[发明专利]一种基于包络线聚类的多模融合光伏功率预测方法

说明书

本发明公开了一种基于包络线聚类的多模融合光伏功率预测方法，具体包括：识别异常光伏功率数据，并对异常光伏功率数据进行处理；对历史时刻光伏功率数据进行聚类划分；由经过聚类后的光伏功率数据分别构建XGBoost模型、LightGBM模型，由历史时刻光伏功率数据构建LSTM模型，将XGBoost模型、LightGBM模型及LSTM模型进行融合，得到预测模型，并输出预测结果。根据历史时刻的功率曲线构建包络线进行聚类划分，能准确反映光伏功率变化规律，无需依赖气象参数的影响，该聚类法更为准确合理；多模融合法融合三种机器学习算法，较传统单模型预测算法有更高的预测精准性，预测误差更低。

技术领域

本发明属于光伏功率预测方法技术领域，涉及一种基于包络线聚类的多模融合光伏功率预测方法。

背景技术

光伏功率预测技术是根据光伏电站运行参数、气象特征等条件来预测未来时刻光伏输出功率的一种技术。现有预测方法多是针对气象参数进行聚类划分，在划分后的各簇上分别建立预测模型，但是输入的气象参数对输出光伏功率的影响程度不同，且不同天气类型的主导因素也不同，导致基于气象特征聚类时各气象参数的权重难以分配。此外，传统的预测模型往往是单算法模型，预测精度较差。

发明内容

本发明的目的是提供一种基于包络线聚类的多模融合光伏功率预测方法，能提高预测精度。

本发明所采用的技术方案是，一种基于包络线聚类的多模融合光伏功率预测方法，具体包括以下步骤：

步骤1、识别异常光伏功率数据，并对异常光伏功率数据进行处理；

步骤2、对历史时刻光伏功率数据进行聚类划分；

步骤3、由经过步骤2聚类后的光伏功率数据分别构建XGBoost模型、LightGBM模型，由历史时刻光伏功率数据构建LSTM模型，将XGBoost模型、LightGBM模型及LSTM模型进行融合，得到预测模型，并输出预测结果。

本发明的特点还在于：

还包括步骤4、应用平均绝对误差e_MAE与平均绝对百分比误差e_MAPE进行预测结果进行评估，如下式所示：

上式中，n为样本数量，与y_i分别是样本i的预测值与真实值。

步骤1具体过程为：通过3-sigma原理进行异常光伏功率数据的识别，将异常光伏功率数据替换为其前后两点光伏功率数据的平均值；并对替换后的光伏功率数据进行标准化。

步骤2具体包括以下步骤：

步骤2.1、选取历史时刻光伏功率数据并绘制光功率曲线，并对波峰值、波谷值进行曲线拟合，形成上、下包络线；

步骤2.2、将一定范围内波峰波谷数量f_i和上下包络线之间面积v_i作为指标进行K-means聚类划分；

步骤2.2.1、给定聚类数K和样本数据集D；

步骤2.2.2、随机生成K个聚类中心；

步骤2.2.3、利用下式判断样本集中数据到K个聚类中心的距离：

上式中，x_i表示第i个样本数据，c_j表示第j个聚类中心，x_it表示第i个样本中的第t个特征数据，c_jt表示第j个聚类中的第t个特征数据；

步骤2.2.4、将各个样本数据分配到距其最近的聚类中心；