一种基于预测气象数据的日分类双模型光伏发电组合预测法

摘要

本发明提供了一种基于预测气象数据的日分类双模型光伏发电组合预测法，包括K‑means聚类法，所述K‑means聚类法分类后的数据的预测效果会优于分类前，所以使用EDM‑SA‑DBN时序模型对这辐照度、温度天气因素进行预测，并且使用这两个预测的天气因素来对待预测时段进行归类，具体的归类方式是将预测的辐照度和温度值与以往数据集形成的聚类中心点的辐照度和温度值进行比较，并归类进入距离最近的聚类中心点所代表的类别中，然后对于光伏输出波动幅度大的类型使用小波分解‑ARIMA模型进行预测，对光伏输出功率波动幅度小的类型使用EDM‑SA‑DBN模型进行预测，最后将预测值按照原本的时间顺序排列即可得到最终的预测值，与真实值进行比较即可评估模型的预测效果。

说明书

技术领域

本发明主要涉及光伏发电输出预测的技术领域，具体为一种基于 预测气象数据的日分类双模型光伏发电组合预测法。

背景技术

一直以来，科学技术的飞速发展为人们带来许多便利的同时，也 在导致能源的不断消耗。一些科学家认为，能源问题可能成为本世纪 人类面临的最严重的问题。因此近年来，新能源尤其是太阳能的使用 得到了广泛的研究，太阳能资源丰富，各国都在迅速发展光伏发电的 相关技术，我国的光伏发电产业也在不断地发展，并且取得了令人瞩 目的成就。但是光伏发电系统的输出功率受到外界众多因素的影响， 如辐照度、温度等气象因素，还受到云的遮挡、雾霾等极端天气的影 响。同时，它也受各种内部因素的影响，例如光伏组件型号、质量以 及太阳能电池组件的倾斜角度等。研究表明，如果太阳能发电厂的装 机功率超过电网的15％，那么太阳能发电的波动就可能会使电网瘫痪。 因此，光伏电站投入使用后，大规模、高容量的并网安全保护问题将 是一个巨大的挑战，所以为光伏装置提供准确的短期预测就成为了将 光伏装置安全集成到现有电网中的关键因素。

发明内容

本发明主要提供了一种基于预测气象数据的日分类双模型光伏 发电组合预测法，用以解决上述背景技术中提出的技术问题。

本发明解决上述技术问题采用的技术方案为：

一种基于预测气象数据的日分类双模型光伏发电组合预测法，包 括K-means聚类算法，所述K-means聚类算法包括以下算法步骤：

步骤一：随机选取K个对象作为初始的聚类中心，即我们希望将 数据集经过聚类得到k个集合。x

步骤二：计算每个对象与各个种子聚类中心之间的距离，把每个 对象分配给距离它最近的聚类中心，Cluster

Cluster

步骤三：聚类中心以及分配给它们的对象就代表一个聚类，每分 配一个样本，聚类的聚类中心会根据聚类中现有的对象被重新计算；

步骤四：不断重复以上步骤直到满足某个终止条件，终止条件可 以是没有(或最小数目)对象被重新分配给不同的聚类，没有(或最 小数目)聚类中心再发生变化，误差平方和局部最小。

进一步的，所述K-means聚类算法结合天气数据对进行分类，然 后对温度和辐照度进行预测，并且使用这两个预测的天气因素来对预 测时段进行归类；归类后对于不同日类型的数据选用不同的预测模型 进行训练预测，对于光伏输出功率波动较大的类型使用小波分解后选 择ARIMA模型进行预测；对于光伏输出功率波动幅度较小的类型使用 EMD分解后选择用SA优化后的DBN网络进行预测，以得到更加准确 的预测值。

进一步的，一种基于预测气象数据的日分类双模型光伏发电组合 预测法，所述K-means聚类算法分类后可以得到几个聚类中心和聚类 下的所有数据，在多维度天气数据中，通过辐照度和温度基本可以锁 定某时段的类型，所以通过预测出的辐照度值R

