一种基于光伏出力波动率分型的光伏功率区间预测方法

技术领域

本发明涉及光伏功率预测技术领域，尤其涉及一种基于光伏出力波动率分型的光伏功率区间预测方法及相关设备。

背景技术

近年来，环境和能源问题日益严重，可再生能源发展迅速。随着光伏发电规模的不断扩大，发展光伏发电已成为能源转型的核心和应对气候变化的方法。然而，光伏发电固有的随机性和波动性特点，可能影响电力系统的可靠性和安全性，给电力系统的稳定可靠运行带来巨大挑战。准确的光伏功率区间预测技术可以为电力系统的调度和旋转备用提供依据，是可再生能源消纳的基础和调度运行的核心。

由于光伏出力的随机性与波动性较大，单一模型难以适用于所有的实际状况。因此，合理的天气分型方法，对于建立区间预测多模型十分重要。目前，天气分型的方法主要基于季节或天气类型，并没有考虑光伏出力波动对预测的影响。

急需一种基于光伏出力波动率分型的光伏功率区间预测方法，解决现有光伏出力的随机性与波动性较大，单一模型难以适用于所有的实际状况。

发明内容

本发明实施例提供一种基于光伏出力波动率分型的光伏功率区间预测方法，旨在解决现有光伏出力的随机性与波动性较大，单一模型难以适用于所有的实际状况。通过获取历史光伏功率数据和历史气象数据，并利用历史光伏功率数据和历史气象数据，对天气类型进行划分，得到预设数量的天气类型，不同的天气类型对应不同的光伏波动率区间，并针对每个天气类型构建一个双输出神经模型，并进行训练，得到训练好的区间预测模型，每个训练好的区间预测模型对应一个天气类型，并通过训练好的区间预测模型对不同天气类型的光伏功率进行预测，从而得到光伏功率预测区间，解决了现有光伏出力的随机性与波动性较大，单一模型难以适用于所有的实际状况，本发明能够有效地提高了光伏功率预测区间的精度，体现出光伏出力的不确定性信息，为电力系统的调度运行和旋转备用容量提供了一定的参考。

