的滚动预测。 0012 另一方面， 公开了基于双层人工神经网络的区域光伏功率预测系统， 包括： 0013 离线学习模块， 被配置为： 利用第一层人工神经网络对各个光伏电站的滚动出力 预测； 0014 结合各个光伏电站自身的滚动出力预测精度及区域内各个光伏电站出力与区域 总出力之间的相关系数选择基准光伏电站； 0015 利用基准光伏电站历史出力数据对第二层人工神经网络进行训练， 第一层人工神 。

14、经网络及第二层人工神经网络构成双层人工神经网络模型； 0016 在线预测模块， 被配置为： 对各基准光伏电站实时功率进行采集并输入至双层人 工神经网络模型， 实现区域光伏总出力的滚动预测， 滚动预测包括对晴空工况下区域输出 功率的滚动预测及多云工况或线路故障时区域输出功率的滚动预测。 0017 以上一个或多个技术方案存在以下有益效果： 0018 本公开技术方案针对现有的区域功率预测技术存在的数据量需求大及在多云或 线路故障工况下预测精度较低的缺陷， 提出了基于基准光伏电站的实时输出功率， 结合人 工神经网络实现区域光伏功率的滚动预测方法， 并在选择基准光伏电站时引入人工神经网 络预测精度作为选。

15、取指标， 以提高区域出力预测精度； 同时对基准光伏电站在云团遮挡或 线路故障工况下的区域出力预测结果进行修正， 提高了普适性， 且大大降低了所需数据量。 0019 不同于传统的累加法， 本方法无需对待测区域内全部光伏电站出力进行采集， 在 降低了成本的同时保证了较高的预测精度。 0020 不同于传统的统计升尺度法， 本方法具有较高的普适性， 能够在不同工况下， 例如 在基准光伏电站受到云团遮挡或线路故障影响的情况下做出高精度的区域功率预测。 附图说明 0021 构成本公开的一部分的说明书附图用来提供对本公开的进一步理解， 本公开的示 意性实施例及其说明用于解释本公开， 并不构成对本公开的不当限。

16、定。 0022 图1为本公开实施例子的基于双层人工神经网络的区域光伏功率预测方法流程 图。 具体实施方式 0023 应该指出， 以下详细说明都是示例性的， 旨在对本公开提供进一步的说明。 除非另 有指明， 本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常 理解的相同含义。 0024 需要注意的是， 这里所使用的术语仅是为了描述具体实施方式， 而非意图限制根 据本公开的示例性实施方式。 如在这里所使用的， 除非上下文另外明确指出， 否则单数形式 也意图包括复数形式， 此外， 还应当理解的是， 当在本说明书中使用术语 “包含” 和/或 “包 括” 时， 其指明存在特征、 步骤。

17、、 操作、 器件、 组件和/或它们的组合。 说明书 2/7 页 5 CN 111950811 A 5 0025 在不冲突的情况下， 本公开中的实施例及实施例中的特征可以相互组合。 0026 本实施例公开了基于双层人工神经网络的区域光伏功率预测方法， 具有较高的普 适性， 能够在多种工况下， 例如晴天、 雨雪天、 阴天和线路故障工况下， 做出高精度的功率预 测， 无需对所获取数据进行不同天气状况下的分类。 0027 上述方法中无需对所获取数据进行不同天气状况下的分类是因为第一层人工神 经网络实现的是功率的滚动预测， 即用前几分钟的功率预测来预测未来一分钟光伏电站的 出力。 即使是在阴雨天气， 辐。

18、照度在几分钟内的变化也具有时序上高度的相关性。 线路故障 下的预测主要是基于对第二层人工神经网络输入参量的修正实现的， 即通过故障基准电站 周围的电站出力进行期望功率的推导， 进而实现高精度的区域功率滚动预测。 0028 整体构思为： 0029 构建两层人工神经网络， 其中第一层人工神经网络基于各光伏电站的历史出力数 据， 实现光伏电站自身功率的滚动预测， 并结合第一层人工神经网络的预测精度与皮尔逊 相关系数优化基准电站的选择标准。 第二层人工神经网络实现基于基准光伏电站出力的区 域总出力预测。 结合两层人工神经网络， 以第一层人工神经网络的输出作为第二层人工神 经网络的输入， 实现区域总出力。

19、的滚动预测， 并通过选取合适的非基准电站出力实时校正 预测过程中基准电站的出力预测结果， 优化区域出力滚动预测精度。 0030 基于第一层人工神经网络的预测精度优化基准电站的选择标准， 首先构建第一层 人工神经网络训练集， 由于第一层人工神经网络包含多个人工神经网络模型， 即每个光伏 电站对应一个人工神经网络模型， 因此需建立多个训练集分别对各个人工神经网络模型进 行训练。 训练集输入为某一光伏电站在待遇测时间点前几个时间点的历史输出功率， 输出 为待预测时间点的输出功率， 以实现各光伏电站输出功率的滚动预测， 并得到每个人工神 经网络模型的平均相对误差。 结合各个光伏电站出力与区域总出力之间。

