新能源并网容量预测方法、电子设备及存储介质与流程

1.本发明属于新能源技术领域，更具体地说，是涉及一种新能源并网容量预测方法、电子设备及存储介质。


背景技术：

2.清洁型新能源例如：潮汐、风能、太阳能等将作为能源供应方式的重点研究对象。其中，分散性、小型化和清洁化的分布式发电凭借灵活的实现方式和场景适应能力，将成为“双碳”目标实现过程中重要的能源供应方式之一。随着试点区域的屋顶分布式光伏等新能源大量建设并网，供电企业面临分布式电源大范围、大规模接入的情况，需要对未来装机容量进行预测，以便作出相应的应对和解决预案。
3.就目前实际情况看，对于宏观新能源发展装机容量方面的预测工作开展的相对较少，也缺乏行之有效且科学合理的预测方法。有鉴于此，本领域技术人员亟需提供一种新能源并网容量预测方法来解决此类问题。


技术实现要素：

4.本发明的目的在于提供一种新能源并网容量预测方法、电子设备及存储介质，以解决如何优化新能源并网容量预测效果的问题。
5.本发明实施例的第一方面，提供了一种新能源并网容量预测方法，包括：
6.获取预测对象的历史新能源装置容量数据构建原始时间数据序列，并根据所述原始时间数据序列确定中间参数；
7.根据所述原始时间数据序列和所述中间参数进行偏差分析处理构建第一时间数据序列，并根据所述第一时间数据序列确定第一中间参数；
8.根据所述原始时间数据序列和所述第一中间参数进行偏差分析处理构建第二时间数据序列，并根据所述第二时间数据序列确定第二中间参数和震荡回归偏差分析模型相关参数；
9.根据所述第二中间参数和震荡回归偏差分析模型相关参数构建震荡回归偏差分析模型，并基于震荡回归偏差分析模型确定所述原始时间序列的目标预测值。
10.在一种可能的实现方式中，所述获取预测对象的历史新能源装置容量数据构建原始时间数据序列，包括：
11.按照设定时间段内预测对象的新能源装置总容量作为所述原始时间数据序列的基本元素；
12.根据多个基本元素构建原始时间数据序列。
13.在一种可能的实现方式中，所述设定时间段为年、季度或月。
14.在一种可能的实现方式中，所述根据所述原始时间数据序列确定中间参数，包括：
15.对所述原始时间数据序列进行一次累加生成中间数据序列；
16.基于所述中间数据序列构建第一矩阵和第二矩阵；
17.根据所述第一矩阵和所述第二矩阵确定中间参数。
18.在一种可能的实现方式中，在所述根据所述原始时间数据序列确定中间参数之后，还包括：
19.根据所述原始时间数据序列和所述中间参数确定震荡回归偏差分析模型相关参数，根据所述震荡回归偏差分析模型相关参数构建震荡回归偏差分析模型，并根据震荡回归偏差分析模型进行一次累减还原，得到原始时间序列的第一预测值。
20.在一种可能的实现方式中，在所述根据所述第一时间数据序列确定第一中间参数之后，还包括：
21.根据所述第一时间数据序列和所述第一中间参数确定震荡回归偏差分析模型相关参数，根据所述震荡回归偏差分析模型相关参数构建震荡回归偏差分析模型，并根据震荡回归偏差分析模型进行一次累减还原，得到所述第一时间数据序列的第二预测值。
22.在一种可能的实现方式中，该方法还包括：
23.分别计算所述第一预测值与所述原始时间序列之间的第一误差、所述第二预测值与所述原始时间序列之间的第二误差，以及，所述目标预测值与原始时间序列之间的第三误差；
24.在所述第一误差、第二误差和所述第三误差满足设定条件时，输出所述目标预测值。
25.在一种可能的实现方式中，所述设定条件包括：
26.所述第三误差小于所述第二误差，所述第二误差小于所述第一误差，且所述第三误差小于设定值。
27.本发明实施例的第二方面，提供了一种新能源并网容量预测装置，包括：
28.初始计算模块，用于获取预测对象的历史新能源装置容量数据构建原始时间数据序列，并根据所述原始时间数据序列确定中间参数；
29.一次偏差模块，用于根据所述原始时间数据序列和所述中间参数进行偏差分析处理构建第一时间数据序列，并根据所述第一时间数据序列确定第一中间参数；
30.二次偏差模块，用于根据所述原始时间数据序列和所述第一中间参数进行偏差分析处理构建第二时间数据序列，并根据所述第二时间数据序列确定第二中间参数和震荡回归偏差分析模型相关参数；根据所述第二中间参数和震荡回归偏差分析模型相关参数构建震荡回归偏差分析模型，并基于震荡回归偏差分析模型确定所述原始时间序列的目标预测值。
