【技术实现步骤摘要】
本专利技术涉及一种基于cure聚类的batch-lasso短期光伏功率预测方法，属于光伏发电。
技术介绍
1、近年来，“双碳”目标推动我国光伏发电装机容量迅速攀升。据统计，2022年光伏发电新增8741万千瓦，较2021年新增提高近一倍，光伏发电渗透率逐年大幅上升。然而与传统的火力发电相比，由于气象因素的不确定性导致光伏发电出力具有波动性与间歇性的显著特点，尤其光伏发电出力短期或间歇出现较大波动，易对大电网造成扰动甚至冲击的现象，当光伏渗透率高时将严重影响大电网的安全稳定运行。因此研究短期光伏功率预测方法、提高光伏功率预测准确度是提升大电网稳定性的必要途径之一。
2、目前短期光伏功率预测方法主要包括传统回归模型和以深度学习网络模型为代表的人工智能预测。由于短期光伏功率预测准确度受到气象因素和光伏电站上空云团的直接影响，在不同季节和不同天气类型下，气象数据和云团特征对短期光伏出力的影响程度不同，但是，上述模型均未充分考虑，存在天气状况出现较大波动的情况下，预测精度较低的问题。
3、上述问题是在基于cure聚类的batch-lasso短期光伏功率预测过程中应当予以考虑并解决的问题。
技术实现思路
1、本专利技术的目的是提供一种基于cure聚类的batch-lasso短期光伏功率预测方法解决现有技术中存在的天气状况出现较大波动的情况下预测精度有待提高的问题。
2、本专利技术的技术解决方案是：
3、一种基于cure聚类的batch-lasso
4、s1、获取光伏电站所在区域的历史卫星云图和气象数据集以及历史光伏发电功率，对历史卫星云图进行数据处理，获得云遮挡特征数据集，将气象数据集与云遮挡特征数据集组成天气数据集；
5、s2、对天气数据集按照季节进行一次分类，得到季节天气数据集，基于代表点聚类算法即基于cure聚类算法对季节天气数据集进行二次聚类，并指定每种季节下依据晴天、多云和雨天聚类三簇，得到设定种类的气象模式及对应的训练数据集；
6、s3、分别在步骤s2得到的设定种类的气象模式下，建立循环套索光伏功率预测模型即batch-lasso光伏功率预测模型；
7、s4、在每种气象模式下，将气象模式所对应的训练数据集输入batch-lasso光伏功率预测模型进行训练后，得到短期光伏功率预测模型；
8、s5、依据预测日的天气类型，将预测日的气象数据与云遮挡特征数据输入对应气象模式下的短期光伏功率预测模型，输出光伏功率预测结果。
9、进一步地，步骤s1中，对历史卫星云图进行数据处理，具体为，对历史卫星云图提取卫星云图像素均值pm，并提取纹理特征包括卫星云图角二阶矩asm、卫星云图熵enp、卫星云图对比度ct和卫星云图相关性cl，得到云遮挡特征包括卫星云图像素均值pm、卫星云图角二阶矩asm、卫星云图熵enp、卫星云图对比度ct和卫星云图相关性cl。
10、进一步地，步骤s2中，基于cure聚类算法对季节天气数据集进行二次聚类，并指定每种季节下依据晴天、多云和雨天聚类三簇，得到设定种类的气象模式及对应的训练数据集，具体为，
11、s21、将季节天气数据集随机等分为n组，对每组数据进行初步聚类，形成初步聚类簇，指定初步聚类簇的数目为每组三簇；
12、s22、在每个初步聚类簇中选择k个代表点，将初步聚类簇中每一个代表点都按照固定百分比向各自簇内的质心移动一段距离，将每个簇同比例缩小；
13、s23、对n组数据的每一簇代表点，即n·3k个代表点再使用cure聚类算法做一次聚类，指定最终聚类簇的数目为三簇，得到最终的晴天、多云和雨天聚类模型；
14、s24、扫描整个季节天气数据集，对于任意一点p，通过计算点p与代表点的距离dist，将点p分配给最近代表点所在的簇；
15、s25、在对分类的所有季节天气数据集完成聚类后，得到设定种类的气象模式及每种气象模式对应的训练数据集qi。
16、进一步地，步骤s22中，在每个初步聚类簇中选择k个代表点，具体为，
17、s221、计算初步聚类簇内每个点与质心的距离dist，选取distmax的点作为第一个代表点k0；
18、s222、然后计算初步聚类簇内其他点与点k0的dist，选取distmax的点作为第二个代表点k1，第三个代表点k2是簇内所有点中与k0、k1两个代表点distmax的点，以此类推，直到选到k个代表点为止。
19、进一步地，步骤s3中，batch-lasso光伏功率预测模型包括lasso回归模型和batch模块，lasso回归模型包括参数选择模块、回归参数求解模块和线性回归模型，
20、参数选择模块：采用k折交叉验证的方法选取最佳的参数λ，由参数λ计算回归参数β的损失函数；
21、回归参数求解模块：根据最佳的参数λ，使用训练数据集由损失函数通过坐标下降法求解回归参数；
22、线性回归模型：由输入的气象数据和云遮挡特征数据，结合回归参数与随机误差，得到预测光伏功率；
