CN107506949B - 光伏数据聚类方法、光伏功率预测方法、存储介质和设备 - Google Patents

光伏数据聚类方法、光伏功率预测方法、存储介质和设备 Download PDF

Info

Publication number
CN107506949B
CN107506949B CN201710935988.4A CN201710935988A CN107506949B CN 107506949 B CN107506949 B CN 107506949B CN 201710935988 A CN201710935988 A CN 201710935988A CN 107506949 B CN107506949 B CN 107506949B
Authority
CN
China
Prior art keywords
irradiance
total
sequence
clustering
solar
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201710935988.4A
Other languages
English (en)
Other versions
CN107506949A (zh
Inventor
汪宁渤
鲁宗相
乔颖
丁坤
李津
周识远
陈钊
王定美
贾怀森
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tsinghua University
State Grid Corp of China SGCC
State Grid Gansu Electric Power Co Ltd
Wind Power Technology Center of Gansu Electric Power Co Ltd
Original Assignee
Tsinghua University
State Grid Corp of China SGCC
State Grid Gansu Electric Power Co Ltd
Wind Power Technology Center of Gansu Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tsinghua University, State Grid Corp of China SGCC, State Grid Gansu Electric Power Co Ltd, Wind Power Technology Center of Gansu Electric Power Co Ltd filed Critical Tsinghua University
Priority to CN201710935988.4A priority Critical patent/CN107506949B/zh
Publication of CN107506949A publication Critical patent/CN107506949A/zh
Application granted granted Critical
Publication of CN107506949B publication Critical patent/CN107506949B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Development Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提出的一种光伏数据聚类方法是根据包含总辐照度时序差分序列方差的辐照度的特征指标体系设置神经网络的聚类类别，使用样本对聚类模型进行训练后，对采集的光辐照度进行聚类。该方法获取聚类结果的数据规律性强，可以满足高精度的短期光伏功率预测的目的。

