基于密度峰值聚类和云层分析的光伏发电功率预测

摘要

本课题属国网山西省电力公司科技项目《基于大数据分析的广域分布式电源规划与调控全过程关键技术研究》的子课题之一。随着我国光伏产业的建设规模不断扩大，光伏系统的功率波动对电网造成的影响已不容忽视，精准的光伏发电功率预测已成为当前研究热点。本文基于数据挖掘的技术手段提出了一种短期与超短期功率预测的方法，从低价值密度的数据中挖掘潜在信息，为分布式光伏系统的短期与超短期功率预测提供决策性辅助。同时通过采集分布式光伏系统上空的云层照片，利用图像处理技术进行云层特征的识别预测，进一步提升了光伏功率预测的准确性。 首先，本文分析了现阶段光伏发电功预测的常用方法，明确了以相似日历史数据聚类的方式进行功率预测的思路。通过对传统聚类算法进行分析并指出其存在的缺陷，提出了一种基于密度峰值聚类(CFSFDP)的改进算法，该算法通过类间优化与类内优化的方式，实现了数据集的全局扩散与局部收敛，增强了光伏历史数据的可分性。其中，两次优化的原理分别基于直方图均衡化思想与 Sigmoid 函数，优化程度源自数据集自身特点，能够将优化保持在相对合理的范围内，因而具备一定的自愈优化能力。通过对比数据在不同优化阶段的二维MDS图与距离直方图，表明本文所提出的改进聚类算法能够有效提高光伏历史数据的可分性，为相似日历史数据的聚类分析奠定了良好基础。 其次，在上述改进算法的基础上，提出了基于CFSFDP聚类的短期功率预测方法。通过3个聚类有效性指标对CFSFDP算法在改进前后的性能进行了对比测试，以及参数摄动下的稳定性测试，确保了改进算法能够在光伏历史数据中表现出良好的聚类性能及鲁棒性；然后利用灰色关联分析法在待预测日与聚类结果之间建立匹配关系，找到最适用于待预测日的训练数据；利用Elman神经网络建立短期预测模型，完成神经网络训练后得出短期预测结果。实际应用分析表明，经过优化聚类所得到的预测结果，能够有效降低预测误差，达到了较好的短期预测效果。 最后，在上述CFSFDP聚类结果的基础上，提出了基于实时云层分析的超短期功率预测方法。将数据挖掘的重点聚焦于云层图像分析与地面辐射度预测，通过采集光伏站点上空云层图像，利用图像处理技术挖掘出影响地面辐射的图像特征；充分考虑云层图像特征、大气层外辐射、大气质量的综合影响后，利用Elman神经网络构建超短期辐射预测模型；同时充分利用CFSFDP聚类结果，拟合出辐射度与功率之间的非线性转化关系，进而得出光伏发电功率的超短期预测结果。实际应用分析表明，经过实时云层分析所得到的预测结果，能够有效预测出当日较为明显的功率波动现象，达到了较好的超短期预测效果。 本课题已通过山西省电力公司科技项目验收，能够为实际工程提供较好的应用基础。

目录

第一个书签之前