[发明专利]一种用于光伏功率预测的天气类型识别方法和装置

说明书

本发明提供了一种用于光伏功率预测的天气类型识别方法和装置，先对光伏气象站的历史数据进行清洗，并根据清洗后的历史数据确定每日气象特征库，然后对每日气象特征库中的气象特征样本进行K‑means聚类，并对聚类结果进行优化，得到最终聚类结果和类别标签，最后通过反向传播神经网络模型实现预测日天气类型的识别，识别过程简单，且识别出的天气类型比较稀少，能够保证光伏功率预测结果的准确性；本发明采用了支持向量回归法对光伏气象站的历史数据进行清洗，提高了数据的可靠性，且本发明采用混合的气象特征区分不同的天气类型，着重强调辐照波动性对光伏输出的影响，更适合光伏功率预测。

技术领域

本发明涉及新能源技术领域，具体涉及一种用于光伏功率预测的天气类型识别方法和装置。

背景技术

目前，由于能源危机和环境恶化，太阳能成为化石能源的重要替代品。作为太阳能利用的重要技术路径，光伏发电系统近年来发展迅速。2015年，中国成为全球光伏发电装机容量最大的国家。但是，由于光伏电站的大规模开发建设，电网的稳定和电能质量受到严重影响，光伏消纳已成为光伏产业进一步发展的重要障碍，而功率预测又是解决光伏消纳问题的有效途径。一方面，功率预测可以提供重要的瞬态功率信息，用于协调控制和电网优化调度，另一方面，功率预测可以提高光伏消纳能力，增加光伏电站投资回报率。

光伏发电系统的输出功率与周围气象条件，特别是辐照强度有着密切的联系。而辐照强度会受到地理位置、季节因素、云层遮盖等影响，在不同的天气状况下呈现不同的波动性，其预测精度难以提高。当前，关于光伏功率预测的研究有好多，一般都通过建立子模型提高光伏功率预测模型的泛化能力，从而提升光伏功率预测精度。一般情况下，子模型采用相似性较高的数据，也就是说先将历史数据按照相似度分为若干类，然后每一类数据建立子模型。天气类型识别的主要作用就是将气象条件类似的数据样本归为一类，建立子模型以排除干扰因素，提高预测精度。当前，天气类型识别主要来源于天气预报。现有技术关于光伏功率预测方面的研究较多，相关研究分析了影响光伏出力的气象因素，结合光伏系统实际运行数据和气象信息，提出基于天气类型聚类和LS-SVM的光伏出力预测模型。选取太阳辐照时间、温度、相对湿度等作为气象特征向量，通过计算各向量的加权欧氏距离，筛选出最佳聚类集合,确定训练样本，使样本数据能更好地反映待预测日的实际气象信息。取最佳聚类日气象特征、相应光伏出力及待预测日气象特征输入训练好的LS-SVM模型，输出为待预测日对应时刻的光伏出力。但是基于天气类型聚类和LS-SVM的光伏出力预测方法中该天气类型繁多且过于精细，增加了光伏出力预测模型的复杂程度，计算效率低，实时性差。除了上述研究，现有技术中还以光照强度和温度作为输入量，分季节建立了基于LVQ-GA-BP神经网络预测系统，通过学习向量量化(Learning Vector Quantization，LVQ)神经网络对天气类型进行分类和识别。基于LVQ-GA-BP神经网络光伏电站出力短期预测方法中天气类型分类过于关注气象信息，对气象数据波动性关注不多，导致光伏功率预测结果不准确。

发明内容

为了克服上述现有技术中天气类型繁多、过于精细以及光伏功率预测结果不准确的不足，本发明提供一种用于光伏功率预测的天气类型识别方法和装置，先对光伏气象站的历史数据进行清洗，并根据清洗后的历史数据确定每日气象特征库，然后对每日气象特征库中的气象特征样本进行K-means聚类，并对聚类结果进行优化，得到最终聚类结果和类别标签，最后通过反向传播神经网络模型实现预测日天气类型的识别。

为了实现上述发明目的，本发明采取如下技术方案：

本发明提供一种用于光伏功率预测的天气类型识别方法，包括：

对光伏气象站的历史数据进行清洗，并根据清洗后的历史数据确定每日气象特征库；

对每日气象特征库中的气象特征样本进行K-means聚类，并对聚类结果进行优化，得到最终聚类结果和类别标签；

通过反向传播神经网络模型对预测日天气类型进行识别；