光伏短期负荷预测方法

技术领域

本申请涉及光伏发电领域，尤其是涉及一种光伏短期负荷预测方法。

背景技术

光伏发电是一种间歇式电源，其输出功率受到太阳辐射强度、光伏组件温度、天气状况等因素的影响。因此，光伏发电的输出功率具有不确定性和波动性。

而光伏发电的并网会对电力系统的电压和频率产生影响。在电力市场中，电力供应和需求的匹配是通过市场机制实现的。

如果不能准确地预测光伏短期负荷，电力市场参与者将无法合理安排电力交易，从而影响电力市场的效率。电力公司也无法合理安排电力系统的运行方式，从而增加电力系统的运行成本。电力公司和电力市场参与者将无法合理安排电力供应和需求，从而影响电力系统的稳定性和可靠性。

另一方面，光伏发电是一种清洁能源，可以减少对化石燃料的依赖，减少温室气体排放。如果不能准确地预测光伏短期负荷，电力公司将无法合理安排光伏发电的并网和使用，从而影响可再生能源的利用。

发明内容

为了能够较准确地预测光伏电站的短期负荷，本申请提供一种光伏短期负荷预测方法，该方法基于神经网络模型对光伏电站的短期负荷进行预测。

本申请提供了一种光伏短期负荷预测方法，包括以下步骤：

A1，根据预设的有效时刻序列以及预设的有效训练数据集以预设的数据分割算法获得多个有效时刻数据集；

A2，根据有效时刻序列以及各有效时刻数据集分别训练对应的预设的单输出神经网络模型以生成对应的时刻负荷预测神经网络模型；

A3，获取当前日期，根据当前日期和预设的光伏电站地理位置信息以预设的输入数据采集方法获得当日输入数据集；

A4，根据预设的当日时刻序列和当日输入数据集以数据分割算法生成多个时刻输入数据；

A5，分别将各时刻输入数据输入对应的时刻负荷预测神经网络模型以生成各时刻预测功率；

A6，根据当日时刻序列和各时刻预测功率生成当日负荷预测曲线。

通过采用上述技术方案，可以对各个时刻对应的神经网络模型进行训练，并对光伏电站的各个时刻的负荷进行单独预测，可以提高光伏电站负荷预测的准确度。

可选的，所述光伏短期负荷预测方法还包括以下步骤用于确定有效时刻序列：

B1，于预设的数据库获取光伏电站地理位置信息；

B2，根据预设的采样区间和光伏电站地理位置信息以预设的日出日落算法生成当地日出日落数据；

B3，于当地日出日落数据获取当地最早日出时刻和当地最晚日落时刻；

B4，根据当地最早日出时刻和当地最晚日落时刻确定有效数据时间窗口；

B5，根据预设的时刻宽度和有效数据时间窗口以预设的时刻序列分割算法生成有效时刻序列。

通过采用上述技术方案，所述光伏短期负荷预测方法可以通过确定有效时刻序列，可对神经网络的训练数据进行筛选并对调节训练数据的数据量，以满足不同的训练需求和预测精度。

可选的，所述光伏短期负荷预测方法还包括以下步骤用于生成有效训练数据集：

C1，根据光伏电站地理位置信息和采样区间以预设的气象数据采集方法获得当地历史气象数据；

C2，根据光伏电站地理位置信息和采样区间以预设的太阳角度算法生成当地历史太阳角度数据；

C3，根据采样区间于数据库获取光伏电站历史功率数据；

C4，于有效数据时间窗口内根据当地历史气象数据、当地历史太阳角度数据、当地日出日落数据和光伏电站历史功率数据以预设的训练数据预处理算法生成有效训练数据集。

通过采用上述技术方案，可以根据多个方面的数据生成用于训练神经网络模型的数据集，可以使神经网络模型可以兼顾多个影响因素，提高神经网络对光伏电站负荷预测的准确度。

可选的，所述光伏短期负荷预测方法还包括以下步骤用于确定当日时刻序列以及生成当日输入数据集：

D1，根据当前日期和光伏电站地理位置信息以日出日落算法生成当日日出日落数据，

D2，根据当日日出日落数据确定当日负荷时间窗口；

D3，根据时刻宽度和当日负荷时间窗口以时刻序列分割算法生成当日时刻序列；

D4，根据当前日期和光伏电站地理位置信息以气象数据采集方法获取当日气象数据；

D5，根据当前日期和光伏电站地理位置信息以太阳角度算法生成当日太阳角度数据；

D6，于当日负荷时间窗口内根据当日气象数据、当日太阳角度数据、当日日出日落数据以预设的输入数据预处理算法生成当日输入数据集。

通过采用上述技术方案，所述光伏短期负荷预测方法可以确定光伏电站于当日可进行预测的当日有效时间窗口，并根据当日有效时间窗口获得当日输入数据集，以对可用的输入数据进行筛选，避免无效数据被输入神经网络而影响预测结果。