23、batch模块：由线性回归模型得到的预测光伏功率，以及对应的气象数据和云遮挡特征数据，加入训练数据集，并删除训练数据集的第一组训练数据，进行训练数据集更新，并实现线性回归模型的自动更新迭代。
24、进一步地，batch-lasso光伏功率预测模型中，线性回归模型为：
25、y＝xβ+ε
26、其中，y为预测的光伏功率序列，维度为n；x为气象模式对应的训练数据集中的气象数据和云遮挡特征数据，维度为n*p；β为回归参数，维度为p；∈为随机误差，符合正态分布。
27、进一步地，回归参数求解模块根据最佳的参数λ，由以下损失函数q(β)通过坐标下降法求解回归参数β：
28、q(β)＝||y-xβ||2+λ||β||1。
29、进一步地，参数选择模块采用k折交叉验证的方法选取最佳的参数λ，具体为，
30、s31、将输入数据集分为k个子样本训练集，给定λ序列个数，初始化每个λ值，对序列中的每一个λ都进行k折交叉验证；
31、s32、在每一次交叉验证中，通过坐标下降法拟合出每一个子样本训练集对应的回归参数β，建立batch-lasso光伏功率预测模型，并基于建立的batch-lasso光伏功率预测模型，计算每一个子样本测试集的均方误差mse；
32、s33、经过k折交叉验证后得到两个建模的λ值：λmin为在k折交叉验证中使模型的均方误差最小的误差λ值、λ1se为在设定方差范围内使模型结构最简单的方差λ值，选取λ1se作为最优解。
33、进一步地，步骤s3中，batch模块中，实现线性回归模型的自动更新迭代，具体为：
34、选取t时刻前设定时间内n组气象数据和云遮挡特征数据以及历史光伏发电功率作本文档来自技高网...
【技术保护点】
1.一种基于CURE聚类的Batch-Lasso短期光伏功率预测方法，其特征在于：包括以下步骤，
2.如权利要求1所述的基于CURE聚类的Batch-Lasso短期光伏功率预测方法，其特征在于：步骤S1中，对历史卫星云图进行数据处理，具体为，对历史卫星云图提取卫星云图像素均值PM，并提取纹理特征包括卫星云图角二阶矩ASM、卫星云图熵ENP、卫星云图对比度CT和卫星云图相关性CL，得到云遮挡特征包括卫星云图像素均值PM、卫星云图角二阶矩ASM、卫星云图熵ENP、卫星云图对比度CT和卫星云图相关性CL。
3.如权利要求1所述的基于CURE聚类的Batch-Lasso短期光伏功率预测方法，其特征在于：步骤S2中，基于CURE聚类算法对季节天气数据集进行二次聚类，并指定每种季节下依据晴天、多云和雨天聚类三簇，得到设定种类的气象模式及对应的训练数据集，具体为，
4.如权利要求3所述的基于CURE聚类的Batch-Lasso短期光伏功率预测方法，其特征在于：步骤S22中，在每个初步聚类簇中选择k个代表点，具体为，
5.如权利要求1-4任一项所述
6.如权利要求5所述的基于CURE聚类的Batch-Lasso短期光伏功率预测方法，其特征在于：Batch-Lasso光伏功率预测模型中，线性回归模型为：
7.如权利要求6所述的基于CURE聚类的Batch-Lasso短期光伏功率预测方法，其特征在于：回归参数求解模块根据最佳的参数λ，由以下损失函数Q(β)通过坐标下降法求解回归参数β：
8.如权利要求5所述的基于CURE聚类的Batch-Lasso短期光伏功率预测方法，其特征在于：参数选择模块采用K折交叉验证的方法选取最佳的参数λ，具体为，
9.如权利要求5所述的基于CURE聚类的Batch-Lasso短期光伏功率预测方法，其特征在于：步骤S3中，Batch模块中，实现线性回归模型的自动更新迭代，具体为：
...【技术特征摘要】
1.一种基于cure聚类的batch-lasso短期光伏功率预测方法，其特征在于：包括以下步骤，
2.如权利要求1所述的基于cure聚类的batch-lasso短期光伏功率预测方法，其特征在于：步骤s1中，对历史卫星云图进行数据处理，具体为，对历史卫星云图提取卫星云图像素均值pm，并提取纹理特征包括卫星云图角二阶矩asm、卫星云图熵enp、卫星云图对比度ct和卫星云图相关性cl，得到云遮挡特征包括卫星云图像素均值pm、卫星云图角二阶矩asm、卫星云图熵enp、卫星云图对比度ct和卫星云图相关性cl。
3.如权利要求1所述的基于cure聚类的batch-lasso短期光伏功率预测方法，其特征在于：步骤s2中，基于cure聚类算法对季节天气数据集进行二次聚类，并指定每种季节下依据晴天、多云和雨天聚类三簇，得到设定种类的气象模式及对应的训练数据集，具体为，
4.如权利要求3所述的基于cure聚类的batch-lasso短期光伏功率预测方法，其特征在于：步骤s22中，在每个初步聚类簇中选择k个代表点，具体为，
5.如权...
【专利技术属性】
技术研发人员：陆旦宏，王玉莹，杨婷，朱晓，陈黎来，李艳，鱼泓漪，柏生奎，
申请(专利权)人：南京工程学院，
类型：发明
国别省市：
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。