[发明专利]基于SAGA-FCM-LSSVM模型的光伏电站实时功率预测方法

权利要求书

1.一种基于SAGA-FCM-LSSVM模型的光伏电站实时功率预测方法，其特征在于，按照如下步骤实现：

步骤S1：采集光伏电站历史每天每小时的发电功率以及气象站上每天对应时间段的气象参数，并建立每天每小时的气象-功率参数样本；

步骤S2：对每天的气象-功率参数样本进行预处理，去除异常数据，并进行归一化处理；

步骤S3：根据归一化后的统计分析中功率的四项统计指标，并结合基于模拟退火遗传算法的模糊C-均值聚类算法，对历史日中第一天到待预测日前一天的样本进行聚类，并根据轮廓系数确定类别数；

步骤S4：根据各个聚类样本集合的气象特征值，计算每个聚类气象特征值的中心点，采用欧氏距离判断待预测日所属的类别；

步骤S5：根据与待预测日同属一类的参数样本，训练最小二乘支持向量机，建立训练模型；

步骤S6：将待预测日的待预测时刻前2h的气象参数和功率值输入所述训练模型中，对待预测日各个时刻的发电功率进行实时预测。

2.根据权利要求1所述的基于SAGA-FCM-LSSVM模型的光伏电站实时功率预测方法，其特征在于，在所述步骤S1中，所述气象-功率参数样本包括：光伏电站历史每天每小时的发电功率以及气象站上每天对应时间段的气象参数；记所述气象-功率参数样本组合为(P_ki，G_ki，T_ki，H_ki)，其中，k为样本采集的日期的序号，表示天数，为1到N的整数；i为一天中样本采集的时刻，表示时刻数，为1到Nt的整数；P_ki为第k天参数样本组合中的第i个时刻的功率参数样本，G_ki为第k天参数样本组合中的第i个时刻的全球水平辐射参数样本，T_ki为第k天参数样本组合中的第i个时刻的环境温度参数样本，H_ki为第k天参数样本组合中的第i个时刻的相对湿度参数样本。

3.根据权利要求1所述的基于SAGA-FCM-LSSVM模型的光伏电站实时功率预测方法，其特征在于，在所述步骤S2中，去除异常数据是指去除出现的历史数据负数或者超出预设范围阈值的数据；归一化方法为：采用比例压缩法将同一种参数样本同一个时刻映射到区间[0，1]内，记功率样本为P＝(P_1i，P_2i，…，P_ki，…，P_Ni)，则映射公式为：

其中，y’表示归一化后得到的数据，P_imax表示数据组P的第i个时刻中的最大值，P_imin表示数据组P的第i个时刻中的最小值。

4.根据权利要求1所述的基于SAGA-FCM-LSSVM模型的光伏电站实时功率预测方法，其特征在于，在所述步骤S3中，记四项统计指标记为(σ_k，cv_k，Sk_k，kur_k)，其中，k为样本采集的日期的序号，表示天数，为1到N的整数；σ_k为第k天的功率标准偏差参数样本，cv_k为第k天的功率变异系数参数样本，Sk_k为第k天的功率偏态系数参数样本，kur_k为第k天的功率峰态系数参数样本；将四项统计指标归一化后结合SAGA-FCM算法进行聚类，根据轮廓系数s确定类别数；选取s0.39的聚类情况作为聚类结果；其中，各个参数样本的计算、归一化和轮廓系数的如下所示：

其中，σ，cv，Sk，kur分别表示每天功率的标准偏差、变异系数、偏态系数和峰态系数；P为功率样本；为功率样本平均值；i表示一天中样本采集的各个时刻，N表示一天的总时刻；

其中，x’表示归一化后得到的数据，x_min和x_max表示样本数组的最小值和最大值，y_min取-1，y_max取1；

其中，s(i)表示轮廓系数，i表示每一个聚类样本集合中的样本，a(i)表示样本i到同一簇内其他点不相似程度的平均值，b(i)表示样本i到其他簇的平均不相似程度的最小值。