可选的，所述光伏短期负荷预测方法还包括以下步骤用于确定时刻负荷区间：

E1，获取当前时刻，并于当日时刻序列根据当前时刻获取前一时刻和后一时刻；

E2，于数据库获取前一时刻所对应的电站实际功率并定义为前一实际功率，同时定义前一时刻所对应的时刻预测功率为前一预测功率；

E3，根据后一时刻获取对应的时刻预测功率并定义后一预测功率；

E4，获取当前时刻所对应的电站实际功率并定义为当前实际功率；

E5，根据当前时刻以输入数据采集方法获得当前时刻输入数据；

E6，输入当前时刻输入数据至前一时刻所对应的时刻负荷预测神经网络模型以生成时刻预测功率并定义为前置预测功率；

E7，输入当前时刻输入数据至后一时刻所对应的时刻负荷预测神经网络模型以生成时刻预测功率并定义为后置预测功率；

E8，于前一实际功率、前一预测功率、后一预测功率、当前实际功率、前置预测功率和后置预测功率中分别确定最大值和最小值，并将最大值定义为最大可能功率，将最小值定义为最小可能功率；

E9，根据最大可能功率和最小可能功率确定预测功率区间并定义为时刻负荷区间。

通过采用上述技术方案，所述光伏短期负荷预测方法可以估算当前时刻内光伏电站可能出现的功率波动的区间，从而确定光伏电站的时刻负荷区间，以使电力部门可以根据时刻负荷区间进行负荷调整。

可选的，所述光伏短期负荷预测方法还包括以下步骤供对时刻预测功率进行修正：

F1，获取当前时刻，并于当日时刻序列根据当前时刻获取各前序时刻；

F2，于数据库获取各前序时刻所对应的电站实际功率并生成前序实际功率数据，同时根据各前序时刻所对应的时刻预测功率生成前序预测功率数据；

F3，根据前序实际功率数据和前序预测功率数据以预设的修正算法计算预测修正系数；

F4，根据预测修正系数以预设的修正算法对时刻预测功率进行修正。

通过采用上述技术方案，所述光伏短期负荷预测方法可以较快地对时刻预测功率进行快速地修正。

可选的，所述光伏短期负荷预测方法的所述修正算法包括以下步骤：

G1，根据前序实际功率数据和前序预测功率数据中的相对应数值以预设的偏差率算法并生成偏差率数据；

G2，根据偏差率数据以及预设的置信水平以预设的正态分布算法确定偏差率置信区间；

G3，根据偏差率置信区间获得置信上限值和置信下限值；

G4，根据置信上限值、置信下限值、上限权重和下限权重以预设的权重算法计算预测修正系数。

通过采用上述技术方案，所述光伏短期负荷预测方法可以根据不同的置信水平的需求确定预测修正系数，以对神经网络模型的预测值进行修正，以提高预测精度。

综上所述，本申请包括以下至少一种有益技术效果：

1.所述光伏短期负荷预测方法可以对应不同的时刻训练生成对应神经网络模型，可对光伏电站的各个时刻的负荷进行单独预测，可以提高光伏电站负荷预测的准确度；

2.所述光伏短期负荷预测方法可以通过确定有效时刻序列，可对神经网络的训练数据进行筛选并对调节训练数据的数据量，以满足不同的训练需求和预测精度；

3.所述光伏短期负荷预测方法可以根据多个方面的数据生成用于训练神经网络模型的数据集，可以使神经网络模型可以兼顾多个影响因素，提高神经网络对光伏电站负荷预测的准确度。

附图说明

图1是本发明光伏短期负荷预测方法的步骤流程示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。

下面结合说明书附图对本申请实施例作进一步详细描述。

本申请实施例公开一种光伏短期负荷预测方法，用于预测光伏电站的短期负荷，该方法通过获取相关的历史参数并生成多个时刻的数据集对多个神经网络进行训练以获得各时刻对应的神经网络预测模型，以对光伏电站于不同时刻的负荷进行预测。

