一种光伏发电功率预测方法及预测系统技术方案

本发明专利技术提供了一种光伏发电功率预测方法，属于电力能源技术领域。其包括以下步骤：获取光伏电站的原始气象数据和光伏出力数据；计算光伏电站的原始气象数据和光伏出力数据中历史功率数据的平均值、标准差、偏态系数和峰度作为改进K

【技术实现步骤摘要】
一种光伏发电功率预测方法及预测系统


[0001]本专利技术属于电力能源
，具体涉及一种光伏发电功率预测方法及预测系统。

技术介绍

[0002]光伏发电是太阳能开发利用的主要形式之一，具有清洁、分布广泛等特点。然而，由于太阳能具有的波动性、间歇性等问题，大规模高比例光伏发电并网势必对电力系统的安全稳定运行带来极大风险。光伏发电功率预测是消除威胁维护电网安全稳定的关键技术之一，可用于电网调度、平滑控制、故障检测，能平衡电力能源供需，提高电网运行的经济性，推进光伏电站智能化和智能电网的建设。因此，精确可靠的光伏发电出力预测对于大规模光伏电站并网和电力系统的可靠运行具有重要意义。
[0003]目前常见的光伏发电功率预测方法主要有物理法、回归法、灰色预测法、时间序列法和机器学习法。机器学习法是目前最流行的预测方法，可以完成回归、时间序列挖掘等任务。深度学习是机器学习技术最新的研究领域，得益于学界近几年深入的研究，深度学习已经在图像识别、自然语言处理等多种领域有了成功的应用，目前深度学习技术已经初步应用到光伏发电功率预测中。LSTM是一种时间递归神经网络，适合于处理和预测时间序列，LSTM已经在语音识别、视频分析等领域有了多种应用，但是在光伏发电功率预测中的应用仍具有很大的优化空间。
[0004]有鉴于此，特提出本专利技术。

