The invention discloses a short-term photovoltaic power prediction method based on similar weather factor weight days, which comprises the following steps: S01, extracting the main influence factors by calculating the Pearson coefficients of photovoltaic power and meteorological factors; S02, classifying the historical days by k_means clustering algorithm; S03, grading the historical days according to the grey correlation degree; The weights of meteorological factors for power generation in different classes are analyzed; S04 calculates the similarity between new samples and clustering centers according to the weighted similarity statistics, and takes the classes with greater similarity as the classes of new samples; S05 selects seven historical days with the greatest similarity as the similar days, and obtains the sample training of similar days. Training set; S06, RBF neural network model combined with genetic algorithm optimization is used to predict the BP. The invention provides a short-term photovoltaic power prediction method and method based on the weather factor weight similar day, which can effectively improve the photovoltaic power prediction accuracy and has strong practicability.
【技术实现步骤摘要】
一种基于气象因子权重相似日的短期光伏功率预测方法
本专利技术属于光伏发电
,特别涉及一种基于气象因子权重相似日的短期光伏功率预测方法。
技术介绍
光伏发电技术近些年来发展迅速,在可再生能源发电中占有重要地位。相较于传统的发电技术,光伏发电技术更加清洁环保,节能且易维护。而它的缺陷也很明显,具有波动性和随机性,受天气影响比较大。这种低可控性会对电网的调度产生负面的影响,因此光伏发电功率预测技术显得尤为重要。随着研究的不断深入,光伏功率预测技术得到长足的发展,其预测方法主要分为两类:直接预测和间接预测。直接预测是利用历史日的输出功率数据和气象信息直接预测输出功率;而间接预测则要先对太阳辐照度进行预测,然后利用光伏系统出力模型得到输出功率。间接预测法在整个预测过程中可能需要多个预测模型,较为复杂。目前我国大多数光伏电站尚不具备太阳辐照度预测能力,因此大多数采用的是直接预测法。国内目前对光伏出力直接预测模型的研究主要基于数学统计预测方法和人工智能预测方法。基于数学统计预测方法有时间序列法,把光伏电站看作随时间周期性变化的一个随机时间序列,其优点是具有预测速度快、预测过程简单、外推性好等优点,其缺点是该方法没有考虑影响光伏发电的环境因素。基于人工智能的预测方法有神经网络法,其优点是神经网络具有联想、学习、记忆功能,因此可以对光伏出力进行有效预测,但由于光伏电站输出受环境影响较大,复杂的环境变化使得神经网络在训练和预测时产生较大的误差,甚至失效。因此在建立预测模型时,在不同的天气类型中分别寻找相似日,并通过获得的相似日训练样本集来进行预测,可以有效避免复杂环境变 ...
【技术保护点】
1.一种基于气象因子权重相似日的短期光伏功率预测方法,其特征在于:包括以下步骤:S01,通过计算光伏功率与气象因子的Pearson系数,提取出主要的影响因子,将温度、湿度和气压作为选取相似日的重要依据;S02,用k‑means聚类算法将历史日进行分类,分为主晴天、主多云天、主阴天和主雨天4种类型;S03,根据灰色关联度分析得出不同类别中气象因子对于发电功率的权重;S04,由S03和S04得出的结果,根据带权重的相似度统计量计算出新样本与各聚类中心的相似度,将相似度较大的类别作为新样本的类别;S05,在S04步骤得到的类别中选择相似度最大的7个历史日作为相似日,获得相似日样本训练集;S06,建立遗传算法优化的RBF‑BP组合神经网络模型进行预测,得到预测日全天的光伏发电功率输出数据。
【技术特征摘要】
1.一种基于气象因子权重相似日的短期光伏功率预测方法,其特征在于:包括以下步骤:S01,通过计算光伏功率与气象因子的Pearson系数,提取出主要的影响因子,将温度、湿度和气压作为选取相似日的重要依据;S02,用k-means聚类算法将历史日进行分类,分为主晴天、主多云天、主阴天和主雨天4种类型;S03,根据灰色关联度分析得出不同类别中气象因子对于发电功率的权重;S04,由S03和S04得出的结果,根据带权重的相似度统计量计算出新样本与各聚类中心的相似度,将相似度较大的类别作为新样本的类别;S05,在S04步骤得到的类别中选择相似度最大的7个历史日作为相似日,获得相似日样本训练集;S06,建立遗传算法优化的RBF-BP组合神经网络模型进行预测,得到预测日全天的光伏发电功率输出数据。2.根据权利要求1所述的一种基于气象因子权重相似日的短期光伏功率预测方法,其特征在于:S02中,k-means聚类的优化目标可以表示为式中,J表示优化目标,xn表示数据对象,μk表示聚类中心,rnk表示数据分配状态,K表示数据分类的数目,N表示数据的个数,在数据分配到第K类的时候为1,否则为0,整个算法不断迭代计算使J达到最小,然后,固定聚类中心μk,更新rnk,将每个数据对象xn分配到距离它最近的类别中,使J的值降到最小,最后,固定rnk,更新聚类中心μk,令J对μk的倒数为零,得到通过上述两个步骤不断迭代,使J的值下降到一个极小值。3.根据权利要求1所述的一种基于气象因子权重相似日的短期光伏功率预测方法,其特征在于:S03中,包括以下三个步骤,a、在主晴天类别选择30个历史日。对于日最高温度Tmax,日平均温度Tavg,日最低温度Tmin,日相对湿度H,日平均大气压强pa,采用线性映射至[0,1]区间,分别构造5个30x1的属性因子向量z1到z5;b、以日平均功率作为参考向量,采用线性映射至[0,1]区间,同样的构造出30x1的功率向量z6,利用灰色关联系数法求出5个因子向量与功率...
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。