[发明专利]基于相似日聚类的微电网光伏出力空间预测方法

摘要

本发明针对现有相似日聚类预测光伏出力的不足，提出一种基于相似日聚类的微电网光伏出力空间预测方法，属于新能源出力预测领域，包含步骤：利用训练期内微电网中输入输出光伏电站的发电数据，建立空间关系来预测预测期内输出电站的发电数据；对输入电站训练期和预测期内的发电数据进行粒子化处理；对粒子化后的输入电站训练期内的数据进行SOM神经网络聚类训练；利用SOM神经网络对粒子化后的输入电站预测期进行仿真分类；找出相似日；利用相似日数据，结合最小二乘法多项式拟合，得出发电数据预测值。与现有方法相比，本发明简化了研究对象，促进了聚类过程，显著提高了预测精度。

主权项

一种基于相似日聚类的微电网光伏出力空间预测方法，其特征在于，包含以下步骤：1)以微电网内的n个光伏电站为研究对象(其中p个作为输入电站，q个作为输出电站，n＝p+q)，n个光伏电站的发电数据(日发电量)分为训练期和预测期，训练期内输入电站和输出电站的发电数据均已知，预测期内输入电站的发电数据已知而输出电站的发电数据未知，利用训练期的发电数据，从空间角度建立输入电站和输出电站之间的关系，利用这种关系则可预测预测期内输出电站的发电数据；2)对p个输入电站训练期和预测期内的发电数据进行粒子化处理，具体过程如下：201)将p个输入电站训练期和预测期内的发电数据(w维)，按各个输入电站时间顺序分别归一化到[0，a]，a为大于0的整数，具体使用下式(1)：${x_{mi}}^{*}=a\·\frac{x_{mi}-x_{m\min }}{x_{m\max }-x_{m\min }}---\left(1\right)$其中，m＝1，2，…，p，i＝1，2，…，w，x_mi为第m个光伏电站的第i个发电数据，x_mi^*为x_mi归一化后对应的数据，x_m max和x_m min分别为x_mi中最大值和最小值；202)将x_mi^*精确到整数位或小数点后1位，具体使用下式(2)：f(x_mi^*)＝ROUND(x_mi^*，N)    (2)其中，ROUND( )为四舍五入运算，其中N＝0，1，当N为0时表示精确到整数位，N为1时表示精确到小数点后1位；3)对粒子化后的p个输入电站训练期内的数据进行SOM神经网络聚类训练，具体过程如下：301)将粒子化后的p个输入电站训练期内的数据作为输入向量X；302)初始化SOM神经网络的连接权值向量W为随机值，W表示SOM输入层神经元和输出层神经元之间的全连接；303)将输入向量X和连接权值向量W分别进行归一化处理，具体使用下式(3)：$\stackrel{\‾}{A}=\frac{A}{\left|\right|A\left|\right|}---\left(3\right)$其中，||·||表示2‑范数运算；304)计算归一化后输入向量和归一化后连接权值向量之间的欧氏距离d；305)选出d值最小对应的输出层神经元为获胜神经元，对获胜神经元及其邻域内的神经元权值进行调整；306)判断是否达到预先训练结束要求，否则循环执行，得出最终训练分类；4)利用步骤3)中达到预先训练结束要求的SOM神经网络对粒子化后的输入电站预测期进行仿真分类；5)找出步骤4)中仿真分类和步骤3)中训练分类相同的类别，这些类别所对应的日期则可作为相似日；6)利用相似日粒子化前的发电数据，结合最小二乘法多项式拟合，得出预测期内输出电站的发电数据预测值，具体过程如下：601)利用与预测期为相似日的训练期内输入输出电站粒子化前的发电数据，使用最小二乘法多项式拟合，求出多项式中的系数，所使用的最小二乘法多项式拟合原理是：对于给定的一组数据{(x_j，y_j)，(j＝1，2，…，s)}，其中s为相似日的个数，若拟合的曲线为y＝F(x)，则第j个点的误差距离为F(x_j)‑y_j，所有点的误差距离平方和为求出的最小值对应的系数，则可得到拟合曲线y＝F(x)；602)利用拟合曲线y＝F(x)，输入预测期内输入电站粒子化前的发电数据，则可求出预测期内输出电站的发电数据预测值。