31.本发明实施例的第三方面，提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时上述所述方法的步骤。
32.本发明实施例的第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。
33.本发明提供的新能源并网容量预测方法、电子设备及存储介质的有益效果在于：
34.1、基于震荡回归偏差分析模型，提供对新能源并网容量的优化预测方案。基于预测对象的历史新能源装置容量数据波动性与畸变程度分析，对预测结果的震荡幅度进行预测。同时拟合平滑曲线完成回归的过程，过程中根据预测对象的历史新能源装置容量数据
的波动幅值的离散程度进行偏差分析过程，解决预测中的偏差问题；
35.2、震荡回归偏差分析模型的时间响应式与震荡回归模型不同之处在于，后者为齐次指数函数形式，前者为非齐次指数函数形式，即在指数函数后加了一个线性项，故能对凸凹不平的近似指数分布时间序列进行预测，提高模型预测性能和预测精度。
附图说明
36.为了更清楚地说明本发明实施例中的技术方案，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。
37.图1为本发明一实施例提供的新能源并网容量预测方法的流程示意图；
38.图2为本发明另一实施例提供的新能源并网容量预测方法的流程示意图；
39.图3为本发明一具体实施例提供的新能源装机容量预测后的发展趋势曲线图；
40.图4为本发明一实施例提供的新能源并网容量预测装置的结构框图；
41.图5为本发明一实施例提供的电子设备的示意框图。
具体实施方式
42.以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
43.分散性、小型化和清洁化的分布式发电是可再生能源利用的重要形式，凭借灵活的实现方式和场景适应能力，将成为“双碳”目标实现过程中重要的能源供应方式之一。
44.2021年6月，国家能源局发布了《关于报送整县(市、区)屋顶分布式光伏开发试点方案的通知》。随着试点区域的屋顶分布式光伏等新能源大量建设并网，对传统电网的安全运行与有序发展带来前所未有的挑战，新能源发电的出力特性、峰谷负荷的时序平抑、电网潮流的复杂多变等等方面都存在诸多亟待解决的问题。对于供电企业而言，从电网科学建设发展与安全高效运行角度看，对未来负荷发展水平进行科学合理的预测，能够协助电网调度部门科学制定调度计划，确保电网能够有效面临高峰负荷的冲击和影响。同理，面临分布式电源大范围、大规模接入的情况，供电企业也需要对未来装机容量进行预测，以便作出相应的应对和解决预案。
45.根据基础数据条件来选择预测模型，信息完全已知为白色模型，信息部分已知为灰色模型，信息均不可知为黑色模型，显然，新能源装机装机容量预测属于灰色模型范畴。本技术实施例则旨在解决新能源装机容量预测过程中灰色模型不可知信息带来的预测量偏差问题。
46.本技术实施例应用震荡回归偏差分析模型开展新能源并网容量预测，引入震荡回归偏差系数k，解决预测中的偏差问题。震荡回归偏差分析模型的时间响应式与震荡回归模型不同之处在于，后者为齐次指数函数形式，前者为非齐次指数函数形式，即在指数函数后加了一个线性项，故能对凸凹不平的近似指数分布时间序列进行预测。传统的震荡回归模
型参数估计是采用灰色模型的常规形式，即使是拟合具有完全非齐次指数函数规律的序列，仍然会存在较大的误差。震荡回归偏差分析模型从多方面入手，对传统的震荡回归模型进行彻底优化，使震荡回归偏差分析模型的性能产生了质的飞跃，性能得到了提升，预测精度大为改善。
47.为使本发明的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施例来进行说明。
48.请参考图1，图1为本发明一实施例提供的新能源并网容量预测方法的流程示意图，该方法包括：
49.s101、获取预测对象的历史新能源装置容量数据构建原始时间数据序列，并根据原始时间数据序列确定中间参数。
50.其中，预测对象为目标地区，例如：省、市、县等行政区域。新能源装置为光伏发电设备、风力发电设备或潮汐发电设备等。本技术实施例重点以光伏发电设备进行研究。
51.s102、根据原始时间数据序列和中间参数进行偏差分析处理构建第一时间数据序列，并根据第一时间数据序列确定第一中间参数。
52.s103、根据原始时间数据序列和第一中间参数进行偏差分析处理构建第二时间数据序列，并根据第二时间数据序列确定第二中间参数和震荡回归偏差分析模型相关参数。
