一种辐照特征聚类的光伏发电功率预测方法技术

本申请涉及一种辐照特征聚类的光伏发电功率预测方法，它包括如下步骤：利用数据采集服务器收集和储存多元气象因子数据、历史气象数据、天气预报数据以及历史发电功率数据；使用数据分析模块中的气象因子重要度分析模块，通过随机森林算法对多元气象因子数据重要度进行排序，剔除重要度较低的气象因子；使用数据分析模块中的天气种类分析模块，结合改进的K

【技术实现步骤摘要】
一种辐照特征聚类的光伏发电功率预测方法


[0001]本申请涉及光伏发电的
，具体涉及一种辐照特征聚类的光伏发电功率预测方法。

技术介绍

[0002]光伏发电无需消耗燃料，也没有任何污染物的排放，能够实现节约能源与保护环境的双重目标。但是光伏发电受到了多元气象因素的影响，导致其具有大的随机性与波动性。因此，为实现电力调度发电计划有序安排及新能源发电消纳，所有新能源站都装有功率预测系统。
[0003]常规的功率预测系统是将收集的历史气象数据与发电功率数据直接进行建模训练，从而得到未来光伏电站发电功率的预测数据值。对于不同的地区而言，不同的气象因子对于光伏发电功率的影响程度不同，且不同的气象因子数据之间也存在关联耦合，所以在训练预测模型时存在冗余的历史数据，不但会影响功率预测模型的训练时长，而且会降低功率预测的精度。同时，在不同的天气类型下，光伏发电的波动情况也有所不同，也会影响功率预测的精度。

技术实现思路

[0004]本专利技术的目的在于，提供一种辐照特征聚类的光伏发电功率预测方法，将多元气象因子对于发电功率的重要度本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种辐照特征聚类的光伏发电功率预测方法，其特征在于，包括如下步骤：S1：利用数据采集服务器收集和储存多元气象因子数据、历史气象数据、天气预报数据以及历史发电功率数据；S2：使用数据分析模块中的气象因子重要度分析模块，通过随机森林算法对多元气象因子数据重要度进行排序，剔除重要度较低的气象因子；S3：使用数据分析模块中的天气种类分析模块，利用ASHRAE晴空模型提取辐照特征指标，并且结合改进的K
‑
means聚类算法，分析天气类型并且对历史气象数据和历史发电功率数据进行聚类；所述改进的K
‑
means聚类算法的具体方法为：对提取的辐照特征进行归一化处理，并计算误差平方SSE和融合指标MM
l
，以SSE下降曲线中类似于手肘拐点的对应的Q值作为最佳聚类数；将待聚类样本，即归一化后的辐照特征按照融合指标MM
l
从小到大的顺序排列，并等量截取成Q份样本；在Q份样本中分别随机选取一个样本作为融合指标点，将每个融合指标点作为每份样本的初始聚类中心；计算每个待聚类样本与聚类中心的欧式距离d
lo
，并将d
lo
归为对应的类别E
q
，以所有E
q
类样本的平均值作为新的E
q
聚类中心；当判断目标函数F不再变化，或者两次变化的差值小于阈值时终止迭代，并输出聚类结果，否则重新计算个样本与聚类中心的欧式距离；S4：功率预测模块根据电力部门对时间尺度的需求，判断是否进行气象因子重要度分析和天气种类分析，并采用不同的预测模式进行光伏发电功率预测；在预测未来15min
‑
4h时，无需进行气象因子重要度分析和天气种类分析，功率预测模块进行超短期功率预测；在预测未来24h
‑
48h时，则需要进行气象因子重要度分析和天气种类分析，功率预测模块进行短期功率预测；S5：将预测结果显示在监控设备，进行可视化处理。2.根据权利要求1所述的一种辐照特征聚类的光伏发电功率预测方法，其特征在于，所述气象因子数据包括温度传感器采集的环境温度数据、风速传感器采集的环境风速数据、湿度传感器采集的环境湿度数据以及辐照度传感器采集的辐照强度数据。3.根据权利要求2所述的一种辐照特征聚类的光伏发电功率预测方法，其特征在于，步骤S2的具体步骤为：S201：将数据采集服务器收集的多元气象因子数据作为历史功率数据的特征变量；S202：记输入变量集为：；其中，X
j
为第j类气象因子的数据特征集，j =1，2，
……
，z；z为多元气象因子的数据类型数量；x
j
（k）表示第j类气象因子数据特征集中的第k个数据，k =1，2，
……
，N；N为每类气象
因子数据特征集中的数据数量；S203：对于随机森林中的每一颗决策树，选择相应的袋外数据OOB，计算袋外数据误差，并记为errOOB1；S204：随机对袋外数据OOB中所有样本的特征X
j
加入噪声干扰，改变样本在特征X
j
处的值，再次计算袋外数据误差，记为errOOB2；S205对于有Ntree棵树的随机森林，根据袋外数据误差errOOB1和加入噪声干扰后的袋外数据误差errOOB2，计算特征X
i
的重要性为：；S206：计算每个特征的重要性，并按降序排序；S207：确定需要剔除的比例，依据特征重要度剔除相应比例的特征，得到一个新的特征集；S208：将新的特征集重复步骤S206~S207，直到剩下n个特征，n为提前设定的值；S209：根据步骤S206~S208过程中得到的各个特征集和特征集对应的袋外误差率，选择袋外误差率最低的特征集。4.根据权利要求3所述的一种辐照特征聚类的光伏发电功率预测方法，其特征在于，步骤S3的具体步骤为：S301：根据光伏电站的地理位置确定坐标，将经纬度坐标输入进ASHRAE模型中，得到该地区的晴空辐照度值，并且以此作为基准值，晴空辐照度G
T
的具体表...

【专利技术属性】
技术研发人员：刘聘凭，毛知新，王泽松，丁乐文，
申请(专利权)人：中国电建集团江西省电力建设有限公司，
类型：发明
国别省市：