基于Kmeans-GRA-Elman模型的光伏电站短期功率预测方法技术

本发明专利技术涉及一种基于Kmeans‑GRA‑Elman模型的光伏电站短期功率预测方法，包括：采集光伏电站历史每天的发电功率以及气象站上每天对应时间段的气象参数；对数据进行预处理；利用六项统计指标结合改进Kmeans算法对历史日中第一天到待预测日前一天的样本进行聚类，根据轮廓系数确定类别数；计算每个聚类气象特征值的中心点，判断待预测日所属的类别；确定待预测日的相似日和最佳相似日；确定Elman神经网络参数；得到训练模型；将最佳相似日的参数样本组合以及待预测日的气象参数输入训练模型中对待预测日的发电功率进行预测。本发明专利技术能够提高光伏电站在不同季节下的不同天气条件短期功率预测的精度和准确度。

【技术实现步骤摘要】
基于Kmeans-GRA-Elman模型的光伏电站短期功率预测方法
本专利技术属于光伏电站的短期功率预测技术，特别是涉及一种基于Kmeans-GRA-Elman模型的光伏电站短期功率预测方法。
技术介绍
近年来，随着社会经济的发展，能源短缺和环境污染问题受到了社会各界的高度重视，开发与利用可再生能源已经成为解决能源和环境问题的重要途径。此外，随着电力需求的增长，电网规模不断扩大，传统大规模、高集中度发电投资成本高、运行难度大等弊端日益凸显。在此背景下，光伏发电在世界各国的重视下迅猛发展。对于光伏发电技术水平，国家提出了更高要求，其中最难的就是光伏发电的预测。由于光伏发电系统的输出受到太阳辐照强度和天气因素的影响，使得光伏发电系统输出兼具随机性和波动性。因此，光伏发电对大电网是一个不受控制的源，其随机性和波动性会对电网造成冲击影响。电网为了满足用户的需求及保证电网的安全，会制定相应的调度策略及计划，而光伏发电的预测能够有效地帮助电网制定计划，利于电网的调度，并且能够实时地协调光伏电源和常规电源之间的关系，促进电网安全、稳定运行。目前，光伏电站功率预测方法主要可分为间接预测法和直接预测法两种。其中，间接预测法首先需要预测太阳辐射强度，接着根据太阳辐射强度预测值间接预测光伏发电系统的发电功率。该方法需要准确的天气预报信息，且必须多次建模，预测过程复杂繁琐，难以实际应用。直接预测法通过对光伏发电系统历史输出功率和相关气象因素进行统计分析，找出光伏发电系统输出功率和历史功率以及气象因素的关系，建立光伏电站功率预测模型，当前的光伏功率预测主要采用直接预测法。常用的直接预测法有人工神经网络(artificialneuralnetwork，ANN)、马尔科夫链、时间序列法、支持向量机(supportvectormachines，SVM)等算法。其中应用最为广泛的是基于ANN和SVM为主的人工智能算法。其中以SVM为主的预测算法可以较好地解决小样本情况，精度较高，但是采用优化算法对其进行参数优化时，需要很长的训练时间。而神经网络虽然易陷入局部极小，但由于较高的拟合与泛化能力且训练时间较短，相比较而言，在预测性能方面优于支持向量机，目前也已经取得了较为成功的应用。其中，Elman神经网络与传统的BP神经网络相比，多了一个从隐含层接收反馈信号，用来记忆隐含层神经元前一时刻的输出值的承接层，使得网络对历史数据具有敏感性，增加了网络自身处理动态信息的能力。因此本文选择比BP神经网络更好的Elman神经网络作为预测模型。为了使得模型更能准确预测出光伏电站在不同季节下的不同天气情况的发电功率，需要根据不同的气象特征建立相应的模型，并且将与待预测日最为接近的历史日作为模型的输入，这样就可以大大提高预测的精度。因此，本专利技术通过采用Kmeans++算法结合GRA算法，寻找待预测日的相似日样本和最佳相似日样本分别作为模型的训练样本和测试样本输入。所以，采用基于混合改进Kmeans-GRA-Elman模型能够实现对光伏电站的发电功率进行快速准确预测。目前，公开发表的文献及专利中尚未见有将基于混合改进Kmeans-GRA-Elman算法应用于光伏电站短期功率预测的研究。
技术实现思路