Description

光伏数据聚类方法、光伏功率预测方法、存储介质和设备
技术领域
本发明涉及新能源发电技术领域，特别是涉及光伏数据聚类方法、光伏功率预测方法、存储介质和设备。
背景技术
光伏电站发电是一种典型的间歇式电源，具有昼夜周期性。由于光伏功率受气象、环境条件的影响，具有较大的波动性和随机性。这使得大规模光伏发电并网时，会对电网造成不良影响。因此，如果能在日前及时准确预测光伏功率，根据预测的光伏功率对电网调度，这将对光伏电站运行具有重要意义。
光伏功率预测是根据历史和当前数据对未来一定时段内的光伏功率进行预测的技术。据统计，美国加州地区在晴空条件下，短期光伏功率预测的方均根误差误差可以控制在8％以内。但是，非晴空条件下短期光伏功率预测的平均方均根误差可高于20％。
结合目前的研究现状发现，尽管可以根据光伏数据的周期性与天气模态的强相关性，通过简单的预测模型对光伏数据进行聚类，实现基础预测目标，但是，聚类得到的数据规律性还不够集中，不足以实现高精度的短期光伏功率预测。
发明内容
基于此，本发明提出一种对光伏数据进行精细聚类的方法，使聚类获取的数据规律性强，可以满足高精度的短期光伏功率预测的目的。
一种光伏数据聚类方法，包括：
根据辐照度的特征指标体系获取聚类模型中光伏数据的聚类类别；
获取光伏样本数据，并利用所述光伏样本数据对所述聚类模型进行训练，得到光辐照度与所述聚类类别的对应关系；
获取光辐照度，并使用所述聚类模型对获取的光辐照度进行聚类；
其中，所述辐照度的特征指标体系，包括：总辐照度平均值、总辐照度波动性指标、总辐照度时序差分序列方差；
所述总辐照度波动性指标为实测总辐照度和大气层外理论辐照度之间的偏差。
在其中一个实施例中，所述根据辐照度的特征指标体系获取聚类模型中光伏数据的聚类类别的步骤包括：
获取所述聚类模型的权向量的各分量与所述总辐照度平均值、所述总辐照度波动性指标、所述总辐照度时序差分序列方差的对应关系；
根据所述总辐照度平均值、总辐照度波动性指标、总辐照度时序差分序列方差确定所述聚类模型的聚类类别数。
在其中一个实施例中，所述输入光伏样本数据对所述聚类模型进行训练，获取光辐照度与所述聚类类别的对应关系的步骤包括：
输入光辐照度反复训练所述聚类模型，使所述聚类模型的神经网络权值在概率分布上与输入的光辐照度的分布空间逐渐趋于一致；
将所述输入的光辐照度聚集至的对应的不同神经网络权值向量周围，以获取光辐照度与所述聚类类别的对应关系。
在其中一个实施例中，所述聚类类别数为6。
在其中一个实施例中，所述聚类模型为自组织映射神经网络聚类模型。
在其中一个实施例中，所述总辐照度波动性指标的获取包括：
根据经纬度、太阳常数获得大气层外太阳辐照度理论值序列和地面实测太阳总辐照度序列；
根据所述大气层外太阳辐照度理论值序列与地面实测太阳总辐照度序列，得到总辐照度波动性指标。
在其中一个实施例中，所述总辐照度时序差分序列方差的获取包括：
获取太阳总辐照度序列；
根据所述太阳总辐照度序列得到太阳总辐照度的时序差分序列；
计算所述太阳总辐照度的时序差分序列的平均值；
根据所述太阳总辐照度序列以及所述太阳总辐照度的时序差分序列的平均值，获取所述总辐照度时序差分序列方差。
相应的，本发明提出了一种光伏功率预测方法，包括：
根据光辐照度的特征指标体系设置聚类模型中光辐照度所需的聚类类别；
获取光辐照度样本数据，并利用所述光辐照度样本数据对所述聚类模型进行训练，得到光辐照度与所述聚类类别的对应关系；
获取光辐照度，并使用所述聚类模型对光辐照度进行聚类，得到光辐照度所属的聚类类别；
将聚类后的各聚类类别对应的光辐照度分别输入光伏功率预测模型，以获取各聚类类别的光辐照度与光伏功率的对应关系；
根据光辐照度的预测值和所述各聚类类别的光辐照度与光伏功率的对应关系，获取光伏功率预测值。
本发明还提一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现以上述方法的步骤。
相应的，本发明提供一种计算机设备，包括存储器、处理器，及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现上述方法的步骤。
