一种光伏发电功率预测误差评估方法、系统、设备和介质与流程

1.本发明涉及光伏发电功率预测误差评估技术领域，尤其涉及一种光伏发电功率预测误差评估方法、系统、设备和介质。


背景技术：

2.光伏功率预测是指采用某种预测模型对未来一段时间内光伏电站发电有功功率进行预报。由于光伏发电功率受地形、地貌、天气、云团运动及光伏系统运行状态影响，预测算法难以准确反映发电功率的波动特性，不可避免存在预测误差。
3.然而，目前对短期光伏功率预测误差的评估基本上都从误差均值的角度出发，评估指标主要包括均方根误差、绝对误差均值、绝对值平均误差、平均相对误差等。但上述评估方法实际仅应用了其中1种或多种组合评价指标，且仅通过比较数值的大小来判断预测方法的优良，并未考虑指标接近的预测模型之间的个体差异性，导致对光伏预测方案的评估效果较差。


技术实现要素：

4.本发明提供了一种光伏发电功率预测误差评估方法、系统、设备和介质，解决了现有的技术未考虑指标接近的预测模型之间的个体差异性，导致对光伏预测方案的评估效果较差的技术问题。
5.本发明第一方面提供的一种光伏发电功率预测误差评估方法，包括：
6.响应接收到的预测误差评估请求，获取所述预测误差评估请求对应的各光伏功率预测方案的预测数据和实际数据，生成样本数据集；
7.计算所述样本数据集中的各样本的指标数值，生成指标数据集；
8.采用所述指标数据集中的指标数值，构建目标评价矩阵；
9.计算所述目标评价矩阵中的指标矩阵的理想解，并计算所述目标评价矩阵与所述理想解之间的目标欧氏距离；
10.基于所述目标欧氏距离，计算所述光伏功率预测方案的综合评分值；
11.按照预设排序对各所述光伏功率预测方案的综合评分值进行排序，生成预测误差评估结果。
12.可选地，所述计算所述样本数据集中的各样本的指标数值，生成指标数据集的步骤，包括：
13.采用预设的光伏功率预测误差评估指标体系中的一级指标计算所述样本数据集中的各样本的指标数值；
14.采用各所述指标数值，生成样本数据集。
15.可选地，所述光伏功率预测误差评估指标体系中的一级指标具体包括：
16.采用均方根误差、平均绝对误差和平均相对误差，生成误差评价指标；
17.采用指标合格率、指标准确率和指标相关系数，生成预报考核评价指标；
18.采用跌落预判时间和跌落均方根误差，生成波动性指标；
19.采用所述误差评价指标、所述预报考核评价指标和所述波动性指标，生成所述光伏功率预测误差评估指标体系中的一级指标。
20.可选地，所述采用所述指标数据集中的指标数值，构建目标评价矩阵的步骤，包括：
21.对所述指标数据集中的指标数值进行正向化处理，生成更新指标数据集；
22.采用所述更新指标数据集构建初始评价矩阵；
23.基于向量化规范化法，对所述初始评价矩阵进行规范化处理，生成目标评价矩阵。
24.可选地，所述理想解包括正理想解和负理想解；所述计算所述目标评价矩阵中的指标矩阵的理想解，并计算所述目标评价矩阵与所述理想解之间的目标欧氏距离的步骤，包括：
25.采用所述目标评价矩阵中每一列的指标矩阵最大值计算正理想解；其中，所述正理想解的计算公式如下：
[0026][0027]
采用所述目标评价矩阵中每一列的指标矩阵最小值计算负理想解；其中，所述负理想解的计算公式如下：
[0028][0029]
式中，z
+
为正理想解，为目标评价矩阵中每一列的指标矩阵最大值；z-为负理想解，为目标评价矩阵中每一列的指标矩阵最小值；
[0030]
计算所述目标评价矩阵与所述理想解之间的目标欧氏距离。
[0031]
可选地，所述计算所述目标评价矩阵与所述理想解之间的目标欧氏距离的步骤，包括：
[0032]
计算所述目标评价矩阵与所述正理想解之间的第一欧氏距离；
[0033]
计算所述目标评价矩阵与所述负理想解之间的第二欧氏距离；
[0034]
计算所述第一欧氏距离和所述第二欧氏距离之间的和值，生成目标欧氏距离。
[0035]
可选地，所述基于所述目标欧氏距离，计算所述光伏功率预测方案的综合评分值的步骤，包括：
[0036]
计算所述第二欧氏距离和所述目标欧氏距离之间的比值，生成所述光伏功率预测方案的综合评分值。
