[发明专利]基于DPK-means的日前光伏发电功率预测方法

摘要

基于DPK‑means的日前光伏发电功率预测方法，包括对历史数据的归一化处理；对历史数据的聚类分析，并确定待预测日所属类别；为极限学习机回归训练与预测。本发明针对不同天气状况下的光伏系统的日前发电功率预测均可得到较好的结果。在选择日气象特征向量时，根据我国实际天气预报情况，选择每小时的温度、湿度、空气质量指数组成日特征向量。在日特征向量确定的基础上，采用DPK‑means聚类方法对历史气象特征进行聚类，并确定待预测日的所属类别。在选定待聚类样本所属类别集后，通过极限学习机实现预测。本发明对数据的处理更加简单，极限学习机所需设置的参数较少，可快速、准确地实现日前光伏发电功率的预测。

主权项

1.基于DPK‑means的日前光伏发电功率预测方法，其特征在于包括下述步骤：(1)将每日6:00‑18:00的整点的日气象特征向量进行归一化；所述日气象特征为每小时的温度、湿度、空气质量指数；归一化公式是：其中，x_{normalization}为气象特征归一化后的结果，x为原始值，x_min为该特征最小值，x_max为该特征最大值；(2)采用下式对光伏发电功率归一化：其中y_{normalization}为光伏功率归一化后的结果，y为功率值，y_capacity为光伏装机容量；(3)采用DPK‑means聚类方法对历史数据进行聚类，并判别待预测日的所属类别，确定极限学习机的输入样本集；通过计算待预测日气象特征向量与各类簇聚类中心的相关系数距离，将待预测日归属于距离最小的类簇；即包括下述内容：Ⅰ)计算所有样本间的距离d_ij；Ⅱ)确定截断距离d_c，选取将所有数据对象两两之间的距离按照升序排列，前2％位置的数据距离作为截断距离；Ⅲ)计算样本的ρ_i和δ_i；采用Gaussian Kernel来计算样本集局部密度ρ，表达式如下：样本x⁽ⁱ⁾到其它高密度样本的距离δ_i，表达式如下：在所有局部密度ρ比样本x⁽ⁱ⁾高的样本中，选取与样本x⁽ⁱ⁾间样本距离d_ij最小的值。当样本x⁽ⁱ⁾的局部密度为所有数据对象中密度最大时，δ_i＝max_j(d_ij)Ⅳ)将所得结果做出样本的(ρ_i,δ_i)决策图，确定初始聚类数目K和聚类中心μ₁,μ₂,...μ_K∈R^P；通过计算样本的ρ_i*δ_i值并作曲线，拐点之前的样本点作为初始聚类中心，拐点之前的样本数即为聚类数目K。其中(ρ_i,δ_i)即为样本x⁽ⁱ⁾局部密度ρ_i和与高密度样本的距离δ_i组成的坐标点；Ⅴ)对于待聚类样本D＝{x⁽¹⁾,x⁽²⁾…,x^(N)}，计算其划分类簇：其中c_k表示第k类簇样本集合，且k＝1…K；μ_k为初始聚类中心，||x⁽ⁱ⁾‑μ_k||²表示样本x⁽ⁱ⁾与聚类中心μ_k之间的相关系数距离，argmin表示计算使距离最小时的所属类簇。Ⅵ)对每一类簇k求取平均值作为新的聚类中心，计算表达式如下：其中l表示当前属于k类簇的样本数目；Ⅶ)重复步骤Ⅴ)步骤Ⅵ)，直至达到目标函数值J的最小化或聚类中心不再改变，目标函数如下式所示：其中(4)所述极限学习机回归预测即将样本集随机划分为训练集与测试集，确定极限学习机的最佳隐含层节点数和拓扑结构，并实现对待预测日的日前光伏发电功率预测。