[发明专利]一种短期光伏发电功率预测方法和系统

说明书

本发明的一种短期光伏发电功率预测方法和系统，本发明从选取数据集和评价指标入手，对所选数据集进行数据预处理，包括数据清洗、特征选择和归一化。数据清洗即使用iForest算法对异常数据清洗；特征选择是根据计算气象因素和光伏发电功率的皮尔逊系数，选择两者相关性强的气象因子作为模型的输入特征；归一化则消除不同类别输入数据数值上的差异对模型的学习训练产生不利的影响。基于Davies‑Bouldin指数的K‑means算法对特征展开聚类分析，在给定主要网络参数的前提下，给出了误差修正后的短期光伏发电功率的预测结果，以单一的BP以及LSTM方法作对比，验证了所提方法的预测精度更理想。

技术领域

本发明涉及光伏发电技术领域，具体涉及一种短期光伏发电功率预测方法和系统。

背景技术

光伏发电具有较强的日变化周期，其输出功率受各种气象因素的影响。太阳辐射强度、大气温度、相对湿度、风速、风向、气压等参数对光伏发电有着不同程度的影响。因此，在试图通过不同的预测模型来提升预测精度的同时，如何对训练数据进行合理的选取应该成为备受关注的研究课题。

发明内容

本发明提出的一种短期光伏发电功率预测方法和系统，可解决上述技术问题。

为实现上述目的，本发明采用了以下技术方案：

一种短期光伏发电功率预测方法，包括以下步骤：

S100、考虑待预测日的天气类型，分为不同天气类型，并作为参考选择与之时间最接近的相同天气类型的历史气象和光伏功率数据以及预测日气象数据作为输入样本数据；

S200、对输入数据作预处理，包括对历史数据的异常数据清洗、特征选择和归一化；

S300、根据所选择的气象因素利用Davies Bouldin指数的自适应K-means算法进行聚类；

S400、将聚类后的数据结合对应的历史光伏功率数据使用LSTM进行预测；

S500、将预测的结果按照时间点整合并进行误差修正得到最终预测结果。

进一步的，所述S200中对输入数据作预处理步骤包括：

S201、对用于预测光伏发电功率的数据本身上存在异常情况进行

数据清洗；

S202、对影响光伏发电功率的因素进行特征选择；

S203、为消除各数据的单位限制进行归一化处理；

其中，所述S202具体包括：

通过计算了光伏输出功率与各气象因素之间的皮尔逊相关系数，来反映各气象因素与光伏功率之间的关系，计算公式如下：

式中，r为表示皮尔逊相关系数，ν为表示光伏输出功率，γ为表示气象因子。

进一步的，所述S202中可通过以下取值范围判断气象因素与光伏功率的相关程度，如下表所示：

进一步的，所述S203对输入数据进行归一化处理，具体如下式：

式中，为归一化后的数据，x^*、和分别为原始输入数据、原始输入数据中的最大值和最小值。

进一步的，所述S300、根据所选择的气象因素利用Davies Bouldin指数的自适应K-means算法进行聚类；

其中K-means算法步骤为：