一种短期光伏发电功率预测方法和系统技术方案

本发明专利技术的一种短期光伏发电功率预测方法和系统，本发明专利技术从选取数据集和评价指标入手，对所选数据集进行数据预处理，包括数据清洗、特征选择和归一化。数据清洗即使用iForest算法对异常数据清洗；特征选择是根据计算气象因素和光伏发电功率的皮尔逊系数，选择两者相关性强的气象因子作为模型的输入特征；归一化则消除不同类别输入数据数值上的差异对模型的学习训练产生不利的影响。基于Davies

【技术实现步骤摘要】
一种短期光伏发电功率预测方法和系统


[0001]本专利技术涉及光伏发电
，具体涉及一种短期光伏发电功率预测方法和系统。

技术介绍

[0002]光伏发电具有较强的日变化周期，其输出功率受各种气象因素的影响。太阳辐射强度、大气温度、相对湿度、风速、风向、气压等参数对光伏发电有着不同程度的影响。因此，在试图通过不同的预测模型来提升预测精度的同时，如何对训练数据进行合理的选取应该成为备受关注的研究课题。

技术实现思路

[0003]本专利技术提出的一种短期光伏发电功率预测方法和系统，可解决上述技术问题。
[0004]为实现上述目的，本专利技术采用了以下技术方案：
[0005]一种短期光伏发电功率预测方法，包括以下步骤：
[0006]S100、考虑待预测日的天气类型，分为不同天气类型，并作为参考选择与之时间最接近的相同天气类型的历史气象和光伏功率数据以及预测日气象数据作为输入样本数据；
[0007]S200、对输入数据作预处理，包括对历史数据的异常数据清洗、特征选择和归一化；
[0008]S300、根据所选择的气象因素利用Davies Bouldin指数的自适应K
‑
means算法进行聚类；
[0009]S400、将聚类后的数据结合对应的历史光伏功率数据使用LSTM进行预测；
[0010]S500、将预测的结果按照时间点整合并进行误差修正得到最终预测结果。
[0011]进一步的，所述S200中对输入数据作预处理步骤包括：/>[0012]S201、对用于预测光伏发电功率的数据本身上存在异常情况进行
[0013]数据清洗；
[0014]S202、对影响光伏发电功率的因素进行特征选择；
[0015]S203、为消除各数据的单位限制进行归一化处理；
[0016]其中，所述S202具体包括：
[0017]通过计算了光伏输出功率与各气象因素之间的皮尔逊相关系数，来反映各气象因素与光伏功率之间的关系，计算公式如下：
[0018][0019]式中，r为表示皮尔逊相关系数，ν为表示光伏输出功率，γ为表示气象因子。
[0020]进一步的，所述S202中可通过以下取值范围判断气象因素与光伏功率的相关程度，如下表所示：
[0021][0022]进一步的，所述S203对输入数据进行归一化处理，具体如下式：
[0023][0024]式中，为归一化后的数据，x
*
、和分别为原始输入数据、原始输入数据中的最大值和最小值。
[0025]进一步的，所述S300、根据所选择的气象因素利用Davies Bouldin指数的自适应K
‑
means算法进行聚类；
[0026]其中K
‑
means算法步骤为：
[0027]步骤1、从数据集中随机选择k个样本作为初始聚类中心{μ1,μ2,
…
,μ
k
}；
[0028]步骤2、计算剩余样本到聚类中心的欧氏距离，并将其分配到最近的聚类中心，形成k个簇，距离的度量在(2.3.3)中给出；
[0029][0030]式中，n表示空间的维数，A
k
和B
k
分别是A和B的第k个属性；
[0031]步骤3、通过距离度量方法更新聚类中心，更新为隶属该簇的全部样本的均值；
[0032]步骤4、重复步骤2和3，直到算法收敛为止。
[0033]进一步的，所述S300还包括：
[0034]为了自动选择最佳聚类数k，引入定量指标来搜索样本的最佳聚类，提出的自适应过程的关键是聚类评估，与此相关指标众多，而Davies
‑
Bouldin指数使用数据集固有的数量和特征，适用于K
‑
means聚类评估；
[0035]其中Davies
‑
Bouldin指数定义如下：
[0036][0037]式中，和分别表示i和j簇样本到相应簇中心的平均距离；表示集群i的中心到集群j之间的欧氏距离；I
DBI
越小，则集群性能越好，可以得到最佳聚类数k
best
；
[0038]为了避免生成过多的群集，利用阈值限制群集的数量，记为k
max
。
[0039]进一步的，所述S500中误差修正方法包括：
[0040]S501、计算训练样本中相邻的2个采样点光伏功率差的绝对值|P
α+1
‑
P
α
|，形成历史
光伏功率波动量序列ΔP
α
；
[0041]S502、将ΔP
α
