CN118841945B 计及相似日选取和天气类型的光伏发电量预测系统及方法 （国网北京市电力公司）

号计及相似日选取和天气类型的光伏发电量本发明公开了光伏发电功率预测技术领域的计及相似日选取和天气类型的光伏发电量预2运用皮尔逊系数法量化评估历史气象数据和光伏发基于光伏发电量的关键影响因素，运用欧式距离量化评估数值相近程基于光伏发电量的关键影响因素和待预测日的历史相似日选取结果根据两类目标电站光伏发电量预测模型的预测结果，以平均绝对误基于最佳光伏发电量预测模型对目标电站进行光伏2.根据权利要求1所述的计及相似日选取和天气类型的光伏发电量预测方法，其特征3.根据权利要求1所述的计及相似日选取和天气类型的光伏发电量预测方法，其特征4.根据权利要求1所述的计及相似日选取和天气类型的光伏发电量预测方法，其特征两个序列的样本数据同时输入到两个共享权值的子网络中，提取两个序列的形态特征信psnn)P3S3：计算光伏发电量序列和气象要素序列的数值相近程度和数值相近程度的综合距计算二者的权重加和值作为综合距离，全面表征两个数据序列的数值和形状的相近程度，ik为第i个样本对第k个簇集的隶属度，ρik为第i个样本对第k个聚类中心的综合5.根据权利要求1所述的计及相似日选取和天气类型的光伏发电量预测方法，其特征构建理想天气条件下的目标电站光伏发电量预测模型，所述CNN_LSTM模型中CNN卷积层的4入和输出的信号强度序列；6.根据权利要求1所述的计及相似日选取和天气类型的光伏发电量预测方法，其特征运用理想日的日总功率值计算得到非理想天气的偏差比：首先，5运用偏差比对待预测日的历史相邻日的功率进行修正：基于前基于得到的用于优化非线性方程组的一次累减序列可以固定其足⃞=(B'B)"B"X,求得参数a与b，具体如下所示：67.根据权利要求1所述的计及相似日选取和天气类型的光伏发电量预测方法，其特征量化评估模块：用于运用皮尔逊系数法量化评估历史气象数据和光伏综合评判模块：用于基于光伏发电量的关键影响因素，运用欧式距离模型构建模块：用于基于光伏发电量的关键影响因素和待预测模型确定模块：用于根据两类目标电站光伏发电量预测模型的预测结9.计及相似日选取和天气类型的光伏发电量预测7所述处理器用于根据所述指令进行操作以执行根据权利要求1～7任一项所述方法的89示输入和输出的信号强度序列；(1)为一次累加序列；计满足⃞=(B'B)"B"X,求得参数a与b，具体如下所示：_ak为模型中的指数衰减因子。[0082]第三方面，本发明提供了计及相似日选取和天气类型的光伏发电量预测系统装[0087]一、本发明通过收集和整理光伏电站的历史发电量数据离和孪生神经网络生成的数值相近和形状相似指标作为模糊C均值聚类算法的分类标准来[0090]图1为本发明实施例一提供的计及相似日选取和天气类型的光伏发电量预测方法[0102]步骤B，基于步骤A收集的历史光伏发电量和气象参数，运用皮尔逊相关系数法[0105]表2展示了气象要素与光伏发电量的相关性计算结果和排序，其中排序前三的影[0109]步骤C，根据前述PCC方法筛选确定的关键气象因素和光和(2d)对其进行归一化处理的基础上，运用方程(2e)计算二者的权重加和值作为综合距[0124]步骤C4：利用步骤C3计算得到的综合距离作为分类标准，运用模糊C均值聚类算[0134]步骤D，基于步骤B和步骤C确定的关键影响因素和待预测日的历史相似日选取结[0140]卷积神经网络_长短期记忆(ConvolutionalNeuralNetworks_LongShort_示输入和输出的信号强度序列。[0146]LSTM模型是基于循环神经网络(RecursiveNeuralNetwork，RNN)的改进深度学习[0147](1)遗忘门采用激活函数sigm对第t层的输入xt和上一层的输出ht-1进行数据处[0150](2)输入门旨在控制经过输入门处理后保留下来的数据信息，如利用sigm激活函[0153](3)输出门主要用于控制经过输出门处理后的数据，输出当前时刻确定输出的信[0158]由于非理想天气的历史样本数量有限，导致其历史相似日集合的光伏序列时间、(1)为一次累加序列；[0171]基于公式(4e)得到的用于优化非线性方程组的一次累减序列可以固定其它变量_ak为模型中的指数衰减因子。[0191]以修正后的相邻日的日总功率为输入变量，运用DGM(2,1)模型对典型待预测日气的3个待预测日的DGM(2,1)模型伏电站的发电量预测模型，以平均绝对误差(MeanAbsoluteError，MAE)和均方根误差经网络的组合方法形成涵盖数值相近和形状相似的综合评判标准，并将其作为模糊C均值[0210]本发明实施例的一种试点电站的计及相似日选取和天气类型划分的光伏发电量