基于DPK-means的日前光伏发电功率预测方法技术

基于DPK‑means的日前光伏发电功率预测方法，包括对历史数据的归一化处理；对历史数据的聚类分析，并确定待预测日所属类别；为极限学习机回归训练与预测。本发明专利技术针对不同天气状况下的光伏系统的日前发电功率预测均可得到较好的结果。在选择日气象特征向量时，根据我国实际天气预报情况，选择每小时的温度、湿度、空气质量指数组成日特征向量。在日特征向量确定的基础上，采用DPK‑means聚类方法对历史气象特征进行聚类，并确定待预测日的所属类别。在选定待聚类样本所属类别集后，通过极限学习机实现预测。本发明专利技术对数据的处理更加简单，极限学习机所需设置的参数较少，可快速、准确地实现日前光伏发电功率的预测。

Prediction method of pre-day photovoltaic power generation based on DPK-means

【技术实现步骤摘要】
基于DPK-means的日前光伏发电功率预测方法
本专利技术为光伏发电系统的日前发电功率预测方法，具体是基于DPK-means聚类过程和ELM极限学习机回归相结合的预测方法。
技术介绍
随着环境污染、能源危机等逐年严重，太阳能等新能源迅猛发展。据国家能源局统计，2018年我国光伏新增装机容量超过43GW，累计总装机容量已超过170GW。但是由于光伏发电功率易受气象、环境条件影响，具有较大的波动性和随机性，及时、准确地预测光伏功率，对电网调度及光伏电站运行具有重要意义。
技术实现思路
本专利技术要解决日前光伏发电功率预测精确性的问题。本专利技术的技术方案：基于DPK-means和ELM的日前光伏发电功率预测方法，包括对历史数据的归一化处理；对历史数据的聚类分析，并确定待预测日所属类别；为极限学习机回归训练与预测。对历史数据的归一化处理包括下述内容：所述历史数据是指至少100天的温度、湿度、空气质量数据；S1:采用对历史数据进行归一化处理；其中，xnormalization为历史数据归一化后的结果，x为原始值，xmin为该特征最小值，xmax为该特征最大值；采用对光伏发电功率进行归一化处理，本文档来自技高网...

【技术保护点】
1.基于DPK‑means的日前光伏发电功率预测方法，其特征在于包括下述步骤：(1)将每日6:00‑18:00的整点的日气象特征向量进行归一化；所述日气象特征为每小时的温度、湿度、空气质量指数；归一化公式是：

【技术特征摘要】
1.基于DPK-means的日前光伏发电功率预测方法，其特征在于包括下述步骤：(1)将每日6:00-18:00的整点的日气象特征向量进行归一化；所述日气象特征为每小时的温度、湿度、空气质量指数；归一化公式是：其中，xnormalization为气象特征归一化后的结果，x为原始值，xmin为该特征最小值，xmax为该特征最大值；(2)采用下式对光伏发电功率归一化：其中ynormalization为光伏功率归一化后的结果，y为功率值，ycapacity为光伏装机容量；(3)采用DPK-means聚类方法对历史数据进行聚类，并判别待预测日的所属类别，确定极限学习机的输入样本集；通过计算待预测日气象特征向量与各类簇聚类中心的相关系数距离，将待预测日归属于距离最小的类簇；即包括下述内容：Ⅰ)计算所有样本间的距离dij；Ⅱ)确定截断距离dc，选取将所有数据对象两两之间的距离按照升序排列，前2％位置的数据距离作为截断距离；Ⅲ)计算样本的ρi和δi；采用GaussianKernel来计算样本集局部密度ρ，表达式如下：样本x(i)到其它高密度样本的距离δi，表达式如下：在所有局部密度ρ比样本x(i)高的样本中，...

【专利技术属性】
技术研发人员：魏斌，李雯，韩肖清，郭玲娟，于浩，朱云杰，
申请(专利权)人：太原理工大学，
类型：发明
国别省市：山西,14