[发明专利]一种光伏功率的短期预测方法

说明书

本发明公开了一种光伏功率的短期预测方法，包括步骤1，将在光伏电站收集到的环境与光伏输出功率的历史数据经过处理后，利用模糊C均值算法进行相似度分类，获得各个类别的数据样本；步骤2，将聚类好的数据样本按照类别建立初步DBN光伏输出功率预测模型；步骤3，利用共轭梯度法对步骤2初步的DBN模型进行权值的加速寻优，完成预测模型的构建；步骤4，将待预测的光伏功率数据和所分类别进行比对并放入相应的预测模型内进行预测，最终得到待预测区域的负荷预测值。本发明建立的预测模型效果显著，输出的预测值平稳且准确，可为电力系统的调度提供参考。

技术领域

本发明属于电力系统光伏发电领域，尤其涉及一种光伏功率的短期预测方法。

背景技术

随着光伏产业的迅速发展，光伏能源在整个电力系统中的地位与日俱增，其在并网中的合理性、高效性和稳定性与国家经济和人民生活息息相关。光伏短期负荷预测对于电网调度和规划、提高电力系统鲁棒性以及获得更大社会效益等方面有着十分重要的意义。

由于光伏发电功率受环境影响因素大，在各个不同的天气环境中表现出不同的发电特点，因此对于光伏功率预测普遍采用了分类预测的方式。然而现有的预测方案大多是按照季节和天气类型分别建立预测模型，但将预测模型按照一个天气因素划分，没有考虑到各个环境因素相互影响的结果。因此使得预测模型的构建针对性不强。

近年来光伏功率短期预测技术在算法上，各种方法逐步涌现，ARIMA、回归分析、神经网络、贝叶斯、支持向量机等技术为光伏短期预测提供了有力的工具。但目前已有技术仍存在局限性和不足。以回归运算为基础的预测模型对于历史数据的准确性要求高，难以解决天气因素造成预测不准确的问题，且在非线性系统中的应用效果不理想；以神经网络为基础的预测模型无法克服算法过拟合、收敛速度慢和易陷入局部最优解的局限性；以支持向量机为基础的预测模型难以应付大规模样本训练，无法深度分析受多因素影响的光伏输出功率。

2006年Hinton提出了利用RBM(受限玻尔兹曼机)编码的深层神经网络，其方案使用逐层无监督学习方法来预先训练网络中权重的初始值，然后使用标准监督方法进行微调。这使得深层的神经网络训练变得可能，并且为多影响、多层次的预测提供了解决方案。可是对于光伏输出功率的预测，其数据量大，深度信念网络(Deep belief network，DBN)隐含层多，这就使得DBN模型复杂且建立时间缓慢。

综上所述，现有的光伏输出功率短期负荷预测方案存在如下问题：(1)预测模型的构建针对性不强。(2)预测不准确的问题。(3)智能算法无法克服算法过拟合、收敛速度慢和易陷入局部最优解的局限性。(4)使得DBN预测模型构建时间缓慢。

发明内容

为了解决上述现有技术中存在的问题，本发明的提供一种新型的光伏输出功率短期预测方法。

一种光伏输出功率短期负荷预测方法，其中，所述的预测方法包括以下步骤：

(1)将在光伏电站收集到的环境与光伏输出功率的历史数据经过处理后利用模糊C均值算法(Fuzzy C mean，FCM)算法进行相似度分类，获得各个类别的数据样本。

(2)将聚类好的数据按照类别建立初步DBN光伏输出功率预测模型。

(3)利用共轭梯度法(Conjugate gradient，CG)对初步的DBN模型进行权值的加速寻优，完成预测模型的构建。

(4)将待预测的光伏功率数据和所分类别进行比对并放入相应的预测模型内进行预测，最终得到待预测区域的负荷预测值。

进一步地，步骤(1)还包括以下步骤：

(11)确定光伏预测聚类指标、确定聚类数C、模糊加权参数m、阈值ε和初始迭代步数L。

(12)根据式1，将各个聚类指标进行归一化处理。