[发明专利]一种基于加权FCM聚类算法的光伏电站输出功率预测方法

说明书

技术领域

本发明涉及一种基于加权FCM聚类算法的光伏电站输出功率预测方法，属于电力工程技术领域。

背景技术

煤、石油、天然气等一次能源逐渐枯竭，环境状况日益恶化，可再生能源的开发和利用逐渐成为各个国家关注的重点，太阳能取之不尽、用之不竭，而且清洁安全、转换方便，光伏发电技术已经在世界范围内得到深入研究和广泛应用，在未来的能源结构中，以光伏发电为代表的可再生能源发电将占据重要成分。在国家多种优惠政策和标准规范的支持与指导下，我国大量的光伏电站已经建成并投入利用，同时，愈来愈多的光伏电站正处于规划和建设中。光伏电站输出功率与场址所在地区的气象条件密切相关，但气象因素存在空间和时间上的模糊性、随机性和不稳定性，因而光伏电站的输出功率也具有不确定性、波动性和间歇性的特点，大规模光伏电站的并网运行会严重影响电力系统的稳定性和安全性。

对光伏电站输出功率进行一定时间段内的短期准确预测，一方面有利于电力调度部门根据地区负荷需求合理制定调度计划，统筹安排常规能源发电和光伏发电的配比，最大程度上减少光伏发电系统对电网产生的不利影响。另一方面，可以缩小电力系统的备用容量，充分利用太阳能资源，提高光伏电站的经济效益和社会效益。而目前光伏发电的预测研究越来越多，例如申请号为201310301150.1的专利文件，该专利文件公开了一种基于相似日的光伏电站发电输出功率预测方法，该方法采用模糊聚类分析方法进行聚类分析，通过聚类效果评价指标确定最佳聚类个数，利用BP神经网络，建立发电量预测模型，根据该预测模型预测出日发电量。但该方法仅采集温度、湿度和日类型作为预测模型的特征向量，对光伏电站输出功率的影响因素考虑不全面，实际上太阳总辐量、水平面辐射量、倾斜面辐射量、大气压力和风速等都会在一定程度上影响光伏电站的输出功率；而且由于温度、湿度和日类型对光伏电站输出功率的影响程度并不相同，而该文件的整个预测过程中没有考虑和区分温度、湿度和日类型对输出功率的不同影响程度，导致该预测方法不够准确。同时，上述一种基于相似日的光伏电站发电输出功率预测方法，需要用BP神经网络对相似日样本集进行大量的学习训练，如果训练程度不够，也很难保证功率预测模型的准确度。

发明内容

本发明的目的是提供一种基于加权FCM聚类算法的光伏电站输出功率预测方法，以解决现有光伏电站输出功率雨的不准确、不及时所导致光伏发电与常规能源发电协调难的问题。

本发明为解决上述技术问题提供了一种基于加权FCM聚类算法的光伏电站输出功率预测方法，该预测方法包括以下步骤：

1)确定需要进行功率预测的未来精确时间段，采集该时间段内光伏电站所在区域内包含太阳总辐量、水平面辐射量、倾斜面辐射量、环境温度、空气湿度、大气压力、风速和风速的8维属性的天气数据作为待测气象数据样本；

2)从该光伏电站历史运行的知识库中选取与待测气象数据样本相似的参考样本，每个参考样本中包含有与待测气象数据样本中相同的8个天气属性以及对应气象样本的光伏电站输出功率；

3)从参考样本中选取与待测气象数据样本匹配的标准样本数据集，与待测气象数据样本组合，形成典型样本矩阵，并对该典型样本矩阵进行归一化处理形成标准样本矩阵；

4)将标准样本矩阵作为属性加权FCM聚类算法的输入量，根据设定的初始化变量进行算法迭代以得到相应的隶属度矩阵，根据得到的隶属度矩阵判断待测气象样本对应的光伏电站输出功率，该输出功率即为待测气象样本的预测功率。

所述属性加权FCM聚类算法指的是利用样本相似度对气象样本中每个属性对聚类结果的贡献程度赋予相应的权值。

所述属性加权FCM聚类算法的流程如下：

A.计算标准样本矩阵中各属性权值；

B.根据得到的各属性权值确定聚类目标函数和更新聚类中心；

C.更新隶属度矩阵，直至更新后隶属度矩阵满足设定要求。

所述样本各属性权值的计算采用基于样本相似度的属性加权算法。

所述步骤4)中的初始化变量包括聚类类别，该聚类类别是将待预测变电站的功率输出范围按照预测的准确度等级细化分段，每一段为一个聚类类别。

所述步骤3)的归一化方法可采用比例标准化、极大值标准化、均值方差化标准化、绝对值方差标准化和正规化标准化中的任意一种。

该方法还包括将待测气象样本以及其对应的功率预测结果反馈回知识库中，便于为以后的气象数据样本进行功率预测积累真实可靠的历史数据。