一种基于K均值聚类神经网络的光伏功率预测方法技术

本发明专利技术涉及一种基于K均值聚类神经网络的光伏功率预测方法，包括：1、以设定时间间隔为采样点，获取预测日和该日之前设定天数的历史日的环境因素数据，根据相似日选择算法选取与预测日的环境因素最相似的相同天气类型的历史日作为相似日；2、采用K均值聚类方法将相似日所有采样点的光伏发电功率值聚类为多组；3、采用每组采样点的光伏发电功率和其对应环境因素数据分别训练具有时延特性的BP神经网络，得到不同分组的光伏发电功率预测模型；4、将预测日中待预测时刻的环境因素数据输入到对应分组的光伏发电功率预测模型中，得到光伏发电功率预测值。本发明专利技术与传统的BP神经网络相比，具有更好的运算速度和预测精度。

A photovoltaic power prediction method based on K mean clustering neural network

The invention relates to a photovoltaic power prediction method based on K mean clustering neural network. It includes: 1. The environment factor data are obtained by setting the time interval as the sampling point to obtain the historical days of the forecast day and the number of days before the day. According to the similar day selection algorithm, the same weather type which is the most similar to the environmental factors of the forecast day is selected. The history day is a similar day. 2, using the K means clustering method, the PV power values of all the sampling points of similar days are clustered into multiple groups. 3. The photovoltaic power of each sample point is used to train the BP neural network with time delay characteristic respectively, and the photovoltaic power generation of different groups is predicted. 4. Input the environment factor data in the forecast time to the corresponding group of photovoltaic power forecasting model, and get the predictive value of the photovoltaic power. Compared with the traditional BP neural network, the invention has better operation speed and prediction accuracy.

