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

本发明专利技术公开了一种基于气象因子权重相似日的短期光伏功率预测方法，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；S02，用k‑means聚类算法将历史日进行分类；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，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，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。本发明专利技术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及方法，能有效提高光伏功率预测精度，具有较强的实用性。

A short term photovoltaic power prediction method based on weather factor weight similar day

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化的影响。只是一般的相似日选取算法中各个气象因子的权重是相同的然而实际上天气的变化也会影响属性因子的权重。比如高温天气，最高温度为主导气象因素，其权重显然大于其他的气象因素。这样，传统方法中的相同权重会造成较大的误差。
技术实现思路
本专利技术的目的在于针对现有技术不足，提出一种基于气象因子权重相似日的短期光伏功率预测方法，能够改进传统的相似日的选取方法，提供一种光伏功率预测精度高的。为解决上述技术问题，本专利技术采用的技术方案为：一种基于气象因子权重相似日的短期光伏功率预测方法，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。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。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个因子向量与功率向量在第k个分量的关联系数：其中，λj(k)表示第j个气象特征向量zj(k)与功率向量z6(k)在第k个特征分量的关联系数，ρ∈[0,1]为分辨系数；由于每日因素的值的权重都是相同的，因此zj与z6的关联度可以按下式计算：c、求解各因素的权重，其他3个类别，主多云天类型、主阴天类型、主雨天类型均采用此方法求出各因子权重。分辨系数ρ的值为0.5。S04中，带权重的相似度统计量如下：其中，样本X＝(x1,x2,...,xk)，Y＝(y1,y2,...,yk)，式中xi，yi均为影响因子归一化后的值，S(X,Y)代表样本X和样本Y之间的相似度，wi表示样本的第i个因子的权重，m1，m2分别表示p个影响因子的加权平均值；将样本进行分类后，分别求出各类别中各影响因子的均值作为聚类中心点：其中，第i类有r个样本，m表示影响因子的数目，利用公式求出新样本与各类聚类中心点的相似度，将相似度较大的类别作为新样本的类别。S06中隐含层传递函数第一层为高斯函数radbas，第二层为正切型传递函数tansig，输出层采用线性函数purelin，隐含层节点数使用构造法确定，先设置较少的隐节点数，若学习后网络输出误差不符合设定要求，则逐渐增加节点数，直至网络误差不再有明显减少为止，确定两层隐含层节点数分别确定为6、6。S06中遗传算法的编码方式采用实数编码，种群规模设置为10，选择概率、交叉概率、变异概率分别为0.7、0.4、0.1，适应度函数构造如下：其中，λ是适应度，n表示输出节点个数，yi是神经网络第i个节点的实际输出，oi是第i个节点的预测输出。本专利技术的有益效果：本专利技术改进了相似日的选取方法，通过光伏功率与气象因子的相关性分析提取出主要影响因子，将温度、湿度和气压作为选取相似日的重要依据，先用k-means聚类算法将历史日进行分类，然后分析了不同天气情况下气象因子的权重，分类别建立基于遗传算法优化的RBF-BP组合神经网络预测模型。经过实际数据对模型的检验并且与传统选取相似日的方法进行比较，结果表明本专利技术所提的模型精度更高。附图说明：图1是K-means聚类算法流程图；图2是本专利技术的短期光伏功率预测流程图；图3是RBF-BP组合神经网络结构图；图4是遗传算法优化流程图；图5是本专利技术预测模型和其它预测模型在晴天预测结果对比图；图6是本专利技术预测模型和其它预测模型在多云天预测结果对比图；图7是本专利技术预测模型和其它预测模型在阴天预测结果对比图；图8是本专利技术预测模型和其它预测模型在雨天预测结果对比图；图9是本专利技术预测模型和其它预测模型的预测误差统计对比图。具体实施方式下面结合附图对本专利技术作进一步描述，以下实施例仅用于更加清楚地说明本专利技术的技术方案，而不能以此来限制本专利技术的保护范围。图1所示k-means算法以k为参数，把n个对象分成k个簇，使簇内具有较高的相似度，而簇间的相似度较低。k-means算法的处理过程如下：首先，随机地选择k个对象，每个对象初始地代表了一个簇的平均值或中心；对剩余的每个对象，根据其与各簇中心的距离，将它赋给最近的簇；然后重新计算每个簇的平均值。这个过程不断重复，直到准则函数收敛。图3所示为RBF-BP组合神经网络结构图，RBF-BP组合神经网络由一个RBF本文档来自技高网...

【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...

【专利技术属性】
技术研发人员：王冰，李伟，
申请(专利权)人：河海大学，
类型：发明
国别省市：江苏,32