[发明专利]一种县域分布式光伏超短期预测方法

权利要求书

1.一种县域分布式光伏超短期预测方法，其特征在于：包括以下方法步骤，步骤1：利用卫星辐照度图像对县域分布式光伏用户进行分区；

步骤2：对同区域下的分布式光伏用户根据历史功率数据进行分类；

步骤3：对每一类分布式光伏用户构建基于长短期记忆网络的预测模型，训练模型参数并对每一类用户预测超短期功率；

步骤4：对每一个分布式光伏用户的预测结果相加。

2.根据权利要求1所述的一种县域分布式光伏超短期预测方法，其特征在于：所述步骤1，对于整县制的分布式光伏用户，由于其地理分布较为分散，不同的分布式光伏用户上空的太阳辐照度数值之间不同，根据卫星提供的辐照度图像数据，对分布式光伏用户进行分区。

3.根据权利要求1所述的一种县域分布式光伏超短期预测方法，其特征在于：所述步骤2，卫星辐照度数据以数值的形式存储在计算机中，为了实现辐照度分区的目的，使用机器学习聚类算法对辐照度进行处理，聚类是按照某个指标(如样本之间的距离)把数据集分割成不同的类或者簇。

4.根据权利要求1所述的一种县域分布式光伏超短期预测方法，其特征在于：所述步骤2，Kmeans聚类的辐照度分区算法流程，包括以下步骤：S1.随机将卫星辐照度矩阵中的k个值作为初始中心；S2.在第n次迭代中，对任意一个辐照度样本，求其到k个中心的距离，将辐照度归到距离最短的中心所在的类/簇；S3.利用均值方法更新中心值；S4.对于所有的k个聚类中心，如果利用S2、S3的迭代法更新后，聚类中心的位置保持不变，则迭代结束，否则继续迭代。

5.根据权利要求1所述的一种县域分布式光伏超短期预测方法，其特征在于：所述步骤2，针对某一县域的卫星辐照度图像数据进行分区的方法包括以下步骤：第一步：根据县域的经纬度范围，从原始卫星辐照度图像中提取对应的像素块；第二步：根据kmeans聚类算法流程，将卫星辐照度图像对整个县域进行分区；第三步：根据分布式光伏用户的地理信息，将相同辐照度下的分布式光伏视作同一区的用户。

6.根据权利要求5所述的一种县域分布式光伏超短期预测方法，其特征在于：所述Kmeans的目标函数定义为：各簇成员到其簇首的距离的平方和最小。

7.根据权利要求1所述的一种县域分布式光伏超短期预测方法，其特征在于：所述步骤2，对分布式光伏用户历史发电功率进行分类，使用历史发电功率对同一区下的多个分布式光伏用户进行分类，分类方法使用层次聚类方法。

8.根据权利要求1所述的一种县域分布式光伏超短期预测方法，其特征在于：所述步骤3，伏发电功率数据作为典型的时间序列数据，未来时刻的功率大小与过去时刻的光伏发电功率数据、环境中的气象因素具有一定的时间相关性，长短期记忆网络能够自动的学习时序数据之间的隐藏时间相关特征。

9.根据权利要求1所述的一种县域分布式光伏超短期预测方法，其特征在于：所述步骤3，县域分布式光伏超短期功率预测模型的构建和训练步骤包括：S1：使用长短期记忆网络作为预测模型的基本神经单元，构造不同结构的预测模型，S2：在分区分类的结果上，使用不同的分布式光伏历史功率数据和卫星辐照度数据训练模型，获得不同训练参数的预测模型，S3：使用训练好的模型对分布式光伏进行超短期功率预测。

10.根据权利要求1所述的一种县域分布式光伏超短期预测方法，其特征在于：所述步骤4，对每一个分布式光伏用户的预测结果相加，得到县域分布式光伏功率预测结果。