一种基于日相似聚类与Kmeans-GRA-LSTM的光伏电站短期功率预测方法技术

本发明专利技术公开一种基于日相似聚类与Kmeans

【技术实现步骤摘要】
一种基于日相似聚类与Kmeans
‑
GRA
‑
LSTM的光伏电站短期功率预测方法


[0001]本专利技术涉及光伏发电与并网
的短期光伏功率预测
，具体来讲涉及一种基于日相似聚类与Kmeans
‑
GRA
‑
LSTM的光伏电站短期功率预测方法。

技术介绍

[0002]世界能源以及环境形势的日益紧张带来了电力供需矛盾突出等问题，因而传统能源的开发利用受到更多的局限，而在新能源中，太阳能被认为是一种理想的可再生能源发电来源。光伏发电是一种重要的太阳能利用方式，但光伏电站的输出有着高度的随机性、波动性和间歇性等特点，大规模光伏发电的接入会对电力系统的安全、稳定运行以及电能质量的保证带来严峻挑战。因此对光伏电站的输出功率进行预测，对于电力部门及时调整调度计划，提高电力系统运行的可靠性和光伏电站的接入水平，减小系统的旋转备用容量具有重要意义。
[0003]在光伏功率预测领域内，根据预测跨越的物理时间层面可按照超短期、短期和长期以及更长时间进行划分，针对本专利来讲，主要提出一种短期光伏功率预测方法即预测未来三天的光伏功率。短期光伏功率预测算法的研究，其主要是从预测所跨越的物理时间入手，以物理时间为基本度量标准，完成预测模型的基本构建，当前短期功率预测常使用神经网络算法、分类回归算法、时间序列算法以及概率预测算法和综合预测算法。