[0037]
本发明第二方面提供的一种光伏发电功率预测误差评估系统，包括：
[0038]
样本数据集模块，用于响应接收到的预测误差评估请求，获取所述预测误差评估请求对应的各光伏功率预测方案的预测数据和实际数据，生成样本数据集；
[0039]
指标数据集模块，用于计算所述样本数据集中的各样本的指标数值，生成指标数据集；
[0040]
目标评价矩阵模块，用于采用所述指标数据集中的指标数值，构建目标评价矩阵；
[0041]
目标欧氏距离模块，用于计算所述目标评价矩阵中的指标矩阵的理想解，并计算所述目标评价矩阵与所述理想解之间的目标欧氏距离；
[0042]
综合评分值模块，用于基于所述目标欧氏距离，计算所述光伏功率预测方案的综合评分值；
[0043]
预测误差评估结果模块，用于按照预设排序对各所述光伏功率预测方案的综合评分值进行排序，生成预测误差评估结果。
[0044]
本发明第三方面提供的一种电子设备，包括存储器及处理器，所述存储器中储存有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如上述任一项所述的光伏发电功率预测误差评估方法的步骤。
[0045]
本发明第四方面提供的一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被执行时实现如上述任一项所述的光伏发电功率预测误差评估方法。
[0046]
从以上技术方案可以看出，本发明具有以下优点：
[0047]
本发明通过响应接收到的预测误差评估请求，获取预测误差评估请求对应的各光伏功率预测方案的预测数据和实际数据，生成样本数据集；计算样本数据集中的各样本的指标数值，生成指标数据集；采用指标数据集中的指标数值，构建目标评价矩阵；计算目标评价矩阵中的指标矩阵的理想解，并计算目标评价矩阵与理想解之间的目标欧氏距离；基于目标欧氏距离，计算光伏功率预测方案的综合评分值；按照预设排序对各光伏功率预测方案的综合评分值进行排序，生成预测误差评估结果。解决了现有的技术未考虑指标接近的预测模型之间的个体差异性，导致对光伏预测方案的评估效果较差的技术问题。
[0048]
本发明对光伏功率预测方案进行有效评估，为是否选取某预测方案提供参考；同时，由于综合考虑了云团移动对光伏功率特性的影响及指标接近的预测模型之间的个体差异性，使评价结果更加科学合理，从而可确定最优的预测方法，提高预测精度。
附图说明
[0049]
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一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
[0050]
图1为本发明实施例一提供的一种光伏发电功率预测误差评估方法的步骤流程图；
[0051]
图2为本发明实施例二提供的一种光伏发电功率预测误差评估方法的步骤流程图；
[0052]
图3为本发明实施例三提供的一种光伏发电功率预测误差评估系统的结构框图。
具体实施方式
[0053]
本发明实施例提供了一种光伏发电功率预测误差评估方法、系统、设备和介质，用于解决了现有的技术未考虑指标接近的预测模型之间的个体差异性，导致对光伏预测方案的评估效果较差的技术问题。
[0054]
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，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，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。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它实施例，都属于本发明保护的范围。
[0055]
请参阅图1，图1为本发明实施例一提供的一种光伏发电功率预测误差评估方法的步骤流程图。
[0056]
本发明提供的一种光伏发电功率预测误差评估方法，包括以下步骤：
[0057]
