一種基于改進模糊聚類算法的光伏功率預測方法技術

本發(fā)明專利技術公開了一種基于改進模糊聚類算法的光伏功率預測方法，為了減小相似日選取誤差和提高光伏發(fā)電功率預測精度，首先，利用改進模糊聚類算法對歷史日樣本進行了聚類分析，然后，利用預測日所屬類別的歷史數(shù)據(jù)和預測日的氣象數(shù)據(jù)建立了BP神經(jīng)網(wǎng)絡發(fā)電預測模型。以實際數(shù)據(jù)對所提模型進行了驗證，并與傳統(tǒng)的基于相似日選取的光伏功率預測模型進行了對比，結果表明該模型具有更高的預測精度。

【技術實現(xiàn)步驟摘要】

本專利技術涉及一種基于改進模糊聚類算法的光伏功率預測方法，屬于光伏發(fā)電

技術介紹
光伏發(fā)電系統(tǒng)的輸出功率受到太陽輻照度、溫度、相對濕度、風速等眾多氣象因素的影響，具有很大的波動性和隨機性。大規(guī)模光伏并網(wǎng)會對電力系統(tǒng)的安全運行和電網(wǎng)調(diào)度造成較大影響。光伏陣列發(fā)電功率預測是解決此問題的關鍵技術之一，有助于電網(wǎng)調(diào)度部門及時地調(diào)整調(diào)度計劃，合理安排電網(wǎng)運行方式，對提高電力系統(tǒng)運行的安全性和穩(wěn)定性具有重要意義。目前，光伏發(fā)電功率預測可以歸納為兩類：間接預測和直接預測。間接預測法先利用歷史太陽輻照強度數(shù)據(jù)和天氣預報信息對地表的太陽輻照強度進行預測，然后根據(jù)光伏發(fā)電系統(tǒng)的出力模型得到光伏系統(tǒng)的輸出功率。與間接預測相比，直接預測利用光伏發(fā)電系統(tǒng)歷史輸出功率數(shù)據(jù)和天氣預報信息直接預測其輸出功率，建模比較簡單且不需要安裝太陽輻射強度測量裝置。由于在具有相似氣象條件的情況下，光伏陣列的輸出功率曲線具有一定的相似度，因此可以通過選取相似日進行功率預測。通過計算日特征向量的關聯(lián)度和歐式距離來選取相似日。這兩種方法均沒有考慮不同氣象因素對光伏陣列發(fā)電功率影響的重要性差異。另外由于關聯(lián)度僅反映樣本間的線性關系，即樣本在空間曲線形狀的相似性，而歐氏距離僅反映各樣本在空間距離上的遠近，實際情況經(jīng)常有樣本特征組成的曲線形狀很相似而數(shù)值卻存在較大差別，或者是樣本間各分量的總歐氏距離很接近但樣本曲線形狀差異很大。這兩種相似度函數(shù)都不足以反映日氣象數(shù)據(jù)的本質(zhì)特征，因此如果僅以關聯(lián)度或歐氏距離來選取相似日，容易造成較大誤差，進而影響光伏發(fā)電功率的預測精度。
技術實現(xiàn)思路
為解決現(xiàn)有技術的不足，本專利技術的目的在于提供一種基于改進模糊聚類算法的光伏功率預測方法，能夠減小相似日選取誤差和提高光伏發(fā)電功率預測精度。為了實現(xiàn)上述目標，本專利技術采用如下的技術方案：一種基于改進模糊聚類算法的光伏功率預測方法，其特征是，包括如下步驟：1)采集樣本數(shù)據(jù)，并進行無量綱化處理以及標準化處理；2)根據(jù)步驟1)的樣本數(shù)據(jù)，確定日特征相關因素的權重；3)歷史日樣本模糊聚類，計算衡量本分類對象xi與xj之間的相似系數(shù)rij，確定論域U上的模糊關系矩陣：設S(X,Y)表示樣本X和樣本Y之間的相似度，且S(X,Y)＝αD(X,Y)+βR(X,Y)，模糊矩陣式中，xi和yi分別是樣本X和樣本Y屬性因子的數(shù)值，且在[0,1]之間，σi為樣本中第i個屬性因子的權值(i＝1,2,…,m)，α和β為D(X,Y)和R(X,Y)權重系數(shù)，α+β＝1；將得到的模糊矩陣R通過逐次平方法求出其傳遞閉包陣R*＝t(R)，依據(jù)經(jīng)驗值取適當?shù)拈撝郸耍瑢*進行截割；對記模糊矩陣R的λ-截距陣為其中，按不同的λ值進行分類，得到不同的聚類結果；4)對新樣本進行分類識別，首先根據(jù)聚類情況，按下式求出各類的聚類中心：k＝1,2,…,m，式中，第i類包括p個樣本；m為樣本特征指標的數(shù)目；然后按步驟3)的方法進行新樣本的分類識別；5)確定預測模型并進行參數(shù)優(yōu)化。進一步地，所述步驟2)具體內(nèi)容如下：設有自變量x1,x2,…,xm和因變量y，因變量序列為Y＝[y1,y2,…,yn]，自變量序列為自變量xk對因變量y的直接通徑系數(shù)自變量xk通過自變量xk+1，對因變量y的間接通徑系數(shù)為自變量xk+1通過自變量xk對因變量y的間接通徑系數(shù)為式中，bk為偏回歸系數(shù)，rk(k+1)為自變量xk和自變量xk+1的單相關系數(shù)；根據(jù)上述得到的各自變量的直接通徑系數(shù)，求得各自變量的對因變量的影響權重σi(i＝1,2,…,k)為進一步地，所述步驟3)中α＝0.5，β＝0.5。