【技术实现步骤摘要】
本专利技术涉及光伏控制，具体涉及一种fcm-xgboost-gru短期光伏功率预测方法。
技术介绍
1、在近年来，光伏产业蓬勃发展，太阳能逐渐成为社会生产的基本能源之一。随着光伏发电规模不断扩大并直接并入电力系统，面临着电力系统安全稳定运行和电能质量方面的严峻挑战。为克服光伏直接并网带来的不确定性，短期准确预测光伏产量变得至关重要，以促进光伏大规模并网的实现。目前，国内外对光伏输出功率的短期预测已经进行大量的研究，主要研究方法可以归纳为以下三种类型：物理方法、统计方法和机器学习方法。物理方法是一种基于构建光伏发电物理模型的预测方式。通过模型仿真，该方法依赖于输入的电厂地理信息和数值天气预报信息来预测光伏的输出功率。然而，这种方法存在一些问题，包括抗干扰能力差和稳定性不高，因为物理模型难以完整地考虑所有影响光伏产量的复杂因素。统计方法则是利用大量历史数据，通过时间序列分解等统计技术来与待预测功率相关联，从统计学角度分析数据得出光伏输出的概率预测结果。但是由于光伏产量受多种因素影响，仅从历史数据的角度分析导致实际预测精度较低。机器学习方法成为目前光伏产量预测的主流方法。它利用机器学习技术从气象数据和历史光伏输出数据中提取数据变化特征，并进行预测。相较于物理和统计方法，机器学习方法能够更全面地考虑光伏产量受到的多种影响因素，因此其预测结果具有较高的精度。
2、而上述的方法侧重于预测模型算法的改进，没有从根本上考虑不同样本条件下环境因素对模型的影响，模型精度的提高非常有限。因而要求综合考虑环境和气象因素，将不同的算法对比融合
技术实现思路
1、本专利技术要解决的技术问题是：克服现有技术的不足，提供一种fcm-xgboost-gru短期光伏功率预测方法。
2、本专利技术采用的技术方案如下：
3、一种fcm-xgboost-gru短期光伏功率预测方法，包括如下步骤：
4、s1、通过计算距离相关系数dcc分析影响光伏输出功率的气象变量，筛选出相关性较高的变量作为关键特征；
5、s2、分析计算s1中关键特征的一类统计指标作为聚类特征，采用fcm方法对历史光伏数据聚类分析并将结果按照天气类型分类；
6、s3、针对s2中的不同天气类型，采用xgboost-gru组合预测模型对预测模块单元进行训练；
7、s4、根据预测日前的气象数据确定预测日的天气类型，将历史光伏数据和预测日前的气象数据作为输入，导入到s3的xgboost-gru预测模型中，得到预测日的光伏功率预测结果。
8、本技术方案中，通过计算距离相关系数dcc，准确识别哪些气象变量对光伏输出功率具有显著影响，不仅提高预测模型的效率，还增强其针对性，使得模型更能够抓住关键因素，从而提高预测精度。通过对历史数据进行聚类分析，装置能够识别出不同的天气类型，并据此为每一种天气类型建立特定的预测模型，能够更好地适应各种天气变化，提高预测的适应性；xgboost作为一种高效的梯度提升决策树算法，能够处理大量数据并捕捉复杂的非线性关系；而gru（门控循环单元）则是一种优秀的循环神经网络，能够处理时间序列数据并捕捉长期依赖关系；两者的结合使得模型既能够充分利用历史数据，又能够准确捕捉光伏输出功率的动态变化；根据预测日前的气象数据，快速确定天气类型，并将历史数据和气象数据输入到训练好的预测模型中，得到预测日的光伏功率预测结果，快速、准确的预测对于光伏电站的运营和维护至关重要，能够帮助电站提前做出调整，优化能源分配，提高经济效益。
9、另外，根据本专利技术上述提出fcm-xgboost-gru短期光伏功率预测方法还可以具有如下附加技术特征：
10、根据本专利技术的一个实施例，所述s1中，影响光伏输出功率的气象变量划分为：太阳辐照度、温度、湿度、气压、降雨量、风速和风向，对上述变量进行相关性分析，筛选出影响光伏输出功率的影响因素；
11、距离相关系数dcc用于表征两个变量之间的非线性相关性，dcc指数越接近1，两个变量之间的相关性越大；
12、利用dcc分析不同的气象因素与光伏输出功率之间的相关性，其中两个变量之间的距离相关系数为：
13、
14、式中：x为气象因素中的任一变量，y为光伏发电输出功率；为x和y的距离协方差，具体定义如下：
15、
16、式中：n为气象因素以及光伏发电输出功率所有变量的个数，k、l为对应变量所处的位置。
17、根据本专利技术的一个实施例，所述s2中，统计指标为平均值、标准差、峰度以及偏度，以此作为天气分类的聚类特征，其中：
18、平均值表征数据的总体平均水平：
19、
20、标准度表征样本与平均水平的偏离程度：
21、
22、峰度表征衡量数据的平坦程度：
23、
24、偏度表征样本与中心值的偏离程度：
25、
26、式中：为历史的气象数据。
27、根据本专利技术的一个实施例，所述s2中，对筛选出的关键气象因素，分别计算出统计指标作为后续聚类的特征矩阵，由于历史光伏的输出功率和关键气象因素单位不统一，因此采用最大最小归一化法对历史光伏输出功率和关键气象因素进行归一化处理：
28、
29、式中：为历史的气象数据；为归一化后的数据；为最大特征值；为最小特征值。
30、根据本专利技术的一个实施例，所述s2中，基于fcm结合模糊理论，引入隶属度函数来描述各特征值与聚类中心的隶属度，并根据隶属度之间的关系来判断特征值与各类别之间的隶属程度；
31、在fcm聚类算法中，将n个向量xi划分为c个模糊数据组，并确定每个组的聚类中心；损失函数描述从每个向量到聚类中心的欧式距离；通过不断迭代隶属度矩阵u和聚类中心从而使得损失函数取得最小值，损失函数如下所示：
32、
33、式中，为属于第类的第个样本的隶属度；m为隶属度因子；是从样本到聚类中心的欧式距离，。
34、根据本专利技术的一个实施例，所述s2中，fcm聚类算法的迭代过程如下：
35、a)初始化聚类中心数c和隶属度矩阵u(0),并使隶属度矩阵满足以下约束：
36、
37、b)根据隶属度矩阵计算聚类中心：
38、
39、c)更新隶属度矩阵,并计算聚类损失函数,具体计算方法如下：
40、
41、
42、d)给定隶属度终止阈值，损失函数终止阈值，当满足条件时终止，否则返回步骤b)；
43、当迭代终止时，可以确定最优隶属度矩阵和聚类中心，根据确定样本的类别，当满足时，样本被归类为第类。
44、根据本专利技术的一个实施例，所述s3中，xgboost-gru组合预测模型对预测模块单元进行训练包括xgboost模块单元，x本文档来自技高网...