参照图1，所述光伏短期负荷预测方法包括以下步骤：

A1，根据预设的有效时刻序列以及预设的有效训练数据集以预设的数据分割算法获得多个有效时刻数据集；

有效时刻序列为工作人员设定或预先生成的时刻序列，可通过一定的时间区间和时刻间隔确定有效时刻区间，因光伏发电只能在白天进行，则白天时段可认为是光伏发电的时间区间，通过一定的时刻间隔，可将这个时间区间分割成一定的时刻序列，则可生成有效时刻序列；

例如，将早上6点至晚上17点的时间区间以1小时的时刻区间分割，则可以得到[6,7,8,9,.....15,16,17]的数组，即可得到有效时刻序列；

有效训练数据集为工作人员设定或预先生成的数据集，为于光伏电站发电的时间区间相对应的数据集，数据集包括各种影响光伏电站发电的条件因素的数值，如天气等因素，通过排除光伏电站不工作时段的相关数据，不但可以提高数据的质量，还可以降低神经网络的训练量，进而提高训练效率和训练质量；

数据分割算法为工作人员设定的算法，用于对有效训练数据集进行分割生成与各个时刻对应的有效时刻数据集；

有效时刻数据集为与有效时刻序列中单个时刻对应的数据集，用于对与有效时刻序列中单个时刻对应的神经网络模型进行训练；

通过将有效训练数据集分割成多个时刻的有效时刻数据集，可以实现对各个时刻对应的神经网络进行训练。

A2，根据有效时刻序列以及各有效时刻数据集分别训练对应的预设的单输出神经网络模型以生成对应的时刻负荷预测神经网络模型；

单输出神经网络模型为工作人员设定的神经网络模型，可以有多个输入变量而只有一个输出结果，可以用于根据多个影响因素预测光伏电站的负荷值；

时刻负荷预测神经网络模型为与有效时刻序列中各个时刻对应的训练后的神经网络模型，用于预测光伏电站于某一时刻的负荷值。

优选地，所述单输出神经网络模型为BP神经网络，BP为Back Propagation的简写，意思是反向传播，其主要的特点是：信号是正向传播的，而误差是反向传播的。

BP神经网络可以在未见过的数据上进行预测，具有较好的泛化能力。

进一步优选地，所述单输出神经网络模型的激活函数为:

其中，z为神经元的输入值，σ(z)为神经元的输出值，e为自然对数。

A3，获取当前日期，根据当前日期和预设的光伏电站地理位置信息以预设的输入数据采集方法获得当日输入数据集；

当前日期为光伏电站当前时间所处的日期；

光伏电站地理位置信息工作人员设定或是预先获取的信息，为光伏电站所处位置的地理位置信息，如经度、维度及海拔高度等；

输入数据采集方法为工作人员设定的方法，用于采集获得当日输入数据集，供输入神经网络进行预测；

当日输入数据集为与当前日期相关的数据集，如当日天气情况、当日日出日落时间、当日太阳高度角、当日太阳方位角等信息。

A4，根据预设的当日时刻序列和当日输入数据集以数据分割算法生成多个时刻输入数据；

当日时刻序列为工作人员设定或预先生成的与当前日期对应的时刻序列，可根据当日的日出日落时间进行和设定的时间间隔分割获得；

时刻输入数据为与当前日期的当日时刻序列对应的数据，用于输入对应的时刻负荷预测神经网络模型以进行预测。

A5，分别将各时刻输入数据输入对应的时刻负荷预测神经网络模型以生成各时刻预测功率；

时刻预测功率为对应当日时刻序列中各时刻的光伏电站的功率预测值。

A6，根据当日时刻序列和各时刻预测功率生成当日负荷预测曲线。

当日负荷预测曲线为根据当日时刻序列中各个时刻和各时刻预测功率生成的曲线图，可供传输至电力系统，使电力系统能够根据日负荷预测曲线当日的电力供应进行调节。

通过以上方法，可以对各个时刻对应的神经网络模型进行训练，并对光伏电站的各个时刻的负荷进行单独预测，可以提高光伏电站负荷预测的准确度。

进一步地，所述光伏短期负荷预测方法还包括以下步骤用于确定有效时刻序列：

B1，于预设的数据库获取光伏电站地理位置信息；

数据库为工作人员设定的模块，用于储存各种相关数据信息；

光伏电站地理位置信息为光伏电站所处地理位置的信息数据，可以包括经度、维度和海拔高度等信息。

B2，根据预设的采样区间和光伏电站地理位置信息以预设的日出日落算法生成当地日出日落数据；

采样区间为工作人员设定的时间区间，用于决定获取数据的时间段，例如设定采样区间为2022年1月1日至2023年1月1日，则会获取该时间段内的数据，采样区间可用于控制获取的数据量；采样区间的长度通常大于1年，以充分体现地理位置对光伏电站负荷的影响；

