基于K-means++与BILSTM的分布式光伏短期功率预测方法及装置制造方法及图纸

本发明专利技术提出基于K

【技术实现步骤摘要】
基于K
‑
means++与BILSTM的分布式光伏短期功率预测方法及装置


[0001]本专利技术涉及配电网
，特别是基于K
‑
means++与BILSTM的分布式光伏短期功率预测方法及装置。

技术介绍

[0002]由于天气等自然因素的不确定性，光伏电站的出力存在着较大的波动性，这种不确定性使得光伏电站的出力难以准确预测，从而给电力系统的调度和运行带来了很大的挑战。由于光伏电站的出力存在着较大的波动性和不确定性，预测光伏电站的出力是一项具有挑战性的任务。预测误差可能会导致电力系统的调度和运行出现问题，从而影响电力系统的稳定性和经济性。
[0003]近年来，随着可再生能源的快速发展和电力市场的改革，分布式光伏电站群短期功率预测技术受到了越来越多的关注。尽管研究者们已经尝试了很多预测方法，但是预测精度仍然有限，尤其是在天气变化较为复杂的情况下，预测的准确性更难以保证；为了应对这些挑战，需要建立一个完善的光伏电站出力监测系统，并采用合适的预测模型和算法来对光伏电站的出力进行预测和控制，以应对光伏电站出力的波动性和不确定性，从而保证电力系统的稳定运行和经济运营。

技术实现思路

[0004]随着高比例新能源的接入，为了应对分布式光伏渗透率不断提高带给电网运行的挑战，本专利技术提供一种基于K
‑
means++聚类与BILSTM的分布式光伏电站群短期功率预测方法；
[0005]本专利技术以有源配电网为研究背景，提出了基于K
‑
>means++与BILSTM的分布式光伏短期功率预测方法；首先依据光伏电站属地气候特点将光伏出力数据进行季节标识，并通过K
‑
means++聚类划分区域内不同季节的分布式光伏电站群，使每个电站群内的气象具有一致性；然后使用BILSTM对群内的多个光伏电站同时进行预测，以提升大规模分布式光伏电站群短期功率预测精度；未来随着可再生能源的快速发展和电力市场的改革，该方法将会得到更广泛的应用和研究，在工程上具有较高的实用价值。
[0006]基于K
‑
means++与BILSTM的分布式光伏短期功率预测方法，包括如下步骤：
[0007]S1、获取分布式光伏电站群的历史功率数据和气象数据，将所有电站按照其历史功率数据的相似度进行K
‑
means++聚类，将光伏电站群按照其历史功率数据的相似度划分到K个聚类中心点所在的簇中，并对每个簇进行特征提取，获取历史功率特征数据和气象特征数据；
[0008]S2、建立双向长短期记忆神经网络BILSTM模型，利用获取的历史功率特征数据和气象特征数据对BILSTM网络模型进行训练，对于K
‑
means++聚类形成的每个簇，形成与之对应的BILSTM预测模型；
[0009]S3、当需要对某个时间段内的功率进行预测时，将该时间段内所有电站的气象数据作为输入，根据其所属的簇，使用对应的BILSTM模型进行预测，最终得到整个电站群的功率预测结果。
[0010]进一步的，获取分布式光伏电站群的历史功率数据和气象数据，将所有电站按照其历史功率数据的相似度进行K
‑
means++聚类的方法为：
[0011]S101、从分布式光伏电站群的历史功率数据和气象数据集中随机选择一个点作为第一个聚类中心点；
[0012]S102、按照轮盘赌算法的概率分布随机选择下一个聚类中心点，该聚类中心点的选择概率为P(x
i
)：
[0013]P(x
i
)＝D(x
i
)2/S
ꢀꢀꢀꢀ
(3)；
[0014]S103、重复步骤S101和S102，直到选择了K个聚类中心点；
[0015]S104、将光伏电站群按照其历史功率数据的相似度划分到K个聚类中心点所在的簇中；
[0016]S105、计算每个簇的平均值，并将其作为该簇的新聚类中心点；
[0017]S106、重复步骤S104和S105直到聚类中心点不再发生变化；获取聚类结果。
[0018]进一步的，利用获取的历史功率特征数据和气象特征数据对BILSTM网络模型进行训练，对于K
‑
means++聚类形成的每个簇，形成与之对应的BILSTM预测模型的方法为：
[0019]将所提取的特征数据按照每天一个时间窗口进行划分，并组成一个时间序列，然后将整个时间序列划分为多个时间窗口，每个时间窗口包含若干个时间步长，每个时间步长包含多个特征；
[0020]将每个时间窗口的数据输入BILSTM模型的输入层，使用双向BILSTM网络对输入数据进行处理，其中正向BILSTM网络按照时间顺序处理数据，而反向BILSTM网络则按照时间倒序处理数据：
[0021]在模型训练的过程中，对预测结果进行评估，根据评估结果对模型进行优化和调整。
[0022]进一步的，按照轮盘赌算法的概率分布随机选择下一个聚类中心点的方法为：
[0023]该聚类中心点的选择概率为P(x
i
)：
[0024]P(x
i
)＝D(x
i
)2/S
ꢀꢀꢀꢀ
(3)
[0025]其中，D(x
i
)为剩下的数据点x
i
，其到已经选择的聚类中心点的最短距离，S为所有数据点到已经选择的聚类中心点的最短距离的平方相加的总和：
[0026][0027]S＝∑(D(x
i
)2)
ꢀꢀꢀꢀ
(2)
[0028]其中，dist(x
i
,c
i
)表示表示数据点x
i
和聚类中心点c
i
之间的欧氏距离。
[0029]进一步的，在模型训练的过程中，对预测结果进行评估的方法为：
[0030]对于每个簇的n个数据点，提取5个统计特征指标，分别为均值F1、方差F2、最大值F3、最小值F4、自相关系数F5，计算公式为：
[0031][0032][0033][0034][0035][0036]对于历史气象数据，可以提取温度、风速、辐射等特征。对于每种特征数据，分别计算它们的均值F1、方差F2、最大值F3、最小值F4、自相关系数F5；对于历史功率数据直接计算相应特征指标，根据指标计算结果对预测结果进行评估。
[0037]进一步的，正向BILSTM网络模型如式(9)：
[0038][0039]反向BILSTM网络模型如式(10)：
[0040][0041]其中，x
t
表示输入数据，h
t
‑1和c
t
‑1表示上一个时间步的隐藏状态和细胞状态，i
t
、f
t
和o
t
分别表示输入门、遗忘门和输出门，c...