步骤101、响应接收到的预测误差评估请求，获取预测误差评估请求对应的各光伏功率预测方案的预测数据和实际数据，生成样本数据集。
[0058]
需要说明的是，预测误差评估请求指的是需要对多个光伏功率预测方案的预测误差进行评估的请求。
[0059]
在具体实施时，选取某光伏电站从2022年1月1日00:00～11月11日23:55的运行数据，以5分钟一个点设置时间分辨率，共计90720个点。以运行数据中的场站辐照强度、气象因素和历史功率作为输入数据，全场功率作为输出功率，分别构建基于线性回归、神经网络、决策树、极限树和随机森林和装袋法的光伏功率预测模型，采用上述各个光伏功率预测模型输出的光伏功率预测数据，以及结合实际数据，生成样本数据集。
[0060]
步骤102、计算样本数据集中的各样本的指标数值，生成指标数据集。
[0061]
需要说明的是，需要构建一套考虑云团运动的光伏预测误差综合评价指标体系。
[0062]
在具体实施时，利用光伏预测误差综合评价指标体系计算样本数据集中的各个样本的指标数值，结合全部指标数据，得到指标数据集。
[0063]
步骤103、采用指标数据集中的指标数值，构建目标评价矩阵。
[0064]
需要说明的是，目标评价矩阵指的是采用处理后的指标数值进行构建的评价矩阵。
[0065]
在具体实施时，对指标数据集中的指标数值进行正向化处理，得到正向化处理后的指标数值，并用正向处理后的指标数值构建目标评价矩阵。
[0066]
步骤104、计算目标评价矩阵中的指标矩阵的理想解，并计算目标评价矩阵与理想解之间的目标欧氏距离。
[0067]
需要说明的是，理想解包括正理想解和负理想解。
[0068]
在具体实施时，计算目标评价矩阵中的指标数值的正理想解和负理想解，再计算目标评价矩阵与正理想解之间的欧氏距离，以及目标评价矩阵与负理想解之间的欧氏距离。
[0069]
步骤105、基于目标欧氏距离，计算光伏功率预测方案的综合评分值。
[0070]
需要说明的是，综合评分值为相对贴合度。
[0071]
在具体实施时，计算目标评价矩阵与负理想解之间的欧氏距离，再计算该欧氏距离与目标欧氏距离的比值，可以得出光伏功率预测方案的相对贴合度。
[0072]
步骤106、按照预设排序对各光伏功率预测方案的综合评分值进行排序，生成预测误差评估结果。
[0073]
需要说明的是，预测误差评估结果指的是对所有全部综合评价值由高到低排列顺序排列各光伏功率预测方案的优劣次序。
[0074]
在具体实施时，对所有全部综合评价值由高到低排列顺序排列，可以得到对应的光伏功率预测方案的优劣情况。从而采用最优光伏功率预测方案对应的光伏功率预测模型对光伏功率进行预测。
[0075]
本发明通过响应接收到的预测误差评估请求，获取预测误差评估请求对应的各光
伏功率预测方案的预测数据和实际数据，生成样本数据集；计算样本数据集中的各样本的指标数值，生成指标数据集；采用指标数据集中的指标数值，构建目标评价矩阵；计算目标评价矩阵中的指标矩阵的理想解，并计算目标评价矩阵与理想解之间的目标欧氏距离；基于目标欧氏距离，计算光伏功率预测方案的综合评分值；按照预设排序对各光伏功率预测方案的综合评分值进行排序，生成预测误差评估结果。解决了现有的技术未考虑指标接近的预测模型之间的个体差异性，导致对光伏预测方案的评估效果较差的技术问题。
[0076]
本发明对光伏功率预测方案进行有效评估，为是否选取某预测方案提供参考；同时，由于综合考虑了云团移动对光伏功率特性的影响及指标接近的预测模型之间的个体差异性，使评价结果更加科学合理，从而可确定最优的预测方法，提高预测精度。
[0077]
请参阅图2，图2为本发明实施例二提供的一种光伏发电功率预测误差评估方法的步骤流程图。
[0078]
本发明提供的一种光伏发电功率预测误差评估方法，包括以下步骤：
[0079]
步骤201、响应接收到的预测误差评估请求，获取预测误差评估请求对应的各光伏功率预测方案的预测数据和实际数据，生成样本数据集。
[0080]
在本发明实施例中，步骤201的具体实施过程与步骤101类似，在此不再赘述。
[0081]
步骤202、采用预设的光伏功率预测误差评估指标体系中的一级指标计算样本数据集中的各样本的指标数值。