53.s104、根据第二中间参数和震荡回归偏差分析模型相关参数构建震荡回归偏差分析模型，并基于震荡回归偏差分析模型确定原始时间序列的目标预测值。
54.在一种可能的实现方式中，步骤s101中，获取预测对象的历史新能源装置容量数据构建原始时间数据序列，包括：
55.按照设定时间段内预测对象的新能源装置总容量作为原始时间数据序列的基本元素；
56.根据多个基本元素构建原始时间数据序列。
57.在一种可能的实现方式中，设定时间段为年、季度或月。
58.可选的，新能源设备的布设或新能源系统建设受季节环境因素或工期影响，每月的新增量会有所不同。因此，为提高预测效率，根据具体的季节环境或工期影响因素确定构建原始时间数据序列的周期。
59.在一种可能的实现方式中，步骤s101中，根据原始时间数据序列确定中间参数，包括：
60.对原始时间数据序列进行一次累加生成中间数据序列；
61.基于中间数据序列构建第一矩阵x和第二矩阵y；
62.根据第一矩阵x和第二矩阵y确定中间参数d。
63.相应的，步骤s102和步骤s103中，基于相同的过程确定第一中间参数和第二中间参数。
64.在一种可能的实现方式中，在步骤s101中根据原始时间数据序列确定中间参数之后，还包括：
65.根据原始时间数据序列和中间参数确定震荡回归偏差分析模型相关参数，根据震荡回归偏差分析模型相关参数构建震荡回归偏差分析模型，并根据震荡回归偏差分析模型进行一次累减还原，得到原始时间序列的第一预测值。
66.在一种可能的实现方式中，在步骤s102中根据第一时间数据序列确定第一中间参数之后，还包括：
67.根据第一时间数据序列和第一中间参数确定震荡回归偏差分析模型相关参数，根据震荡回归偏差分析模型相关参数构建震荡回归偏差分析模型，并根据震荡回归偏差分析模型进行一次累减还原，得到第一时间数据序列的第二预测值。
68.在一种可能的实现方式中，该方法还包括：
69.分别计算第一预测值与原始时间序列之间的第一误差、第二预测值与原始时间序列之间的第二误差，以及，目标预测值与原始时间序列之间的第三误差；
70.在第一误差、第二误差和第三误差满足设定条件时，输出目标预测值。
71.在一种可能的实现方式中，设定条件包括：
72.第三误差小于第二误差，第二误差小于第一误差，且第三误差小于设定值。
73.在本实施例中，基于震荡回归偏差分析模型，提供对新能源并网容量的优化预测方案。基于预测对象的历史新能源装置容量数据波动性与畸变程度分析，对预测结果的震荡幅度进行预测。同时拟合平滑曲线完成回归的过程，过程中根据预测对象的历史新能源装置容量数据的波动幅值的离散程度进行偏差分析过程，提高模型预测性能和预测精度，优化新能源并网容量预测效果。
74.其中，该新能源并网容量预测方法可以应用于分布式光伏并网容量的实际场景，上述实施例提供的新能源并网容量预测方法中，震荡回归偏差分析模型构建和偏差分析计算具体实施过程如下：
75.(1)震荡回归偏差分析模型
76.震荡回归即基于历史样本数据波动性与畸变程度分析，对预测结果的震荡幅度进行预测，同时拟合平滑曲线完成回归的过程，过程中需要根据样本数据的波动幅值的离散程度对预测数据的波动幅值进行偏差纠正，即偏差分析过程。整体提出的概念和方法即为基于震荡回归偏差分析模型。
77.设有一原始时间数据序列为：
78.x
(0)
(k)＝{x
(0)
(1)，x
(0)
(2)，
…
，x
(0)
(n)}，k＝1，2，
…
，n
ꢀꢀꢀ
(1)
79.对原始数据序列进行一次累加，生成数据序列：
80.x
(1)
(k)＝{x
(1)
(1)，x
(1)
(2)，
ꢀ…
，x
(1)
(n)}
ꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
81.其中，
[0082][0083]
x
(0)
(k)+ax
(1)
(k)＝bk+c
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0084]
式(4)称为非齐次灰色预测模型，其中a、b、c为常数系数。
[0085]
引入中间变量d＝(d1，d2，d3)t，则震荡回归偏差分析模型的参数d的估计值为：
[0086][0087]
其中，
[0088][0089]
令a、b、c为震荡回归偏差分析模型的有关参数，则可以按以下公式求其数值：
[0090][0091]
若以等于x
(0)
(1)为初始条件，那么震荡回归偏差分析模型的时间响应式为：