与传统技术相比，本发明提出的光伏数据聚类方法包含如下有益效果：
本发明提出的一种光伏数据聚类方法是根据包含总辐照度时序差分序列方差的辐照度的特征指标体系设置神经网络的聚类类别，使用样本对聚类模型进行训练后，对采集的光辐照度进行聚类。该方法获取聚类结果的数据规律性强，可以满足高精度的短期光伏功率预测的目的。
附图说明
图1为本发明实施例提出的一种光伏数据聚类方法流程示意图；
图2为本发明实施例提出的SOM神经网络结构示意图；
图3为本发明实施例提出的对NREL BMS站2014年的光伏数据进行数据样本的聚类的步骤流程图；
图4为本发明实施例提出的NREL BMS站2014年的光伏数据在SOM神经网络聚类模型中聚类完成后，聚集的不同类别与权值对应图。
具体实施方式
为了使本发明的发明目的、技术方案及技术效果更加清楚明白，以下结合附图对本发明的具体实施例进行描述。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
图1示出了在一个实施例中提出的一种光伏数据聚类方法，包括：
步骤S101：根据辐照度的特征指标体系获取聚类模型中光伏数据的聚类类别。
其中，辐照度的特征指标体系，包括：总辐照度平均值、总辐照度波动性指标、总辐照度时序差分序列方差。
总辐照度波动性指标为实测总辐照度和大气层外理论辐照度之间的偏差。
步骤S102：获取光伏样本数据，并利用所述光伏样本数据对所述聚类模型进行训练，得到光辐照度与所述聚类类别的对应关系。
步骤S103：获取光辐照度，并使用所述聚类模型对获取的光辐照度进行聚类。
聚类模型为神经网络模型，神经网络一般包含输入层和竞争层。在神经网络模型经过样本训练后，会使得神经网络的权值向量空间在概率分布上与输入样本空间逐渐趋于一致。在进行训练时，竞争层的神经元对输入样本的响应机会需要通过相互之间的竞争而获取，随着训练的进行，网络权值逐渐朝着竞争获胜的神经元方向调整。因此当神经网络输入一个数据集后，经过网络的训练学习，不同样本数据会分别集中分布在某个最终获胜的权值向量周围，随着训练的不断进行，本身存在较强关联或相似度的样本单位数据会自动聚集到一起，从而实现数据样本的聚类。
本实施例提出的一种光伏数据聚类方法是根据包含总辐照度时序差分序列方差的辐照度的特征指标体系设置神经网络的聚类类别，使用样本对聚类模型进行训练后，对采集的光辐照度进行聚类。该方法获取聚类结果的数据规律性强，可以满足高精度的短期光伏功率预测的目的。
在其中一个实施例中，由于当向神经网络模型输入一个数据集后，经过网络的训练学习，不同样本数据会分别集中分布在某个最终获胜的权值向量周围，因此，在根据辐照度的特征指标体系设置聚类模型中光伏数据的聚类类别可以通过下述步骤实现：
获取聚类模型的权向量的各分量与总辐照度平均值、总辐照度波动性指标、总辐照度时序差分序列方差的对应关系；
根据所述总辐照度平均值、总辐照度波动性指标、总辐照度时序差分序列方差确定所述聚类模型的聚类类别数。
在其中一个实施例中，提出了一种光伏数据的聚类模型的训练方法。该方法包括：
步骤S201：输入光辐照度反复训练所述聚类模型，使所述聚类模型的神经网络权值在概率分布上与输入的光辐照度的分布空间逐渐趋于一致；
步骤S202：输入的光辐照度经训练聚集至的对应的不同神经网络权值向量周围，以获取光辐照度与所述聚类类别的对应关系。
为了使获取的样本合理聚集，在设置聚类模型的聚类类别数时可以选择整数3-8中的一个。
在其中一个实施例中经过实践分析，当聚类类别数为6时，可以很好的将采集的光辐照度样本进行聚类。
需要说明的是，在实际应用时，可以根据实际情形灵活的设定聚类模型的聚类类别数。
在其中一个实施例中，可以应用自组织映射SOM神经网络聚类模型作为光伏数据精细化聚类的聚类模型。
图2示出了一个实施例中的SOM神经网络结构示意图。当向SOM神经网络输入一个数据集后，经过训练学习，不同样本数据会分别集中分布在某个最终获胜的权值向量周围，随着训练的不断进行，本身存在较强关联或相似度的样本单位数据会自动聚集到一起，从而实现数据样本的聚类。
SOM神经网络算法的具体实现流程如下：