[0082]
需要说明的是，一级指标指的是误差评价指标、预报考核评价指标和波动性指标。
[0083]
在具体实施时，依据现有的光伏预测误差评估指标，还需要考虑光伏场站预报考核指标和云团移动对光伏发电功率的影响，需要构建一套光伏功率预测误差评估指标体系计算样本数据集中的各样本的指标数据，可实现对光伏功率预测方案全面而准确的评估，具有广泛的适用性。
[0084]
可选地，步骤202中的光伏功率预测误差评估指标体系中的一级指标具体包括以下步骤s11-s14：
[0085]
s11、采用均方根误差、平均绝对误差和平均相对误差，生成误差评价指标；
[0086]
s12、采用指标合格率、指标准确率和指标相关系数，生成预报考核评价指标；
[0087]
s13、采用跌落预判时间和跌落均方根误差，生成波动性指标；
[0088]
s14、采用误差评价指标、预报考核评价指标和波动性指标，生成光伏功率预测误差评估指标体系中的一级指标。
[0089]
需要说明的是，光伏功率预测误差评估指标体系中的一级指标和二级指标如表1所示：
[0090][0091]
表1
[0092]
误差评价指标包括均方根误差、平均绝对误差和平均相对误差。
[0093]
在具体实施时，均方根误差的计算公式为：
[0094][0095]
平均绝对误差的计算公式为：
[0096][0097]
平均相对误差的计算公式为：
[0098][0099]
式中，e
rmse
为均方根误差，e
mae
为平均绝对误差，e
mre
平均相对误差，g为样本个数(也就是光伏功率预测方案样本)，p
pp
为p时刻的预测功率，p
mp
为p时刻的实际功率，c
p
为p时刻的开机容量。
[0100]
需要说明的是，预报考核评价指标包括指标合格率、指标准确率和指标相关系数。
[0101]
指标合格率的计算公式为：
[0102][0103][0104]
指标准确率的计算公式为：
[0105][0106]
指标相关系数的计算公式为：
[0107][0108]
式中，qr为指标合格率，b
p
为1则表示mae指标优于合格数值，b
p
为0则表示mae指标劣于合格数值。e
acc
为指标准确率，限电时刻p
mp
为p时刻的可用功率，不限电时刻p
mp
为p时刻的实际功率，cap为光伏电站总当月装机容量。r为相关系数，为误差统计时段实际功率的平均值，为误差统计时刻预测功率的平均值。
[0109]
需要说明的是，波动性指标包括跌落预判时间和跌落均方根误差。
[0110]
跌落预判时间的计算公式为：
[0111][0112]
式中，t
drop
为光伏受云团影响而跌落的时刻，t
fore
为预测到光伏受云团影响而跌落的时刻。
[0113]
跌落均方根误差的计算公式为：
[0114][0115]
式中，rmse
drop
为跌落预测均方根误差，和y
drop,h
分别为光伏出力受云团影响第h次跌落的深度预测值和实际值，n
drop
为调用周期内的跌落频率。基于旋转门算法的波动段划分法的功率波动段，光伏出力受云团影响而跌落的深度计算公式为：
[0116]ydrop
＝max(p[t
drop
,t
drop
+t
drop
])-min(p[t
drop
,t
drop
+t
drop
])
ꢀꢀꢀꢀꢀꢀ
(10)
[0117]
式中，p[t
drop
,t
drop
+t
drop
]为波动段的功率序列，t
drop
为光伏出力受云团影响而开始发生跌落的时刻，t
drop
为跌落持续时间，max(p[t
drop
,t
drop
+t
drop
])为波动段最大功率，min(p[t
drop
,t
drop
+t
drop
])为波动段最小功率，y
drop
为跌落深度。
[0118]
步骤203、采用各指标数值，生成样本数据集。
[0119]
在具体实施时，结合全部指标数值，生成样本数据集。
[0120]
步骤204、采用指标数据集中的指标数值，构建目标评价矩阵。
[0121]
可选地，步骤204包括以下步骤s21-s23：
[0122]
s21、对指标数据集中的指标数值进行正向化处理，生成更新指标数据集；
