基于最优相似日集的光伏电站出力预测方法技术

本发明专利技术公开了一种基于最优相似日集的光伏电站出力预测方法，包括：1）对历史数据进行异常处理；2）将天气类型、太阳辐照度作为出力水平相似日的特征向量归一化后采用聚类算法进行聚类分析，确定最终出力水平相似日集；3）选择光伏发电输出功率作为曲线形状相似日的特征向量，将其归一化后采用聚类算法进行聚类分析，求得不同聚类数目的分类结果，并确定最终曲线形状相似日集；4）根据相关系数最大原则得到预测日所属类别；5）构成最优相似集；6）将最优相似集作为输入，建立出力预测模型对预测日进行光伏功率预测。本发明专利技术较精确地选择出与预测日最大相关性的历史日进行预测，简单易行，提高了光伏发电输出功率预测的准确性。

【技术实现步骤摘要】

本专利技术涉及一种光伏电站发电输出功率预测方法，属于光伏发电

技术介绍
人口的飞速增长带来了化石能源的急剧消耗，能源危机已经成为了各个国家共同面临的挑战，太阳能作为人类可利用的最直接最充足的清洁能源之一，具有无污染、能量充足、可利用地域范围广等优点，因此得到广泛的使用。光伏发电系统通常安装在空旷的野外和屋顶，其输出功率受到天气、太阳辐照度、光伏组件温度及其他一些环境因素的影响，系统输出功率随机性强、波动较大，在天气情况突变时表现的尤为突出。在这样的情况下，光伏发电系统并入大电网后，必定对大电网的安全稳定运行带来一系列的影响。所以对并网光伏电站输出功率进行预测，有利于提高电网的安全性，合理制定发电计划，进行实时调度。光伏功率预测从预测方式上可分为直接预测和间接预测。直接预测方式是直接对光伏电站的输出功率进行预测；间接预测方式首先对地表辐照强度进行预测，然后根据光伏电站出力模型得到光伏电站的输出功率。光伏功率预测从预测方法上可以分为物理方法和统计方法。物理方法将气象预测数据作为输入，采用物理方程进行预测；统计方法对历史数据进行统计分析，找出其内在规律并用于预测。常用的统计方法有：时间序列法、人工神经网络(ANN)方法、支持向量机(SVM)等。但是这些基于统计法的预测方法对相似日的选取精度都不高，很难达到理想的出力预测精度。
技术实现思路
本专利技术所要解决的技术问题是针对目前统计方法相似日的选取不够精确的缺陷，提出一种基于最优相似日集的光伏电站出力预测方法。本专利技术为解决上述技术问题而采用以下技术方案：一种基于最优相似日集的光伏电站出力预测方法，该方法包括以下步骤：1)对历史数据进行异常数据处理，剔除异常数据；所述历史数据包括天气类型、太阳辐照度和光伏发电输出功率；2)提取历史数据中天气类型和太阳辐照度，通过通径分析法确定其对光伏发电输出功率的影响权重，将预测日的天气类型和太阳辐照度融入历史数据中得到样本数据，利用引入加权欧氏距离的K-means聚类算法对样本数据进行聚类，根据WCBCR聚类评价指标确定出其最终出力水平相似集；3)提取历史数据中的光伏发电输出功率，利用引入相关系数的K-means聚类算法对历史数据进行聚类，根据WCBCR聚类评价指标确定出其最优曲线形状相似日集；根据预测日与最优曲线形状相似日集聚类中心的曲线形状相似性度量值，确定其所属曲线形状相似集；4)将出力水平相似集与曲线形状相似集的交集日作为最优相似集；5)采用BP神经网络，将最优相似集的天气类型、太阳辐照度和光伏发电输出功率，以及预测日天气类型和太阳辐照度作为光伏发电输出功率预测模型的输入，得到预测日光伏发电输出功率。进一步的，本专利技术的基于最优相似日集的光伏电站出力预测方法，步骤1)所述异常数据分为两种：一种是当太阳辐照度为零时，光伏发电输出功率不为零；另一种是太阳辐照度或光伏发电输出功率变化全为零或有激增现象。