第一方面，本发明实施例提供一种基于光伏出力波动率分型的光伏功率区间预测方法，所述方法包括：

获取历史光伏功率数据和历史气象数据；

基于所述历史光伏功率数据和所述历史气象数据，对天气类型进行划分，得到预设数量的天气类型，不同的天气类型对应不同的光伏波动率区间；

针对每个天气类型构建一个双输出神经模型，并进行训练，得到训练好的区间预测模型，每个训练好的区间预测模型对应一个天气类型；

通过所述训练好的区间预测模型对不同天气类型的光伏功率进行预测，得到光伏功率预测区间。

可选的，所述基于所述历史光伏功率数据和所述历史气象数据，对天气类型进行划分，得到预设数量的天气类型的步骤包括：

对所述历史光伏功率数据和所述历史气象数据进行数据预处理，得到处理后的历史光伏功率数据和处理后的历史气象数据；

根据所述处理后的历史光伏功率数据，得到光伏功率波动率；

根据所述光伏功率波动率的最大值和所述处理后的历史气象数据，对天气类型进行划分，得到预设数量的天气类型。

可选的，所述根据所述处理后的历史光伏功率数据，得到光伏功率波动率的步骤包括：

根据公式：

即可得到光伏功率波动率γ；式中，T为两采样时刻的时间间隔，P

可选的，所述针对每个天气类型构建一个双输出神经网络模型，并进行训练，得到训练好的区间预测模型的步骤包括：

针对每个天气类型构建一个双输出神经网络模型；

用粒子群优化对双输出神经网络模型进行训练优化，得到训练好的区间预测模型。

可选的，所述针对每个天气类型构建一个双输出神经网络模型的步骤包括：

构建的双输出神经网络模型，较小的预测值作为预测区间的下限，较大的预测值作为预测区间的上限。

可选的，所述用粒子群优化对双输出神经网络模型进行训练优化，得到训练好的区间预测模型的步骤包括：

初始化粒子群；

对所述粒子群、位置参数进行更新迭代，得到种群的最佳速度、最佳位置参数；

通过种群的最佳速度、最佳位置参数对所述双输出神经网络模型进行优化训练，得到训练好的区间预测模型。

可选的，所述通过所述训练好的区间预测模型对不同天气类型的光伏功率进行预测，得到光伏功率预测区间的步骤包括：

通过所述训练好的预测模型对所述不同天气类型的光伏功率进行预测，得到光伏功率第一评价指标；

通过所述训练好的预测模型对所述不同天气类型的光伏功率进行预测，得到光伏功率第二评价指标；

通过所述训练好的预测模型对所述不同天气类型的光伏功率进行预测，得到光伏功率第三评价指标；

基于所述光伏功率第一评价指标、所述光伏功率第二评价指标、所述光伏功率第三评价指标，得到光伏功率预测区间。

第二方面，本发明实施例还提供了一种基于光伏出力波动率分型的光伏功率区间预测的装置，所述基于光伏出力波动率分型的光伏功率区间预测的装置包括：

获取模块，用于获取历史光伏功率数据和历史气象数据；

划分模块，用于基于所述历史光伏功率数据和所述历史气象数据，对天气类型进行划分，得到预设数量的天气类型，不同的天气类型对应不同的光伏波动率区间；

训练模块，用于针对每个天气类型构建一个双输出神经模型，并进行训练，得到训练好的区间预测模型，每个训练好的区间预测模型对应一个天气类型；

预测模块，用于通过所述训练好的区间预测模型对不同天气类型的光伏功率进行预测，得到光伏功率预测区间。

第三方面，本发明实施例提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本发明实施例提供的基于光伏出力波动率分型的光伏功率区间预测方法中的步骤。

第四方面，本发明实施例提供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发明实施例提供的基于光伏出力波动率分型的光伏功率区间预测方法中的步骤。

本发明实施例中，获取历史光伏功率数据和历史气象数据；基于所述历史光伏功率数据和所述历史气象数据，对天气类型进行划分，得到预设数量的天气类型，不同的天气类型对应不同的光伏波动率区间；针对每个天气类型构建一个双输出神经模型，并进行训练，得到训练好的区间预测模型，每个训练好的区间预测模型对应一个天气类型；通过所述训练好的区间预测模型对不同天气类型的光伏功率进行预测，得到光伏功率预测区间。通过获取历史光伏功率数据和历史气象数据，并利用历史光伏功率数据和历史气象数据，对天气类型进行划分，得到预设数量的天气类型，不同的天气类型对应不同的光伏波动率区间，并针对每个天气类型构建一个双输出神经模型，并进行训练，得到训练好的区间预测模型，每个训练好的区间预测模型对应一个天气类型，并通过训练好的区间预测模型对不同天气类型的光伏功率进行预测，从而得到光伏功率预测区间，可以解决现有光伏出力的随机性与波动性较大，单一模型难以适用于所有的实际状况，本发明能够有效地提高了光伏功率预测区间的精度，体现出光伏出力的不确定性信息，为电力系统的调度运行和旋转备用容量提供了一定的参考。

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的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的一种基于光伏出力波动率分型的光伏功率区间预测方法的流程图；

图2是本发明实施例提供的另一种基于光伏出力波动率分型的光伏功率区间预测方法的流程图；

图3是本发明实施例提供的分型后各个类型光伏出力特性对比图；

图4是本发明实施例提供的整体模型与分型后各模型的PICP对比图；

图5是本发明实施例提供的整体模型与分型后各模型的PINAW对比图；

图6是本发明实施例提供的整体模型与分型后各模型的区间预测结果对比图；

图7是本发明实施例中提供的一种基于光伏出力波动率分型的光伏功率区间预测装置的结构示意图；

图8是本发明实施例提供的一种电子设备的结构示意图。

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作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。