[0123]
s22、采用更新指标数据集构建初始评价矩阵；
[0124]
s23、基于向量化规范化法，对初始评价矩阵进行规范化处理，生成目标评价矩阵。
[0125]
需要说明的是，在上述步骤中，为了消除各指标数值的影响，对各指标数值进行正
向化处理，正向化处理的计算公式为：
[0126]
例如，一个指标的所有数据记为x，其中的元素记为x
ij
有n个待评价光伏功率预测方案，i＝1,2,...,n，光伏功率预测方案集合为m＝[m1,m2,...,mn]，有m个指标数值，则指标数据集为d＝[d1,d2,...,dm]，j＝1,2,...,m。
[0127]
1)极小型指标转化为极大型指标：
[0128][0129]
式中，为转化后的指标，x
jmax
为转化前的指标的最大值，x
ij
为转化前的指标。
[0130]
2)中间型指标转化为极大型指标：
[0131]
如果为最佳数值x
jbest
时，则：
[0132][0133]
3)区间型指标转为极大型指标：
[0134]
对于区间型指标，假设最佳区间为[a,b]，则正向化公式为：
[0135][0136]
其中，m＝max{a-min{x
ij
},max{x
ij
}-b}。
[0137]
在具体实施时，需要对正向化处理后的指标数据集(也就是更新指标数据集)构造初始评价矩阵
[0138][0139]
式中，表示第n个光伏功率预测方案的第m个评估指标的数值。
[0140]
在具体实施时，为消除各指标数据间量纲的影响，采用向量规范化方法对初始评价矩阵进行归一化得到目标评价矩阵z：
[0141][0142][0143]
式中，n为待评价光伏功率预测方案，m为指标数值，z
ij
为第i个待评价光伏功率预测方案的第j个评估指标的归一化评价指标值，z
nm
为第n个待评价光伏功率预测方案的第m个评估指标的归一化评价指标值。
[0144]
步骤205、计算目标评价矩阵中的指标矩阵的理想解，并计算目标评价矩阵与理想
解之间的目标欧氏距离。
[0145]
可选地，理想解包括正理想解和负理想解；步骤205包括以下步骤s31-s33：
[0146]
s31、采用目标评价矩阵中每一列的指标矩阵最大值计算正理想解；其中，正理想解的计算公式如下：
[0147][0148]
s32、采用目标评价矩阵中每一列的指标矩阵最小值计算负理想解；其中，负理想解的计算公式如下：
[0149][0150]
式中，z
+
为正理想解，为目标评价矩阵中每一列的指标矩阵最大值；z-为负理想解，为目标评价矩阵中每一列的指标矩阵最小值；
[0151]
s33、计算目标评价矩阵与理想解之间的目标欧氏距离。
[0152]
在具体实施时，按照上述步骤，计算目标评价矩阵与理想解之间的目标欧氏距离。
[0153]
可选地，步骤s33还包括以下步骤s41-s43：
[0154]
s41、计算目标评价矩阵与正理想解之间的第一欧氏距离；
[0155]
s42、计算目标评价矩阵与负理想解之间的第二欧氏距离；
[0156]
s43、计算第一欧氏距离和第二欧氏距离之间的和值，生成目标欧氏距离。
[0157]
需要说明的是，第一欧氏距离和第二欧氏距离均为欧氏距离，仅为了区分，故称为第一欧氏距离和第二欧氏距离。
[0158]
目标欧氏距离为两个欧氏距离相加。
[0159]
在具体实施时，计算各指标矩阵与正理想解的第一欧氏距离，第一欧氏距离的计算公式如下：
[0160][0161]
计算各指标矩阵与负理想解的第二欧氏距离，第二欧氏距离的计算公式如下：
[0162][0163]
式中，为第i个待评价对象与最优解之间的欧氏距离，为第i个待评价对象与最劣解之间的欧氏距离。
[0164]
具体地，将两个欧氏距离相加，得到目标欧氏距离。
[0165]
步骤206、基于目标欧氏距离，计算光伏功率预测方案的综合评分值。
[0166]
可选地、步骤206包括以下步骤s51：
[0167]
s51、计算第二欧氏距离和目标欧氏距离之间的比值，生成光伏功率预测方案的综合评分值。
[0168]
需要说明的是，各光伏功率预测方案的综合评分值即相对贴合度s。
[0169]