[0092][0093]
式(8)即为震荡回归偏差分析模型的基本表达式；
[0094]
对式(8)进行一次累减还原，即得到原始时间序列的预测值为：
[0095][0096]
(2)偏差分析计算模型
[0097]
偏差分析的作用是对原数据序列中畸形数据、剧烈波动的部分数据进行修正，使其变化幅度趋缓，提高整个数据序列的平滑度。对原始时间进行偏差分析处理，不同的偏差分析适合不同特点的原始时间序列的处理，各有优缺点。本文采用以下偏差分析对原始时间序列进行处理，适应性强，效果显著。
[0098]
设有一原始时间系列为：
[0099]
x
(0)
(k)＝{x
(0)
(1)，x
(0)
(2)，
…
，x
(0)
(n)}，k＝1，2，
…
，n
ꢀꢀꢀ
(10)
[0100]
对原始时间系列进行偏差分析处理，生成新时间系列：
[0101]
x
(0)
(k)d＝{x
(0)
(1)d，x
(0)
(2)d，
…
，x
(0)
(n)d}
ꢀꢀꢀ
(11)
[0102]
其中，
[0103][0104]
其中：x
(0)
(k)d为偏差分析处理后的新时间序列。
[0105]
记原始时间系列与偏差分析处理后的新时间序列之差为：
[0106]
e(k)＝{e
(0)
(1)，e
(0)
(2)，
…
，e
(0)
(n)}，k＝1，2，
…
，n
ꢀꢀꢀ
(13)
[0107]
其中，
[0108]e(0)
(k)＝x
(0)
(k)d-x
(0)
(k)，k＝1，2，
…
，n
ꢀꢀꢀ
(14)
[0109]
以x
(0)
(k)d为新的时间数据序列，并按震荡回归偏差分析模型方法建模，得到偏差分析序列的预测值
[0110]
则原始时间的最终预测值为：
[0111]
[0112]
将式(15)中偏差分析处理后的预测值减去偏差分析处理后的序列与原始时间序列的差值。
[0113]
以下结合具体实施例，以年为设定时间获取预测对象的历史新能源装置容量数据进行与预测分析研究：
[0114]
步骤一：原始信息提取并记为基础数据值
[0115]
以研究对象的历史年新能源装机容量数据为原始信息样本，选择六年数据为基础样本，信息数据的个数与后续的计算密切相关，体现在中间计算过程的数据矩阵转置计算的工作量；
[0116][0117]
其中，2016年数据记为x1，2017年数据记为x2，
……
，2021年数据记为x6。
[0118]
步骤二：初步构建震荡回归偏差分析计算模型
[0119]
(1)原矩阵构建，根据上述数学公式(6)，设置x值和y值，并列写x和y的原始矩阵模型，如下表：
[0120][0121]
(2)x矩阵转置；
[0122][0123]
(3)分别计算过程矩阵积值(过程矩阵积1、过程矩阵积2、过程矩阵积3)；
[0124]
[0125][0126][0127][0128]
(4)计算中间变量d(d1，d2，d3)，其计算过程为过程矩阵积3与y矩阵的乘积；
[0129][0130]
(5)计算模型的各项系数，按照公式(7)和(8)的方法计算a，b，c值。
[0131][0132]
步骤三：偏差分析
[0133]
未经偏差分析纠正的计算结果与经验值相比偏差较大，能够从数据的合理性得到验证，因此需要借助偏差分析对偏差进行纠正。利用公式(15)进行计算，得到一组模拟的原始信息数据，即对数据进行一次清洗。
[0134]
(1)一次偏差分析清洗数据；
[0135][0136]
(2)构建原始矩阵阵列，与步骤二的计算过程一致；
[0137][0138]
(3)原始矩阵转置；
[0139][0140]
(3)计算x矩阵的过程矩阵积与逆矩阵积；
[0141][0142][0143][0144]
(4)计算中间变量d(d1，d2，d3)过程矩阵积与y矩阵的乘积即为中间变量d计算值。
[0145][0146]
(5)构建基于一次偏差分析的计算模型
[0147][0148]
步骤四：偏差分析冲纠正
[0149]
同步骤三，进行一次偏差纠正后的数据清洗结果仍未满足计算需求，需要进行二次偏差分析计算。
[0150]
(1)二次偏差分析计算
[0151]
2016年2017年2018年2019年2020年2021年1.925.2648.6356.0674.0692.06
[0152]
(2)基于二次偏差分析数据，构建原始x矩阵和y矩阵
[0153][0154]
(3)x矩阵转置
[0155][0156]
(4)x矩阵的过程矩阵积计算