需要说明，本发明实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。

另外，在本发明中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。

如图1所示，图1是本发明实施例提供的一种基于光伏出力波动率分型的光伏功率区间预测方法的方法流程图。该基于光伏出力波动率分型的光伏功率区间预测方法包括步骤：

101、获取历史光伏功率数据和历史气象数据。

在本发明实施例中，上述基于光伏出力波动率分型的光伏功率区间预测方法用于光伏电站；上述光伏电站是指利用太阳能进行发电的场所，可以将太阳能转换为电能。

上述光伏功率数据是指光伏电站所发出的总电力数据。

上述历史功率数据可以理解为历史一段时间光伏电站所发出的总电力数据。

上述历史气象数据包括辐照度、温度、湿度和风速。

102、基于历史光伏功率数据和历史气象数据，对天气类型进行划分，得到预设数量的天气类型。

在本发明实施例中，可以对历史光伏功率数据和历史气象数据进行数据预处理，得到处理后的将历史光伏功率数据和处理后的历史气象数据。上述数据预处理包括找出并去除异常数据，用插值法替换异常数据和补全缺失数据，得到预处理后的数据。

进一步的，计算处理后的历史功率数据的光伏出力的波动量和波动率，根据每天光伏出力波动率的最大值，对天气类型进行划分。

上述上述光伏功率波动率是指光伏发电量在一定时间内的变化幅度。

上述光伏出力波动量是指光伏发电量在单位时间内的波动程度，即光伏发电量的变化范围。

具体的，可以按照光伏功率波动率将天气分型为0-10％输出功率、10-20％输出功率、20-30％输出功率、30-40％输出功率和>40％输出功率等五类。

上述预设数量可以是预先设置好的数量，可以是3，4，5等数量。

需要说明的是，不同的天气类型对应不同的光伏波动率区间。

103、针对每个天气类型构建一个双输出神经网络模型，并进行训练，得到训练好的区间预测模型。

在本发明实施例中，上述双输出神经网络模型可以是基于粒子群优化和神经网络，用上下限估计法构建的双输出神经网络模型。

具体的，针对每一个划分后的天气类型，分别构建一个双输出神经网络模型，较小的预测值作为预测区间的下限，较大的预测值作为预测区间的上限，并用粒子群优化对模型参数进行优化，得到优化后的预测模型。

上述粒子群优化是一种基于群体智能的进化算法，粒子群优化算法是基于群体的，根据对环境的适应度将群体中的个体移动到好的区域

进一步的，可以对优化后的预测模型进行测试，计算评价指标PICP、PINAW和CWC，并对模型的性能进行评价，输出得到训练好的预测模型。

上述PICP为预测区间覆盖率，用于评价预测区间的准确度；上述PINAW为预测区间归一化平均宽度，用于评价预测区间的狭窄程度；上述CWC为预测区间宽度准则，即适应度。

需要说明的是，每个训练好的区间预测模型对应一个天气类型。

104、通过训练好的区间预测模型对不同天气类型的光伏功率进行预测，得到光伏功率预测区间。

在本发明实施例中，通过训练好的区间预测模型对不同天气类型的光伏功率进行预测，得到评价指标PICP、PINAW和CWC，并基于PICP、PINAW和CWC，可得到光伏功率预测区间。

上述PICP为预测区间覆盖率，用于评价预测区间的准确度；上述PINAW为预测区间归一化平均宽度，用于评价预测区间的狭窄程度；上述CWC为预测区间宽度准则，即适应度。

上述光伏功率预测区间是指对光伏发电量进行预测的区间范围。

本实施例中，通过获取历史光伏功率数据和历史气象数据，并利用历史光伏功率数据和历史气象数据，对天气类型进行划分，得到预设数量的天气类型，不同的天气类型对应不同的光伏波动率区间，并针对每个天气类型构建一个双输出神经模型，并进行训练，得到训练好的区间预测模型，每个训练好的区间预测模型对应一个天气类型，并通过训练好的区间预测模型对不同天气类型的光伏功率进行预测，从而得到光伏功率预测区间，解决了现有光伏出力的随机性与波动性较大，单一模型难以适用于所有的实际状况，本发明能够有效地提高了光伏功率预测区间的精度，体现出光伏出力的不确定性信息，为电力系统的调度运行和旋转备用容量提供了一定的参考。

可选的，在基于历史光伏功率数据和历史气象数据，对天气类型进行划分，得到预设数量的天气类型的步骤中，可以对历史光伏功率数据和历史气象数据进行数据预处理，得到处理后的历史光伏功率数据和处理后的历史气象数据；根据处理后的历史光伏功率数据，得到光伏功率波动率；根据光伏功率波动率的最大值和处理后的历史气象数据，对天气类型进行划分，得到预设数量的天气类型。