在具体实施时，各光伏功率预测方案的综合评分值即相对贴合度s的计算公式如下：
[0170][0171]
式中，si为第i个待评价光伏功率预测方案的评分值。
[0172]
在具体实施时，综合评分值越高，表示评价对象的光伏功率预测方案越优，故求解全部光伏功率预测方案的综合评分值后，需要对全部光伏功率预测方案按照综合评分值从高到低进行排序，得到最优的光伏功率预测方案。
[0173]
步骤207、按照预设排序对各光伏功率预测方案的综合评分值进行排序，生成预测误差评估结果。
[0174]
在具体实施时，求解全部光伏功率预测方案的综合评分值后，按照综合评分值从高到低对全部光伏功率预测方案进行排序，得到最优的光伏功率预测方案。
[0175]
具体地，按照光伏电站实际数据和6种光伏功率预测模型的8种光伏功率预测误差评估指标结果如表2所示：
[0176][0177]
表2
[0178]
基于上述6种光伏功率预测模型的预测误差评估结果如表3所示：
[0179][0180]
表3
[0181]
在具体实施时，依据上述综合评估结果，装袋法模型的预测效果最好，随机森林模型次之，而线性回归模型的预测效果最差。决策树和极限树模型综合评估分数也大于0.9，同样具备良好的预测效果。
[0182]
本发明通过响应接收到的预测误差评估请求，获取预测误差评估请求对应的各光伏功率预测方案的预测数据和实际数据，生成样本数据集；计算样本数据集中的各样本的指标数值，生成指标数据集；采用指标数据集中的指标数值，构建目标评价矩阵；计算目标评价矩阵中的指标矩阵的理想解，并计算目标评价矩阵与理想解之间的目标欧氏距离；基于目标欧氏距离，计算光伏功率预测方案的综合评分值；按照预设排序对各光伏功率预测方案的综合评分值进行排序，生成预测误差评估结果。解决了现有的技术未考虑指标接近的预测模型之间的个体差异性，导致对光伏预测方案的评估效果较差的技术问题。
[0183]
本发明对光伏功率预测方案进行有效评估，为是否选取某预测方案提供参考；同时，由于综合考虑了云团移动对光伏功率特性的影响及指标接近的预测模型之间的个体差异性，使评价结果更加科学合理，从而可确定最优的预测方法，提高预测精度。
[0184]
请参阅图3，图3为本发明实施例三提供的一种光伏发电功率预测误差评估系统的结构框图。
[0185]
本发明提供的一种光伏发电功率预测误差评估系统，包括：
[0186]
样本数据集模块301，用于响应接收到的预测误差评估请求，获取预测误差评估请求对应的各光伏功率预测方案的预测数据和实际数据，生成样本数据集；
[0187]
指标数据集模块302，用于计算样本数据集中的各样本的指标数值，生成指标数据集；
[0188]
目标评价矩阵模块303，用于采用指标数据集中的指标数值，构建目标评价矩阵；
[0189]
目标欧氏距离模块304，用于计算目标评价矩阵中的指标矩阵的理想解，并计算目标评价矩阵与理想解之间的目标欧氏距离；
[0190]
综合评分值模块305，用于基于目标欧氏距离，计算光伏功率预测方案的综合评分值；
[0191]
预测误差评估结果模块306，用于按照预设排序对各光伏功率预测方案的综合评分值进行排序，生成预测误差评估结果。
[0192]
可选地，指标数据集模块302包括：
[0193]
指标数值子模块，用于采用预设的光伏功率预测误差评估指标体系中的一级指标计算样本数据集中的各样本的指标数值；
[0194]
样本数据集子模块，用于采用各指标数值，生成样本数据集。
[0195]
可选地，光伏功率预测误差评估指标体系中的一级指标具体包括：
[0196]
误差评价指标子模块，用于采用均方根误差、平均绝对误差和平均相对误差，生成误差评价指标；
[0197]
预报考核评价指标子模块，用于采用指标合格率、指标准确率和指标相关系数，生成预报考核评价指标；
[0198]
波动性指标子模块，用于采用跌落预判时间和跌落均方根误差，生成波动性指标；
[0199]
一级指标子模块，用于采用误差评价指标、预报考核评价指标和波动性指标，生成光伏功率预测误差评估指标体系中的一级指标。
[0200]
可选地，目标评价矩阵模块303包括：
[0201]