进一步的，一种基于预测气象数据的日分类双模型光伏发电组合 预测法，所述EMD算法步骤：

步骤一：找到原始信号所有的极值点后，拟合出极值点的包络线 并求出包络线的均值；

步骤二：用原始信号减去包络线均值并判断结果是否为IMF，若 不是，则用结果替代原始信号并且重复之前的步骤，直到求出满足判 据的IMF；

步骤三：每得到一阶IMF后，就将其从原始信号中扣除，重复求 IMF的步骤直到最后剩余部分r为单调序列或常值序列。

进一步的，一种基于预测气象数据的日分类双模型光伏发电组合预测 法，所述SA包括Metropolis算法和退火算法，所述Metropolis算 法以一定的概率来接受一个比当前解要差的解，因此有可能会跳出这 个局部的最优解，达到全局的最优解，即当E(n+1)≥E(n)能量 上升而没有下降时，当前解会被拒绝，即P＝0，但是Metropolis算 法会以

进一步的，一种基于预测气象数据的日分类双模型光伏发电组合 预测法，所述DBN以3层隐藏层结构的DBN-DNN为例，网络一共由3 个受限玻尔兹曼机(RBM)单元堆叠而成，其中RBM一共有两层，上 层为隐层，下层为显层，堆叠成DNN的时，前一个RBM的输出层(隐 层)作为下一个RBM单元的输入层(显层)，依次堆叠，便构成了基 本的DBN结构，最后再添加一层输出层，最终构成的DBN-DNN结构。

进一步的，一种基于预测气象数据的日分类双模型光伏发电组合 预测法，所述ARIMA由三部分组成：即自回归部分(AR)、移动平均 部分(MA)和差分部分，因此包含三个阶数，可以表示为ARIMA(p，d，q)， p代表预测模型中采用的时序数据本身的滞后数(lags)，也叫做 AR/Auto-Regressive项，q代表预测模型中采用的预测误差的滞后数 (lags)，也叫做MA/Moving Average项，d代表时序数据需要进行几 阶差分化，才是稳定的，也叫Integrated项，

p阶自回归过程的公式定义：

q阶自回归过程的公式定义：

其中y

d就是差分的阶数，首先通过ADF检验，看原时间序列的平稳性， 如果原时间序列是平稳的，那么d＝0，通过ADF检验直到时间序列平 稳。

与现有技术相比，本发明的有益效果为：

本发明通过K-means聚类法分类后的数据的预测效果会优于分 类前，所以使用EDM-SA-DBN时序模型对这辐照度、温度天气因素进 行预测，并且使用这两个预测的天气因素来对待预测时段进行归类； 然后对于光伏输出波动幅度大的类型使用小波分解-ARIMA模型进行 预测；对光伏输出功率波动幅度小的类型使用EDM-SA-DBN模型进行 预测，能有效得到评估模型的预测效果。

以下将结合附图与具体的实施例对本发明进行详细的解释说明。

附图说明

图1为本发明的基于预测气象数据的日分类双模型光伏 发电组合预测法的流程结构示意图；

图2为本发明的K-means聚类算法流程结构示意图；

图3为本发明的模拟退火算法逻辑结构示意图；

图4为本发明的深度置信神经网络(DBN-DNN)结构

3)小波分解-ARIMA预测模型结构示意图。

具体实施方式

为了便于理解本发明，下面将参照相关附图对本发明进行更加全 面的描述，附图中给出了本发明的若干实施例，但是本发明可以通过 不同的形式来实现，并不限于文本所描述的实施例，相反的，提供这 些实施例是为了使对本发明公开的内容更加透彻全面。