在本发明实施例中，上述光伏功率数据是指光伏电站所发出的总电力数据。

上述历史功率数据可以理解为历史一段时间光伏电站所发出的总电力数据。

上述历史气象数据包括辐照度、温度、湿度和风速。

上述数据预处理可以是对数据进行缺失数据补缺和异常值替换处理，数据预处理包括找出并去除异常数据，用插值法替换异常数据和补全缺失数据。

上述光伏功率波动率是指光伏发电量在一定时间内的变化幅度。

上述光伏功率波动率的最大值可以理解为在一定时间内，光伏发电量变化的最高幅度。

上述预设数量是预先设置好的数量，可以是3，4，5等数量。

进一步的，根据处理后的历史光伏功率数据的光伏出力的波动量和波动率，根据每天光伏出力波动率的最大值，对天气类型进行划分，得到得到预设数量的天气类型。

需要说明的是，不同的天气类型对应不同的光伏波动率区间。

可选的，在根据处理后的历史光伏功率数据，得到光伏功率波动率的步骤中，可以根据公式：

即可得到光伏功率波动率γ；式中，T为两采样时刻的时间间隔，P

进一步的，根据公式：

即可得到光伏出力波动量ΔP

在本发明实施例中，上述光伏功率波动率是指光伏发电量在一定时间内的变化幅度。

上述光伏出力波动量是指光伏发电量在单位时间内的波动程度，即光伏发电量的变化范围。

上述总装机装是指电力系统中实际安装的发电机组的额定有功功率之和。

可选的，在针对每个天气类型构建一个双输出神经网络模型，并进行训练，得到训练好的区间预测模型的步骤中，可以针对每个天气类型构建一个双输出神经网络模型；用粒子群优化对双输出神经网络模型进行训练优化，得到训练好的区间预测模型。

在本发明实施例中，上述双输出神经网络模型可以是基于粒子群优化和神经网络，用上下限估计法构建的双输出神经网络模型。

上述粒子群优化是一种基于群体智能的进化算法，粒子群优化算法是基于群体的，根据对环境的适应度将群体中的个体移动到好的区域。

上述训练优化是指通过训练来提高模型的性能和准确性，通常包括调整超参数、增加训练数据量、改进网络结构等方法。

需要说明的是，每个训练好的区间预测模型对应一个天气类型。

可选的，在针对每个天气类型构建一个双输出神经网络模型的步骤中，构建的双输出神经网络模型，较小的预测值作为预测区间的下限，较大的预测值作为预测区间的上限。

在本发明实施列中，上述双输出神经网络模型是基于粒子群优化和神经网络，用上下限估计法构建的双输出神经网络模型。

需要说明的，将较小的预测值作为预测区间的下限，较大的预测值作为预测区间的上限，可以得到一个更准确的预测区间。

可选的，在用粒子群优化对双输出神经网络模型进行训练优化，得到训练好的区间预测模型的步骤中，可以初始化粒子群；对粒子群、位置参数进行更新迭代，得到种群的最佳速度、最佳位置参数；通过种群的最佳速度、最佳位置参数对双输出神经网络模型进行优化训练，得到训练好的区间预测模型。

在本发明实施例中，上述初始化包括选择合适的学习因子，设置惯性权重和最大迭代次数。

上述更新迭代可以理解为通过不断迭代更新，最终能够得到一个相对优秀的解的过程。

上述最佳速度指的是使粒子群快速达到全局最优解的速度；上述最佳位置参数则是对应于全局最优解的位置。

上述优化训练可以理解为通过调整模型参数来提高模型的性能，从而使其能够更好地完成预测任务的训练过程。

上述双输出神经网络模型是基于粒子群优化和神经网络，用上下限估计法构建的双输出神经网络模型。

具体的，评估每个粒子的初始适应度；将相应的位置作为每个粒子的单个最优位置，将最佳初始自适应值的位置作为组最优位置；将预测区间宽度准则CWC作为适应度，根据公式：

即可求的预测区间宽度准则CWC，即适应度。PICP为预测区间覆盖率，用于评价预测区间的准确度；PINAW为预测区间归一化平均宽度，用于评价预测区间的狭窄程度。κ

进一步的，进行更新迭代，依次更新每个粒子的速度和位置，并比较当前粒子的自适应值是否优于单个历史最佳自适应值。如果当前粒子的自适应值优于单个历史最佳自适应值，则将当前粒子自适应值作为单个历史最佳适应性值，并将相应位置作为单个最佳位置。重复上述步骤直到达到最大迭代次数。

