一种区域分布式光伏短期功率预测方法

本发明涉及新能源领域，具体是一种区域分布式光伏短期功率预测方法。

背景技术：

1、大规模的分布式光伏接入局部电网可在一定程度上起到改善能源结构、缓解环境污染等作用。但由于受一系列气象因素变化影响，分布式光伏呈现较强的间歇性、随机性与波动性特征，其短期功率曲线相比于传统电源稳定性较差，这导致分布式光伏在大规模并网时势必对电网造成强烈冲击，影响电力系统的安全稳定运行，所以准确可靠的光伏短期功率预测对提升光伏消纳能力、日前调度和电网安全稳定运行具有重大意义。同时，分布式光伏具有复杂的地理和气象信息，单一模型预测很难取得令人满意的预测精度。为了应对这些挑战，文献[1]首先通过光伏地理位置和气象信息计算出光伏面板接收到的总辐照度，再通过辐照度到功率的映射模型得到光伏功率输出，最终建立了光伏预测机理模型，但该模型过于复杂且不具有普适性。

2、现有技术中提出一种基于改进adaboost天气聚类和马尔可夫链的间接预测方法，通过提高辐照度超短期预测精度进一步提升光伏发电预测精度。现有技术中提出一个基于参数在线更新的改进晴空功率模型，基于此模型对小波动天气下光伏功率做出预测。现有技术中结合k均值、小波分析、遗传算法和bp神经网络建立了一种基于数据挖掘和小波分析的光伏电站发电预测模型。现有技术中提出了一种基于xgboost和lstm模型考虑误差倒数法的短期光伏发电功率预测组合模型。现有技术中设计出一种基于气象相似度与五状态马尔科夫链的光伏发电预测方法，此方法有较高精度但是预测过程中会有一些无法避免的噪声。现有技术中利用二维卷积层提出了一种基于长短期记忆网络的光伏功率输出时间序列预测模型。总体而言，上述研究存在的不足为未针对分布式光伏历史气象信息识别天气模式；未考虑区域大规模分布式光伏预测模型构建难度；未实现区域分布式光伏集群精细化划分；未充分挖掘多模型集成光伏预测潜力。

技术实现思路

1、本发明的目的在于克服现有技术的不足，提供一种区域分布式光伏短期功率预测方法，包括如下步骤：

2、步骤一，对历史气象数据集中的数据进行预处理和归一化，将预处理和归一化后的历史气象数据作为k-means++聚类算法的输入特征，采用轮廓系数法，得到最优聚类参数k，根据最优聚类参数k得到k个天气模式；

3、步骤二，根据得到的k个天气模式对历史气象数据集中的数据进行划分，分别得到对应k个天气模式下的k个天气模式数据集；

4、步骤三，根据得到的k个天气模式下的k个天气模式数据集，采用k-shape时间序列聚类算法分别对不同天气模式数据集进行光伏集群划分，得到对应天气模式数据集的光伏集群；

5、步骤四，通过构建的stacking集成预测模型分别对每个天气模式数据集下的各光伏集群的输出功率进行预测，通过基于xgboost分类模型的预测结果自适应择优方法，根据预测日的天气信息，得到自适应择优选择预测结果，根据自适应择优选择预测结果，通过集群累加法得到对应天气模式下该区域内所有光伏集群的总输出功率。

6、进一步的，所述的对历史气象数据集中的数据进行预处理和归一化，包括：

7、使用minmaxscaler方法对数据进行归一化处理，以提高后续学习模型的收敛速度并减小误差，如式(3-1)所示。

8、

9、式中x*为归一化后的历史气象数据；x为原始历史气象数据；xmin为原始历史气象数据的最小值；xmax是原始历史气象数据的最大值。

10、进一步的，所述的将预处理和归一化后的历史气象数据作为k-means++聚类算法的输入特征，采用轮廓系数法，得到最优聚类参数k，根据最优聚类参数k得到k个天气模式，包括：

11、采用轮廓系数法进行评估模型聚类效果，轮廓系数si的计算公式下式所示：

12、

13、式中，n为聚类簇内所有样本数；j为簇内除去样本i外的所有样本；dis为计算样本之间欧式距离函数；

14、bi＝min{bi1,bi2,…,bm}

15、式中，m为其他聚类簇个数；

16、

17、式中，展开最大值条件可得到轮廓系数的分段计算公式：

18、

19、进一步的，所述的根据得到的k个天气模式下的k个天气模式数据集，采用k-shape时间序列聚类算法分别对不同天气模式数据集进行光伏集群划分，得到对应天气模式数据集的光伏集群，包括：

20、k-shape算法获取数据簇心，找到一个时间序列，使该时间序列和簇中所有其他时间序列的距离平方和最小，优化目标函数为：

21、

22、式中，k为聚类数目，θη为第η个聚类簇，是聚类簇的聚类中心；

23、基于最优距离计算的分配步骤:将当前时间序列与计算得到的聚类中心进行比较，并将时间序列分配给聚类中心最近的相关聚类，更新聚类成员关系；

24、基于优化计算的细化步骤:聚类中心被更新，以反映从上一步开始的集群成员的变化；

25、重复上述步骤，直到每个集群成员没有变化或达到迭代的最大次数。

26、进一步的，所述的通过构建的stacking集成预测模型分别对每个天气模式数据集下的各光伏集群的输出功率进行预测，包括：

27、建立的stacking光伏集群短期功率集成预测模型将史气象数据集划分为4个子数据集，stacking光伏集群短期功率集成预测模型第一层包括xgboost、lightgbm、rf和catboost四种算法作为基学习器，第二层选择lightgbm算法作为元学习器；

28、第一层四种基学习器的预测结果作为第二层lightgbm元学习器的训练数据集，输出stacking光伏集群短期功率集成预测模型的预测结果。

29、进一步的，所述的通过基于xgboost分类模型的预测结果自适应择优方法，根据预测日的天气信息，得到自适应择优选择预测结果，根据自适应择优选择预测结果，通过集群累加法得到对应天气模式下该区域内所有光伏集群的总输出功率，包括：

30、基于天气模式识别结果，标记原始气象数据集，形成以日为时间单位的天气模式训练集和测试集。

31、将训练集每日天气数据经过预处理后作为xgboost分类模型的输入特征，天气模式标记作为真实分类结果。

32、训练xgboost分类模型，在测试集中实现分类准确度达到设定的准确度阈值时，完成训练；

33、预测时输入预测日的天气数据，实现自适应择优选择预测结果；

34、根据自适应择优选择的预测结果，通过集群累加法得到对应天气模式下该区域内所有光伏集群的总输出功率。

35、本发明的有益效果是：本发明是在区域分布式光伏天气模式识别和光伏集群划分自主学习的基础上，将多种机器学习模型以集成学习方式结合建立集成预测模型。并且将各分布式光伏集群预测结果按集群累加法获取不同天气模式下的区域预测结果，最终以历史数据训练的自适应模式识别模型得到最终预测结果。