进一步的，本专利技术的基于最优相似日集的光伏电站出力预测方法，步骤2)具体包括以下步骤：201、根据通径分析法计算各特征量权值，因变量选取每天日出到日落之间各整点的光伏发电输出功率，设为P，自变量选取每天天气类型和日出到日落之间各整点的太阳辐照度，设为x0，x1，x2，…，xk；对各变量进行归一化处理后，因变量序列为P=p11p12...p1kp21p22...p2k.........pn1pn2...pnk=[p1;p2;...;pn]]]>自变量序列为X=x10x11x12...x1kx20x21x22...x2k............xn0xn1xn2...xnk]]>则自变量xk与因变量P直接通径系数为Exk→p=bkΣj=1n(xjk-x‾)/(pj-p‾)]]>式中，bk为偏回归系数，表示所有样本的天气类型或日出到日落之间各整点的太阳辐照度的平均值，表示所有样本每天日出到日落之间各整点的光伏发电输出功率平均值；202、根据上述步骤201得到的各自变量的直接通径系数，得到各自变量对因变量的影响权重θi为θi=|Exi→p|Σi=1k|Exi→p|,i=0,1,...,k;]]>203、采用K-means聚类算法根据样本数据对聚类中心欧式距离最小值原则进行聚类：d(Ci,Xj)=(ci0-xj0)2+(ci1-xj1)2+...+(cik-xjk)2]]>式中，Ci为聚类中心；204、将各因素权值代入，d(Ci,Xj)=θ0(ci0-xj0)2+θ1(ci1-xj1)2+...+θk(cik-xjk)2]]>利用引入加权欧氏距离的K-means聚类算法对样本数据进行聚类；205、利用WCBCR聚类评价指标对聚类效果进行评价，WCBCR定义为组内距离平方和/组间距离平方和，WCBCR=ΣL=1KΣXi∈ΩLd2(Xi,WL)/Σ1≤P≤QKd2(WP,WQ)]]>式中，K为聚类数目，WL为第L类聚类中心坐标，ΩL为第L类样本集，WP和WQ分别代表不同类别的聚类中心，d代表变量间的欧式距离；WCBCR聚类指标值越小说明聚类效果越好，当其达到最小值时，此时的K就是最终的出力水平相似集聚类数。进一步的，本专利技术的基于最优相似日集的光伏电站出力预测方法，步骤3)具体包括以下步骤：301、采用K-means聚类算法根据历史数据对聚类中心欧式距离最小值原则进行聚类，d(Pai,Pci)=(pa1-pc1)2+(pc2-pc2)2+...+(pak-pck)2]]>式中，Pai为历史数据，Pci为聚类中心；302、采用相关系数r代替欧式距离，r=Σi=1k(pai-p‾a)(pci-p‾c)Σi=1k(pai-p‾a)2Σi=1k(pci-p‾c)2]]>式中，为历史数据平均值，为聚类中心平均值；303、利用引入相关系数的K-means聚类算法对历史数据进行聚类，根据WCBCR聚类指标值确定最终聚类数，WCBCR值越小说明聚类效果越好，当其达到最小值时，此时的K就是历史数据的最终曲线形状相似日集聚类数，确定出最终曲线形状相似日集；304、计算最终曲线形状相似日集所对应太阳辐照度的各聚类中心，再次利用相关系数公式得到预测日太阳辐照度与其最相似集合，即曲线形状相似集；进一步的，本专利技术的基于最优相似日集的光伏电站出力预测方法，其特征在于，步骤4)具体为：根据预测日的出力水平相似集与曲线形状相似集的交集，得到具体历史日期，将其天气类型、太阳辐照度和光伏发电输出功率提取出，为建立预测模型做准备。进一步的，本专利技术的基于最优相似日集的光伏电站出力预测方法，步骤5)所述BP神经网络采用三层结构：输入层为最优相似集每天天气类型、日出至日落之间各整点太阳辐照度和光伏发电输出功率，以及预测日天气类型和日出至日落之间各整点太阳辐照度；输出层为预测日的日出至日落之间各整点光本文档来自技高网...