更新指标数据集子模块，用于对指标数据集中的指标数值进行正向化处理，生成更新指标数据集；
[0202]
初始评价矩阵子模块，用于采用更新指标数据集构建初始评价矩阵；
[0203]
目标评价矩阵子模块，用于基于向量化规范化法，对初始评价矩阵进行规范化处理，生成目标评价矩阵。
[0204]
可选地，理想解包括正理想解和负理想解；目标欧氏距离模块304包括：
[0205]
正理想解子模块，用于采用目标评价矩阵中每一列的指标矩阵最大值计算正理想解；其中，正理想解的计算公式如下：
[0206][0207]
负理想解子模块，用于采用目标评价矩阵中每一列的指标矩阵最小值计算负理想解；其中，负理想解的计算公式如下：
[0208][0209]
式中，z
+
为正理想解，为目标评价矩阵中每一列的指标矩阵最大值；z-为负理想解，为目标评价矩阵中每一列的指标矩阵最小值；
[0210]
计算目标欧氏距离子模块，用于计算目标评价矩阵与理想解之间的目标欧氏距离。
[0211]
可选地，计算目标欧氏距离子模块包括：
[0212]
第一欧氏距离子模块，用于计算目标评价矩阵与正理想解之间的第一欧氏距离；
[0213]
第二欧氏距离子模块，用于计算目标评价矩阵与负理想解之间的第二欧氏距离；
[0214]
目标欧氏距离子模块，用于计算第一欧氏距离和第二欧氏距离之间的和值，生成目标欧氏距离。
[0215]
可选地，综合评分值模块305包括：
[0216]
综合评分值子模块，用于计算第二欧氏距离和目标欧氏距离之间的比值，生成光伏功率预测方案的综合评分值。
[0217]
本发明实施例四还提供了一种电子设备，包括存储器及处理器，存储器中储存有计算机程序；计算机程序被处理器执行时，使得处理器执行如上述任一实施例的光伏发电功率预测误差评估方法的步骤。
[0218]
本发明实施例五还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被执行时实现如上述任一实施例的光伏发电功率预测误差评估方法。
[0219]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0220]
在本技术所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0221]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显
示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0222]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0223]
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0224]
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

技术特征：
1.一种光伏发电功率预测误差评估方法，其特征在于，包括：响应接收到的预测误差评估请求，获取所述预测误差评估请求对应的各光伏功率预测方案的预测数据和实际数据，生成样本数据集；计算所述样本数据集中的各样本的指标数值，生成指标数据集；采用所述指标数据集中的指标数值，构建目标评价矩阵；计算所述目标评价矩阵中的指标矩阵的理想解，并计算所述目标评价矩阵与所述理想解之间的目标欧氏距离；基于所述目标欧氏距离，计算所述光伏功率预测方案的综合评分值；按照预设排序对各所述光伏功率预测方案的综合评分值进行排序，生成预测误差评估结果。2.根据权利要求1所述的光伏发电功率预测误差评估方法，其特征在于，所述计算所述样本数据集中的各样本的指标数值，生成指标数据集的步骤，包括：采用预设的光伏功率预测误差评估指标体系中的一级指标计算所述样本数据集中的各样本的指标数值；采用各所述指标数值，生成样本数据集。3.