光伏数据聚类方法、光伏功率预测方法、存储介质和设备技术

本发明专利技术提出的一种光伏数据聚类方法是根据包含总辐照度时序差分序列方差的辐照度的特征指标体系设置神经网络的聚类类别，使用样本对聚类模型进行训练后，对采集的光辐照度进行聚类。该方法获取聚类结果的数据规律性强，可以满足高精度的短期光伏功率预测的目的。

Photovoltaic data clustering method, photovoltaic power prediction method, storage medium and equipment

A photovoltaic data clustering method provided by the invention is based on clustering neural network setting characteristic index system includes total irradiance temporal difference variance of irradiance, using samples of the clustering model, clustering of irradiance acquisition. This method has strong data regularity to obtain the clustering results, and can satisfy the purpose of high precision short-term PV power prediction.

【技术实现步骤摘要】
光伏数据聚类方法、光伏功率预测方法、存储介质和设备
本专利技术涉及新能源发电
，特别是涉及光伏数据聚类方法、光伏功率预测方法、存储介质和设备。
技术介绍
光伏电站发电是一种典型的间歇式电源，具有昼夜周期性。由于光伏功率受气象、环境条件的影响，具有较大的波动性和随机性。这使得大规模光伏发电并网时，会对电网造成不良影响。因此，如果能在日前及时准确预测光伏功率，根据预测的光伏功率对电网调度，这将对光伏电站运行具有重要意义。光伏功率预测是根据历史和当前数据对未来一定时段内的光伏功率进行预测的技术。据统计，美国加州地区在晴空条件下，短期光伏功率预测的方均根误差误差可以控制在8％以内。但是，非晴空条件下短期光伏功率预测的平均方均根误差可高于20％。结合目前的研究现状发现，尽管可以根据光伏数据的周期性与天气模态的强相关性，通过简单的预测模型对光伏数据进行聚类，实现基础预测目标，但是，聚类得到的数据规律性还不够集中，不足以实现高精度的短期光伏功率预测。
技术实现思路
基于此，本专利技术提出一种对光伏数据进行精细聚类的方法，使聚类获取的数据规律性强，可以满足高精度的短期光伏功率预测的目的。一种光伏数据聚类方法，包括：根据辐照度的特征指标体系获取聚类模型中光伏数据的聚类类别；获取光伏样本数据，并利用所述光伏样本数据对所述聚类模型进行训练，得到光辐照度与所述聚类类别的对应关系；获取光辐照度，并使用所述聚类模型对获取的光辐照度进行聚类；其中，所述辐照度的特征指标体系，包括：总辐照度平均值、总辐照度波动性指标、总辐照度时序差分序列方差；所述总辐照度波动性指标为实测总辐照度和大气层外理论辐照度之间的偏差。在其中一个实施例中，所述根据辐照度的特征指标体系获取聚类模型中光伏数据的聚类类别的步骤包括：获取所述聚类模型的权向量的各分量与所述总辐照度平均值、所述总辐照度波动性指标、所述总辐照度时序差分序列方差的对应关系；根据所述总辐照度平均值、总辐照度波动性指标、总辐照度时序差分序列方差确定所述聚类模型的聚类类别数。在其中一个实施例中，所述输入光伏样本数据对所述聚类模型进行训练，获取光辐照度与所述聚类类别的对应关系的步骤包括：输入光辐照度反复训练所述聚类模型，使所述聚类模型的神经网络权值在概率分布上与输入的光辐照度的分布空间逐渐趋于一致；将所述输入的光辐照度聚集至的对应的不同神经网络权值向量周围，以获取光辐照度与所述聚类类别的对应关系。在其中一个实施例中，所述聚类类别数为6。在其中一个实施例中，所述聚类模型为自组织映射神经网络聚类模型。在其中一个实施例中，所述总辐照度波动性指标的获取包括：根据经纬度、太阳常数获得大气层外太阳辐照度理论值序列和地面实测太阳总辐照度序列；根据所述大气层外太阳辐照度理论值序列与地面实测太阳总辐照度序列，得到总辐照度波动性指标。在其中一个实施例中，所述总辐照度时序差分序列方差的获取包括：获取太阳总辐照度序列；根据所述太阳总辐照度序列得到太阳总辐照度的时序差分序列；计算所述太阳总辐照度的时序差分序列的平均值；根据所述太阳总辐照度序列以及所述太阳总辐照度的时序差分序列的平均值，获取所述总辐照度时序差分序列方差。相应的，本专利技术提出了一种光伏功率预测方法，包括：根据光辐照度的特征指标体系设置聚类模型中光辐照度所需的聚类类别；获取光辐照度样本数据，并利用所述光辐照度样本数据对所述聚类模型进行训练，得到光辐照度与所述聚类类别的对应关系；获取光辐照度，并使用所述聚类模型对光辐照度进行聚类，得到光辐照度所属的聚类类别；将聚类后的各聚类类别对应的光辐照度分别输入光伏功率预测模型，以获取各聚类类别的光辐照度与光伏功率的对应关系；根据光辐照度的预测值和所述各聚类类别的光辐照度与光伏功率的对应关系，获取光伏功率预测值。本专利技术还提一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现以上述方法的步骤。相应的，本专利技术提供一种计算机设备，包括存储器、处理器，及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现上述方法的步骤。与传统技术相比，本专利技术提出的光伏数据聚类方法包含如下有益效果：本专利技术提出的一种光伏数据聚类方法是根据包含总辐照度时序差分序列方差的辐照度的特征指标体系设置神经网络的聚类类别，使用样本对聚类模型进行训练后，对采集的光辐照度进行聚类。该方法获取聚类结果的数据规律性强，可以满足高精度的短期光伏功率预测的目的。附图说明图1为本专利技术实施例提出的一种光伏数据聚类方法流程示意图；图2为本专利技术实施例提出的SOM神经网络结构示意图；图3为本专利技术实施例提出的对NRELBMS站2014年的光伏数据进行数据样本的聚类的步骤流程图；图4为本专利技术实施例提出的NRELBMS站2014年的光伏数据在SOM神经网络聚类模型中聚类完成后，聚集的不同类别与权值对应图。具体实施方式为了使本专利技术的专利技术目的、技术方案及技术效果更加清楚明白，以下结合附图对本专利技术的具体实施例进行描述。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。图1示出了在一个实施例中提出的一种光伏数据聚类方法，包括：步骤S101：根据辐照度的特征指标体系获取聚类模型中光伏数据的聚类类别。其中，辐照度的特征指标体系，包括：总辐照度平均值、总辐照度波动性指标、总辐照度时序差分序列方差。总辐照度波动性指标为实测总辐照度和大气层外理论辐照度之间的偏差。步骤S102：获取光伏样本数据，并利用所述光伏样本数据对所述聚类模型进行训练，得到光辐照度与所述聚类类别的对应关系。步骤S103：获取光辐照度，并使用所述聚类模型对获取的光辐照度进行聚类。聚类模型为神经网络模型，神经网络一般包含输入层和竞争层。在神经网络模型经过样本训练后，会使得神经网络的权值向量空间在概率分布上与输入样本空间逐渐趋于一致。在进行训练时，竞争层的神经元对输入样本的响应机会需要通过相互之间的竞争而获取，随着训练的进行，网络权值逐渐朝着竞争获胜的神经元方向调整。因此当神经网络输入一个数据集后，经过网络的训练学习，不同样本数据会分别集中分布在某个最终获胜的权值向量周围，随着训练的不断进行，本身存在较强关联或相似度的样本单位数据会自动聚集到一起，从而实现数据样本的聚类。本实施例提出的一种光伏数据聚类方法是根据包含总辐照度时序差分序列方差的辐照度的特征指标体系设置神经网络的聚类类别，使用样本对聚类模型进行训练后，对采集的光辐照度进行聚类。该方法获取聚类结果的数据规律性强，可以满足高精度的短期光伏功率预测的目的。在其中一个实施例中，由于当向神经网络模型输入一个数据集后，经过网络的训练学习，不同样本数据会分别集中分布在某个最终获胜的权值向量周围，因此，在根据辐照度的特征指标体系设置聚类模型中光伏数据的聚类类别可以通过下述步骤实现：获取聚类模型的权向量的各分量与总辐照度平均值、总辐照度波动性指标、总辐照度时序差分序列方差的对应关系；根据所述总辐照度平均值、总辐照度波动性指标、总辐照度时序差分序列方差确定所述聚类模型的聚类类别数。在其中一个实施例中，提出了一种光伏数据的聚类模型的训练方法。该方法包括：步骤S201：输入光辐照度反复训练所述聚类模型，使所述聚类模型的神经网络权值在概率分本文档来自技高网...