【技术保护点】
1.一种FCM-XGBoost-GRU短期光伏功率预测方法，其特征在于，包括如下步骤：
2.如权利要求1所述的FCM-XGBoost-GRU短期光伏功率预测方法，其特征在于，所述S1中，影响光伏输出功率的气象变量划分为：太阳辐照度、温度、湿度、气压、降雨量、风速和风向，对上述变量进行相关性分析，筛选出影响光伏输出功率的影响因素；
3.如权利要求2所述的FCM-XGBoost-GRU短期光伏功率预测方法，其特征在于，所述S2中，统计指标为平均值、标准差、峰度以及偏度，以此作为天气分类的聚类特征，其中：
4.如权利要求3所述的FCM-XGBoost-GRU短期光伏功率预测方法，其特征在于，所述S2中，对筛选出的关键气象因素，分别计算出统计指标作为后续聚类的特征矩阵，由于历史光伏的输出功率和关键气象因素单位不统一，因此采用最大最小归一化法对历史光伏输出功率和关键气象因素进行归一化处理：
5.如权利要求4所述的FCM-XGBoost-GRU短期光伏功率预测方法，其特征在于，所述S2中，基于FCM结合模糊理论，引入隶属度函数来描述各特征值与聚
6.如权利要求5所述的FCM-XGBoost-GRU短期光伏功率预测方法，其特征在于，所述S2中，FCM聚类算法的迭代过程如下：
7.如权利要求6所述的FCM-XGBoost-GRU短期光伏功率预测方法，其特征在于，所述S3中，XGBoost-GRU组合预测模型对预测模块单元进行训练包括XGBoost模块单元，XGBoost模块单元为：
8.如权利要求7所述的FCM-XGBoost-GRU短期光伏功率预测方法，其特征在于，所述S3中，XGBoost-GRU组合预测模型对预测模块单元进行训练包括GRU模块单元，GRU模块单元为3层：输入层、隐含层、输出层；
9.如权利要求8所述的FCM-XGBoost-GRU短期光伏功率预测方法，其特征在于，所述S3中，XGBoost-GRU组合预测模型为：
10.如权利要求1所述的FCM-XGBoost-GRU短期光伏功率预测方法，其特征在于，所述S4中，输入特征包括直接辐射、散射辐射、环境温度、相对湿度、风速和光伏历史功率数据；通过确定每天的动力采样点p，某一类天气在一年中的时间为n，得到一个6×p×n的矩阵作为训练集的输入；待预测的5×p×1的气象数据和预测日前一天的1×p×1的光伏输出功率矩阵作为预测模型的输入矩阵，导入到S3的XGBoost-GRU组合预测模型中，得到预测日的光伏功率预测结果。
...【技术特征摘要】
1.一种fcm-xgboost-gru短期光伏功率预测方法，其特征在于，包括如下步骤：
2.如权利要求1所述的fcm-xgboost-gru短期光伏功率预测方法，其特征在于，所述s1中，影响光伏输出功率的气象变量划分为：太阳辐照度、温度、湿度、气压、降雨量、风速和风向，对上述变量进行相关性分析，筛选出影响光伏输出功率的影响因素；
3.如权利要求2所述的fcm-xgboost-gru短期光伏功率预测方法，其特征在于，所述s2中，统计指标为平均值、标准差、峰度以及偏度，以此作为天气分类的聚类特征，其中：
4.如权利要求3所述的fcm-xgboost-gru短期光伏功率预测方法，其特征在于，所述s2中，对筛选出的关键气象因素，分别计算出统计指标作为后续聚类的特征矩阵，由于历史光伏的输出功率和关键气象因素单位不统一，因此采用最大最小归一化法对历史光伏输出功率和关键气象因素进行归一化处理：
5.如权利要求4所述的fcm-xgboost-gru短期光伏功率预测方法，其特征在于，所述s2中，基于fcm结合模糊理论，引入隶属度函数来描述各特征值与聚类中心的隶属度，并根据隶属度之间的关系来判断特征值与各类别之间的隶属程度；
6.如权利要求5所述的fcm-xgboost-gru短期光伏...
【专利技术属性】
技术研发人员：谈诚，许一川，蔡飞，金磊，孙婧卓，韩阳，刘啸瑜，
申请(专利权)人：国网江苏省电力有限公司常州供电分公司，
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。