需要说明的是，当元件被称为“固设于”另一个元件，它可以直 接在另一个元件上也可以存在居中的元件，当一个元件被认为是“连 接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在 居中元件，本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发 明的技术领域的技术人员通常连接的含义相同，本文中在本发明的说 明书中所使用的术语知识为了描述具体的实施例的目的，不是旨在于 限制本发明，本文所使用的术语“及/或”包括一个或多个相关的所 列项目的任意的和所有的组合。

请着重参照附图1-4，一种基于预测气象数据的日分类双模型光 伏发电组合预测法，包括K-means聚类算法，所述K-means聚类算法 包括以下算法步骤：

步骤一：随机选取K个对象作为初始的聚类中心，即我们希望将 数据集经过聚类得到k个集合。x

步骤二：计算每个对象与各个种子聚类中心之间的距离，把每个 对象分配给距离它最近的聚类中心，Cluster

Cluster

步骤三：聚类中心以及分配给它们的对象就代表一个聚类，每分 配一个样本，聚类的聚类中心会根据聚类中现有的对象被重新计算；

步骤四：不断重复以上步骤直到满足某个终止条件，终止条件可 以是没有(或最小数目)对象被重新分配给不同的聚类，没有(或最 小数目)聚类中心再发生变化，误差平方和局部最小；所述K-means 聚类算法结合天气数据对进行分类，然后对温度和辐照度进行预测， 并且使用这两个预测的天气因素来对预测时段进行归类；归类后对于 不同日类型的数据选用不同的预测模型进行训练预测，对于光伏输出 功率波动较大的类型使用小波分解后选择ARIMA模型进行预测；对于 光伏输出功率波动幅度较小的类型使用EMD分解后选择用SA优化后 的DBN网络进行预测；所述K-means聚类算法分类后可以得到几个聚 类中心和聚类下的所有数据，在多维度天气数据中，通过辐照度和温 度基本可以锁定某时段的类型所以通过预测出的辐照度值R

步骤一：找到原始信号所有的极值点后，拟合出极值点的包络线 并求出包络线的均值；

步骤二：用原始信号减去包络线均值并判断结果是否为IMF，若 不是，则用结果替代原始信号并且重复之前的步骤，直到求出满足判 据的IMF；

步骤三：每得到一阶IMF后，就将其从原始信号中扣除，重复求 IMF的步骤直到最后剩余部分r为单调序列或常值序列；

所述SA包括Metropolis算法和退火算法，所述Metropolis算 法以一定的概率来接受一个比当前解要差的解，因此有可能会跳出这 个局部的最优解，达到全局的最优解，即当E(n+1)≥E(n)能量 上升而没有下降时，当前解会被拒绝，即P＝0，但是Metropolis算法会以

所述DBN以3层隐藏层结构的DBN-DNN为例，网络一共由3个受 限玻尔兹曼机(RBM)单元堆叠而成，其中RBM一共有两层，上层为 隐层，下层为显层，堆叠成DNN的时，前一个RBM的输出层(隐层) 作为下一个RBM单元的输入层(显层)，依次堆叠，便构成了基本的 DBN结构，最后再添加一层输出层；所述ARIMA由三部分组成：即自 回归部分(AR)、移动平均部分(MA)和差分部分，因此包含三个阶 数，可以表示为ARIMA(p，d，q)，p代表预测模型中采用的时序数据本 身的滞后数(lags)，也叫做AR/Auto-Regressive项，q代表预测模 型中采用的预测误差的滞后数(lags)，也叫做MA/Moving Average项； d代表时序数据需要进行几阶差分化，才是稳定的，也叫Integrated 项，

p阶自回归过程的公式定义：

q阶自回归过程的公式定义：

其中y

d就是差分的阶数，首先通过ADF检验，看原时间序列的平稳性， 如果原时间序列是平稳的，那么d＝0。

上述结合附图对本发明进行了示例性描述，显然本发明具体实现 并不受上述方式的限制，只要采用了本发明的方法构思和技术方案进 行的这种非实质改进，或未经改进将本发明的构思和技术方案直接应 用于其他场合的，均在本发明的保护范围之内。