日出日落算法为工作人员设定的算法，用于根据时间和地理位置计算某天日出日落的时刻，现有比较成熟的日出日落算法可以方便地计算日出日落的时刻；

当地日出日落数据为采样区间内光伏电站当地每一天对应的的日出日落时刻的数据集。

B3，于当地日出日落数据获取当地最早日出时刻和当地最晚日落时刻；

当地最早日出时刻为日出日落数据中时刻最早的日出时刻；

当地最晚日落时刻为日出日落数据中时刻最晚的日出时刻。

B4，根据当地最早日出时间和当地最晚日落时间确定有效数据时间窗口；

有效数据时间窗口为光伏电站可能处于正常发电状态时的时间窗口，因光伏电站于在日出前和日落后不会进行发电，而随着一年内时间的变动，日出时间和日落时间也会变动，故通过确定于采样区间的当地日出日落数据中的当地最早日出时刻和当地最晚日落时刻，可以确定一个有效的区间，排除光伏电站不发电时段的相关数据，以提高数据精度，同时缩减训练神经网络的数据量。

B5，根据预设的时刻宽度和有效数据时间窗口以预设的时刻序列分割算法生成有效时刻序列。

时刻宽度为工作人员设定的各时刻直接的间隔，例如设定时刻宽度为1小时，获得的有效时间窗口为[7,17]则以1小时为间隔分割有效数据时间窗口，得到有效时刻序列为[7,8,9,.....15,16,17]；通过缩小时刻宽度，可以增加用于神经网络训练的训练数据，以及可以增加对应各时刻的神经网络数量，提升整体的预测精度，但是会增加训练成本；而增加时刻宽度，可以减少训练数据，同时会减少对应各时刻的神经网络数量，虽然会降低训练成本，但是也会降低整体的预测精度。

通过以上步骤，所述光伏短期负荷预测方法可以通过确定有效时刻序列，可对神经网络的训练数据进行筛选并对调节训练数据的数据量，以满足不同的训练需求和预测精度。

进一步地，所述光伏短期负荷预测方法还包括以下步骤用于生成有效训练数据集：

C1，根据光伏电站地理位置信息和采样区间以预设的气象数据采集方法获得当地历史气象数据；

气象数据采集方法为工作人员设定的方法，用于通过各种可行的手段获取当地历史气象数据，例如可以通过与气象部门的数据库的数据接口连接的方式，直接从气象部门获取需要的数据；