[0157]
[0158][0159][0160][0161]
(5)中间变量d值计算
[0162][0163]
(6)基于震荡回归偏差纠正模型计算
[0164][0165]
步骤五：基于偏差分析偏差纠正的预测结果计算完成上述四个步骤，进行预测结果的计算。
[0166][0167]
本技术实施例整体上取得以下技术进步效果：
[0168]
(1)补充一项该领域计算方法
[0169]
在新能源发展规模预测领域，较少有参考模型，且目前大多数地区尚未开展相关工作的研究，缺少一种预测工具，往往仅凭工作经验或政策文件导向来进行主观判断和预
测。本方法是结合预测模型的科学性以及新能源发展规模规律的模糊性来开展研究的，具有较强的客观性和普遍适用性。
[0170]
(2)提高工作效率和工作效果
[0171]
本方法可作为电力相关专业研究人员在分布式新能源领域开展各项研究的一种基础工具，能够省去方法的研究过程直接使用，提高了工作效率；且预测结果经验证具有较高可信度，提高工作的成效。
[0172]
(3)为供电企业的生产经营和调度管理方式带来实质性效益
[0173]
类似于调度部门编制的年度运行方式报告，要对下一年度的负荷发展趋势进行预测，以便制定相应的调度管理策略。对新能源的发展规模进行预测，也同样为电网企业的发展部、运维部和调度中心等部门提供了科学的参考数据，能够在策略制定和决策制定上带来切实的效益。
[0174]
基于本技术实施例提供的方案，在河北省部分县市开展了实际计算，以邢台市沙河市、临城县和内丘县为样例进行结果展示。
[0175]
基于震荡回归偏差分析模型的新能源发电装机容量预测过程(邢台三县)
[0176]
[0177][0178]
如图3是基于本技术实施例提供的新能源并网容量预测方法对邢台三县的新能源装机容量预测后的发展趋势曲线图。
[0179]
对应于上文实施例的新能源并网容量预测方法，图4为本发明一实施例提供的新能源并网容量预测装置的结构框图。为了便于说明，仅示出了与本发明实施例相关的部分。参考图4，该新能源并网容量预测装置40包括：初始计算模块401、一次偏差模块402和二次偏差模块403。
[0180]
其中，初始计算模块401，用于获取预测对象的历史新能源装置容量数据构建原始时间数据序列，并根据原始时间数据序列确定中间参数；
[0181]
一次偏差模块402，用于根据原始时间数据序列和中间参数进行偏差分析处理构建第一时间数据序列，并根据第一时间数据序列确定第一中间参数；
[0182]
二次偏差模块403，用于根据原始时间数据序列和第一中间参数进行偏差分析处理构建第二时间数据序列，并根据第二时间数据序列确定第二中间参数和震荡回归偏差分析模型相关参数；根据第二中间参数和震荡回归偏差分析模型相关参数构建震荡回归偏差分析模型，并基于震荡回归偏差分析模型确定原始时间序列的目标预测值。
[0183]
在一种可能的实现方式中，初始计算模块401，具体用于：
[0184]
按照设定时间段内预测对象的新能源装置总容量作为原始时间数据序列的基本元素；
[0185]
根据多个基本元素构建原始时间数据序列。
[0186]
在一种可能的实现方式中，设定时间段为年、季度或月。
[0187]
在一种可能的实现方式中，初始计算模块401，具体用于：
[0188]
对原始时间数据序列进行一次累加生成中间数据序列；
[0189]
基于中间数据序列构建第一矩阵和第二矩阵；
[0190]
根据第一矩阵和第二矩阵确定中间参数。
[0191]
在一种可能的实现方式中，初始计算模块401，还用于根据原始时间数据序列和中间参数确定震荡回归偏差分析模型相关参数，根据震荡回归偏差分析模型相关参数构建震荡回归偏差分析模型，并根据震荡回归偏差分析模型进行一次累减还原，得到原始时间序
列的第一预测值。
[0192]
在一种可能的实现方式中，一次偏差模块402，还用于根据第一时间数据序列和第一中间参数确定震荡回归偏差分析模型相关参数，根据震荡回归偏差分析模型相关参数构建震荡回归偏差分析模型，并根据震荡回归偏差分析模型进行一次累减还原，得到第一时间数据序列的第二预测值。
[0193]
在一种可能的实现方式中，该装置还包括校验模块，用于分别计算第一预测值与原始时间序列之间的第一误差、第二预测值与原始时间序列之间的第二误差，以及，目标预测值与原始时间序列之间的第三误差；在第一误差、第二误差和第三误差满足设定条件时，输出目标预测值。
[0194]
在一种可能的实现方式中，设定条件包括：
