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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。