[发明专利]一种光伏发电功率预测方法

权利要求书

1.一种光伏发电功率预测方法，其特征在于，包括：

利用7点二阶算法前推差分算式剔除初始历史样本中的野值点；

利用三次样条插值方法对所述野值点进行补正，得到历史样本；

利用模糊聚类与粗糙集理论，对所述历史样本进行聚类，计算出聚类后各类的类中心和气象因子影响权重；

分别计算出待预测日与所述聚类后各类的类中心之间的包含气象因子影响权重的加权欧式距离，选取加权欧式距离最小的类作为训练样本；

对所述训练样本中的数据进行预测模型输入特征提取，得到特征提取值；

将所述特征提取值输入到广义回归神经网络模型进行模型训练，得到训练后的广义回归神经网络模型；

将从所述待预测日中提取的特征值输入到所述训练后的广义回归神经网络模型，得到所述待预测日的功率预测值。

2.根据权利要求1所述的方法，其特征在于，利用模糊聚类与粗糙集理论，对所述历史样本进行聚类，计算出聚类后各类的类中心和气象因子影响权重，包括：

将历史样本中所选取的气象因子作为样本特征属性；

利用基于F-统计量方法的模糊聚类分析，对所述样本特征属性进行最佳模糊聚类，将历史样本分成k类，得到某决策属性的等价集，并计算簇中心记为其中，i＝1,2,...k、j＝1,2,3,4，t＝1,2,...,m；

对所述历史样本中依次删除其中一个气象因子后，再进行基于F-统计量方法的模糊聚类分析，得到去掉某一属性的等价集；

利用粗糙集原理，计算样本特征属性对决策属性的依赖度并归一化，得到各所述气象因子影响权重。

3.根据权利要求1所述的方法，其特征在于，将历史样本中所选取的气象因子作为样本特征属性，包括：

选取历史样本中地表辐照度、温度、湿度、风速四个气象因子，作为样本特征属性。

4.根据权利要求1所述的方法，其特征在于，分别计算出待预测日与所述聚类后各类的类中心之间的包含气象因子影响权重的加权欧式距离，包括：

利用相似度计算公式计算待预测日与所述聚类后各类的类中心之间的包含气象因子影响权重的加权欧式距离d_i，其中，为t时刻所选取的气象因子组成的日特征向量，为t时刻历史样本进行模糊聚类分成的k类簇中心，为气象因子t时刻对光伏发电影响权重。

5.根据权利要求1所述的方法，其特征在于，对所述训练样本中的数据进行预测模型输入特征提取，得到特征提取值，包括：

选取所述训练样本中的上下午时段的辐照度均值、辐照度波动率的均值和极大值、风速均值、气压均值、湿度均值，作为特征提取值。

6.根据权利要求5所述的方法，其特征在于，将所述特征提取值输入到广义回归神经网络模型进行模型训练，得到训练后的广义回归神经网络模型；

将提取的上下午时段的辐照度均值、辐照度波动率的均值、极大值，及风速均值、气压均值、湿度均值作为广义回归神经网络模型输入，将8:00至18:00间隔30min光伏发电功率数值作为所述广义回归神经网络模型的输出值进行模型训练，得到训练后的广义回归神经网络模型。

7.根据权利要求5所述的方法，其特征在于，所述上下午时段的辐照度均值的计算公式分别为：

其中，m为上午时段采样点个数,n为总采样点个数，分别表示上、下午时段的辐照度均值。

8.根据权利要求5所述的方法，其特征在于，所述辐照度波动率的均值和极大值的计算公式分别为：

其中，上午时段有效波动率序列下午时段有效波动率序列l、q分别表示上午与下午时段有效波动次数，T＝1时各式表示上午时段各指标,T＝2时表示下午时段各指标。