一种基于改进模糊聚类算法的光伏功率预测方法技术

本发明专利技术公开了一种基于改进模糊聚类算法的光伏功率预测方法，为了减小相似日选取误差和提高光伏发电功率预测精度，首先，利用改进模糊聚类算法对历史日样本进行了聚类分析，然后，利用预测日所属类别的历史数据和预测日的气象数据建立了BP神经网络发电预测模型。以实际数据对所提模型进行了验证，并与传统的基于相似日选取的光伏功率预测模型进行了对比，结果表明该模型具有更高的预测精度。

【技术实现步骤摘要】

本专利技术涉及一种基于改进模糊聚类算法的光伏功率预测方法，属于光伏发电

技术介绍
光伏发电系统的输出功率受到太阳辐照度、温度、相对湿度、风速等众多气象因素的影响，具有很大的波动性和随机性。大规模光伏并网会对电力系统的安全运行和电网调度造成较大影响。光伏阵列发电功率预测是解决此问题的关键技术之一，有助于电网调度部门及时地调整调度计划，合理安排电网运行方式，对提高电力系统运行的安全性和稳定性具有重要意义。目前，光伏发电功率预测可以归纳为两类：间接预测和直接预测。间接预测法先利用历史太阳辐照强度数据和天气预报信息对地表的太阳辐照强度进行预测，然后根据光伏发电系统的出力模型得到光伏系统的输出功率。与间接预测相比，直接预测利用光伏发电系统历史输出功率数据和天气预报信息直接预测其输出功率，建模比较简单且不需要安装太阳辐射强度测量装置。由于在具有相似气象条件的情况下，光伏阵列的输出功率曲线具有一定的相似度，因此可以通过选取相似日进行功率预测。通过计算日特征向量的关联度和欧式距离来选取相似日。这两种方法均没有考虑不同气象因素对光伏阵列发电功率影响的重要性差异。另外由于关联度仅反映样本间的线性关系，即样本在空间曲线形状的相似性，而欧氏距离仅反映各样本在空间距离上的远近，实际情况经常有样本特征组成的曲线形状很相似而数值却存在较大差别，或者是样本间各分量的总欧氏距离很接近但样本曲线形状差异很大。这两种相似度函数都不足以反映日气象数据的本质特征，因此如果仅以关联度或欧氏距离来选取相似日，容易造成较大误差，进而影响光伏发电功率的预测精度。
技术实现思路
为解决现有技术的不足，本专利技术的目的在于提供一种基于改进模糊聚类算法的光伏功率预测方法，能够减小相似日选取误差和提高光伏发电功率预测精度。为了实现上述目标，本专利技术采用如下的技术方案：一种基于改进模糊聚类算法的光伏功率预测方法，其特征是，包括如下步骤：1)采集样本数据，并进行无量纲化处理以及标准化处理；2)根据步骤1)的样本数据，确定日特征相关因素的权重；3)历史日样本模糊聚类，计算衡量本分类对象xi与xj之间的相似系数rij，确定论域U上的模糊关系矩阵：设S(X,Y)表示样本X和样本Y之间的相似度，且S(X,Y)＝αD(X,Y)+βR(X,Y)，模糊矩阵式中，xi和yi分别是样本X和样本Y属性因子的数值，且在[0,1]之间，σi为样本中第i个属性因子的权值(i＝1,2,…,m)，α和β为D(X,Y)和R(X,Y)权重系数，α+β＝1；将得到的模糊矩阵R通过逐次平方法求出其传递闭包阵R*＝t(R)，依据经验值取适当的阈值λ，对R*进行截割；对记模糊矩阵R的λ-截距阵为其中，按不同的λ值进行分类，得到不同的聚类结果；4)对新样本进行分类识别，首先根据聚类情况，按下式求出各类的聚类中心：k＝1,2,…,m，式中，第i类包括p个样本；m为样本特征指标的数目；然后按步骤3)的方法进行新样本的分类识别；5)确定预测模型并进行参数优化。进一步地，所述步骤2)具体内容如下：设有自变量x1,x2,…,xm和因变量y，因变量序列为Y＝[y1,y2,…,yn]，自变量序列为自变量xk对因变量y的直接通径系数自变量xk通过自变量xk+1，对因变量y的间接通径系数为自变量xk+1通过自变量xk对因变量y的间接通径系数为式中，bk为偏回归系数，rk(k+1)为自变量xk和自变量xk+1的单相关系数；根据上述得到的各自变量的直接通径系数，求得各自变量的对因变量的影响权重σi(i＝1,2,…,k)为进一步地，所述步骤3)中α＝0.5，β＝0.5。