[发明专利]一种基于日相似聚类与Kmeans-GRA-LSTM的光伏电站短期功率预测方法

说明书

本发明公开一种基于日相似聚类与Kmeans‑GRA‑LSTM的光伏电站短期功率预测方法，首先获取某光伏电站的功率数据和所在地的多元气象因子数据并对数据进行预处理。后提取功率特征值并使用K‑means聚类算法进行聚类。根据功率特征值聚类结果对应多元气象因子，将数据归一化处理并提取多元气象因子特征向量。选取预测日的多元气象因子特征向量，选取与预测日关联度较高的功率和多元气象因子数据作为相似日样本，选用算术优化算法对LSTM的参数进行优化，构建LSTM网络拓扑结构。根据构建完成的LSTM，预测某光伏电站的并网点功率。本发明为解决短期光伏功率预测提供了一种方案和思路。

技术领域

本发明涉及光伏发电与并网技术领域的短期光伏功率预测技术领域，具体来讲涉及一种基于日相似聚类与Kmeans-GRA-LSTM的光伏电站短期功率预测方法。

背景技术

世界能源以及环境形势的日益紧张带来了电力供需矛盾突出等问题，因而传统能源的开发利用受到更多的局限，而在新能源中，太阳能被认为是一种理想的可再生能源发电来源。光伏发电是一种重要的太阳能利用方式，但光伏电站的输出有着高度的随机性、波动性和间歇性等特点，大规模光伏发电的接入会对电力系统的安全、稳定运行以及电能质量的保证带来严峻挑战。因此对光伏电站的输出功率进行预测，对于电力部门及时调整调度计划，提高电力系统运行的可靠性和光伏电站的接入水平，减小系统的旋转备用容量具有重要意义。

在光伏功率预测领域内，根据预测跨越的物理时间层面可按照超短期、短期和长期以及更长时间进行划分，针对本专利来讲，主要提出一种短期光伏功率预测方法即预测未来三天的光伏功率。短期光伏功率预测算法的研究，其主要是从预测所跨越的物理时间入手，以物理时间为基本度量标准，完成预测模型的基本构建，当前短期功率预测常使用神经网络算法、分类回归算法、时间序列算法以及概率预测算法和综合预测算法。

发明内容

本发明的目的是提供一种基于日相似聚类与Kmeans-GRA-LSTM的光伏电站短期功率预测方法，更为精确预测光伏发电功率，降低光伏并网对电网可能造成的损害。根据某光伏电站的并网点功率数据和某光伏电站所在地的多元气象因子数据，对获取的并网点功率数据和多元气象因子数据进行预处理，对获取的某光伏电站的并网点功率提取特征值，并使用K-means聚类算法进行聚类，根据并网点功率特征值聚类结果对应多元气象因子，将数据归一化处理并提取多元气象因子的特征向量，选取预测日的多元气象因子特征向量，使用灰色关联度法选取与预测日关联度最高的前10天的并网点功率数据和多元气象因子数据作为相似日样本，作为LSTM神经网络的训练集，选用算术优化算法对LSTM的参数进行优化，构建LSTM网络拓扑结构。根据构建完成的LSTM，预测某光伏电站的并网点功率，验证其方法的准确性。

本发明所采用的技术是，一种基于日相似聚类与Kmeans-GRA-LSTM的光伏电站短期功率预测方法，具体按照以下步骤实施：

获取某光伏电站的并网功率数据和某光伏电站所在地的多元气象因子数据。

其中多元气象因子数据中包括温度，湿度，大气压力，风速，风向和辐射度等气象因子。

对获取的并网点功率数据和多元气象因子数据进行预处理。

预处理的数据通常为缺失数据和异常数据。

对于异常数据和缺失数据均使用均值插补法进行补全，均值插补法如下：

其中x'_i作为t时刻的期望平抑目标。其中，x_i-1为需处理数据的前一个数据点，x_i+1为需处理数据的后一个数据点，对需要处理数据的前后两个数据点作两两取均值进行差补。

对获取的某光伏电站的并网点功率数据提取特征值。

选取特征值分别为日功率平均值，日标准差，日功率变异系数，日功率偏态，日功率峰态和日总功率。具体公式如下：