(1)初始化：对输出层各权向量Wij赋一个较小随机数，定义
Figure BDA0001429830640000061
是以j*神经元为中心的t时刻的权值调整域，设置一个较大的初始邻域
Figure BDA0001429830640000062
设定网络的循环次数T，其中i＝1,2,...,n，j＝1,2,...,m；
(2)接收输入：从训练集中随机选取一个输入模式Xk：Xk＝{X1k,X2k,...,Xnk}，进行归一化处理后，输入到网络；
(3)寻找获胜神经元：寻找与输入Xk距离djk最小的竞争层神经元j*作为最终获胜的神经元：
Figure BDA0001429830640000063
(4)利用(2)对神经元j*相关神经元的连接权值进行更新：
Figure BDA0001429830640000064
其中，0＜η(t)＜1为增益函数，一般初始邻域
Figure BDA0001429830640000065
较大，训练过程中
Figure BDA0001429830640000066
逐渐缩小。
(5)将训练集中的输入模式依次选取，并返回步骤(3)重复操作；
(6)令t＝t+1，返回步骤(2)，直至t＝T。
其中，在SOM神经网络模型训练学习过程的收敛性是可以保证的，因为
Figure BDA0001429830640000067
随着学习次数增加而逐渐减小，增益函数η(t)随时间的增加逐渐趋向于零。
向训练完毕的SOM神经网络输入待分类的光伏数据，各光伏数据会自动聚集到S对应的权值向量周围，进而实现光伏数据的聚类。
在其中一个实施例中，总辐照度波动性指标获取方法包括：
根据经纬度、太阳常数获得大气层外太阳辐照度理论值序列和地面实测太阳总辐照度序列；
根据大气层外太阳辐照度理论值序列与地面实测太阳总辐照度序列，得到总辐照度波动性指标。
总辐照度波动性指标具体可以根据下述公式获取：
Figure BDA0001429830640000071
其中，bias为总辐照度波动性指标，序列{Rcal,i}为大气层外太阳辐照度理论值序列，序列{Rmeassure,i}为地面实测太阳总辐照度序列，n是序列的总点数。
在其中一个实施例中，总辐照度时序差分序列方差的获取方法包括：
获取太阳总辐照度序列；
根据太阳总辐照度序列得到太阳总辐照度的时序差分序列；
计算太阳总辐照度的时序差分序列的平均值；
根据太阳总辐照度序列以及太阳总辐照度的时序差分序列的平均值，获取总辐照度时序差分序列方差。
总辐照度时序差分序列方差具体可以根据下述公式获取：
Figure BDA0001429830640000072
其中，序列{ΔRi}是太阳总辐照度的时序差分序列，ΔRi＝Ri+1-Ri，{Ri}是太阳总辐照度序列，
Figure BDA0001429830640000073
是太阳总照度差分序列的平均值，n是序列的总点数。
在其中一个实施例中，为了消除时间、季节干扰，将光辐照度定为实测辐照度值与该时刻大气层外理论辐照度值的比值。
在其中一个实施例中，对NREL BMS站2014年的光伏数据进行数据样本的聚类。具体方法流程如图3所示，步骤如下：
步骤S301：将NREL BMS站2014年的光伏数据输入至训练好的SOM神经网络聚类模型中，设定光伏数据的聚类类别数为6。
步骤S302：SOM神经网络聚类模型自动对输入的光伏数据进行分类。
对NREL BMS站2014年的光伏数据聚类结果分析：
图4为NREL BMS站2014年的光伏数据在SOM神经网络聚类模型中聚类完成后，聚集的不同类别与权值对应图。图中6个类别有明显的节点，因此使用基于本发明提出的辐照度的特征指标体系进行光伏聚类，获取的聚类结果规律性强。
最终聚类得到的6个类别的数据分别分析如下：
类别1：总辐照度平均值大，总辐照度波动性指标较大(由于此类别的辐照度基数较大，导致计算得到的波动指标偏大)，总辐照度时序差分序列方差小，此时太阳辐照度资源好，整体辐照度变化较小，对应的天气类型为晴天。
类别2：总辐照度平均值大，总辐照度波动性指标较大，总辐照度时序差分序列方差较小，此时太阳辐照度资源较好，对应的天气类型接近于晴天。
