[发明专利]光伏数据聚类方法、光伏功率预测方法、存储介质和设备

权利要求书

1.一种光伏数据聚类方法，其特征在于，包括：

获取聚类模型的权向量的各分量与总辐照度平均值、总辐照度波动性指标、总辐照度时序差分序列方差的对应关系；

根据总辐照度平均值、总辐照度波动性指标、总辐照度时序差分序列方差确定所述聚类模型的聚类类别数；

获取光伏样本数据，并利用所述光伏样本数据对所述聚类模型进行训练，得到光辐照度与所述聚类类别的对应关系；

获取光辐照度，并使用所述聚类模型对获取的光辐照度进行聚类；

其中，所述光辐照度为实测辐照射度值与大气层外理论辐照度值的比值；

所述总辐照度波动性指标为实测总辐照度和大气层外理论辐照度之间的偏差；

所述总辐照度时序差分序列方差的获取方法包括：

获取太阳总辐照度序列；

根据所述太阳总辐照度序列得到太阳总辐照度的时序差分序列；

计算所述太阳总辐照度的时序差分序列的平均值；

根据所述太阳总辐照度序列以及所述太阳总辐照度的时序差分序列的平均值，获取所述总辐照度时序差分序列方差。

2.根据权利要求1所述的方法，其特征在于，所述利用所述光伏样本数据对所述聚类模型进行训练，得到光辐照度与所述聚类类别的对应关系的步骤包括：

输入光辐照度反复训练所述聚类模型，使所述聚类模型的神经网络权值在概率分布上与输入的光辐照度的分布空间逐渐趋于一致；

所述输入的光辐照度聚集至对应的不同神经网络权值向量周围，以获取光辐照度与所述聚类类别的对应关系。

3.根据权利要求2所述的方法，其特征在于，所述聚类类别数为6。

4.根据权利要求3所述的方法，其特征在于，所述聚类模型为自组织映射神经网络聚类模型。

5.根据权利要求1-4任一项所述的方法，其特征在于，所述总辐照度波动性指标的获取方法包括：

根据经纬度、太阳常数获得大气层外太阳辐照度理论值序列和地面实测太阳总辐照度序列；

根据所述大气层外太阳辐照度理论值序列与地面实测太阳总辐照度序列，得到总辐照度波动性指标。

6.一种光伏功率预测方法，其特征在于，包括：

获取聚类模型的权向量的各分量与总辐照度平均值、总辐照度波动性指标、总辐照度时序差分序列方差的对应关系；

根据总辐照度平均值、总辐照度波动性指标、总辐照度时序差分序列方差确定所述聚类模型的聚类类别数；

获取光辐照度样本数据，并利用所述光辐照度样本数据对所述聚类模型进行训练，得到光辐照度样本与所述聚类类别的对应关系；

获取光辐照度，并使用所述聚类模型对光辐照度进行聚类，得到所述光辐照度所属的聚类类别；其中，所述光辐照度为实测辐照射度值与大气层外理论辐照度值的比值；

将聚类后的各聚类类别对应的光辐照度分别输入光伏功率预测模型，以获取各聚类类别的光辐照度与光伏功率的对应关系；

根据光辐照度的预测值和所述各聚类类别的光辐照度与光伏功率的对应关系，获取光伏功率预测值；

所述总辐照度波动性指标为实测总辐照度和大气层外理论辐照度之间的偏差；

所述总辐照度时序差分序列方差的获取方法包括：

获取太阳总辐照度序列；

根据所述太阳总辐照度序列得到太阳总辐照度的时序差分序列；

计算所述太阳总辐照度的时序差分序列的平均值；

根据所述太阳总辐照度序列以及所述太阳总辐照度的时序差分序列的平均值，获取所述总辐照度时序差分序列方差。

7.根据权利要求6所述的方法，其特征在于，所述总辐照度波动性指标的获取方法包括：

根据经纬度、太阳常数获得大气层外太阳辐照度理论值序列和地面实测太阳总辐照度序列；

根据所述大气层外太阳辐照度理论值序列与地面实测太阳总辐照度序列，得到总辐照度波动性指标。

8.根据权利要求6所述的方法，其特征在于，所述聚类模型为自组织映射神经网络聚类模型。