当地历史气象数据为采样区间内光伏电站当地区域的历史气象数据，可用于对神经网络进行训练。

气象数据可以包括太阳辐照度、温度、相对湿度、大气压强、天气类型、风速、风向等任何可能影响光伏电站发电功率的因素。

C2，根据光伏电站地理位置信息和采样区间以预设的太阳角度算法生成当地历史太阳角度数据；

太阳角度算法为工作人员设定的算法，用于根据地理位置计算光伏电站所处区域计算各个时刻的太阳角度数据，太阳角度数据包括太阳高度角和太阳方位角；

当地历史太阳角度数据为光伏电站所处区域于采样区间内的各个时刻的太阳角度数据，可用于对神经网络进行训练。

C3，根据采样区间于数据库获取光伏电站历史功率数据；

光伏电站历史功率数据为于采样区间内光伏电站的发电功率的历史数据，可用于对神经网络进行训练。

C4，于有效数据时间窗口内根据当地历史气象数据、当地历史太阳角度数据、当地日出日落数据和光伏电站历史功率数据以预设的训练数据预处理算法生成有效训练数据集。

训练数据预处理算法为工作人员设定的算法，用于根据多个数据生成用于训练神经网络的有效训练数据集；

有效训练数据集为用于训练神经网络模型的数据集。

通过以上步骤，可以根据多个方面的数据生成用于训练神经网络模型的数据集，可以使神经网络模型可以兼顾多个影响因素，提高神经网络对光伏电站负荷预测的准确度。

进一步地，所述光伏短期负荷预测方法还包括以下步骤用于确定当日时刻序列以及生成当日输入数据集：

D1，根据当前日期和光伏电站地理位置信息以日出日落算法生成当日日出日落数据，

当日日出日落数据为光伏电站所处位置于当日的日出和日落的时刻数据，可用于剔除日出前和日落后的相关数据，以缩减用于输入神经网络进行预测的输入数据。

D2，根据当日日出日落数据确定当日负荷时间窗口；

当日负荷时间窗口光伏电站所处地理位置于当天的可进行发电的时间窗口，通过当日日出日落数据获得当天的日出时刻和日落时刻，可以确定当日负荷时间窗口。

D3，根据时刻宽度和当日负荷时间窗口以时刻序列分割算法生成当日时刻序列；

通过时刻宽度对当日负荷时间窗口进行分割可获得当日时刻序列。

D4，根据当前日期和光伏电站地理位置信息以气象数据采集方法获取当日气象数据；

当日气象数据为反应光伏电站所处地理区域于当天各个时刻的气象数据，可供输入训练后的神经网络进行光伏电站的功率预测。

D5，根据当前日期和光伏电站地理位置信息以太阳角度算法生成当日太阳角度数据；

当日太阳角度数据为光伏电站所处地理区域于当天各个时刻的太阳角度数据，可供输入训练后的神经网络进行光伏电站的功率预测。

D6，于当日负荷时间窗口内根据当日气象数据、当日太阳角度数据、当日日出日落数据以预设的输入数据预处理算法生成当日输入数据集。

输入数据预处理算法为工作人员设定的，用于处理各种相关数据以生成可供输入神经网络进行结果预测的当日输入数据集；

当日输入数据集为当日影响光伏电站发电功率的各方面影响因素的数据形成的数据集。

通过以上步骤，所述光伏短期负荷预测方法可以确定光伏电站于当日可进行预测的当日有效时间窗口，并根据当日有效时间窗口获得当日输入数据集，以对可用的输入数据进行筛选，避免无效数据被输入神经网络而影响预测结果。

进一步地，所述光伏短期负荷预测方法还包括以下步骤用于确定时刻负荷区间：

E1，获取当前时刻，并于当日时刻序列根据当前时刻获取前一时刻和后一时刻；

当前时刻为光伏电站所于地理区域的当前的时刻；

前一时刻为当日时刻序列中早于当前时刻且最接近当前时刻的时刻；

后一时刻为当前时刻序列中晚于当前时刻且最接近当前时刻的时刻；

例如，假设当前时刻为8：00，当日时刻序列为[7,8,9...14,15,16],则前一时刻为7：00，后一时刻为9：00。

E2，于数据库获取前一时刻所对应的电站实际功率并定义为前一实际功率，同时定义前一时刻所对应的时刻预测功率为前一预测功率；

电站实际功率为光伏电站于某一时刻的实际发电功率，可通过预设的传感器检测获得；

前一实际功率为于前一时刻时光伏电站的实际发电功率；

前一预测功率为于前一时刻时，与前一时刻对应的时刻负荷预测神经网络模型所预测的时刻预测功率。

E3，根据后一时刻获取对应的时刻预测功率并定义后一预测功率；

后一预测功率为于后一时刻时，与后一时刻对应的时刻负荷预测神经网络模型所预测的时刻预测功率。

E4，获取当前时刻所对应的电站实际功率并定义为当前实际功率；

当前实际功率为于当前时刻测量获得的光伏电站的实际功率。

E5，根据当前时刻以输入数据采集方法获得当前时刻输入数据；

当前时刻输入数据为根据当前时刻进行采集获得的用于输入神经网络模型的数据。

E6，输入当前时刻输入数据至前一时刻所对应的时刻负荷预测神经网络模型以生成时刻预测功率并定义为前置预测功率；

前置预测功率为将当前时刻的输入数据输入前一时刻的神经网络模型所得到的光伏电站的预测功率。

E7，输入当前时刻输入数据至后一时刻所对应的时刻负荷预测神经网络模型以生成时刻预测功率并定义为后置预测功率；

后置预测功率为将当前时刻的输入数据输入后一时刻的神经网络模型所得到的光伏电站的预测功率。

E8，于前一实际功率、前一预测功率、后一预测功率、当前实际功率、前置预测功率和后置预测功率中分别确定最大值和最小值，并将最大值定义为最大可能功率，将最小值定义为最小可能功率；