【技术保护点】
一种基于最优相似日集的光伏电站出力预测方法，其特征在于，该方法包括以下步骤：1)对历史数据进行异常数据处理，剔除异常数据；所述历史数据包括天气类型、太阳辐照度和光伏发电输出功率；2)提取历史数据中天气类型和太阳辐照度，通过通径分析法确定其对光伏发电输出功率的影响权重，将预测日的天气类型和太阳辐照度融入历史数据中得到样本数据，利用引入加权欧氏距离的K‑means聚类算法对样本数据进行聚类，根据WCBCR聚类评价指标确定出其最终出力水平相似集；3)提取历史数据中的光伏发电输出功率，利用引入相关系数的K‑means聚类算法对历史数据进行聚类，根据WCBCR聚类评价指标确定出其最优曲线形状相似日集；根据预测日与最优曲线形状相似日集聚类中心的曲线形状相似性度量值，确定其所属曲线形状相似集；4)将出力水平相似集与曲线形状相似集的交集日作为最优相似集；5)采用BP神经网络，将最优相似集的天气类型、太阳辐照度和光伏发电输出功率，以及预测日天气类型和太阳辐照度作为光伏发电输出功率预测模型的输入，得到预测日光伏发电输出功率。

【技术特征摘要】
1.一种基于最优相似日集的光伏电站出力预测方法，其特征在于，该方法包括以下步骤：1)对历史数据进行异常数据处理，剔除异常数据；所述历史数据包括天气类型、太阳辐照度和光伏发电输出功率；2)提取历史数据中天气类型和太阳辐照度，通过通径分析法确定其对光伏发电输出功率的影响权重，将预测日的天气类型和太阳辐照度融入历史数据中得到样本数据，利用引入加权欧氏距离的K-means聚类算法对样本数据进行聚类，根据WCBCR聚类评价指标确定出其最终出力水平相似集；3)提取历史数据中的光伏发电输出功率，利用引入相关系数的K-means聚类算法对历史数据进行聚类，根据WCBCR聚类评价指标确定出其最优曲线形状相似日集；根据预测日与最优曲线形状相似日集聚类中心的曲线形状相似性度量值，确定其所属曲线形状相似集；4)将出力水平相似集与曲线形状相似集的交集日作为最优相似集；5)采用BP神经网络，将最优相似集的天气类型、太阳辐照度和光伏发电输出功率，以及预测日天气类型和太阳辐照度作为光伏发电输出功率预测模型的输入，得到预测日光伏发电输出功率。2.根据权利要求1所述的基于最优相似日集的光伏电站出力预测方法，其特征在于，步骤1)所述异常数据分为两种：一种是当太阳辐照度为零时，光伏发电输出功率不为零；另一种是太阳辐照度或光伏发电输出功率变化全为零或有激增现象。3.根据权利要求1所述的基于最优相似日集的光伏电站出力预测方法，其特征在于，步骤2)具体包括以下步骤：201、根据通径分析法计算各特征量权值，因变量选取每天日出到日落之间各整点的光伏发电输出功率，设为P，自变量选取每天天气类型和日出到日落之间各整点的太阳辐照度，设为x0，x1，x2，…，xk；对各变量进行归一化处理后，因变量序列为自变量序列为则自变量xk与因变量P直接通径系数为式中，bk为偏回归系数，表示所有样本的天气类型或日出到日落之间各整点的太阳辐照度的平均值，表示所有样本每天日出到日落之间各整点的光伏发电输出功率平均值；202、根据上述步骤201得到的各自变量的直接通径系数，得到各自变量对因变量的影响权重θi为i＝0，1，…，k；203、采用K-means聚类算法根据样本数据对聚类...

【专利技术属性】
技术研发人员：袁晓玲，郭宇杰，杨店飞，沈桂鹏，刘皓明，
申请(专利权)人：河海大学，
类型：发明
国别省市：江苏;32