类别3：总辐照度平均值明显低于类别1、2，整体辐照度波动剧烈，但是整体上总辐照度波动性指标较小，类别3对应的天气，云量变化频繁，但是云层对辐照度的遮蔽能力较弱，因此，辐照度总量较大，整体辐照度波动也较大。
类别4：总辐照度平均值略低于类别3，整体辐照度波动剧烈，但是整体上总辐照度波动性指标较小，类别4对应的天气，云量变化频繁，但是云层对辐照度的遮蔽能力较弱，因此，辐照度总量较大，整体辐照度波动也较大。
类别5：总辐照度平均值较小，整体辐照度波动剧烈，总辐照度波动性指标较大。类别5对应到实际天气类型属于阴雨天气类型，此时云层变化明显，对辐照度的遮蔽较强。
类别6：总辐照度平均值较小，总辐照度波动性指标较大，但是总体辐照度波动不强。类别6对应的天气云层较厚，全天辐照度维持在较低水平，且云层变动不明显。
可以理解，上述各参数值的“大”“小”“强”“弱”等，均是相对于预设的阈值而言。而预设阈值的取值，可以根据实际需要以及历史观测范围进行选择，作为判断的标准。
基于同样的发明思想，本发明提出了一种光伏功率预测方法，包括：
步骤S501：根据光辐照度的特征指标体系设置聚类模型中光辐照度所需的聚类类别。
步骤S502：获取光辐照度样本数据，并利用所述光辐照度样本数据对所述聚类模型进行训练，得到光辐照度与所述聚类类别的对应关系。
步骤S503：获取光辐照度，并使用所述聚类模型对光辐照度进行聚类，得到光辐照度所属的聚类类别。
上述步骤S501-步骤S503是为了获取光伏样本数据的聚类类别以及各聚类类别对应的光辐照度。
步骤S504：将聚类后的各聚类类别对应的光辐照度分别输入光伏功率预测模型，以获取各聚类类别的光辐照度与光伏功率的对应关系。
该步骤是使用各聚类类别对应的光辐照度分别训练光伏功率预测模型。各聚类类别使用的神经网络光伏功率预测模型可以相同。由于各类别对应的光辐照度的光辐照度的特征指标体系不相同，因此，最终获得的各聚类类别对应的光伏功率预测模型的结果不相同，即各聚类类别对应的光伏功率预测模型中光辐照度与光伏功率的对应关系不相同。
步骤S505：根据光辐照度的预测值和各聚类类别的光辐照度与光伏功率的对应关系，获取光伏功率预测值。
该步骤的具体实现形式可以为，首先使用本发明实施例所提及的方法确定光辐照度的预测值所述的聚类类别，再使用光辐照度的预测值所属的聚类类别对应的光伏功率预测模型进行光伏功率预测。例如：确定光辐照度的预测值属于第3类，将光辐照度的预测值输入第3类对应的光伏功率模型，获取光伏功率预测值。
本实施例提出的光伏功率的预测方法，首先根据辐照度的特征指标体系确定光辐照度的预测所属的聚类类别，再使用该类别对应的光伏功率预测模型进行光伏功率预测。由于基于辐照度的特征指标体系进行光伏样本数据聚类精细度高，因此基于聚类类别获取的数据训练的光伏功率预测模型对光伏功率的预测的准确性也会相对较高。
基于同样的发明思想，本发明提出了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现以上实施例所提及的方法的步骤。
基于同样的发明思想，本发明还提出一种计算机设备，包括存储器、处理器，及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述方法的步骤。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本发明可以通过硬件实现，也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施场景所述的方法。
本领域技术人员可以理解附图只是一个优选实施场景的示意图，附图中的模块或流程并不一定是实施本发明所必须的。
本领域技术人员可以理解实施场景中的装置中的模块可以按照实施场景描述进行分布于实施场景的装置中，也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
上述本发明序号仅仅为了描述，不代表实施场景的优劣。
以上公开的仅为本发明的几个具体实施场景，但是，本发明并非局限于此，任何本领域的技术人员能思之的变化都应落入本发明的保护范围。