進一步地，所述步驟3)中的最佳分類閾值λ利用F-統(tǒng)計量進行確定。進一步地，所述步驟5)中模型采用BP網(wǎng)絡模型，包括輸入層、隱含層和輸出層；具體建模方式如下：51)輸入量和輸出量：設t為預測日，經(jīng)過分類識別后t∈Mi,(i＝1,2,…,n)，式中，n為歷史日樣本經(jīng)過模糊聚類后的分類數(shù)；將Mi類中包含的日樣本按與預測日t的相似度由大到小排序結果為t1,t2,t3,…,td，式中，d為Mi類中包含的日樣本數(shù)。選取與預測日t的相似度最大的前六日的光伏陣列輸出功率序列組成的學習樣本作為BP網(wǎng)絡的輸入矩陣為式中，t為預測日；t-x(1≤x≤6)為與預測日相似度最大的前x天；Py(1≤y≤24)為相似日第yh光伏陣列的功率值；R1(t),R2(t),…,R6(t)分別為取量化值第t天的日最高溫度、日最低溫度、日平均溫度、日相對濕度、日平均風速、天氣類型；BP網(wǎng)絡的輸出量為預測日的24h光伏陣列功率值，即[P1(t) P2(t) … P24(t)]；52)隱含層：隱含層節(jié)點數(shù)的確定采用出經(jīng)驗公式式中，H為隱含層節(jié)點數(shù)；I為輸入層節(jié)點數(shù)；O為輸出層節(jié)點數(shù)；a為1～10之間的常數(shù)；53)轉(zhuǎn)移函數(shù)：該網(wǎng)絡隱含層的轉(zhuǎn)移函數(shù)采用雙曲正切型S函數(shù)，即輸出層的轉(zhuǎn)移函數(shù)采用線性函數(shù)，即f(x)＝x；54)BP神經(jīng)網(wǎng)絡的參數(shù)優(yōu)化：通過差分進化算法進行參數(shù)優(yōu)化；獲得最優(yōu)個體后，將最優(yōu)個體解碼后初始化BP神經(jīng)網(wǎng)絡參數(shù)，然后利用樣本訓練BP神經(jīng)網(wǎng)絡，利用訓練好的BP神經(jīng)網(wǎng)絡進行功率預測。本專利技術所達到的有益效果：本方法考慮了不同氣象因素對光伏陣列輸出功率的影響程度，構造了既考慮值相似程度又考慮行相似程度的相似度統(tǒng)計量，選取的預測日的相似樣本能夠更好地反映預測日的輸出功率特性，并且利用差分進化算法對構建的BP神經(jīng)網(wǎng)絡進行了參數(shù)優(yōu)化，可有效提高預測模型的預測精度，具有一定的實用性及可行性。附圖說明圖1是基于改進模糊聚類算法的光伏功率預測方法流程圖；圖2是差分進化算法優(yōu)化BP神經(jīng)網(wǎng)絡流程圖；圖3是本專利技術所提方法光伏功率預測結果曲線；圖4是采用改進相似度模糊聚類，參數(shù)未優(yōu)化的BP神經(jīng)網(wǎng)絡光伏功率預測結果曲線；圖5是采用關聯(lián)度選擇相似日，參數(shù)未優(yōu)化的BP神經(jīng)網(wǎng)絡光伏功率預測結果曲線。具體實施方式下面結合附圖對本專利技術作進一步描述。以下實施例僅用于更加清楚地說明本專利技術的技術方案，而不能以此來限制本專利技術的保護范圍。相較于傳統(tǒng)方法流程圖，傳統(tǒng)的聚類分析中，采用的相似程度統(tǒng)計量主要分為距性僅僅離系數(shù)和相似系數(shù)，二者均沒有考慮樣本各個屬性因子之間的重要度差異。另外，距離系數(shù)統(tǒng)計能反映樣本間的值相似程度，相似系數(shù)統(tǒng)計反映樣本間的形相似程度，均具有一定的局限。為了能夠反映樣本屬性因子間的重要度差異和綜合考慮樣本間值貼近和形貼近，本專利技術提出一種基于改進模糊聚類算法的光伏功率預測方法。下文以2012年10月6日～10月8日內(nèi)蒙古某地的光伏電站發(fā)電功率預測為例，給出其功率預測方法。具體實施過程如下：1)樣本數(shù)據(jù)標準化處理由于各個指標的量綱和數(shù)量級都不同，直接用原始數(shù)據(jù)進行計算，可能會突顯某些數(shù)量級大的特性指標對分類的作用。所以，必須對原始數(shù)據(jù)進行無量綱化處理。2)日特征相關因素權重確定通過光伏發(fā)電量與氣象因子間的相關性分析得到影響光伏陣列發(fā)電量的氣象因子主要有大氣溫度、太陽輻照度、相對濕度、風速、天氣類型。由于氣象部門提供的氣象信息缺乏光照輻射數(shù)據(jù)，因此選擇日最高溫度，日最低溫度，日平均溫度，日相對濕度，日平均風速，天氣類型作為影響光伏日發(fā)電量的日特征相關因素。在計算日特征向量的相似度時，如果采用平均權數(shù)，這種平均權存在局部本文檔來自技高網(wǎng)...