有鉴于此，本专利技术的目的是提供一种基于混合改进Kmeans-GRA-Elman模型的光伏电站短期功率预测方法。根据归一化后的统计分析中的六项统计指标(平均功率、标准偏差、变异系数、偏态系数、峰态系数和总功率)利用Kmeans++算法对历史日中第一天到待预测日前一天的样本进行聚类，根据轮廓系数，确定最合适的聚类类别数。然后计算待预测日的气象参数特征值与各个聚类样本集合的气象参数特征值中心点的欧式距离，确定待预测日所属的类别。接着根据待预测日的气象参数特征值利用GRA算法在待预测日所属的聚类样本集合中选取其相似日和最佳相似日。以相似日样本当天的各个时刻的发电功率、当天的光照、环境温度、湿度和风速等气象参数以及后一天的气象参数为输入，后一天的各个时刻的发电功率为输出训练基于Elman神经网络的预测模型。以此模型结合最佳相似日的各个时刻的发电功率，气象参数以及待预测日的气象参数作为模型的输入进行光伏发电功率的预测，预测待预测日的各个时刻的发电功率。本专利技术采用以下方案实现：一种基于Kmeans-GRA-Elman模型的光伏电站短期功率预测方法，其包括以下步骤：步骤S1：采集光伏电站历史每天的发电功率以及气象站上每天对应时间段的气象参数，结合得到每天的气象-功率参数样本组合；步骤S2：对每天的气象-功率参数样本组合进行预处理，去除异常数据并进行归一化处理；步骤S3：利用归一化后的统计分析中的六项统计指标结合改进Kmeans算法对历史日中第一天到待预测日前一天的样本进行聚类，根据轮廓系数确定类别数；步骤S4：根据各个聚类样本集合的气象特征值；确定聚类中心位置；利用欧氏距离判断待预测日所属的类别；步骤S5：根据待预测日的气象特征值结合灰色关联分析GRA算法在同一个聚类样本集合中确定待预测日的相似日和最佳相似日；步骤S6：确定Elman神经网络的参数；步骤S7：利用相似日的参数样本组合训练Elman神经网络，不断修改隐含层神经元个数，得到训练模型；步骤S8：将最佳相似日的参数样本组合以及待预测日的气象参数输入训练模型中对待预测日的发电功率进行预测，得到待预测日各个时刻的输出功率值。本专利技术的优点在于能够提前较为准确地预测光伏电站未来一天的每隔一小时的各个时刻的发电功率。用Kmeans++算法将历史样本进行聚类，结合GRA算法在待预测日所属聚类类别中确定其相似日和最佳相似日，通过Elman神经网络模型进行预测，进一步提高光伏电站在不同季节下不同天气条件的短期发电功率预测的精度和准确性。附图说明图1是本专利技术的流程框图。图2是本专利技术实施例实验组和对照组的功率预测结果1。图3是本专利技术实施例实验组和对照组的各个时刻预测误差曲线1。图4是本专利技术实施例实验组和对照组的功率预测结果2。图5是本专利技术实施例实验组和对照组的各个时刻预测误差曲线2。图6是本专利技术实施例实验组和对照组的功率预测结果3。图7是本专利技术实施例实验组和对照组的各个时刻预测误差曲线3。图8是本专利技术实施例实验组和对照组的功率预测结果4。图9是本专利技术实施例实验组和对照组的各个时刻预测误差曲线4。具体实施方式下面结合附图及实施例对本专利技术做进一步说明。本实施例提供一种基于混合改进Kmeans-GRA-Elman模型的光伏电站短期功率预测方法，流程框图如图1所示。具体包括以下步骤：步骤S1：采集光伏电站历史每天的发电功率以及气象站上每天对应时间段的气象参数，其气象参数包括光照、环境温度、湿度、风速等气象因子，结合得到每天的气象-功率参数样本组合；步骤S2：对每天的气象-功率参数样本组合进行预处理，去除异常数据并进行归一化处理；步骤S3：利用归一化后的统计分析中的六项统计指标结合改进Kmeans算法对历史日中第一天到待预测日前一天的样本进行聚类，根据轮廓系数确定类别数；步骤S4：根据各个聚类样本集合的气象特征值，计算每个聚类气象特征值的中心点，利用欧氏距离判断待预测日所属的类别；步骤S5：根据待预测日的气象特征值结合灰色关联分析(GRA)算法本文档来自技高网...