划分为4个区间，计算每个区间的概率分布P
i
以及历史最大波动量max(P
α
)；
[0042]S503、根据各波动量区间的平均值来进行加权求和获得综合置信度修正量CΔP，如下所示；
[0043][0044]S504、同理，计算预测日功率输出波动量序列序列中数值超过max(P
α
)的用CΔP进行修正，将修正后得到的新波动量序列和最终预测出力分别记为和具体修正措施见式(2.3.6)和式(2.3.7)；
[0045][0046][0047]进一步的，所述步骤S202中影响因素包括：太阳辐射强度、大气温度、相对湿度、风速、风向、气压。
[0048]另一方面本专利技术还公开一种短期光伏发电功率预测系统，包括以下单元：
[0049]输入样本确定单元，用于考虑待预测日的天气类型，分为不同天气类型，并作为参考选择与之时间最接近的相同天气类型的历史气象和光伏功率数据以及预测日气象数据作为输入样本数据；
[0050]数据预处理单元，用于对输入数据作预处理，包括对历史数据的异常数据清洗、特征选择和归一化；
[0051]聚类单元，用于根据所选择的气象因素利用Davies Bouldin指数的自适应K
‑
means算法进行聚类；
[0052]预测单元，用于将聚类后的数据结合对应的历史光伏功率数据使用LSTM进行预测；
[0053]修正单元，用于将预测的结果按照时间点整合并进行误差修正得到最终预测结果。
[0054]由上述技术方案可知，本专利技术的短期光伏发电功率预测方法从选取数据集和评价指标入手，对所选数据集进行数据预处理，包括数据清洗、特征选择和归一化。数据清洗即使用iForest算法对异常数据清洗；特征选择是根据计算气象因素和光伏发电功率的皮尔逊系数，选择两者相关性强的气象因子作为模型的输入特征；归一化则消除不同类别输入数据数值上的差异对模型的学习训练产生不利的影响。基于Davies
‑
Bouldin指数的K
‑
means算法对特征展开聚类分析，在给定主要网络参数的前提下，给出了误差修正后的短期光伏发电本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种短期光伏发电功率预测方法，其特征在于：包括以下步骤：S100、考虑待预测日的天气类型，分为不同天气类型，并作为参考选择与之时间最接近的相同天气类型的历史气象和光伏功率数据以及预测日气象数据作为输入样本数据；S200、对输入数据作预处理，包括对历史数据的异常数据清洗、特征选择和归一化；S300、根据所选择的气象因素利用Davies Bouldin指数的自适应K
‑
means算法进行聚类；S400、将聚类后的数据结合对应的历史光伏功率数据使用LSTM进行预测；S500、将预测的结果按照时间点整合并进行误差修正得到最终预测结果。2.根据权利要求1所述的短期光伏发电功率预测方法，其特征在于：所述S200中对输入数据作预处理步骤包括：S201、对用于预测光伏发电功率的数据本身上存在异常情况进行数据清洗；S202、对影响光伏发电功率的因素进行特征选择；S203、为消除各数据的单位限制进行归一化处理；其中，所述S202具体包括：通过计算了光伏输出功率与各气象因素之间的皮尔逊相关系数，来反映各气象因素与光伏功率之间的关系，计算公式如下：式中，r为表示皮尔逊相关系数，ν为表示光伏输出功率，γ为表示气象因子。3.根据权利要求2所述的短期光伏发电功率预测方法，其特征在于：所述S202中可通过以下取值范围判断气象因素与光伏功率的相关程度，如下表所示：以下取值范围判断气象因素与光伏功率的相关程度，如下表所示：4.根据权利要求2所述的短期光伏发电功率预测方法，其特征在于：所述S203对输入数据进行归一化处理，具体如下式：式中，为归一化后的数据，x
*
、和分别为原始输入数据、原始输入数据中的最大值和最小值。
5.根据权利要求1所述的短期光伏发电功率预测方法，其特征在于：所述S300、根据所选择的气象因素利用Davies Bouldin指数的自适应K
‑
means算法进行聚类；其中K
‑
means算法步骤为：步骤1、从数据集中随机选择k个样本作为初始聚类中心{μ1,μ2,
…
,μ
k
}；步骤2、计算剩余样本到聚类中心的欧氏距离，并将其分配到最近的聚类中心，形成k个簇，距离的度量在(2.3.3)中给出；式中，n表示空间的维数，A
k
和B
k
分别是A和B的第k个属性；步骤3、通过距离度量方法更新聚类中心，更新为隶属该簇的全部样本的均值；步骤4、重复步骤2和3，直到算法收敛为止。6.根据权利要求5所述的短期光伏...

【专利技术属性】
技术研发人员：张倩，张金金，李国丽，王群京，
申请(专利权)人：安徽大学，
类型：发明
国别省市：