[0195]
第三误差小于第二误差，第二误差小于第一误差，且第三误差小于设定值。
[0196]
图5是本技术一实施例提供的电子设备的结构示意图。如图5所示，该实施例的电子设备5包括：处理器50、存储器51以及存储在所述存储器51中并可在所述处理器50上运行的计算机程序52。所述处理器50执行所述计算机程序52时实现上述各个新能源并网容量预测方法实施例中的步骤，例如图2所示的步骤s101至步骤s104。或者，所述处理器50执行所述计算机程序52时实现上述各装置实施例中各模块/单元的功能，例如图4所示模块401至403的功能。
[0197]
示例性的，所述计算机程序52可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器51中，并由所述处理器50执行，以完成本技术。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序52在所述电子设备5中的执行过程。例如，所述计算机程序52可以被分割成图4所示模块401至403。
[0198]
所述电子设备5可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述电子设备5可包括，但不仅限于，处理器50、存储器51。本领域技术人员可以理解，图5仅仅是电子设备5的示例，并不构成对电子设备5的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述电子设备还可以包括输入输出设备、网络接入设备、总线等。
[0199]
所称处理器50可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0200]
所述存储器51可以是所述电子设备5的内部存储单元，例如电子设备5的硬盘或内存。所述存储器51也可以是所述电子设备5的外部存储设备，例如所述电子设备5上配备的插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)等。进一步地，所述存储器51还可以既包括所述电子设备5的内部存储单元也包括外部存储设备。所述存储器51用于存储所述计算机程序以及所述电子设备所需的其他程序和数据。所述存储器51还可以用于暂时地存储已经输出或者将要输出的数据。
[0201]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本技术的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0202]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
[0203]
本领域普通技术人员可以意识到，结合本技术中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
[0204]
在本技术所提供的实施例中，应该理解到，所揭露的装置/电子设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/电子设备实施例仅仅是示意性的，例如，所述模块或单元的划分，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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
[0205]
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。
[0206]
另外，在本技术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。
[0207]
所述集成的模块/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，本技术实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个新能源并网容量预测方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、电载波信号、电信信号以及软件分发介质等。
[0208]