【技术实现步骤摘要】
一种基于K均值聚类神经网络的光伏功率预测方法
本专利技术涉及光伏出力预测技术，尤其是涉及一种基于K均值聚类神经网络的光伏功率预测方法。
技术介绍
近年来，随着新能源发电、控制技术、计算机信息技术、大数据技术的提出和发展，能源互联网(EnergyInternet)逐渐得到大众认可。在国家政策的支持下，光伏发电作为太阳能的主要利用途径，逐渐成为全球能源体系的主要组成部分和EI的重要组成部分，以平均每年高于30％的速率增加装机容量。截止到2016年底，光伏发电装机容量达7742GW，新增和累计装机容量均已列为全球第一。同时，由于光伏电站的出力具有周期性和波动性，所以如何能更加精确预测光伏出力，对整个能源网络的运行都有极其深远的意义。根据建模方式的不同，光伏出力预测方法可分成两种。第一种为物理方法，此法利用太阳辐照度传递方程、组件运行方程等建立光伏出力预测模型。第二种为统计方法，它利用智能优化算法和历史数据来构建光伏出力预测模型，其中，智能优化算法有聚类算法、支持向量机和人工神经网络等算法。物理方法的普遍预测偏差在5.0％～20.0％之间，而智能预测算法的预测偏差大概在3.0％～11.0％左右，因此，智能预测算法是功率预测技术进步的关键点。
技术实现思路
本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于K均值聚类神经网络的光伏功率预测方法。本专利技术的目的可以通过以下技术方案来实现：一种基于K均值聚类神经网络的光伏功率预测方法，包括以下步骤：S1、以设定时间间隔为采样点，获取预测日和该日之前设定天数的历史日的环境因素数据，根据相似日选择算法选取与预测日的环境因素最相似的相同天气类型的历史日作为相似日；S2、采用K均值聚类方法将相似日所有采样点的光伏发电功率值聚类为多组，调整每组的采样点使每组中来自每个相似日的采样点对应的时刻相同；S3、采用步骤S2得到的每组采样点的光伏发电功率和其对应环境因素数据分别训练具有时延特性的BP神经网络，得到不同分组的光伏发电功率预测模型；S4、将预测日中待预测时刻的环境因素数据输入到对应分组的光伏发电功率预测模型中，得到光伏发电功率预测值。优选的，所述环境因素包括温度和风速，所述步骤S1中根据相似日选择算法选取与预测日的环境因素最相似的相同天气类型的历史日作为相似日的过程具体包括：计算预测日与相同天气类型的历史日的欧氏距离：其中，da为预测日与第a个历史日的欧氏距离，Y1、Y2、Y3、Y4、Y5、Y6分别为预测日预测的最高、平均、最低气温值和最高、平均、最低风速值，Xa1、Xa2、Xa3、Xa4、Xa5、Xa6分别为第a个历史日记录的最高、平均、最低气温值和最高、平均、最低风速值；选取与预测日的欧氏距离最小的多个相同天气类型的历史日作为相似日。优选的，所述步骤S2具体包括：S21、将相似日所有采样点的光伏发电功率值随机分成K个组，在每组中随机选取一个光伏发电功率值作为初始的聚类中心；S22、计算所有光伏发电功率值到各个聚类中心的距离，将所有光伏发电功率值重新分配给与其距离最短的聚类中心所在的组，将更新后的组的均值向量作为该组新的聚类中心；S23、重复步骤S22，直到K个组的聚类中心不发生变化为止；S24、调整每组的采样点使每组中来自每个相似日的采样点对应的时刻相同。与现有技术相比，本专利技术具有以下优点：1、用K均值聚类对具有输入时延特性结构的BP神经网络进行优化，预测结果能够达到光伏出力预测的标准，且与传统的BP神经网络相比，在不同的天气类型下，优化后的BP神经网络模型具有更好的运算速度和预测精度。2、选择具有时延特性的BP神经网络结构，可以模拟具有时间效应的网络，避免实际天气状况下时延导致的误差，例如在预测日突然出现云层遮挡光伏组件而光照度没有出现骤变的情况，导致预测出力与实测出力在个别采样点存在时间延迟。3、用K均值聚类法改善了具有输入时延特性结构的BP模型各层之间的权值和阈值，克服了传统BP神经网络算法中梯度下降法训练网络参数时易出现局部最优的缺陷。附图说明图1为本专利技术基于K均值聚类神经网络的光伏预测方法的流程图；图2为不同天气类型测试日的功率数据；图3为实施例一中K均值聚类过程的流程图；图4为实施例一中BP神经网络训练过程的流程图；图5为实施例二中BP神经网络的结构示意图；图6为晴天时采用传统BP神经网络和本方法K-means+BP的预测结果图；图7为多云时采用传统BP神经网络和本方法K-means+BP的预测结果图；图8为阴天时采用传统BP神经网络和本方法K-means+BP的预测结果图；图9为雨天时采用传统BP神经网络和本方法K-means+BP的预测结果图。具体实施方式下面结合附图和具体实施例对本专利技术进行详细说明。本实施例以本专利技术技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本专利技术的保护范围不限于下述的实施例。实施例一在光伏系统中，利用光伏阵列进行发电时，能够输出的最大功率Ps的公式如下所示：Ps＝ηsSI[1-0.005(t0+25)]式中：ηs是光电转换效率，S是所有的光伏阵列面积，I是太阳辐射强度，t0是光伏电池板工作时的温度。在进行光伏功率超短期预测时，光电转换效率、光伏阵列的面积为一常数，但温度、太阳辐射强度等因素会对光伏功率预测结果产生影响，太阳辐射强度一方面体现在天气、季节类型对光伏阵列发电功率的影响，另一方面体现在云量对光伏阵列的影响。由于国内目前对云量的监测比较困难，可选取和云量相关的风速作为影响因素。图2为某岛光伏电站在2015年3月天气分别为晴天、多云、阴天及雨天四种日类型的光伏发电功率图。从图2中可以看出，天气类型的不同对光伏功率预测结果影响较大，因此，预测时应作为环境因素之一。选取某岛光伏电站2015年7月风速、温度和光伏发电功率值进行相关性分析。常用的相关性分析的工具为spss软件，在spss软件中，多个变量的相关性分析有Pearson(皮尔逊)相关、Kendall(肯德尔)相关以及Spearman(斯皮尔曼)相关。本实施例中利用Kendall相关来计算三个变量之间的秩相关，如果不知道两个变量间的正负相关性，在进行相关性分析时要选择双尾检验，得到的相关性结果如表1所示。从表1可以看出，温度和风速对光伏发电功率都有影响，所以将温度和风速在预测时设为特征输入向量。因此，本方法选取天气、温度和风速作为影响光伏发电功率的环境因素。表1Kendall相关系数分析结果如图1所示，本申请提出一种基于K均值聚类神经网络的光伏功率预测方法，包括以下步骤：S1、以设定时间间隔为采样点，获取预测日和该日之前设定天数的历史日的环境因素数据，根据相似日选择算法选取与预测日的环境因素最相似的相同天气类型的历史日作为相似日；S2、采用K均值聚类方法将相似日所有采样点的光伏发电功率值聚类为多组，调整每组的采样点使每组中来自每个相似日的采样点对应的时刻相同；S3、采用步骤S2得到的每组采样点的光伏发电功率和其对应环境因素数据分别训练具有时延特性的BP神经网络，得到不同分组的光伏发电功率预测模型；S4、将预测日中待预测时刻的环境因素数据输入到对应分组的光伏发电功率预测模型中，得到光伏发电功率预测值。环境因素包括温度和风速，步骤S1中根据相似日选本文档来自技高网...

