[发明专利]一种光伏发电功率多时间尺度预测方法

权利要求书

1.一种光伏发电功率多时间尺度预测方法，其特征在于，所述光伏发电功率多时间尺度预测方法包括：

获取光伏发电功率预测所需的基本数据，其中所述基本数据包括季节类型、天气类型、温度、风速和历史光伏发电功率；

将相同季节的历史光伏发电功率按照天气类型进行分类；

对同一天气类型下的光伏发电功率数据建立特征集合；

根据所述特征集合建立深度脊波网络光伏发电功率预测模型；

通过所述建立深度脊波网络光伏发电功率预测模型获取光伏法发电功率多时间尺度预测结果。

2.根据权利要求1所述的光伏发电功率多时间尺度预测方法，其特征在于，所述将相同季节的历史光伏发电功率按照天气类型进行分类包括将相同季节的历史光伏发电功率按照天气类型分为晴天、多云天、阴天和雨天四种类型。

3.根据权利要求1所述的光伏发电功率多时间尺度预测方法，其特征在于，所述特征集合为影响光伏发电功率大小的气象因素集合，其中所述气象因素包括日整点温度、日最高温度、日平均温度、日最低温度和日整点风速。

4.根据权利要求3所述的光伏发电功率多时间尺度预测方法，其特征在于，所述对同一天气类型下的光伏发电功率数据建立特征集合包括：

构建每日气象特征向量；

选取与待预测日的相似日集合；

采用模糊均值聚类法对同一天气类型下的光伏发电功率数据确定相似日集合。

5.根据权利要求4所述的光伏发电功率多时间尺度预测方法，其特征在于，所述模糊均值聚类法包括模糊C-均值聚类法，所述采用模糊均值聚类法对同一天气类型下的光伏发电功率数据确定相似日集合包括：

采用日整点温度、日最高温度、日平均温度、日最低温度及日整点风速作为描述日类型的特征属性，构建每日气象特征向量；

对气象特征向量数据进行归一化，其中归一化公式为：

其中，表示归一化后的数据值，x(i)表示原始数据，x_max表示原始数据的最大值，x_min表示原始数据的最小值；

确定模糊C-均值聚类法的初始参数；

计算隶属度矩阵U^(l)：

其中，表示第k个样品x_k属于第i类的隶属度，l表示迭代步数，表示第l步迭代第i个聚类中心；

修正第l+1步的聚类中心V^(l+1)：

对于给定的隶属度终止容限ε＞0，当时，停止迭代，否则l＝l+1，且转到计算隶属度矩阵的步骤。

6.根据权利要求1所述的光伏发电功率多时间尺度预测方法，其特征在于，所述根据所述特征集合建立深度脊波网络光伏发电功率预测模型包括选取预测模型输入变量，建立深度脊波网络光伏发电功率预测模型，其中当所述光伏发电功率提前1小时预测时，所述输入变量包括前一时刻光伏功率值、前两时刻光伏功率值、前三时刻光伏功率值、前四时刻光伏功率值、待预测时刻温度值、前一时刻温度值、前两时刻温度值、前三时刻温度值、待预测时刻风速值、前一时刻风速值、前两时刻风速值和前三时刻风速值。

7.根据权利要求1所述的光伏发电功率多时间尺度预测方法，其特征在于，所述光伏发电功率多时间尺度预测方法还包括在通过所述建立深度脊波网络光伏发电功率预测模型获取光伏法发电功率多时间尺度预测结果的步骤后进行的：采用平均绝对值百分比误差和均方根误差评价模型的预测精度。

8.根据权利要求7所述的光伏发电功率多时间尺度预测方法，其特征在于，所述深度脊波网络由多层脊波神经网络逐层堆叠构成。