以上所述实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，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技术各实施例技术方案的精神和范围，均应包含在本技术的保护范围之内。

技术特征：
1.一种新能源并网容量预测方法，其特征在于，包括：获取预测对象的历史新能源装置容量数据构建原始时间数据序列，并根据所述原始时间数据序列确定中间参数；根据所述原始时间数据序列和所述中间参数进行偏差分析处理构建第一时间数据序列，并根据所述第一时间数据序列确定第一中间参数；根据所述原始时间数据序列和所述第一中间参数进行偏差分析处理构建第二时间数据序列，并根据所述第二时间数据序列确定第二中间参数和震荡回归偏差分析模型相关参数；根据所述第二中间参数和震荡回归偏差分析模型相关参数构建震荡回归偏差分析模型，并基于震荡回归偏差分析模型确定原始时间序列的目标预测值。2.如权利要求1所述的新能源并网容量预测方法，其特征在于，所述获取预测对象的历史新能源装置容量数据构建原始时间数据序列，包括：按照设定时间段内预测对象的新能源装置总容量作为所述原始时间数据序列的基本元素；根据多个基本元素构建原始时间数据序列。3.如权利要求2所述的新能源并网容量预测方法，其特征在于，所述设定时间段为年、季度或月。4.如权利要求1所述的新能源并网容量预测方法，其特征在于，所述根据所述原始时间数据序列确定中间参数，包括：对所述原始时间数据序列进行一次累加生成中间数据序列；基于所述中间数据序列构建第一矩阵和第二矩阵；根据所述第一矩阵和所述第二矩阵确定中间参数。5.如权利要求1所述的新能源并网容量预测方法，其特征在于，在所述根据所述原始时间数据序列确定中间参数之后，还包括：根据所述原始时间数据序列和所述中间参数确定震荡回归偏差分析模型相关参数，根据所述震荡回归偏差分析模型相关参数构建震荡回归偏差分析模型，并根据震荡回归偏差分析模型进行一次累减还原，得到原始时间序列的第一预测值。6.如权利要求5所述的新能源并网容量预测方法，其特征在于，在所述根据所述第一时间数据序列确定第一中间参数之后，还包括：根据所述第一时间数据序列和所述第一中间参数确定震荡回归偏差分析模型相关参数，根据所述震荡回归偏差分析模型相关参数构建震荡回归偏差分析模型，并根据震荡回归偏差分析模型进行一次累减还原，得到所述第一时间数据序列的第二预测值。7.如权利要求6所述的新能源并网容量预测方法，其特征在于，还包括：分别计算所述第一预测值与所述原始时间序列之间的第一误差、所述第二预测值与所述原始时间序列之间的第二误差，以及，所述目标预测值与原始时间序列之间的第三误差；在所述第一误差、第二误差和所述第三误差满足设定条件时，输出所述目标预测值。8.如权利要求7所述的新能源并网容量预测方法，其特征在于，所述设定条件包括：所述第三误差小于所述第二误差，所述第二误差小于所述第一误差，且所述第三误差小于设定值。9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上
运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上的权利要求1至8中任一项所述方法的步骤。10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8任一项所述方法的步骤。

技术总结
本发明提供了一种新能源并网容量预测方法、电子设备及存储介质，本发明属于新能源技术领域，该方法包括：获取预测对象的历史新能源装置容量数据构建原始时间数据序列，并根据原始时间数据序列确定中间参数；根据原始时间数据序列和中间参数进行偏差分析处理构建第一时间数据序列，并根据第一时间数据序列确定第一中间参数；根据原始时间数据序列和第一中间参数进行偏差分析处理构建第二时间数据序列，并根据第二时间数据序列确定第二中间参数和震荡回归偏差分析模型相关参数；根据第二中间参数和震荡回归偏差分析模型相关参数构建震荡回归偏差分析模型，并基于震荡回归偏差分析模型确定原始时间序列的目标预测值，优化新能源并网容量预测效果。能源并网容量预测效果。能源并网容量预测效果。


技术研发人员：范文奕 郭伟 刘洋 贺春光 安佳坤 郝志方 杨书强 赵子豪 侯若松 赵子珩 檀晓林 赵阳 刘洪 吕航 杨晶
受保护的技术使用者：国网河北省电力有限公司保定供电分公司 天津天电清源科技有限公司 国家电网有限公司
技术研发日：2023.04.10
技术公布日：2023/7/12