一种基于特征选择的混合Kmeans-GRA-SVR光伏发电功率预测方法技术

本发明专利技术光伏发电领域，具体涉及一种基于特征选择的混合Kmeans‑GRA‑SVR光伏发电功率预测方法，由于本发明专利技术通过K‑means++算法对待用历史光伏输出功率数据集内的数据按季节进行聚类，并分别将各个簇划分为理想天气簇和非理想天气簇，通过GRA算法计算每个预测日与其所属的簇中的每个数据之间的相关度，得到相似日集和最邻近相似日集，将相似日集作为训练集，将最邻近相似日集作为验证集，使用支持向量回归模型，并根据惩罚因子C和核参数γ对支持向量回归模型进行优化，将具有独特功能的不同模型混合在一起来突破单个模型的局限性，从而提高对光伏发电功率的预测准确性和有效性。

【技术实现步骤摘要】
一种基于特征选择的混合Kmeans-GRA-SVR光伏发电功率预测方法
本专利技术光伏发电领域，具体涉及一种基于特征选择的混合Kmeans-GRA-SVR光伏发电功率预测方法。
技术介绍
人类对能源的需求一直处于不断上升的状态,但化石能源储量有限，面对有限的化石能源和调整能源结构的需求，光伏发电技术应用越来越广泛。但是，由于天气系统的混沌性，使得光伏能源的生产具有高度随机性、波动性和间歇性，这可能导致电网功率、电压失衡，同时也大大增加了光伏能源大规模应用的难度。为了应对光伏能源大规模应用对电网带来的冲击，提高电力系统对光伏能源的消纳能力，目前的解决方案包括能量存储优化、需求响应策略、潮流优化、独立微电网和光伏发电预测。光伏发电预测是最经济有效的解决方案之一，同时它也是其他光伏发电精细化管理方法的重要技术支撑。较为准确的光伏发电预测可以消除大规模光伏能源并网带来的负面影响，降低辅助设备的损耗。当前的光伏发电预测技术主要方法有三种：物理方法，统计时间序列方法和混合方法。物理方法不依赖历史数据，根据实时测得的数据进行超短期预测，但是其本文档来自技高网...

【技术保护点】
1.一种基于特征选择的混合Kmeans-GRA-SVR光伏发电功率预测方法，其特征在于，包括如下步骤：/n步骤S1，获取多个历史光伏输出功率数据作为历史光伏输出功率数据集，并对该历史光伏输出功率数据集进行预处理得到待用历史光伏输出功率数据集；/n步骤S2，获取多个气象因素数据作为气象因素数据集，并对所述气象因素数据集进行所述预处理，得到待用气象因素数据集；/n步骤S3，对所述待用气象因素数据集进行特征提取，得到气象因素特征值；/n步骤S4，通过多指标的K-means++算法对所述待用历史光伏输出功率数据集内的数据按季节进行聚类，得到多个簇，并根据每个所述簇内的所述历史光伏输出功率数据的平均值，...

【技术特征摘要】
1.一种基于特征选择的混合Kmeans-GRA-SVR光伏发电功率预测方法，其特征在于，包括如下步骤：
步骤S1，获取多个历史光伏输出功率数据作为历史光伏输出功率数据集，并对该历史光伏输出功率数据集进行预处理得到待用历史光伏输出功率数据集；
步骤S2，获取多个气象因素数据作为气象因素数据集，并对所述气象因素数据集进行所述预处理，得到待用气象因素数据集；
步骤S3，对所述待用气象因素数据集进行特征提取，得到气象因素特征值；
步骤S4，通过多指标的K-means++算法对所述待用历史光伏输出功率数据集内的数据按季节进行聚类，得到多个簇，并根据每个所述簇内的所述历史光伏输出功率数据的平均值，分别将各个所述簇划分为理想天气簇和非理想天气簇；
步骤S5，从所述历史光伏输出功率数据集中与所述四季分别切分出对应的八个预测日，作为待测预测日，并确定每个所述待测预测日所属的簇；
步骤S6，通过GRA算法计算每个待测预测日与其所属的簇中的每个数据之间的相关度，得到相似日集和最邻近相似日集，将所述相似日集作为训练集，将所述最邻近相似日集作为验证集；
步骤S7，将所述训练集输入支持向量回归模型，根据所述训练集确定输入特征并通过网格搜索和交叉验证优化所述支持向量回归模型的惩罚因子C和核参数γ，并根据所述惩罚因子C和所述核参数γ对所述支持向量回归模型进行优化，得到优化后的所述支持向量回归模型；
步骤S8，将所述最邻近相似日集输入所述优化后的所述支持向量回归模型进行验证，输出预定结果后，得到光伏发电功率预测模型；
步骤S9，将待测数据输入所述光伏发电功率预测模型，得到光伏发电功率。


2.根据权利要求1所述的基于特征选择的混合Kmeans-GRA-SVR光伏发电功率预测方法，其特征在于：
...

【专利技术属性】
技术研发人员：林杰民，李海明，
申请(专利权)人：上海电力大学，
类型：发明
国别省市：上海;31