[发明专利]基于Kmeans-GRA-Elman模型的光伏电站短期功率预测方法

说明书

本发明涉及一种基于Kmeans‑GRA‑Elman模型的光伏电站短期功率预测方法，包括：采集光伏电站历史每天的发电功率以及气象站上每天对应时间段的气象参数；对数据进行预处理；利用六项统计指标结合改进Kmeans算法对历史日中第一天到待预测日前一天的样本进行聚类，根据轮廓系数确定类别数；计算每个聚类气象特征值的中心点，判断待预测日所属的类别；确定待预测日的相似日和最佳相似日；确定Elman神经网络参数；得到训练模型；将最佳相似日的参数样本组合以及待预测日的气象参数输入训练模型中对待预测日的发电功率进行预测。本发明能够提高光伏电站在不同季节下的不同天气条件短期功率预测的精度和准确度。

技术领域

本发明属于光伏电站的短期功率预测技术，特别是涉及一种基于Kmeans-GRA-Elman模型的光伏电站短期功率预测方法。

背景技术

近年来，随着社会经济的发展，能源短缺和环境污染问题受到了社会各界的高度重视，开发与利用可再生能源已经成为解决能源和环境问题的重要途径。此外，随着电力需求的增长，电网规模不断扩大，传统大规模、高集中度发电投资成本高、运行难度大等弊端日益凸显。在此背景下，光伏发电在世界各国的重视下迅猛发展。对于光伏发电技术水平，国家提出了更高要求，其中最难的就是光伏发电的预测。由于光伏发电系统的输出受到太阳辐照强度和天气因素的影响，使得光伏发电系统输出兼具随机性和波动性。因此，光伏发电对大电网是一个不受控制的源，其随机性和波动性会对电网造成冲击影响。电网为了满足用户的需求及保证电网的安全，会制定相应的调度策略及计划，而光伏发电的预测能够有效地帮助电网制定计划，利于电网的调度，并且能够实时地协调光伏电源和常规电源之间的关系，促进电网安全、稳定运行。

目前，光伏电站功率预测方法主要可分为间接预测法和直接预测法两种。其中，间接预测法首先需要预测太阳辐射强度，接着根据太阳辐射强度预测值间接预测光伏发电系统的发电功率。该方法需要准确的天气预报信息，且必须多次建模，预测过程复杂繁琐，难以实际应用。直接预测法通过对光伏发电系统历史输出功率和相关气象因素进行统计分析，找出光伏发电系统输出功率和历史功率以及气象因素的关系，建立光伏电站功率预测模型，当前的光伏功率预测主要采用直接预测法。

常用的直接预测法有人工神经网络(artificial neural network，ANN)、马尔科夫链、时间序列法、支持向量机(support vector machines，SVM)等算法。其中应用最为广泛的是基于ANN和SVM为主的人工智能算法。其中以SVM为主的预测算法可以较好地解决小样本情况，精度较高，但是采用优化算法对其进行参数优化时，需要很长的训练时间。而神经网络虽然易陷入局部极小，但由于较高的拟合与泛化能力且训练时间较短，相比较而言，在预测性能方面优于支持向量机，目前也已经取得了较为成功的应用。

其中，Elman神经网络与传统的BP神经网络相比，多了一个从隐含层接收反馈信号，用来记忆隐含层神经元前一时刻的输出值的承接层，使得网络对历史数据具有敏感性，增加了网络自身处理动态信息的能力。因此本文选择比BP神经网络更好的Elman神经网络作为预测模型。为了使得模型更能准确预测出光伏电站在不同季节下的不同天气情况的发电功率，需要根据不同的气象特征建立相应的模型，并且将与待预测日最为接近的历史日作为模型的输入，这样就可以大大提高预测的精度。因此，本发明通过采用Kmeans++算法结合GRA算法，寻找待预测日的相似日样本和最佳相似日样本分别作为模型的训练样本和测试样本输入。所以，采用基于混合改进Kmeans-GRA-Elman模型能够实现对光伏电站的发电功率进行快速准确预测。

目前，公开发表的文献及专利中尚未见有将基于混合改进Kmeans-GRA-Elman算法应用于光伏电站短期功率预测的研究。

发明内容