【技术保护点】
1.一种基于K均值聚类神经网络的光伏功率预测方法，其特征在于，包括以下步骤：S1、以设定时间间隔为采样点，获取预测日和该日之前设定天数的历史日的环境因素数据，根据相似日选择算法选取与预测日的环境因素最相似的相同天气类型的历史日作为相似日；S2、采用K均值聚类方法将相似日所有采样点的光伏发电功率值聚类为多组，调整每组的采样点使每组中来自每个相似日的采样点对应的时刻相同；S3、采用步骤S2得到的每组采样点的光伏发电功率和其对应环境因素数据分别训练具有时延特性的BP神经网络，得到不同分组的光伏发电功率预测模型；S4、将预测日中待预测时刻的环境因素数据输入到对应分组的光伏发电功率预测模型中，得到光伏发电功率预测值。

【技术特征摘要】
1.一种基于K均值聚类神经网络的光伏功率预测方法，其特征在于，包括以下步骤：S1、以设定时间间隔为采样点，获取预测日和该日之前设定天数的历史日的环境因素数据，根据相似日选择算法选取与预测日的环境因素最相似的相同天气类型的历史日作为相似日；S2、采用K均值聚类方法将相似日所有采样点的光伏发电功率值聚类为多组，调整每组的采样点使每组中来自每个相似日的采样点对应的时刻相同；S3、采用步骤S2得到的每组采样点的光伏发电功率和其对应环境因素数据分别训练具有时延特性的BP神经网络，得到不同分组的光伏发电功率预测模型；S4、将预测日中待预测时刻的环境因素数据输入到对应分组的光伏发电功率预测模型中，得到光伏发电功率预测值。2.根据权利要求1所述的一种基于K均值聚类神经网络的光伏功率预测方法，其特征在于，所述环境因素包括温度和风速，所述步骤S1中根据相似日选择算法选取与预测日的环境因素最相似的相同天气类型的历史日作为相似日的过程具体包括：计算预测日与相同天气...

【专利技术属性】
技术研发人员：彭道刚，黄雨薇，孔雯，李一琨，于会群，马梦冬，
申请(专利权)人：上海电力学院，
类型：发明
国别省市：上海,31