进一步地，所述步骤3)中的最佳分类阈值λ利用F-统计量进行确定。进一步地，所述步骤5)中模型采用BP网络模型，包括输入层、隐含层和输出层；具体建模方式如下：51)输入量和输出量：设t为预测日，经过分类识别后t∈Mi,(i＝1,2,…,n)，式中，n为历史日样本经过模糊聚类后的分类数；将Mi类中包含的日样本按与预测日t的相似度由大到小排序结果为t1,t2,t3,…,td，式中，d为Mi类中包含的日样本数。选取与预测日t的相似度最大的前六日的光伏阵列输出功率序列组成的学习样本作为BP网络的输入矩阵为式中，t为预测日；t-x(1≤x≤6)为与预测日相似度最大的前x天；Py(1≤y≤24)为相似日第yh光伏阵列的功率值；R1(t),R2(t),…,R6(t)分别为取量化值第t天的日最高温度、日最低温度、日平均温度、日相对湿度、日平均风速、天气类型；BP网络的输出量为预测日的24h光伏阵列功率值，即[P1(t) P2(t) … P24(t)]；52)隐含层：隐含层节点数的确定采用出经验公式式中，H为隐含层节点数；I为输入层节点数；O为输出层节点数；a为1～10之间的常数；53)转移函数：该网络隐含层的转移函数采用双曲正切型S函数，即输出层的转移函数采用线性函数，即f(x)＝x；54)BP神经网络的参数优化：通过差分进化算法进行参数优化；获得最优个体后，将最优个体解码后初始化BP神经网络参数，然后利用样本训练BP神经网络，利用训练好的BP神经网络进行功率预测。本专利技术所达到的有益效果：本方法考虑了不同气象因素对光伏阵列输出功率的影响程度，构造了既考虑值相似程度又考虑行相似程度的相似度统计量，选取的预测日的相似样本能够更好地反映预测日的输出功率特性，并且利用差分进化算法对构建的BP神经网络进行了参数优化，可有效提高预测模型的预测精度，具有一定的实用性及可行性。附图说明图1是基于改进模糊聚类算法的光伏功率预测方法流程图；图2是差分进化算法优化BP神经网络流程图；图3是本专利技术所提方法光伏功率预测结果曲线；图4是采用改进相似度模糊聚类，参数未优化的BP神经网络光伏功率预测结果曲线；图5是采用关联度选择相似日，参数未优化的BP神经网络光伏功率预测结果曲线。具体实施方式下面结合附图对本专利技术作进一步描述。以下实施例仅用于更加清楚地说明本专利技术的技术方案，而不能以此来限制本专利技术的保护范围。相较于传统方法流程图，传统的聚类分析中，采用的相似程度统计量主要分为距性仅仅离系数和相似系数，二者均没有考虑样本各个属性因子之间的重要度差异。另外，距离系数统计能反映样本间的值相似程度，相似系数统计反映样本间的形相似程度，均具有一定的局限。为了能够反映样本属性因子间的重要度差异和综合考虑样本间值贴近和形贴近，本专利技术提出一种基于改进模糊聚类算法的光伏功率预测方法。下文以2012年10月6日～10月8日内蒙古某地的光伏电站发电功率预测为例，给出其功率预测方法。具体实施过程如下：1)样本数据标准化处理由于各个指标的量纲和数量级都不同，直接用原始数据进行计算，可能会突显某些数量级大的特性指标对分类的作用。所以，必须对原始数据进行无量纲化处理。2)日特征相关因素权重确定通过光伏发电量与气象因子间的相关性分析得到影响光伏阵列发电量的气象因子主要有大气温度、太阳辐照度、相对湿度、风速、天气类型。由于气象部门提供的气象信息缺乏光照辐射数据，因此选择日最高温度，日最低温度，日平均温度，日相对湿度，日平均风速，天气类型作为影响光伏日发电量的日特征相关因素。在计算日特征向量的相似度时，如果采用平均权数，这种平均权存在局部本文档来自技高网...