根据公式：

即可依次更新每个粒子的速度v和位置x；式中，i为粒子的顺序，j为迭代次数，ω为惯性权重，p

可选的，在通过训练好的区间预测模型对不同天气类型的光伏功率进行预测，得到光伏功率预测区间的步骤中，可以通过训练好的预测模型对不同天气类型的光伏功率进行预测，得到光伏功率第一评价指标；通过训练好的预测模型对不同天气类型的光伏功率进行预测，得到光伏功率第二评价指标；通过训练好的预测模型对不同天气类型的光伏功率进行预测，得到光伏功率第三评价指标；基于光伏功率第一评价指标、光伏功率第二评价指标、光伏功率第三评价指标，得到光伏功率预测区间。

在本发明实施例中，上述光伏功率第一评价指标可以是PICP评价指标，PICP是预测区间覆盖率；PICP用于评价预测区间的准确度。

上述光伏功率第二评价指标可以是PINAW评价指标，PINAW(PI normalizedaverage width，PINAW)是预测区间归一化平均宽度；PINAW用于评价预测区间的狭窄程度。

上述光伏功率第三评价指标可以是CWC评价指标，CWC是预测区间宽度准则，即适应度。

需要说明的是，PICP评价指标、PINAW评价指标和CWC评价指标越小，则得到更精确的预测区间。

上述光伏功率预测区间是指对光伏发电量进行预测的区间范围。

另一种实施例中，数据可来自华北电力大学新能源电力系统国家重点实验室光伏实证测试电站的实测数据，数据采样检测为15分钟。如图2所示，图2是本发明实施例提供的另一种基于光伏出力波动率分型的光伏功率区间预测方法的流程图。该基于光伏出力波动率分型的光伏功率区间预测方法具体包括以下步骤：

201、获取历史功率数据和历史气象数据，并对获取的数据进行预处理。

其中，上述历史功率数据是指历史一段时间光伏电站所发出的总电力数据；上述历史气象数据包括辐照度、温度、湿度和风速；上述数据预处理包括找出并去除异常数据，用插值法替换异常数据和补全缺失数据，得到预处理后的数据。

202、计算预处理后历史功率数据的光伏出力的波动量和波动率，根据每天光伏出力波动率的最大值，对天气类型进行划分。

其中，上述光伏功率波动率是指光伏发电量在一定时间内的变化幅度；上述光伏出力波动量是指光伏发电量在单位时间内的波动程度，即光伏发电量的变化范围。

具体的，根据公式：

即可得到光伏出力波动量ΔP

上述总装机量是指一定时间内，光伏发电系统累计的装机总量。

可选的，图3为天气分型后5种天气类型的光伏出力特征的对比图。具体的，按照光伏波动率，将天气分型为0-10％、10-20％、20-30％、30-40％和>40％五类。从图3可以看出，分型后的每种天气类型出力特征差异明显，能较好的区分光伏出力状况。

203、针对每一个划分后的天气类型，分别构建一个双输出神经网络模型，较小的预测值作为预测区间的下限，较大的预测值作为预测区间的上限，并用粒子群优化对模型参数进行优化。

其中，构建的双输出神经网络，较小的预测值作为预测区间的下限，较大的预测值作为预测区间的上限。

204、初始化粒子群。

其中，选择合适的学习因子，设置惯性权重和最大迭代次数。

205、对粒子群的速度、位置参数进行更新迭代，直到达到最大迭代次数，并输出种群的最佳速度、位置参数。

其中，将预测区间宽度准则CWC作为适应度，评估每个粒子的初始适应度。将相应的位置作为每个粒子的单个最优位置，将最佳初始自适应值的位置作为组最优位置。之后进行更新迭代，依次更新每个粒子的速度和位置，并比较当前粒子的自适应值是否优于单个历史最佳自适应值。如果当前粒子的自适应值优于单个历史最佳自适应值，则将当前粒子自适应值作为单个历史最佳适应性值，并将相应位置作为单个最佳位置。重复上述步骤直到达到最大迭代次数。