技术实现思路

[0004]本专利技术的目的是提供一种基于日相似聚类与Kmeans
‑
>GRA
‑
LSTM的光伏电站短期功率预测方法，更为精确预测光伏发电功率，降低光伏并网对电网可能造成的损害。根据某光伏电站的并网点功率数据和某光伏电站所在地的多元气象因子数据，对获取的并网点功率数据和多元气象因子数据进行预处理，对获取的某光伏电站的并网点功率提取特征值，并使用K
‑
means聚类算法进行聚类，根据并网点功率特征值聚类结果对应多元气象因子，将数据归一化处理并提取多元气象因子的特征向量，选取预测日的多元气象因子特征向量，使用灰色关联度法选取与预测日关联度最高的前10天的并网点功率数据和多元气象因子数据作为相似日样本，作为LSTM神经网络的训练集，选用算术优化算法对LSTM的参数进行优化，构建LSTM网络拓扑结构。根据构建完成的LSTM，预测某光伏电站的并网点功率，验证其方法的准确性。
[0005]本专利技术所采用的技术是，一种基于日相似聚类与Kmeans
‑
GRA
‑
LSTM的光伏电站短期功率预测方法，具体按照以下步骤实施：
[0006]获取某光伏电站的并网功率数据和某光伏电站所在地的多元气象因子数据。
[0007]其中多元气象因子数据中包括温度，湿度，大气压力，风速，风向和辐射度等气象因子。
[0008]对获取的并网点功率数据和多元气象因子数据进行预处理。
[0009]预处理的数据通常为缺失数据和异常数据。
[0010]对于异常数据和缺失数据均使用均值插补法进行补全，均值插补法如下：
[0011][0012]其中x'
i
作为t时刻的期望平抑目标。其中，x
i
‑1为需处理数据的前一个数据点，x
i+1
为需处理数据的后一个数据点，对需要处理数据的前后两个数据点作两两取均值进行差补。
[0013]对获取的某光伏电站的并网点功率数据提取特征值。
[0014]选取特征值分别为日功率平均值，日标准差，日功率变异系数，日功率偏态，日功率峰态和日总功率。具体公式如下：
[0015]日平均功率：
[0016]其中N表示数据点的数目，数据点个数与每天的辐射度时长有关。P
i
表示每个时间点的并网点功率。
[0017]日标准差：
[0018]日功率变异系数：
[0019]日功率偏态：
[0020]日功率峰态：
[0021]日总功率：
[0022]提取出每日特征值后组成功率特征向量，进行归一化处理。归一化公式如下：
[0023][0024]其中x
min
,x
max
分别表示样本的最小值和最大值，并且y
min
＝
‑
1,y
max
＝1。
[0025]选用K
‑
means聚类算法对归一化后的功率特征向量进行聚类。
[0026]K
‑
means聚类算法具体流程：
[0027]从样本集中随机选取K个样本作为簇中心。
[0028]计算所有样本与这K个簇中心的距离，对于每一个样本，将其划分到与其距离最近的簇中心所在的簇中，对于新的簇计算各个簇的新的簇中心。
[0029]重复上述步骤，直至簇中心不在移动。
[0030]由于使用K
‑
means对功率特征向量聚类，聚类中心数目不确定，因此引入聚类评估算法轮廓系数，轮廓系数公式如下：
[0031][0032]其中，计算样本i到同簇其他样本的平均距离a(i)，a(i)越小，说明样本i越应该被聚类到该簇，将a(i)称为样本i的簇内不相似度。计算样本i到某簇C
j
的所有样本的平均距离b(ij)，称为样本i与簇C
j
的不相似度，其中b
i
＝min{b
i1
,b
i2
,....,b
ik
,}。
[0033]根据并网点功率特征向量聚类结果对应多元气象因子特征向量。
[0034]确定多元气象因子的特征向量包含风速、大气压、温度、湿度、风向、辐射度的最大值和最小值以及辐射时长。
[0035]并网点功率特征向量聚类结果与多元气象因子特征向量对应。
[0036]选取预测日的多元气象因子特征向量，使用灰色关联度法选取与预测日关联度最高的前10天的并网点功率数据和多元气象因子数据作为相似日样本，作为LSTM神经网络的训练集。
[0037]提取预测日的多元气象因子特征向量。
[0038]确定气象因子特征向量，分别提取温度，湿度，大气压力，风速，风向和辐射度的最大最小值以及辐射时长组成气象因子特征向量。
[0039]根据预测日的气象因子特征向量与各聚类中心的气象因子特征向量之间的欧氏度量，确定预测日气象因子特征向量所属的聚类簇。欧氏距离计算公式如下：
[0040][0041]其中x
o
表示预测日的气象因子特征值，每个簇的用气象因子特征值表示的簇中心。
[0042]采用灰色关联分析选取预测日气象因子特征向量与聚类簇中气象因子特征向量之间的几何相似度，来获得它们之间的关联度。
[0043]选取预测日气象因子特征向量作为参考序列，选取聚类簇中气象因子特征向量作为比较序列。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于日相似聚类与Kmeans
‑
GRA
‑
LSTM的光伏电站短期功率预测方法，利用经智能优化算法优化得到的LSTM网络建立光伏电站短期预测模型，其特征在于，按照以下步骤实施：步骤1：获取某光伏电站的并网功率数据和某光伏电站所在地的多元气象因子数据。步骤2：对获取的并网点功率数据和多元气象因子数据进行预处理。步骤3：对获取的某光伏电站的并网点功率提取特征值，并使用K
‑
means聚类算法进行聚类。步骤4：根据并网点功率特征值聚类结果对应多元气象因子数据，将多元气象因子数据归一化处理并提取多元气象因子的特征向量。步骤5：选取预测日的多元气象因子的特征向量，使用灰色关联度法选取与预测日关联度最高的前10天的并网点功率和多元气象因子数据作为相似日样本，作为LSTM神经网络的训练集。步骤6：选用算术优化算法对LSTM的参数进行优化，构建LSTM网络拓扑结构。步骤7：使用完成的LSTM神经网络预测某光伏电站的短期并网点功率。2.根据权利要求1所述中的一种基于日相似聚类与Kmeans
‑
GRA
‑
LSTM的光伏电站短期功率预测方法，其特征在于，所述步骤1中具体为，获取一年内某光伏电站的并网点功率数据和某光伏电站所在地的多元气象因子数据，其中多元气象因子数据中包括温度，湿度，大气压力，风速，风向和辐射度等气象因子。3.根据权利要求1所述中的一种基于日相似聚类与Kmeans
‑
GRA
‑
LSTM的光伏电站短期功率预测方法，其特征在于，所述步骤1中具体为，对获取的并网点功率数据和多元气象因子数据进行预处理。具体过程如下：步骤3.1、预处理的数据通常为缺失数据和异常数据。步骤3.2、筛选数据先根据相关准则作出具体判断准则。步骤3.3、对于异常数据和缺失数据均使用均值插补法进行补全。步骤3.4、均值插补法如下：其中，x
i
‑1为需处理数据的前一个数据点，x
i+1
为需处理数据的后一个数据点，对需要处理数据的前后两个数据点作两两取均值进行差补。4.根据权利要求1所述中的一种基于日相似聚类与Kmeans
‑
GRA
‑
LSTM的光伏电站短期功率预测方法，其特征在于，所述步骤3中具体为，对获取的某光伏电站的并网点功率数据提取特征值，并使用K
‑
means聚类算法进行聚类。具体步骤如下：步骤4.1、对获取的某光伏电站的并网点功率数据提取特征值。步骤4.2、选取特征值分别为日功率平均值，日标准差，日功率变异系数，日功率偏态，日功率峰值和日总功率。步骤4.3、提取出每日特征值后组成功率特征向量，进行归一化处理。归一化公式如下：其中x
min
,x
max
分别表示样本的最小值和最大值，并且y
min
＝
‑
1,y
max
＝1。
步骤4.4、选用K
‑
means聚类算法对归一化后的功率特征向量进行聚类。5.根据权利要求1所述中的一种基于日相似聚类与Kmeans
‑
GRA
‑
LSTM的光伏电站短期功率预测方法，其特征在于，所述步骤4中具体为，根据并网点功率特征向量聚类结果对应多元气象因子特征向量，对多元气象因子数据归一化处理并提取多元气象因子的特征向量。具体过程如下：步骤5.1、确定多元气象因子的特征向量包含风速、大气压、温度、湿度、风向、辐射度的最大值和最小值以及辐射时长。步骤5.2、并网点功率特征向量聚类结果与多元气象因子特征向量对应。6.根据权利要求1所述中的一种基于日相似聚类与Kmeans
‑
GRA
‑
LSTM的光伏电站短期功率预测方法，其特征在于，所述步骤5中具体为，选取预测日的多元气象因子特征向量，使用灰色关联度法选取与预测日关联度最高的前1...

【专利技术属性】
技术研发人员：黄从智，张昕慧，
申请(专利权)人：华北电力大学，
类型：发明
国别省市：