【技术实现步骤摘要】
本专利技术属于光伏发电预测领域，尤其涉及一种分布式光伏发电预测方法及其装置。
技术介绍
1、光伏发电受到太阳辐射和天气条件的影响，极具不确定性和波动性。这给大型光伏发电并网带来了巨大的挑战，因此，提高预测准确度对光伏发电功率的预测非常重要。另外，由于光伏发电场景中有海量的数据样本，因此对于预测模型的训练效率也提出了很高的要求。现有技术中，分布式光伏发电量预测常用的预测方法是k-means算法结合lstm算法，其中k-means算法对气候数据做分类，lstm算法对同类气候数据做预测。其中k-means算法在实际应用中存在以下缺陷：
2、1、k-means算法用于计算类别中心与数据的距离，在进行大规模数据的分类预测时，通常根据经验进行类别假设，这种方法主观性较强，导致最终预测结果不准确。
3、2、k-means算法容易受到噪声和离群点的影响，同样也会导致预测结果不准确。
4、3、k-means算法需要不断的对全部样本数据进行分类调整，不断的计算调整后新的聚类中心点，因此当数据量非常大时，计算的时间开销是非
【技术保护点】
1.一种分布式光伏发电量短期预测方法，其特征在于：先用聚类算法对气候数据做分类，再用LSTM神经网络对分类后的气候数据做分布式光伏发电量短期预测，所述聚类算法是K-means算法，所述聚类算法由自适应K-means算法对气候数据做第一次分类，再通过BIRCH树算法对第一次分类的结果做二次分类。
2.根据权利要求1所述分布式光伏发电量短期预测方法，其特征在于：
3.根据权利要求2所述分布式光伏发电量短期预测方法，其特征在于：
4.根据权利要求3所述分布式光伏发电量短期预测方法，其特征在于：
5.根据权利要求4所述分布式光伏...
【技术特征摘要】
1.一种分布式光伏发电量短期预测方法，其特征在于：先用聚类算法对气候数据做分类，再用lstm神经网络对分类后的气候数据做分布式光伏发电量短期预测，所述聚类算法是k-means算法，所述聚类算法由自适应k-means算法对气候数据做第一次分类，再通过birch树算法对第一次分类的结果做二次分类。
2.根据权利要求1所述分布式光伏发电量短期预测方法，其特征在于：
3.根据权利要求2所述分布式光伏发电量短期预测方法，其特征在于：
4.根据权利要求3所述分布式光伏发电量短期预测方法，其特征在于：
5.根据权利要求4所述分布式光伏发电量短期预测方法，其特征在于：所述使用剩余气候数据迭代完善birch核心树，完善第二次分类的具体步骤为：
6.根据权利要求5所述分布式光伏发电量短期预测方法，其特征在于：具体包...
【专利技术属性】
技术研发人员：姜山，焦建林，窦家本，王永，何彦彬，翟飞，尹智，李镓辰，魏浩民，余谦，
申请(专利权)人：国网北京市电力公司，
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。