【技术保护点】
一种基于改进模糊聚类算法的光伏功率预测方法，其特征是，包括如下步骤：1)采集样本数据，并进行无量纲化处理以及标准化处理；2)根据步骤1)的样本数据，确定日特征相关因素的权重；3)历史日样本模糊聚类，计算衡量本分类对象xi与xj之间的相似系数rij，确定论域U上的模糊关系矩阵：设S(X,Y)表示样本X和样本Y之间的相似度，且S(X,Y)＝αD(X,Y)+βR(X,Y)，模糊矩阵式中，xi和yi分别是样本X和样本Y属性因子的数值，且在[0,1]之间，σi为样本中第i个属性因子的权值(i＝1,2,…,m)，α和β为D(X,Y)和R(X,Y)权重系数，α+β＝1；将得到的模糊矩阵R通过逐次平方法求出其传递闭包阵R*＝t(R)，依据经验值取适当的阈值λ，对R*进行截割；对记模糊矩阵R的λ‑截距阵为其中，按不同的λ值进行分类，得到不同的聚类结果；4)对新样本进行分类识别，首先根据聚类情况，按下式求出各类的聚类中心：k＝1,2,…,m，式中，第i类包括p个样本；m为样本特征指标的数目；然后按步骤3)的方法进行新样本的分类识别；5)确定预测模型并进行参数优化。

【技术特征摘要】
1.一种基于改进模糊聚类算法的光伏功率预测方法，其特征是，包括如下步骤：1)采集样本数据，并进行无量纲化处理以及标准化处理；2)根据步骤1)的样本数据，确定日特征相关因素的权重；3)历史日样本模糊聚类，计算衡量本分类对象xi与xj之间的相似系数rij，确定论域U上的模糊关系矩阵：设S(X,Y)表示样本X和样本Y之间的相似度，且S(X,Y)＝αD(X,Y)+βR(X,Y)，模糊矩阵式中，xi和yi分别是样本X和样本Y属性因子的数值，且在[0,1]之间，σi为样本中第i个属性因子的权值(i＝1,2,…,m)，α和β为D(X,Y)和R(X,Y)权重系数，α+β＝1；将得到的模糊矩阵R通过逐次平方法求出其传递闭包阵R*＝t(R)，依据经验值取适当的阈值λ，对R*进行截割；对记模糊矩阵R的λ-截距阵为其中，按不同的λ值进行分类，得到不同的聚类结果；4)对新样本进行分类识别，首先根据聚类情况，按下式求出各类的聚类中心：k＝1,2,…,m，式中，第i类包括p个样本；m为样本特征指标的数目；然后按步骤3)的方法进行新样本的分类识别；5)确定预测模型并进行参数优化。2.根据权利要求1所述的一种基于改进模糊聚类算法的光伏功率预测方法，其特征是，所述步骤2)具体内容如下：设有自变量x1,x2,…,xm和因变量y，因变量序列为Y＝[y1,y2,…,yn]，自变量序列为自变量xk对因变量y的直接通径系数自变量xk通过自变量xk+1，对因变量y的间接通径系数为自变量xk+1通过自变量xk对因变量y的间接通径系数为式中，bk为偏回归系数，rk(k+1)为自变量xk和自变量xk+1的单相关系数；根据上述得到的各自变量的直接通径系数，求得各自变量的对因变量的影响权重σi(i＝1,2,…,k)为3.根据权利要求1...

【专利技术属性】
技术研发人员：杨志超，陆文伟，葛乐，马寿虎，陆文涛，顾佳易，王蒙，
申请(专利权)人：南京工程学院，
类型：发明
国别省市：江苏;32