技术实现思路

[0005]本专利技术所要解决的技术问题是，针对现有技术的不足，提供一种基于改进K
‑
means聚类和Attention
‑r/>LSTM网络模型的光伏发电功率预测方法。
[0006]为解决上述技术问题，本专利技术所采用的技术方案是：一种光伏发电功率预测方法，包括以下步骤：
[0007]获取光伏电站的原始气象数据和光伏出力数据；
[0008]计算光伏电站的原始气象数据和光伏出力数据中历史功率数据的平均值、标准差、偏态系数和峰度作为改进K
‑
means算法的输入因子，采用改进K
‑
means算法对该输入因子进行聚类分析，计算不同聚类类别中气象数据与发电功率的相关度；
[0009]将与发电功率相关度大于0.6的气象数据作为预测模型的输入因子输入Attention
‑
LSTM模型，训练模型获取最优参数，输出最终预测结果。
[0010]优选地，所述原始气象数据包括下述中的至少一种：总辐照度、法向直射辐照度、水平面散射辐照度、气温、气压和相对湿度。
[0011]优选地，所述一种光伏发电功率预测方法，还包括对所述光伏电站的原始气象数据和光伏出力数据进行预处理，所述预处理包含数据清洗、缺失值的插补步骤、删除缺失数据以及异常值的识别与处理。
[0012]优选地，所述删除缺失数据是将连续缺失16个时刻以上的数据视为缺失数据做删除处理；所述异常值的识别与处理是利用箱线图识别异常值，并用K近邻互补法进行处理。
[0013]优选地，所述改进K
‑
means算法的输入因子包括平均功率值、功率标准差、功率标准离差率、功率偏态系数、功率峰度和总功率值，所述平均功率值、功率标准差、功率标准离差率、功率偏态系数、功率峰度和总功率值的计算公式如下：
[0014]①
平均功率值的公式如下：
[0015][0016]②
功率标准差σ的公式如下：
[0017][0018]③
功率标准离差率c
v
的公式如下：
[0019][0020]④
功率偏态系数Skew(P)的公式如下：
[0021][0022]⑤
功率峰度Kurtosis(P)的公式如下：
[0023][0024]⑥
总功率值Sum(P)的公式如下：
[0025][0026]上述公式中，N为每天选取的样本功率个数，p为功率，i为数据集中第i天，N为数据总数。
[0027]优选地，所述改进K
‑
means算法是基于原始K
‑
means算法，对随机选取初始聚类中心进行改进，包括如下步骤：
[0028]在样本集中随机选取一个样本点作为初始的聚类中心z1；
[0029]计算除初始聚类中心z1以外的样本点与最近的一个聚类中心之间的欧式距离，用D(z)表示；计算除初始聚类中心以外的样本点被选为下一个聚类中心的概率
[0030]根据概率的计算结果，按照轮盘法选出下一个聚类中心，重复第二步直至选出K个聚类中心。
[0031]优选地，所述计算不同聚类类别中气象数据与发电功率的相关度包括：
[0032][0033]其中r表示相关度，y1表示气象因子，y
p
表示发电功率，表示气象因子平均值，表示发电功率平均值。
[0034]优选地，所述预测模型的输入因子为与发电功率的相关度大于0.6的气象数据。
[0035]优选地，所述将获取的输入因子输入Attention
‑
LSTM模型，训练模型获取最优参数，输出最终预测结果包括：
[0036]以LSTM的隐层输出向量H＝{h1,h2,...,h
t
}作为注意力机制的输入，注意力机制将依据第i个特征量h
i
计算注意力机制权值α
i
，权值α
i
依下式计算：
[0037]e
i
＝tanh(W
h
[0038][0039]其中：W
h
为权值矩阵；b
h
为偏置项，有
[0040]将注意力机制权值α
i
与原隐层特征值h
i
相乘得到新的隐层特征值h
′
i
：
[0041]h
′
i
＝α
i
[0042]从而得到引入注意力机制的隐层特征向量H'＝{h
′1,h
′2,...,h
′
t
}，添加注意力机制后的隐层特征向量H'输送至LSTM模型训练。
[0043]本专利技术还提供了一种光伏发电功率预测系统，包括：
[0044]构建数据库，配置为获取光伏电站的原始气象数据和光伏出力数据；
[0045]构建改进K
‑
means算法模型，配置为计算光伏电站的原始气象数据和光伏出力数据中历史功率数据的平均值、标准差、偏态系数和峰度作为改进K
‑
means算法的输入因子，采用改进K
‑
means算法对该输入因子进行聚类分析，计算不同聚类类别中气象数据与发电功率的相关度；
[0046]构建基于改进K
‑
means聚类和Attention
‑
LSTM的网络模型，配置为将与发电功率相关度大于0.6的气象数据作为预测模型的输入因子输入Attention
‑本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种光伏发电功率预测方法，其特征在于：包括以下步骤：获取光伏电站的原始气象数据和光伏出力数据；计算光伏电站的原始气象数据和光伏出力数据中历史功率数据的平均值、标准差、偏态系数和峰度作为改进K
‑
means算法的输入因子，采用改进K
‑
means算法对该输入因子进行聚类分析，计算不同聚类类别中气象数据与发电功率的相关度；将与发电功率相关度大于0.6的气象数据作为预测模型的输入因子输入Attention
‑
LSTM模型，训练模型获取最优参数，输出最终预测结果。2.如权利要求1所述的一种光伏发电功率预测方法，其特征在于：所述原始气象数据包括下述中的至少一种：总辐照度、法向直射辐照度、水平面散射辐照度、气温、气压和相对湿度。3.如权利要求1所述的一种光伏发电功率预测方法，其特征在于：还包括：对所述光伏电站的原始气象数据和光伏出力数据进行预处理，所述预处理包含数据清洗、缺失值的插补步骤、删除缺失数据以及异常值的识别与处理；所述删除缺失数据是将连续缺失16个时刻以上的数据视为缺失数据做删除处理；所述异常值的识别与处理是利用箱线图识别异常值，并用K近邻互补法进行处理。4.如权利要求1所述的一种光伏发电功率预测方法，其特征在于：所述改进K
‑
means算法的输入因子包括平均功率值、功率标准差、功率标准离差率、功率偏态系数、功率峰度和总功率值。5.如权利要求1所述的一种光伏发电功率预测方法，其特征在于：所述改进K
‑
means算法是基于原始K
‑
means算法，对随机选取初始聚类中心进行改进，包括如下步骤：在样本集中随机选取一个样本点作为初始的聚类中心z1；计算除初始聚类中心z1以外的样本点与最近的一个聚类中心之间的欧式距离，用D(z)表示；计算除初始聚类中心以外的样本点被选为下一个聚类中心的概率根据概率的计算结果，按照轮盘法选出下一个聚类中心，重复第二步直至选出K个聚类中心。6.如权利要求1所述的一种光伏发电功率预测方法，其特征在于：所述计算不同聚类类别中气象数据与发电功率的相关度包括：其中r表示相关度，表示气象因子，表示发电功率，表示气象因子平均值，表示发电功率平均值。7.如权利要求1所述的一种光伏发电功率...

【专利技术属性】
技术研发人员：刘善峰，黄牧涛，李哲，卢明，周宁，王超，王津宇，袁少光，田杨阳，毛万登，陈杰，高素花，
申请(专利权)人：华中科技大学国网河南省电力公司，
类型：发明
国别省市：