【技术保护点】
一种光伏数据聚类方法，其特征在于，包括：根据辐照度的特征指标体系获取聚类模型中光伏数据的聚类类别；获取光伏样本数据，并利用所述光伏样本数据对所述聚类模型进行训练，得到光辐照度与所述聚类类别的对应关系；获取光辐照度，并使用所述聚类模型对获取的光辐照度进行聚类；其中，所述辐照度的特征指标体系，包括：总辐照度平均值、总辐照度波动性指标、总辐照度时序差分序列方差；所述总辐照度波动性指标为实测总辐照度和大气层外理论辐照度之间的偏差。

【技术特征摘要】
1.一种光伏数据聚类方法，其特征在于，包括：根据辐照度的特征指标体系获取聚类模型中光伏数据的聚类类别；获取光伏样本数据，并利用所述光伏样本数据对所述聚类模型进行训练，得到光辐照度与所述聚类类别的对应关系；获取光辐照度，并使用所述聚类模型对获取的光辐照度进行聚类；其中，所述辐照度的特征指标体系，包括：总辐照度平均值、总辐照度波动性指标、总辐照度时序差分序列方差；所述总辐照度波动性指标为实测总辐照度和大气层外理论辐照度之间的偏差。2.根据权利要求1所述的方法，其特征在于，所述根据辐照度的特征指标体系获取聚类模型中光伏数据的聚类类别的步骤包括：获取所述聚类模型的权向量的各分量与所述总辐照度平均值、所述总辐照度波动性指标、所述总辐照度时序差分序列方差的对应关系；根据所述总辐照度平均值、总辐照度波动性指标、总辐照度时序差分序列方差确定所述聚类模型的聚类类别数。3.根据权利要求1所述的方法，其特征在于，所述输入光伏样本数据对所述聚类模型进行训练，获取光辐照度与所述聚类类别的对应关系的步骤包括：输入光辐照度反复训练所述聚类模型，使所述聚类模型的神经网络权值在概率分布上与输入的光辐照度的分布空间逐渐趋于一致；所述输入的光辐照度聚集至的对应的不同神经网络权值向量周围，以获取光辐照度与所述聚类类别的对应关系。4.根据权利要求2所述的方法，其特征在于，所述聚类类别数为6。5.根据权利要求4所述的方法，其特征在于，所述聚类模型为自组织映射神经网络聚类模型。6.根据权利要求1-5任一项所述的方法，其特征在于，所述总辐照度波...

【专利技术属性】
技术研发人员：汪宁渤，鲁宗相，乔颖，丁坤，李津，周识远，陈钊，王定美，贾怀森，
申请(专利权)人：甘肃省电力公司风电技术中心，清华大学，国网甘肃省电力公司，国家电网公司，
类型：发明
国别省市：甘肃,62