【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，...
【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...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。