【技术保护点】

【技术特征摘要】
1.基于K
‑
means++与BILSTM的分布式光伏短期功率预测方法，其特征在于，包括如下步骤：S1、获取分布式光伏电站群的历史功率数据和气象数据，将所有电站按照其历史功率数据的相似度进行K
‑
means++聚类，将光伏电站群按照其历史功率数据的相似度划分到K个聚类中心点所在的簇中，并对每个簇进行特征提取，获取历史功率特征数据和气象特征数据；S2、建立双向长短期记忆神经网络BILSTM模型，利用获取的历史功率特征数据和气象特征数据对BILSTM网络模型进行训练，对于K
‑
means++聚类形成的每个簇，形成与之对应的BILSTM预测模型；S3、当需要对某个时间段内的功率进行预测时，将该时间段内所有电站的气象数据作为输入，根据其所属的簇，使用对应的BILSTM模型进行预测，最终得到整个电站群的功率预测结果。2.根据权利要求1所述的基于K
‑
means++与BILSTM的分布式光伏短期功率预测方法，其特征在于，获取分布式光伏电站群的历史功率数据和气象数据，将所有电站按照其历史功率数据的相似度进行K
‑
means++聚类的方法为：S101、从分布式光伏电站群的历史功率数据和气象数据集中随机选择一个点作为第一个聚类中心点；S102、按照轮盘赌算法的概率分布随机选择下一个聚类中心点，该聚类中心点的选择概率为P(x
i
)：P(x
i
)＝D(x
i
)2/S
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)；S103、重复步骤S101和S102，直到选择了K个聚类中心点；S104、将光伏电站群按照其历史功率数据的相似度划分到K个聚类中心点所在的簇中；S105、计算每个簇的平均值，并将其作为该簇的新聚类中心点；S106、重复步骤S104和S105直到聚类中心点不再发生变化；获取聚类结果。3.根据权利要求1所述的基于K
‑
means++与BILSTM的分布式光伏短期功率预测方法，其特征在于，利用获取的历史功率特征数据和气象特征数据对BILSTM网络模型进行训练，对于K
‑
means++聚类形成的每个簇，形成与之对应的BILSTM预测模型的方法为：将所提取的特征数据按照每天一个时间窗口进行划分，并组成一个时间序列，然后将整个时间序列划分为多个时间窗口，每个时间窗口包含若干个时间步长，每个时间步长包含多个特征；将每个时间窗口的数据输入BILSTM模型的输入层，使用双向BILSTM网络对输入数据进行处理，其中正向BILSTM网络按照时间顺序处理数据，而反向BILSTM网络则按照时间倒序处理数据：在模型训练的过程中，对预测结果进行评估，根据评估结果对模型进行优化和调整。4.根据权利要求2所述的基于K
‑
means++与BILSTM的分布式光伏短期功率预测方法，其特征在于，按照轮盘赌算法的概率分布随机选择下一个聚类中心点的方法为：该聚类中心点的选择概率为P(x
i
)：P(x
i
)＝D(x
i
)2/S
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)其中，D(x
i
)为剩下的数据点x
i
，其到已经选择的聚类中心点的最短距离，S为所有数据
点到已经选择的聚类中心点的最短距离的平方相加的总和：S＝∑(D(x
i
)2)
ꢀ...

【专利技术属性】
技术研发人员：李全俊，杨光，马金亮，孙延栋，刘明明，崔文生，张阳，吴玉涛，
申请(专利权)人：国家电网有限公司，
类型：发明
国别省市：