根据权利要求2所述的光伏发电功率预测误差评估方法，其特征在于，所述光伏功率预测误差评估指标体系中的一级指标具体包括：采用均方根误差、平均绝对误差和平均相对误差，生成误差评价指标；采用指标合格率、指标准确率和指标相关系数，生成预报考核评价指标；采用跌落预判时间和跌落均方根误差，生成波动性指标；采用所述误差评价指标、所述预报考核评价指标和所述波动性指标，生成所述光伏功率预测误差评估指标体系中的一级指标。4.根据权利要求1所述的光伏发电功率预测误差评估方法，其特征在于，所述采用所述指标数据集中的指标数值，构建目标评价矩阵的步骤，包括：对所述指标数据集中的指标数值进行正向化处理，生成更新指标数据集；采用所述更新指标数据集构建初始评价矩阵；基于向量化规范化法，对所述初始评价矩阵进行规范化处理，生成目标评价矩阵。5.根据权利要求1所述的光伏发电功率预测误差评估方法，其特征在于，所述理想解包括正理想解和负理想解；所述计算所述目标评价矩阵中的指标矩阵的理想解，并计算所述目标评价矩阵与所述理想解之间的目标欧氏距离的步骤，包括：采用所述目标评价矩阵中每一列的指标矩阵最大值计算正理想解；其中，所述正理想解的计算公式如下：采用所述目标评价矩阵中每一列的指标矩阵最小值计算负理想解；其中，所述负理想解的计算公式如下：式中，z
+
为正理想解，为目标评价矩阵中每一列的指标矩阵最大值；z-为负理想解，为目标评价矩阵中每一列的指标矩阵最小值；
计算所述目标评价矩阵与所述理想解之间的目标欧氏距离。6.根据权利要求5所述的光伏发电功率预测误差评估方法，其特征在于，所述计算所述目标评价矩阵与所述理想解之间的目标欧氏距离的步骤，包括：计算所述目标评价矩阵与所述正理想解之间的第一欧氏距离；计算所述目标评价矩阵与所述负理想解之间的第二欧氏距离；计算所述第一欧氏距离和所述第二欧氏距离之间的和值，生成目标欧氏距离。7.根据权利要求6所述的光伏发电功率预测误差评估方法，其特征在于，所述基于所述目标欧氏距离，计算所述光伏功率预测方案的综合评分值的步骤，包括：计算所述第二欧氏距离和所述目标欧氏距离之间的比值，生成所述光伏功率预测方案的综合评分值。8.一种光伏发电功率预测误差评估系统，其特征在于，包括：样本数据集模块，用于响应接收到的预测误差评估请求，获取所述预测误差评估请求对应的各光伏功率预测方案的预测数据和实际数据，生成样本数据集；指标数据集模块，用于计算所述样本数据集中的各样本的指标数值，生成指标数据集；目标评价矩阵模块，用于采用所述指标数据集中的指标数值，构建目标评价矩阵；目标欧氏距离模块，用于计算所述目标评价矩阵中的指标矩阵的理想解，并计算所述目标评价矩阵与所述理想解之间的目标欧氏距离；综合评分值模块，用于基于所述目标欧氏距离，计算所述光伏功率预测方案的综合评分值；预测误差评估结果模块，用于按照预设排序对各所述光伏功率预测方案的综合评分值进行排序，生成预测误差评估结果。9.一种电子设备，其特征在于，包括存储器及处理器，所述存储器中储存有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1-7任一项所述的光伏发电功率预测误差评估方法的步骤。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被执行时实现如权利要求1-7任一项所述的光伏发电功率预测误差评估方法。

技术总结
本发明公开了一种光伏发电功率预测误差评估方法、系统、设备和介质，本发明包括计基于目标欧氏距离，计算光伏功率预测方案的综合评分值；按照预设排序对各光伏功率预测方案的综合评分值进行排序，生成预测误差评估结果。解决了现有的技术未考虑指标接近的预测模型之间的个体差异性，导致对光伏预测方案的评估效果较差的技术问题。本发明对光伏功率预测方案进行有效评估，为是否选取某预测方案提供参考；同时，由于综合考虑了云团移动对光伏功率特性的影响及指标接近的预测模型之间的个体差异性，使评价结果更加科学合理，从而可确定最优的预测方法，提高预测精度。提高预测精度。提高预测精度。


技术研发人员：黄晓光 李达扬 宋惠宇 赖春林 李健波 刘泓锴 向国炎 邓超 林彦楷 黄亮浩 谢梓聪
受保护的技术使用者：广东电网有限责任公司
技术研发日：2023.06.30
技术公布日：2023/10/5