20、的皮尔逊相关系 数， 计算得到参数 作为基准光伏电站的选择指标， 选取 较大的光伏电站作为基准光伏电 站。 0031 第二层人工神经网络实现基于基准光伏电站出力的区域总出力预测， 基于选取的 基准光伏电站历史出力数据及区域总出力历史数据构建训练集， 其中训练集输入参量包含 了预测的某一时刻各基准光伏电站的输出功率， 输出参量包含了相同时刻区域光伏总出 力， 以实现基于少量基准光伏电站出力数据的区域总出力预测。 0032 结合两层人工神经网络， 以第一层人工神经网络的输出作为第二层人工神经网络 的输入， 实现区域总出力的滚动预测， 通过将第一层人工神经网络中基准光伏电站的功率 滚动预测结果作为输。

21、入参量输入至第二层人工神经网络中， 可实现基于基准光伏电站历史 出力数据的区域总出力的滚动预测。 0033 实时在线预测时， 基于待预测时刻前几个时间点的出力数据进行预测的， 例如训 练ANN模型的时候使用的数据是过去一个月光伏电站的出力数据， 在进行在线预测时， 只需 将过去几分钟的数据输入至训练好的模型中就能得到未来时刻的功率预测值。 0034 通过选取合适的非基准电站出力实时校正预测过程中基准电站的出力预测结果， 优化区域出力滚动预测精度， 当基准光伏电站时候到扰动因素干扰而无法代表区域出力的 变化趋势时， 通过容量比依据其相邻N个光伏电站出力对基准光伏电站未发生扰动时的期 望功率进行推。

22、导： 说明书 3/7 页 6 CN 111950811 A 6 0035 0036 0037 其中P*ref_pre是推导得到的基准光伏电站未发生扰动时的期望功率， Pref_pre为受到 扰动时基准光伏电站滚动预测功率值， PN_pre为与功率突变基准光伏电站相邻的非基准电站 的功率滚动预测值， MN、 Mref分别为非基准电站和基准电站的装机容量， Pregional为基于修正 后的基准光伏电站功率滚动预测值的区域功率滚动预测结果， P*regional为修正后的区域功 率滚动预测结果。 以此对第二层人工神经网络输入参量进行修正， 以提高区域总出力的预 测精度。 0038 整体步骤包括： 。

23、0039 对区域内各个光伏电站的历史出力数据进行预处理， 对无效值和缺失值进行剔 除； 0040 基于处理后的各个光伏电站历史出力数据建立第一层人工神经网络的训练集， 以 实现各个光伏电站的滚动出力预测； 0041 计算区域内各个光伏电站出力与区域总出力之间的相关系数； 0042 结合各个光伏电站自身的滚动出力预测精度与计算得到的皮尔逊相关系数选择 基准光伏电站以优化预测精度， 在进行区域光伏出力滚动预测时无需对全部电站数据进行 采集， 仅需对选取的基准电站实时出力数据进行采集即可实现对区域总出力进行预测。 0043 基于选取的基准光伏电站历史出力数据， 建立第二层人工神经网络的训练集， 以 。

24、实现基于基准光伏电站的区域总出力预测； 并基于对基准光伏电站在受到云团遮挡或线路 故障工况下的出力进行修正， 通过对比分析基准光伏电站与其相邻的光伏电站在多云工况 下的功率滚动预测值， 推导出基准光伏电站在未发生扰动时的功率期望预测值并以此作为 第二层人工神经网络的输入参量进行区域出力的预测， 以提高当基准光伏电站在遮挡或线 路故障情况下的区域功率预测精度。 0044 基于训练好的两层人工神经网络， 将第一层人工神经网络得到的各基准光伏电站 的功率滚动预测的结果输入至第二层人工神经网络中， 实现基于基准光伏电站出力数据的 区域总出力滚动预测。 0045 例如当下时间是北京时间12:00， 基于。

25、11： 58、 11:59和12:00的基准光伏电站出力 数据就能够利用人工神经网络得到12:01各基准光伏电站的出力， 进而预测出12:01整个区 域的出力。 0046 参见附图1所示， 基于双层人工神经网络的区域光伏功率预测方法， 更为详细的具 体实施步骤包括： 0047 步骤(1)： 对待测区域内光伏电站历史出力数据的无效值和缺失值进行剔除， 构建 数据集。 0048 步骤(2)： 建立第一层人工神经网络模型， 其目标为实现基于各个光伏电站自身历 史出力数据的输出功率滚动预测， 并基于步骤(1)构建的数据集与第一层人工神经网络结 构， 构建第一层人工神经网络训练集， 并对第一层人工神经网。