【技术保护点】
1.一种基于Kmeans‑GRA‑Elman模型的光伏电站短期功率预测方法，其特征在于：包括以下步骤：步骤S1：采集光伏电站历史每天的发电功率以及气象站上每天对应时间段的气象参数，结合得到每天的气象‑功率参数样本组合；步骤S2：对每天的气象‑功率参数样本组合进行预处理，去除异常数据并进行归一化处理；步骤S3：利用归一化后的统计分析中的六项统计指标结合改进Kmeans算法对历史日中第一天到待预测日前一天的样本进行聚类，根据轮廓系数确定类别数；步骤S4：根据各个聚类样本集合的气象特征值；确定聚类中心位置；利用欧氏距离判断待预测日所属的类别；步骤S5：根据待预测日的气象特征值结合灰色关联分析GRA算法在同一个聚类样本集合中确定待预测日的相似日和最佳相似日；步骤S6：确定Elman神经网络的参数；步骤S7：利用相似日的参数样本组合训练Elman神经网络，不断修改隐含层神经元个数，得到训练模型；步骤S8：将最佳相似日的参数样本组合以及待预测日的气象参数输入训练模型中对待预测日的发电功率进行预测，得到待预测日各个时刻的输出功率值。

【技术特征摘要】
1.一种基于Kmeans-GRA-Elman模型的光伏电站短期功率预测方法，其特征在于：包括以下步骤：步骤S1：采集光伏电站历史每天的发电功率以及气象站上每天对应时间段的气象参数，结合得到每天的气象-功率参数样本组合；步骤S2：对每天的气象-功率参数样本组合进行预处理，去除异常数据并进行归一化处理；步骤S3：利用归一化后的统计分析中的六项统计指标结合改进Kmeans算法对历史日中第一天到待预测日前一天的样本进行聚类，根据轮廓系数确定类别数；步骤S4：根据各个聚类样本集合的气象特征值；确定聚类中心位置；利用欧氏距离判断待预测日所属的类别；步骤S5：根据待预测日的气象特征值结合灰色关联分析GRA算法在同一个聚类样本集合中确定待预测日的相似日和最佳相似日；步骤S6：确定Elman神经网络的参数；步骤S7：利用相似日的参数样本组合训练Elman神经网络，不断修改隐含层神经元个数，得到训练模型；步骤S8：将最佳相似日的参数样本组合以及待预测日的气象参数输入训练模型中对待预测日的发电功率进行预测，得到待预测日各个时刻的输出功率值。2.根据权利要求1所述的基于Kmeans-GRA-Elman模型的光伏电站短期功率预测方法，其特征在于：所述步骤S1中所述的气象-功率参数样本组合记为(Pki，Gki，Dki，Tki，Wki，Hki)；其中，k为样本采集的日期的序号，表示天数，为1到K的整数，K为大于1的整数；i为一天中样本采集的时刻，表示时刻数，为1到I的整数，I为大于1的整数；Pki为第k天参数样本组合中的第i个时刻的功率参数样本；Gki为第k天参数样本组合中的第i个时刻的全球水平辐射参数样本；Dki为第k天参数样本组合中的第i个时刻的扩散水平辐射参数样本；Tki为第k天参数样本组合中的第i个时刻的环境温度参数样本；Wki为第k天参数样本组合中的第i个时刻的风速参数样本；Hki为第k天参数样本组合中的第i个时刻的相对湿度参数样本。3.根据权利要求1所述的基于Kmeans-GRA-Elman模型的光伏电站短期功率预测方法，其特征在于：所述步骤S2中归一化的具体方法为：采用比例压缩法将同一种参数样本同一个时刻映射到区间[0，1]内。4.根据权利要求1所述的基于Kmeans-GRA-Elman模型的光伏电站短期功率预测方法，其特征在于：所述步骤S3中所述六项统计指标记为(σk,cvk,skk,kurk,Psumk)，其中，k为样本采集的日期的序号，表示天数，为1到K的整数，K为大于1的整数；为第k天的平均功率参数样本，σk为第k天的标准偏差参数样本,cvk为第k天的变异系数参数样本,skk为第k天的偏态系数参数样本,kurk为第k天的峰态系数参数样本,Psumk为第k天的总功率参数样本；将六项统计指标归一化后结合Kmeans++算法进行聚类，根据轮廓系数s确定类别数；选取s>0.45的聚类情况作为合适的聚类结果，其中，各个参数样本的计算、归一化和轮廓系数的计算的具体公式如下所示：式中，σ,cv,sk,kur,Psum分别表示每天的平均功率，标准偏差，变异系数，偏态系数，峰态系数和总功率，i表示一天中样本采集的各个时刻，I表示一天的总时刻；式中，x’表示归一化后得到的数据，xmin和xmax表示样本数组的最小值和最大值，ymin取-1，ymax取1；式中，s(i)表示样本轮廓系数，a(i)表示该样本到同一簇内其他点不相似程度的平均值，b(i)表示该样本到其他簇的平均不相似程度的最小值。...

【专利技术属性】
技术研发人员：林培杰，程树英，赖云锋，彭周宁，陈志聪，吴丽君，郑茜颖，章杰，
申请(专利权)人：福州大学，
类型：发明
国别省市：福建,35