[发明专利]基于DPK-means的日前光伏发电功率预测方法

权利要求书

1.基于DPK-means的日前光伏发电功率预测方法，其特征在于包括下述步骤：

(1)将每日6:00-18:00的整点的日气象特征向量进行归一化；所述日气象特征为每小时的温度、湿度、空气质量指数；

归一化公式是：其中，x_{normalization}为气象特征归一化后的结果，x为原始值，x_min为该特征最小值，x_max为该特征最大值；

(2)采用下式对光伏发电功率归一化：

y_{normalizatiuon}＝y/y_capacity

其中y_{normalization}为光伏功率归一化后的结果，y为功率值，y_capacity为光伏装机容量；

(3)采用DPK-means聚类方法对历史数据进行聚类，并判别待预测日的所属类别，确定极限学习机的输入样本集；通过计算待预测日气象特征向量与各类簇聚类中心的相关系数距离，将待预测日归属于距离最小的类簇；即包括下述内容：

Ⅰ)计算所有样本间的距离d_ij；

Ⅱ)确定截断距离d_c，选取将所有数据对象两两之间的距离按照升序排列，前2％位置的数据距离作为截断距离；

Ⅲ)计算样本的ρ_i和δ_i；

采用Gaussian Kernel来计算样本集局部密度ρ，表达式如下：

样本x⁽ⁱ⁾到其它高密度样本的距离δ_i，表达式如下：

在所有局部密度ρ比样本x⁽ⁱ⁾高的样本中，选取与样本x⁽ⁱ⁾间样本距离d_ij最小的值；

当样本x⁽ⁱ⁾的局部密度为所有数据对象中密度最大时，

δ_i＝max_j(d_ij)

Ⅳ)将所得结果做出样本的(ρ_i,δ_i)决策图，确定初始聚类数目K和聚类中心μ₁,μ₂,...μ_K∈R^P；通过计算样本的ρ_i*δ_i值并作曲线，拐点之前的样本点作为初始聚类中心，拐点之前的样本数即为聚类数目K；其中(ρ_i,δ_i)即为样本x⁽ⁱ⁾局部密度ρ_i和与高密度样本的距离δ_i组成的坐标点；

Ⅴ)对于待聚类样本D＝{x⁽¹⁾,x⁽²⁾…,x^(N)}，计算其划分类簇：

其中c_k表示第k类簇样本集合，且k＝1…K；μ_k为初始聚类中心，||x⁽ⁱ⁾-μ_k||²表示样本x⁽ⁱ⁾与聚类中心μ_k之间的相关系数距离，argmin表示计算使距离最小时的所属类簇；

Ⅵ)对每一类簇k求取平均值作为新的聚类中心，计算表达式如下：

其中l表示当前属于k类簇的样本数目；

Ⅶ)重复步骤Ⅴ)步骤Ⅵ)，直至达到目标函数值J的最小化或聚类中心不再改变，目标函数如下式所示：

其中

(4)所述极限学习机回归预测即将样本集划分为训练集与测试集，确定极限学习机的最佳隐含层节点数和拓扑结构，并实现对待预测日的日前光伏发电功率预测。