26、络进行训练。 0049 步骤(3)： 基于步骤(1)构建的数据集， 计算待测区域内各光伏电站出力与区域总 说明书 4/7 页 7 CN 111950811 A 7 出力之间的相关系数， 结合步骤(2)中各个光伏电站自身功率滚动预测精度， 基于基准光伏 电站系数选择基准光伏电站。 0050 步骤(4)： 构建第二层人工神经网络， 其目标为实现基于基准光伏电站输出功率的 区域总出力预测， 基于通过步骤(3)选择的基准光伏电站历史出力数据构建训练集， 对第二 层人工神经网络进行训练。 0051 步骤(5)： 将第一层人工神经网络得到的基准光伏电站自身功率的滚动预测结果 输入至第二层人工神经网络中， 。

27、得到区域总出力的滚动预测结果， 并对基准电站在云团遮 挡或线路故障工况下的区域总出力滚动预测结果进行修正， 提高预测精度。 0052 在离线训练阶段第二层人工神经网络训练后， 进行区域总预测及滚动预测， 目的 在于通过对历史区域光伏出力的滚动预测验证所提方法的精度。 0053 具体方法为： 0054 本公开引入人工神经网络精度作为基准光伏电站的选取指标之一， 结合各个光伏 电站出力与区域总出力之间的相关系数， 提高了区域出力预测精度。 0055 相较于传统统计生尺度区域出力预测方法， 本公开在基准光伏电站受到外界扰动 因素干扰时依然能够保持较高的区域出力预测精度， 具有更高的泛用性。 0056。

28、 所述步骤(2)中第一层人工神经网络训练集输入参量为多个过去时间节点的光伏 电站出力， 输出参量为未来时刻光伏电站出力值。 本文使用基于误差逆传播算法多层前馈 神经网络， 以目标的负梯度方向对神经元权重进行调整， 对于给定学习率 ， 隐藏层权重变 化值可表示为： 0057 0058 其中wh为隐藏层权重， Ek为预测误差。 0059 功率滚动预测结果可表示为： 0060 PTf(PT-1,PT-2PT-n) (4) 0061 其中f代表基于人工神经网络建立的映射关系， PT-n代表T-n时刻光伏电站输出功 率。 人工神经网络隐藏层和输出层的激活函数为sigmod， 且损失函数定义为： 0062。

29、 0063 其中y*k是通过人工神经网络获得的预测结果， yk是期望出力值。 0064 步骤(3)中相关系数为皮尔逊相关系数(Pearson correlation coefficient)， 皮 尔逊相关系数能够描述随机变量间线性相关程度， 两个随机变量X和Y的相关系数rXY的表达 式为： 0065 0066其中N是样本集大小， 是随机变量X的均值， 是随机变量Y的均值。 在本文中， X 说明书 5/7 页 8 CN 111950811 A 8 为某一基准光伏电站在某个时间节点的输出功率， Y为相同时刻区域总出力， 通过选取多个 时间节点， 能够计算得到待测区域内各个分布式光伏电站出力与区域。

30、光伏总出力之间的相 关系数。 相关系数的大小能够反映出各光伏电站出力与区域总出力之间的相关性。 0067 所述步骤(3)中光伏电站自身功率滚动预测精度由平均相对误差(mean absolute percentage error,MAPE)来衡量， 其表达式为： 0068 0069 其中N为训练集中所包含的样本个数， en是预测出力结果与实测出力的误差， yn是 实测出力。 0070 步骤(3)中选择基准光伏电站方法为， 以相关系数与第一层人工神经网络的精度 作为基准光伏电站的选取指标， 可表示为： 0071 rXY(1-MAPE) (8) 0072 越大， 说明光伏电站自身出力预测精度较高且与。

31、区域总出力相关性较大， 因此选 择 较大的光伏电站作为基准光伏电站。 0073 所述步骤(4)中第二层人工神经网络训练集输入参量包含了预测的某一时刻各基 准光伏电站的输出功率， 输出参量包含了相同时刻区域光伏总出力可表示为： 0074 Ptotf(Pr1,Pr2PrN) (9) 0075 其中f代表基于人工神经网络建立的映射关系， PrN为第N个基准光伏电站的输出功 率， Ptot为同时刻区域光伏总出力。 0076 所述步骤(5)中并对基准电站在云团遮挡或线路故障工况下的区域总出力滚动预 测结果进行修正， 具体为： 0077 当基准光伏电站由于云团遮挡或电网故障导致的大范围功率波动而非基准光伏。

