预览加载中,请您耐心等待几秒...
1/10
2/10
3/10
4/10
5/10
6/10
7/10
8/10
9/10
10/10

亲,该文档总共21页,到这已经超出免费预览范围,如果喜欢就直接下载吧~

如果您无法下载资料,请参考说明:

1、部分资料下载需要金币,请确保您的账户上有足够的金币

2、已购买过的文档,再次下载不重复扣费

3、资料包下载后请先用软件解压,在使用对应软件打开

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN109002915A(43)申请公布日2018.12.14(21)申请号201810769372.9(22)申请日2018.07.13(71)申请人福州大学地址350108福建省福州市闽侯县福州地区大学新区学园路2号(72)发明人林培杰程树英赖云锋彭周宁陈志聪吴丽君郑茜颖章杰(74)专利代理机构福州元创专利商标代理有限公司35100代理人蔡学俊(51)Int.Cl.G06Q10/04(2012.01)G06Q50/06(2012.01)G06K9/62(2006.01)G06N3/08(2006.01)权利要求书3页说明书8页附图9页(54)发明名称基于Kmeans-GRA-Elman模型的光伏电站短期功率预测方法(57)摘要本发明涉及一种基于Kmeans-GRA-Elman模型的光伏电站短期功率预测方法,包括:采集光伏电站历史每天的发电功率以及气象站上每天对应时间段的气象参数;对数据进行预处理;利用六项统计指标结合改进Kmeans算法对历史日中第一天到待预测日前一天的样本进行聚类,根据轮廓系数确定类别数;计算每个聚类气象特征值的中心点,判断待预测日所属的类别;确定待预测日的相似日和最佳相似日;确定Elman神经网络参数;得到训练模型;将最佳相似日的参数样本组合以及待预测日的气象参数输入训练模型中对待预测日的发电功率进行预测。本发明能够提高光伏电站在不同季节下的不同天气条件短期功率预测的精度和准确度。CN109002915ACN109002915A权利要求书1/3页1.一种基于Kmeans-GRA-Elman模型的光伏电站短期功率预测方法,其特征在于:包括以下步骤:步骤S1:采集光伏电站历史每天的发电功率以及气象站上每天对应时间段的气象参数,结合得到每天的气象-功率参数样本组合;步骤S2:对每天的气象-功率参数样本组合进行预处理,去除异常数据并进行归一化处理;步骤S3:利用归一化后的统计分析中的六项统计指标结合改进Kmeans算法对历史日中第一天到待预测日前一天的样本进行聚类,根据轮廓系数确定类别数;步骤S4:根据各个聚类样本集合的气象特征值;确定聚类中心位置;利用欧氏距离判断待预测日所属的类别;步骤S5:根据待预测日的气象特征值结合灰色关联分析GRA算法在同一个聚类样本集合中确定待预测日的相似日和最佳相似日;步骤S6:确定Elman神经网络的参数;步骤S7:利用相似日的参数样本组合训练Elman神经网络,不断修改隐含层神经元个数,得到训练模型;步骤S8:将最佳相似日的参数样本组合以及待预测日的气象参数输入训练模型中对待预测日的发电功率进行预测,得到待预测日各个时刻的输出功率值。2.根据权利要求1所述的基于Kmeans-GRA-Elman模型的光伏电站短期功率预测方法,其特征在于:所述步骤S1中所述的气象-功率参数样本组合记为(Pki,Gki,Dki,Tki,Wki,Hki);其中,k为样本采集的日期的序号,表示天数,为1到K的整数,K为大于1的整数;i为一天中样本采集的时刻,表示时刻数,为1到I的整数,I为大于1的整数;Pki为第k天参数样本组合中的第i个时刻的功率参数样本;Gki为第k天参数样本组合中的第i个时刻的全球水平辐射参数样本;Dki为第k天参数样本组合中的第i个时刻的扩散水平辐射参数样本;Tki为第k天参数样本组合中的第i个时刻的环境温度参数样本;Wki为第k天参数样本组合中的第i个时刻的风速参数样本;Hki为第k天参数样本组合中的第i个时刻的相对湿度参数样本。3.根据权利要求1所述的基于Kmeans-GRA-Elman模型的光伏电站短期功率预测方法,其特征在于:所述步骤S2中归一化的具体方法为:采用比例压缩法将同一种参数样本同一个时刻映射到区间[0,1]内。4.根据权利要求1所述的基于Kmeans-GRA-Elman模型的光伏电站短期功率预测方法,其特征在于:所述步骤S3中所述六项统计指标记为(σk,cvk,skk,kurk,Psumk),其中,k为样本采集的日期的序号,表示天数,为1到K的整数,K为大于1的整数;为第k天的平均功率参数样本,σk为第k天的标准偏差参数样本,cvk为第k天的变异系数参数样本,skk为第k天的偏态系数参数样本,kurk为第k天的峰态系数参数样本,Psumk为第k天的总功率参数样本;将六项统计指标归一化后结合Kmeans++算法进行聚类,根据轮廓系数s确定类别数;选取s>0.45的聚类情况作为合适的聚类结果,其中,各个参数样本的计算、归一化和轮廓系数的计算的具体公式如下所示:2CN109002915A权利要求书2/3页式中,σ,cv,sk,kur,Psum分别表示每天的平均功率,标准偏差,变异系数,偏态系数