206、对优化后的预测模型进行测试，计算评价指标PICP、PINAW和CWC，并对模型的性能进行评价，输出最佳模型。

其中，对优化后的预测模型进行测试，计算评价指标PICP、PINAW和CWC，并对模型的性能进行评价，输出最佳的预测模型。

上述PICP为预测区间覆盖率，用于评价预测区间的准确度；上述PINAW为预测区间归一化平均宽度，用于评价预测区间的狭窄程度；上述CWC为预测区间宽度准则，即适应度。

207、通过最佳的预测模型模型对不同天气类型的光伏功率进行预测，得到光伏功率预测区间。

在本发明实施例中，通过计算光伏波动率，以此为依据进行天气分型，并基于粒子群优化和神经网络，用上下限估计法建立光伏功率区间预测模型，得到更精确的预测区间，能够有效地提高光伏功率预测区间的精度，体现出光伏出力的不确定性信息，为电力系统的调度运行和旋转备用容量提供了一定的参考。

另一种实施例中，为验证本发明所提模型的性能，将本发明所提出的分型后模型与不进行天气分型的整体模型做了对比，计算了其PICP和PINAW，并做了区间预测结果对比图。PICP和PINAW的对比图分别如图4和图5所示。不同波动率条件下，分型后模型的PINAW均低于整体模型，除了10-20％模型外，其他分型后模型的PICP均高于整体模型。区间预测结果对比图如图6所示。

其中，上述PICP为预测区间覆盖率，用于评价预测区间的准确度；上述PINAW为预测区间归一化平均宽度，用于评价预测区间的狭窄程度。

在本发明实施例中，根据光伏出力波动率进行天气分型，并在此基础上通过粒子群优化的双输出神经网络，用上下限估计法建立区间预测模型。提高率光伏功率区间预测精度，对电力系统的运行调度和可再生能源消纳具有重要意义。