32、 电站未受到影响时， 会严重影响其功率滚动预测结果。 由于第二层人工神经网络的输入参 量仅包含基准光伏电站的滚动预测功率值， 因此会导致区域出力预测结果出现较大偏差。 为此， 当基准电站功率因扰动因素发生较大波动而其余电站功率未发生明显波动时， 第二 层人工神经网络输入参量应使用未发生扰动时基准光伏电站的期望功率预测值。 本文通过 容量比依据其相邻3个光伏电站出力对基准光伏电站未发生扰动时的期望功率进行推导： 0078 0079 0080 其中P*ref_pre是推导得到的基准光伏电站未发生扰动时的期望功率， Pref_pre为受到 扰动时基准光伏电站滚动预测功率值， P1_pre、 P2_p。

33、re和P3_pre分别为与功率突变基准光伏电站 距离不一的三个非基准电站的功率滚动预测值， M1、 M2、 M3、 Mref分别为三个非基准电站和基 准电站的装机容量， Pregional为基于修正后的基准光伏电站功率滚动预测值的区域功率滚动 预测结果， P*regional为修正后的区域功率滚动预测结果。 当仅有基准光伏电站受到云团或电 网故障等因素干扰时， P*ref_pre与Pref_pre偏差较大， 因此在进行区域出力滚动预测时， 第二层 人工神经网络输入参量应使用P*ref_pre； 当通过P1_pre、 P2_pre和P3_pre判断整个区域都受到扰动 说明书 6/7 页 9 CN。

34、 111950811 A 9 时， P*ref_pre与Pref_pre的值近似相等， 第二层人工神经网络输入参量应使用Pref_pre。 0081 基于同样的发明构思， 本实施例的目的是提供基于双层人工神经网络的区域光伏 功率预测终端,包括存储器、 处理器及存储在存储器上并可在处理器上运行的计算机程序， 所述处理器执行所述程序时实现基于双层人工神经网络的区域光伏功率预测方法的步骤。 0082 基于同样的发明构思， 本实施例的目的是提供一种计算机可读存储介质。 0083 一种计算机可读存储介质， 其上存储有计算机程序， 该程序被处理器执行时执行 基于双层人工神经网络的区域光伏功率预测方法的步骤。

35、。 0084 再次参见附图1所示， 基于同样的发明构思， 本公开实施例子公开了基于双层人工 神经网络的区域光伏功率预测系统， 整个系统分为离线训练模块和在线预测模块。 离线训 练模块包括历史出力数据、 人工神经网络的训练及基准光伏电站的选取。 首先构建训练集 对第一层人工神经网络进行训练， 基于各个光伏电站的历史出力数据实现滚动预测； 其次 计算各光伏电站历史出力数据与区域光伏历史总出力之间的相关系数， 结合各个电站出力 滚动预测精度选择基准光伏电站， 并基于基准光伏电站历史出力构建第二层人工神经网络 训练集。 离线训练好的两层人工神经网络可帮助实现区域总光伏出力在不同时间尺度下的 滚动预测。。

36、 在线预测模块通过实时采集基准光伏电站的出力数据， 对基准电站功率进行滚 动预测及修正， 将修正后的基准电站预测出力结果输入至第二层人工神经网络中， 最终得 到区域功率滚动预测结果。 本公开在降低了成本的同时保证了较高的预测精度， 并且能够 在基准光伏电站受到扰动时实现高精度的区域功率预测。 0085 以上实施例装置中涉及的各步骤与方法实施例一相对应， 具体实施方式可参见实 施例一的相关说明部分。 术语 “计算机可读存储介质” 应该理解为包括一个或多个指令集的 单个介质或多个介质； 还应当被理解为包括任何介质， 所述任何介质能够存储、 编码或承载 用于由处理器执行的指令集并使处理器执行本公开中。

37、的任一方法。 0086 本领域技术人员应该明白， 上述本公开的各模块或各步骤可以用通用的计算机装 置来实现， 可选地， 它们可以用计算装置可执行的程序代码来实现， 从而， 可以将它们存储 在存储装置中由计算装置来执行， 或者将它们分别制作成各个集成电路模块， 或者将它们 中的多个模块或步骤制作成单个集成电路模块来实现。 本公开不限制于任何特定的硬件和 软件的结合。 0087 以上所述仅为本公开的优选实施例而已， 并不用于限制本公开， 对于本领域的技 术人员来说， 本公开可以有各种更改和变化。 凡在本公开的精神和原则之内， 所作的任何修 改、 等同替换、 改进等， 均应包含在本公开的保护范围之内。 0088 上述虽然结合附图对本公开的具体实施方式进行了描述， 但并非对本公开保护范 围的限制， 所属领域技术人员应该明白， 在本公开的技术方案的基础上， 本领域技术人员不 需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。 说明书 7/7 页 10 CN 111950811 A 10 图1 说明书附图 1/1 页 11 CN 111950811 A 11 。