最大可能功率为估算的当前时刻光伏电站可能出现的最大功率；

最小可能功率为估算的当前时刻光伏电站可能出现的最小功率。

E9，根据最大可能功率和最小可能功率确定预测功率区间并定义为时刻负荷区间。

时刻负荷区间为当前时刻内光伏电站的发电功率可能出现的数值区间；

通过最大可能功率和最小可能功率可以获得时刻负荷区间。

通过以上步骤，所述光伏短期负荷预测方法可以估算当前时刻内光伏电站可能出现的功率波动的区间，从而确定光伏电站的时刻负荷区间，以使电力部门可以根据时刻负荷区间进行负荷调整。

进一步地，所述光伏短期负荷预测方法还包括以下步骤供对时刻预测功率进行修正：

F1，获取当前时刻，并于当日时刻序列根据当前时刻获取各前序时刻；

前序时刻为当日时刻序列中早于当前时刻的时刻，例如，假设当前时刻为11：00，当日时刻序列为[7,8,9...14,15,16]，则前序时刻为7：00、8：00、9：00和10：00。

F2，于数据库获取各前序时刻所对应的电站实际功率并生成前序实际功率数据，同时根据各前序时刻所对应的时刻预测功率生成前序预测功率数据；

前序实际功率数据为各前序时刻对应的光伏电站的测量得到的实际发电功率的数据；

前序预测功率数据为各前序时刻对应的通过时刻负荷预测神经网络模型所预测的时刻预测功率的数据。

F3，根据前序实际功率数据和前序预测功率数据以预设的修正算法计算预测修正系数；

修正算法为工作人员设定的算法，用于计算前序实际功率数据和前序预测功率数据之间的数据偏差，进而确定预测修正系数；

预测修正系数为用于对神经网络模型的预测功率进行修正的系数，以根据历史预测的数据对新预测的数据进行快速地修正，免于花费大量时间对神经网络进行再次训练。

F4，根据预测修正系数以预设的修正算法对时刻预测功率进行修正。

修正算法为工作人员设定算法，用于根据修正系数对时刻预测功率进行修正。

通过以上步骤，所述光伏短期负荷预测方法可以较快地对时刻预测功率进行快速地修正。

进一步地，所述修正算法包括以下步骤：

G1，根据前序实际功率数据和前序预测功率数据中的相对应数值以预设的偏差率算法并生成偏差率数据；

偏差率算法为工作人员设定的算法，用于计算前序实际功率数据和前序预测功率数据中对应数据的偏差率；

偏差率数据各对应数据的偏差率的集合；

例如，可用以下公式作为偏差率算法计算偏差率：

其中，ρ为偏差率，A为某一时刻的实际功率数据，a为该时刻的预测功率数据。

G2，根据偏差率数据以及预设的置信水平以预设的正态分布算法确定偏差率置信区间；

置信水平为工作人员设定的数值，用于根据置信水平确定偏差量置信区间；

正态分布算法为工作人员设定算法，用于根据偏差率数据以及置信水平计算偏差率置信区间；

偏差率置信区间为偏差率数据于置信水平下的置信区间。

G3，根据偏差率置信区间获得置信上限值和置信下限值；

置信上限值为偏差率置信区间的上限值；

置信下限值为偏差率置信区间的下限值。

G4，根据置信上限值、置信下限值、上限权重和下限权重以预设的权重算法计算预测修正系数。

权重算法为工作人员设定的算法，用于根据实际情况调节置信上限值和置信下限值的权重值，进而确定预测修正系数；

例如，预测修正系数可通过权重算法以以下公式计算：

f＝z

其中，f为预测修正系数，z

通过以上步骤，所述光伏短期负荷预测方法可以根据不同的置信水平的需求确定预测修正系数，以对神经网络模型的预测值进行修正，以提高预测精度。

以上均为本申请的较佳实施例，并非依此限制本申请的保护范围，本说明书(包括摘要和附图)中公开的任一特征，除非特别叙述，均可被其他等效或者具有类似目的的替代特征加以替换。即，除非特别叙述，每个特征只是一系列等效或类似特征中的一个例子而已。