Claims (10)

1.一种光伏数据聚类方法，其特征在于，包括：
获取聚类模型的权向量的各分量与总辐照度平均值、总辐照度波动性指标、总辐照度时序差分序列方差的对应关系；
根据总辐照度平均值、总辐照度波动性指标、总辐照度时序差分序列方差确定所述聚类模型的聚类类别数；
获取光伏样本数据，并利用所述光伏样本数据对所述聚类模型进行训练，得到光辐照度与所述聚类类别的对应关系；
获取光辐照度，并使用所述聚类模型对获取的光辐照度进行聚类；
其中，所述光辐照度为实测辐照射度值与大气层外理论辐照度值的比值；
所述总辐照度波动性指标为实测总辐照度和大气层外理论辐照度之间的偏差；
所述总辐照度时序差分序列方差的获取方法包括：
获取太阳总辐照度序列；
根据所述太阳总辐照度序列得到太阳总辐照度的时序差分序列；
计算所述太阳总辐照度的时序差分序列的平均值；
根据所述太阳总辐照度序列以及所述太阳总辐照度的时序差分序列的平均值，获取所述总辐照度时序差分序列方差。
2.根据权利要求1所述的方法，其特征在于，所述利用所述光伏样本数据对所述聚类模型进行训练，得到光辐照度与所述聚类类别的对应关系的步骤包括：
输入光辐照度反复训练所述聚类模型，使所述聚类模型的神经网络权值在概率分布上与输入的光辐照度的分布空间逐渐趋于一致；
所述输入的光辐照度聚集至对应的不同神经网络权值向量周围，以获取光辐照度与所述聚类类别的对应关系。
3.根据权利要求2所述的方法，其特征在于，所述聚类类别数为6。
4.根据权利要求3所述的方法，其特征在于，所述聚类模型为自组织映射神经网络聚类模型。
5.根据权利要求1-4任一项所述的方法，其特征在于，所述总辐照度波动性指标的获取方法包括：
根据经纬度、太阳常数获得大气层外太阳辐照度理论值序列和地面实测太阳总辐照度序列；
根据所述大气层外太阳辐照度理论值序列与地面实测太阳总辐照度序列，得到总辐照度波动性指标。
6.一种光伏功率预测方法，其特征在于，包括：
获取聚类模型的权向量的各分量与总辐照度平均值、总辐照度波动性指标、总辐照度时序差分序列方差的对应关系；
根据总辐照度平均值、总辐照度波动性指标、总辐照度时序差分序列方差确定所述聚类模型的聚类类别数；
获取光辐照度样本数据，并利用所述光辐照度样本数据对所述聚类模型进行训练，得到光辐照度样本与所述聚类类别的对应关系；
获取光辐照度，并使用所述聚类模型对光辐照度进行聚类，得到所述光辐照度所属的聚类类别；其中，所述光辐照度为实测辐照射度值与大气层外理论辐照度值的比值；
将聚类后的各聚类类别对应的光辐照度分别输入光伏功率预测模型，以获取各聚类类别的光辐照度与光伏功率的对应关系；
根据光辐照度的预测值和所述各聚类类别的光辐照度与光伏功率的对应关系，获取光伏功率预测值；
所述总辐照度波动性指标为实测总辐照度和大气层外理论辐照度之间的偏差；
所述总辐照度时序差分序列方差的获取方法包括：
获取太阳总辐照度序列；
根据所述太阳总辐照度序列得到太阳总辐照度的时序差分序列；
计算所述太阳总辐照度的时序差分序列的平均值；
根据所述太阳总辐照度序列以及所述太阳总辐照度的时序差分序列的平均值，获取所述总辐照度时序差分序列方差。
7.根据权利要求6所述的方法，其特征在于，所述总辐照度波动性指标的获取方法包括：
根据经纬度、太阳常数获得大气层外太阳辐照度理论值序列和地面实测太阳总辐照度序列；
根据所述大气层外太阳辐照度理论值序列与地面实测太阳总辐照度序列，得到总辐照度波动性指标。
8.根据权利要求6所述的方法，其特征在于，所述聚类模型为自组织映射神经网络聚类模型。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-5任一项所述方法的步骤。
10.一种计算机设备，包括存储器、处理器，及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1-5中任一项所述方法的步骤。
CN201710935988.4A 2017-10-10 2017-10-10 光伏数据聚类方法、光伏功率预测方法、存储介质和设备 Active CN107506949B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710935988.4A CN107506949B (zh) 2017-10-10 2017-10-10 光伏数据聚类方法、光伏功率预测方法、存储介质和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710935988.4A CN107506949B (zh) 2017-10-10 2017-10-10 光伏数据聚类方法、光伏功率预测方法、存储介质和设备

