[发明专利]一种基于历史数据挖掘的光伏功率纵向预测方法

权利要求书

1.一种基于历史数据挖掘的光伏功率纵向预测方法，其特征在于，包括：

步骤1、采集光伏电站输出功率数据，选取上一年某季节下的D天历史光伏功率数据进行统计分析，得到相应季节下出力均值、标准差、变异系数、峰度、偏度和出力总和6个统计指标，并进行归一化处理；

步骤2、利用欧式距离对D天历史光伏功率数据进行分类，形成n个不同的相似日矩阵c(m)，其中，1≤m≤n；

步骤3、利用一维正向云发生器计算D天内相似日矩阵c(m)从早7点至晚7点光伏功率的云数字特征(E_x，E_n，H_e)形成相似日典型曲线及逐时云滴分布区间；其中，E_x-期望，E_n-熵，H_e-超熵；

步骤4、将预测日对应季节下的M天光伏功率数据进行状态划分，利用绝对分布的马尔可夫链理论计算转移频数矩阵和转移概率矩阵，选择对应t时刻转移概率矩阵计算初始状态分布和初始概率向量，求得预测时刻的概率分布，建立基于马尔科夫链的光伏功率纵向预测模型，得到预测值；其中，为某天t时刻所处状态i转移到达k天后t时刻所处状态j的转移概率矩阵；

步骤5、读取天气预报信息确定待预测日的相似日典型曲线所属类别，根据步骤3得到的相似日典型曲线及逐时云滴分布区间对步骤4中得到的预测值进行融合，得到融合后的新预测值，与持续预测法得到的预测值通过一维逆向云发生器进行加权融合，实现基于历史数据相似云融合的光伏功率纵向预测，进而提高光伏功率预测精度；

步骤6、将预测结果和实测值进行比较，计算预测误差。

2.根据权利要求1所述方法，其特征在于，所述步骤1中的统计指标包括：

(1)出力均值P_mean表示在T点时间序列内电站出力水平的相对集中位置；

P_i表示该时间点下的光伏电站输出功率值，i＝1，2，…，T，T表示当日时间序列总数据点数；

(2)标准差S_P表示共T点时间序列内出力水平变异程度的大小，反映了各时间点下出力的离散程度；

(3)变异系数C_p为衡量共T点时间序列内出力水平变异程度的统计量，当用于两个或多个粒度下的时间序列变异程度比较时，如果平均值相同，直接用标准差来比较；

(4)偏度Q_P为共T点时间序列内概率分布密度曲线相对于平均值不对称程度的特征数，即密度函数曲线尾部的相对长度；

(5)峰度K_P表示共T点时间序列内总体分布密度曲线在其峰值附近的陡峭程度；

(6)出力总和P_sum表示当日光伏电站出力时间序列的总和。

3.根据权利要求1所述方法，其特征在于，所述步骤2中利用欧式距离对上述6个统计指标进行距离聚类，得到光伏功率的相似日矩阵c(m)，其中，1≤m≤n，这里n＝5；c(1)-晴天，c(2)-晴间多云，c(3)-多云或雷阵雨，c(4)-阴雨，c(5)-恶劣天气。

4.根据权利要求1所述方法，其特征在于，所述步骤3中，一维正向云发生器的算法为

输入定型概念A的三个数字特征值(E_x，E_n，H_e)以及云滴数q；

(1)产生一个期望值为E_x，方差为E_n的正态随机数x_i；

(2)产生一个期望值为E_n，方差为H_e的正态随机数E″_n；

(3)计算

(4)令(x_i，y_i)为一个云滴，它是该云表示的语言值在数量上的一次具体实现，其中x_i为定性概念在论域中这一次对应的数值，y_i为属于这个语言值的程度的量度；

(5)重复步骤(1)到步骤(4)，直到产生满足要求数目的云滴数；

(6)确定相似日典型曲线及分布区间；

(7)输出q个云滴的定量值以及每个云滴代表概念A的确定度。