[发明专利]基于DPK-means的日前光伏发电功率预测方法

说明书

基于DPK‑means的日前光伏发电功率预测方法，包括对历史数据的归一化处理；对历史数据的聚类分析，并确定待预测日所属类别；为极限学习机回归训练与预测。本发明针对不同天气状况下的光伏系统的日前发电功率预测均可得到较好的结果。在选择日气象特征向量时，根据我国实际天气预报情况，选择每小时的温度、湿度、空气质量指数组成日特征向量。在日特征向量确定的基础上，采用DPK‑means聚类方法对历史气象特征进行聚类，并确定待预测日的所属类别。在选定待聚类样本所属类别集后，通过极限学习机实现预测。本发明对数据的处理更加简单，极限学习机所需设置的参数较少，可快速、准确地实现日前光伏发电功率的预测。

技术领域

本发明为光伏发电系统的日前发电功率预测方法，具体是基于DPK-means聚类过程和ELM极限学习机回归相结合的预测方法。

背景技术

随着环境污染、能源危机等逐年严重，太阳能等新能源迅猛发展。据国家能源局统计，2018年我国光伏新增装机容量超过43GW，累计总装机容量已超过170GW。但是由于光伏发电功率易受气象、环境条件影响，具有较大的波动性和随机性，及时、准确地预测光伏功率，对电网调度及光伏电站运行具有重要意义。

发明内容

本发明要解决日前光伏发电功率预测精确性的问题。

本发明的技术方案：基于DPK-means和ELM的日前光伏发电功率预测方法，包括对历史数据的归一化处理；对历史数据的聚类分析，并确定待预测日所属类别；为极限学习机回归训练与预测。

对历史数据的归一化处理包括下述内容：所述历史数据是指至少100天的温度、湿度、空气质量数据；

S1:采用对历史数据进行归一化处理；其中，x_{normalization}为历史数据归一化后的结果，x为原始值，x_min为该特征最小值，x_max为该特征最大值；

采用对光伏发电功率进行归一化处理，其中y_{normalization}为光伏发电功率归一化后的结果，y为功率值，y_capacity为光伏装机容量。

日气象特征向量表达为下式：

x⁽ⁱ⁾＝[x_1t,x_2t…x_mt,x_1h,x_2h…x_mh,x_1a,x_2a…x_ma]^T∈R^P

x⁽ⁱ⁾表示第i天的气象特征向量，m表示数据的采样时刻，x_mt表示第m个采样时刻的温度，x_mh表示第m个采样时刻的湿度，x_ma表示第m个采样时刻的空气质量指数，T表示向量的转置，R^P表示日气象特征向量为P维。

功率向量表达式如下：

y⁽ⁱ⁾＝[y₁,y₂,…y_m]^T∈R^m

y⁽ⁱ⁾表示第i天的发电功率向量，y_m表示第m个采样时刻的光伏发电功率，T表示向量的转置，R^m表示功率向量为m维。

S2:采用DPK-means聚类算法对历史数据进行聚类分析，并确定待预测日所归属的样本集。

设待聚类样本集合为D＝{x⁽¹⁾,x⁽²⁾…,x^(N)}，即为上述历史日气象特征向量样本集。