【技術保護點】
一種基于改進模糊聚類算法的光伏功率預測方法，其特征是，包括如下步驟：1)采集樣本數(shù)據(jù)，并進行無量綱化處理以及標準化處理；2)根據(jù)步驟1)的樣本數(shù)據(jù)，確定日特征相關因素的權重；3)歷史日樣本模糊聚類，計算衡量本分類對象xi與xj之間的相似系數(shù)rij，確定論域U上的模糊關系矩陣：設S(X,Y)表示樣本X和樣本Y之間的相似度，且S(X,Y)＝αD(X,Y)+βR(X,Y)，模糊矩陣式中，xi和yi分別是樣本X和樣本Y屬性因子的數(shù)值，且在[0,1]之間，σi為樣本中第i個屬性因子的權值(i＝1,2,…,m)，α和β為D(X,Y)和R(X,Y)權重系數(shù)，α+β＝1；將得到的模糊矩陣R通過逐次平方法求出其傳遞閉包陣R*＝t(R)，依據(jù)經(jīng)驗值取適當?shù)拈撝郸耍瑢*進行截割；對記模糊矩陣R的λ?截距陣為其中，按不同的λ值進行分類，得到不同的聚類結果；4)對新樣本進行分類識別，首先根據(jù)聚類情況，按下式求出各類的聚類中心：k＝1,2,…,m，式中，第i類包括p個樣本；m為樣本特征指標的數(shù)目；然后按步驟3)的方法進行新樣本的分類識別；5)確定預測模型并進行參數(shù)優(yōu)化。

【技術特征摘要】
1.一種基于改進模糊聚類算法的光伏功率預測方法，其特征是，包括如下步驟：1)采集樣本數(shù)據(jù)，并進行無量綱化處理以及標準化處理；2)根據(jù)步驟1)的樣本數(shù)據(jù)，確定日特征相關因素的權重；3)歷史日樣本模糊聚類，計算衡量本分類對象xi與xj之間的相似系數(shù)rij，確定論域U上的模糊關系矩陣：設S(X,Y)表示樣本X和樣本Y之間的相似度，且S(X,Y)＝αD(X,Y)+βR(X,Y)，模糊矩陣式中，xi和yi分別是樣本X和樣本Y屬性因子的數(shù)值，且在[0,1]之間，σi為樣本中第i個屬性因子的權值(i＝1,2,…,m)，α和β為D(X,Y)和R(X,Y)權重系數(shù)，α+β＝1；將得到的模糊矩陣R通過逐次平方法求出其傳遞閉包陣R*＝t(R)，依據(jù)經(jīng)驗值取適當?shù)拈撝郸耍瑢*進行截割；對記模糊矩陣R的λ-截距陣為其中，按不同的λ值進行分類，得到不同的聚類結果；4)對新樣本進行分類識別，首先根據(jù)聚類情況，按下式求出各類的聚類中心：k＝1,2,…,m，式中，第i類包括p個樣本；m為樣本特征指標的數(shù)目；然后按步驟3)的方法進行新樣本的分類識別；5)確定預測模型并進行參數(shù)優(yōu)化。2.根據(jù)權利要求1所述的一種基于改進模糊聚類算法的光伏功率預測方法，其特征是，所述步驟2)具體內(nèi)容如下：設有自變量x1,x2,…,xm和因變量y，因變量序列為Y＝[y1,y2,…,yn]，自變量序列為自變量xk對因變量y的直接通徑系數(shù)自變量xk通過自變量xk+1，對因變量y的間接通徑系數(shù)為自變量xk+1通過自變量xk對因變量y的間接通徑系數(shù)為式中，bk為偏回歸系數(shù)，rk(k+1)為自變量xk和自變量xk+1的單相關系數(shù)；根據(jù)上述得到的各自變量的直接通徑系數(shù)，求得各自變量的對因變量的影響權重σi(i＝1,2,…,k)為3.根據(jù)權利要求1...

【專利技術屬性】
技術研發(fā)人員：楊志超，陸文偉，葛樂，馬壽虎，陸文濤，顧佳易，王蒙，
申請(專利權)人：南京工程學院，
類型：發(fā)明
國別省市：江蘇;32