如图7所示，本发明实施例提供一种基于光伏出力波动率分型的光伏功率区间预测装置，该基于光伏出力波动率分型的光伏功率区间预测装置包括：

获取模块701，用于获取历史光伏功率数据和历史气象数据；

划分模块702，用于基于所述历史光伏功率数据和所述历史气象数据，对天气类型进行划分，得到预设数量的天气类型，不同的天气类型对应不同的光伏波动率区间；

训练模块703，用于针对每个天气类型构建一个双输出神经模型，并进行训练，得到训练好的区间预测模型，每个训练好的区间预测模型对应一个天气类型；

预测模块704，用于通过所述训练好的区间预测模型对不同天气类型的光伏功率进行预测，得到光伏功率预测区间。

可选的，所述划分模块702包括：

第一处理子模块，用于对所述历史光伏功率数据和所述历史气象数据进行数据预处理，得到处理后的历史光伏功率数据和处理后的历史气象数据；

第二处理子模块，用于根据所述处理后的历史光伏功率数据，得到光伏功率波动率；

划分子模块，用于根据所述光伏功率波动率的最大值和所述处理后的历史气象数据，对天气类型进行划分，得到预设数量的天气类型。

可选的，所述第二处理子模块还用于根据公式：

即可得到光伏功率波动率γ；式中，T为两采样时刻的时间间隔，P

可选的，所述训练模块703包括：

构建子模块，用于针对每个天气类型构建一个双输出神经网络模型；

训练子模块，用于用粒子群优化对双输出神经网络模型进行训练优化，得到训练好的区间预测模型。

可选的，所述训练模块703还用于构建的双输出神经网络模型，较小的预测值作为预测区间的下限，较大的预测值作为预测区间的上限。

可选的，所述训练子模块包括：

第一处理单元，用于初始化粒子群；

第二处理单元，用于对所述粒子群、位置参数进行更新迭代，得到种群的最佳速度、最佳位置参数；

训练单元，用于通过种群的最佳速度、最佳位置参数对所述双输出神经网络模型进行优化训练，得到训练好的区间预测模型。

可选的，所述预测模块704包括：

第一预测子模块，用于通过所述训练好的预测模型对所述不同天气类型的光伏功率进行预测，得到光伏功率第一评价指标；

第二预测子模块，用于通过所述训练好的预测模型对所述不同天气类型的光伏功率进行预测，得到光伏功率第二评价指标；

第三预测子模块，用于通过所述训练好的预测模型对所述不同天气类型的光伏功率进行预测，得到光伏功率第三评价指标；

第三处理子模块，用于基于所述光伏功率第一评价指标、所述光伏功率第二评价指标、所述光伏功率第三评价指标，得到光伏功率预测区间。

参见图8，图8是本发明实施例提供的一种电子设备的结构示意图，如图8所示，包括：存储器802、处理器801及存储在存储器802上并可在处理器801上运行的基于光伏出力波动率分型的光伏功率区间预测方法的计算机程序，其中：

处理器801用于调用存储器802存储的计算机程序，执行如下步骤：

获取历史光伏功率数据和历史气象数据；

基于所述历史光伏功率数据和所述历史气象数据，对天气类型进行划分，得到预设数量的天气类型，不同的天气类型对应不同的光伏波动率区间；

针对每个天气类型构建一个双输出神经模型，并进行训练，得到训练好的区间预测模型，每个训练好的区间预测模型对应一个天气类型；

通过所述训练好的区间预测模型对不同天气类型的光伏功率进行预测，得到光伏功率预测区间。

可选的，处理器801执行的所述基于所述历史光伏功率数据和所述历史气象数据，对天气类型进行划分，得到预设数量的天气类型的步骤包括：

对所述历史光伏功率数据和所述历史气象数据进行数据预处理，得到处理后的历史光伏功率数据和处理后的历史气象数据；

根据所述处理后的历史光伏功率数据，得到光伏功率波动率；

根据所述光伏功率波动率的最大值和所述处理后的历史气象数据，对天气类型进行划分，得到预设数量的天气类型。

可选的，处理器801执行的所述根据所述处理后的历史光伏功率数据，得到光伏功率波动率的步骤包括：

根据公式：

即可得到光伏功率波动率γ；式中，T为两采样时刻的时间间隔，P

可选的，处理器801执行的所述针对每个天气类型构建一个双输出神经网络模型，并进行训练，得到训练好的区间预测模型的步骤包括：

针对每个天气类型构建一个双输出神经网络模型；

用粒子群优化对双输出神经网络模型进行训练优化，得到训练好的区间预测模型。

可选的，处理器801执行的所述针对每个天气类型构建一个双输出神经网络模型的步骤包括：

构建的双输出神经网络模型，较小的预测值作为预测区间的下限，较大的预测值作为预测区间的上限。

可选的，处理器801执行的所述用粒子群优化对双输出神经网络模型进行训练优化，得到训练好的区间预测模型的步骤包括：

初始化粒子群；

对所述粒子群、位置参数进行更新迭代，得到种群的最佳速度、最佳位置参数；

通过种群的最佳速度、最佳位置参数对所述双输出神经网络模型进行优化训练，得到训练好的区间预测模型。

可选的，处理器801执行的所述通过所述训练好的区间预测模型对不同天气类型的光伏功率进行预测，得到光伏功率预测区间的步骤包括：

通过所述训练好的预测模型对所述不同天气类型的光伏功率进行预测，得到光伏功率第一评价指标；

通过所述训练好的预测模型对所述不同天气类型的光伏功率进行预测，得到光伏功率第二评价指标；

通过所述训练好的预测模型对所述不同天气类型的光伏功率进行预测，得到光伏功率第三评价指标；

基于所述光伏功率第一评价指标、所述光伏功率第二评价指标、所述光伏功率第三评价指标，得到光伏功率预测区间。

本发明实施例提供的电子设备能够实现上述方法实施例中基于光伏出力波动率分型的光伏功率区间预测方法实现的各个过程，且可以达到相同的有益效果。为避免重复，这里不再赘述。

本发明实施例还提供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，该计算机程序被处理器执行时实现本发明实施例提供的基于光伏出力波动率分型的光伏功率区间预测方法或应用端基于光伏出力波动率分型的光伏功率区间预测方法的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存取存储器(Random Access Memory，简称RAM)等。

以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是在本发明的发明构思下，利用本发明说明书及附图内容所做的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。