Publications (2)

Publication Number Publication Date
CN107506949A CN107506949A (zh) 2017-12-22
CN107506949B true CN107506949B (zh) 2021-01-26

Family

ID=60701129

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710935988.4A Active CN107506949B (zh) 2017-10-10 2017-10-10 光伏数据聚类方法、光伏功率预测方法、存储介质和设备

Country Status (1)

Country Link
CN (1) CN107506949B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110942086B (zh) * 2019-10-30 2024-04-23 平安科技（深圳）有限公司 数据预测优化方法、装置、设备及可读存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105510970A (zh) * 2016-01-28 2016-04-20 中国石油集团川庆钻探工程有限公司地球物理勘探公司 获取地震相最佳分类数目的方法
CN106228274A (zh) * 2016-08-03 2016-12-14 河海大学常州校区 基于som神经网络数据聚类识别的光伏电站发电量预测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103390197A (zh) * 2013-07-04 2013-11-13 云南电网公司北京能源新技术研究发展中心 一种基于时间段聚类的光伏电站功率预测系统
CN103390200A (zh) * 2013-07-18 2013-11-13 国家电网公司 基于相似日的光伏电站发电输出功率预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105510970A (zh) * 2016-01-28 2016-04-20 中国石油集团川庆钻探工程有限公司地球物理勘探公司 获取地震相最佳分类数目的方法
CN106228274A (zh) * 2016-08-03 2016-12-14 河海大学常州校区 基于som神经网络数据聚类识别的光伏电站发电量预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
并网型光伏电站发电功率预测方法与系统;王飞;《中国博士学位论文全文数据库（工程科技II辑）》;20131115(第11期);正文第34-64页 *

Also Published As

Publication number Publication date
CN107506949A (zh) 2017-12-22

Similar Documents

Publication Publication Date Title
JP6759966B2 (ja) 太陽光発電システムの作動方法
Dong et al. A novel hybrid approach based on self-organizing maps, support vector regression and particle swarm optimization to forecast solar irradiance
Abuella et al. Forecasting of solar power ramp events: A post-processing approach
JP6693330B2 (ja) 太陽光発電システムの動作
Isaksson et al. Solar power forecasting with machine learning techniques
Phan et al. Short-term solar power forecasting using xgboost with numerical weather prediction
Fortuna et al. Nonlinear modeling of solar radiation and wind speed time series
Pedro et al. A database infrastructure to implement real-time solar and wind power generation intra-hour forecasts
CN116739172B (zh) 一种基于爬坡识别的海上风电功率超短期预测方法及装置
CN114676923A (zh) 发电功率的预测方法、装置、计算机设备和存储介质
CN117744916A (zh) 储能容量的预测方法、装置、计算机设备及可读存储介质
CN117374956A (zh) 一种针对综合能源站光伏发电的短期预测方法
CN115759467A (zh) 一种误差修正的分时刻集成学习光伏预测方法
Al-Hilfi et al. Estimating generated power of photovoltaic systems during cloudy days using gene expression programming
CN107506949B (zh) 光伏数据聚类方法、光伏功率预测方法、存储介质和设备
El Shahat et al. An artificial neural network model for wind energy estimation
CN105205560B (zh) 一种基于正负误差变权的光伏发电功率预测方法
Guher et al. Determining of solar power by using machine learning methods in a specified region
KR20210115911A (ko) 태양광 출력 예측 장치 및 그 방법
CN116706907A (zh) 基于模糊推理的光伏发电预测方法和相关设备
CN115545164A (zh) 光伏发电功率预测方法、系统、设备及介质
CN110598956B (zh) 一种光伏电站的发电功率预测方法及装置
KR20230066927A (ko) 발전량 예측 방법 및 장치
Zjavka Wind speed and global radiation forecasting based on differential, deep and stochastic machine learning of patterns in 2-level historical meteo-quantity sets
Ofori-Ntow Jnr et al. A novel three-stage short-term photovoltaic prediction approach based on neighborhood component analysis and ANN optimized with PSO (NCA-PSO-ANN)

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant