[发明专利]一种基于集群划分和数据增强的整县光伏预测方法

说明书

一种基于集群划分和数据增强的整县分布式光伏预测方法，具体是：对整个县的光伏出力历史数据库选择晴天的典型功率曲线，以单站最大功率对出力进行标幺化；计算皮尔逊相关系数作为距离度量，利用基于密度的抗噪聚类算法(Density‑Based Spatial Clustering of Applications with Noise，DBSCAN)对光伏站点进行聚类，形成集群划分，对于异常点，使用k近邻搜索，划分到最近集群；在集群内通过生成式对抗神经网络对历史数据进行数据扩充；将原始数据和生成的数据图片化共同训练深度卷积网络预测模型。本发明的预测方法通过改进的GAN的动态博弈过程训练过程学习到原始数据分布，然后生成相应分布的数据，补充了整县光伏历史数据库，通过增强的训练集训练深度卷积神经网络，提高了模型预测精准度。

技术领域

本发明属于光伏发电功率预测领域，具体涉及一种基于集群划分和数据增强的整县光伏预测方法。

背景技术

气候变化是人类共同面临的世界性问题，随着生产力的飞速发展，各国排放二氧化碳量激增，温室效应日渐严重，为了应对气候变暖，世界各国以全球协约的方式给出了碳减排目标。光伏发电不需要化石燃料的燃烧进行能量转换，是一种绿色清洁能源。集中式光伏需要占用大量土地资源，多集中在地广人稀的西北地区，电力资源需要通过特高压输电线路输送到负荷中心。屋顶分布式光伏不占用专门的土地资源，同时靠近负荷中心，发电潜能巨大。光伏的渗透率不断提高，其出力的随机性和波动性对电网的安全稳定运行造成压力，因此整县光伏发电功率预测的准确性越来越重要。

整县分布式光伏目前主要存在两个问题，一是分布式光伏相较于集中式光伏起步晚，历史气象数据和发电功率数据比较匮乏，难以训练出高精度的数据驱动模型；二是分布式光伏数量众多，地理分布广泛，难以进行类似集中式站点的一站一预测。因此，需要解决贫数据的模型训练问题，同时需要处理海量站点的整县光伏功率预测问题。

发明内容

为解决现有技术中存在的不足，本发明的目的在于，提供一种基于集群划分和数据增强的整县光伏预测方法。

本发明采用如下的技术方案：

一种基于集群划分和数据增强的整县光伏预测方法，包括以下步骤：

S1，采集所设定区域内以及所设定时间内的每个光伏出力站点的历史晴天光伏出力数据以及气象数据；

S2，根据S1采集的晴天光伏出力数据求取每个光伏出力站点的最大功率并进行标幺化，之后进行光伏集群划分；

S3，构建光伏数据增强神经网络模型；

S4，在光伏集群内通过S3构建的光伏数据增强神经网络模型进行数据增强，再将增强后的数据输入至CNN神经网络，训练后得到光伏预测神经网络模型；

S5：将气象预报数据输入至S4的光伏预测神经网络模型中进行光伏预测。

在S1中，所述光伏出力数据的为整县历史晴天光伏出力数据；

气象数据包括月、日、时、分、直射辐照度、漫射水平辐照度、总水平辐照度、环境温度、气压、相对湿度、风向、风速、地表反射度和发电功率。

在S2中，历史晴天光伏出力曲线为标幺化的出力曲线，首先从历史出力数据中计算单站最大功率，然后计算曲线的标幺值；

数据标幺化的公式如下：

上式中，x为样本原始数据，x_max为站点最大历史出力值，z为标幺化的数据。

在S2中，使用DBSCAN方法对光伏集群进行划分，DBSCAN的距离度量采用pearson相关性距离,DBSCAN进行聚类分析产生的异常站点，以pearson 相关性距离为度量采用k-最近邻算法搜索最近的k个站点，统计k个站点的簇编号，将异常站点划分到编号个数最多的簇。