[发明专利]一种基于密度峰值层次聚类的光伏电站短期功率预测方法

摘要

本发明涉及一种基于密度峰值层次聚类的光伏电站短期功率预测方法，该方法包括如下步骤：(A)获取预测日气象数据、用于天气类型识别的SVM识别模型以及对应不同天气类型的功率预测模型；(B)根据预测日气象数据，利用SVM识别模型进行逐层识别，确定预测日所属天气类型；(C)将预测日的气象数据作为对应天气类型的功率预测模型的输入，并输出预测日对应的功率预测值；其中，SVM识别模型以及功率预测模型具体通过下述方式获得：对历史日气象数据进行分层聚类形成分别对应一种天气类型的K个簇类集，进而建立用于识别天气类型的SVM识别模型，同时建立基于该天气类型的功率预测模型。与现有技术相比，本发明具有预测精度高等优点。

主权项

1.一种基于密度峰值层次聚类的光伏电站短期功率预测方法，其特征在于，该方法包括如下步骤：(A)获取预测日气象数据、用于天气类型逐层识别的SVM识别模型以及对应不同天气类型的功率预测模型；(B)根据预测日气象数据，利用相应的SVM识别模型进行逐层识别，确定预测日所属天气类型；(C)将预测日的气象数据作为对应天气类型下的功率预测模型的输入，功率预测模型输出预测日对应的功率预测值；其中，用于天气类型识别的SVM识别模型以及对应不同天气类型的功率预测模型具体通过下述步骤获得：(1)获取历史日气象数据；(2)确定分层聚类的层数，获取相应层的分层特征因子，对历史日气象数据按照每层对应的特征因子进行分层聚类，将历史日气象数据分成K个簇类集，每个簇类集对应一种天气类型；(3)分别建立用于识别不同天气类型对应的簇类集的SVM识别模型；(4)对不同的天气类型，分别提取对应的簇类集中包含的历史日的气象数据和功率数据进行神经网络训练，建立基于该天气类型的功率预测模型；步骤(2)具体包括以下步骤：(201)确定分层聚类层数为2层，分别为顶层聚类和底层聚类；(202)获取顶层聚类的特征因子，组成顶层特征因子向量，分别获取每个历史日相应的特征因子向量，并组成数据集X；其中，所述的顶层聚类的特征因子为6维特征因子，分别为每日温度最大值T_max、每日湿度最大值H_max、每日能见度最大值W_max、每日辐照度最大值G_max、每日实时风速与日平均风速差的3阶导数最大值V″′_d以及每日辐照度3阶导数最大值G″′_d，进而顶层特征因子向量为F₁＝[T_max,H_max,W_max,G_max,V″′_d,G″′_d]；(203)对数据集X进行顶层聚类，得到簇类数为2，进而将数据集X划分为2个顶层簇类集，根据历史日中部分已知的天气类型，确定2个顶层簇类数据集对应的天气类型，分别为晴天簇类集和阴雨天簇类集；(204)获取底层聚类的特征因子，组成底层特征因子向量，提取阴雨天簇类集对应的历史日的底层特征因子向量，并组成数据集Y；其中，所述的底层聚类的特征因子为4维特征因子，分别为每日能见度最大值W_max、每日能见度3阶导数最大值W″′_d、每日辐照度最大值G_max以及每日辐照度3阶导数最大值G″′_d，进而底层特征因子向量为F₂＝[W_max,W″′_d,G_max,G″′_d]；(205)对数据集Y进行底层聚类，得到簇类数为3，进而将数据集Y划分为3个底层簇类集，根据历史日中部分已知的天气类型，确定3个底层簇类集对应的天气类型，分别为阴天簇类集、小雨簇类集和大雨簇类集。