基于历史光伏出力数据的局地分时天气分类与预测方法

本发明属于光伏发电领域，涉及历史数据的特征提取及预测，具体为一种基于历史光伏出力数据的局地分时天气类型分类与预测方法。

背景技术：

1、光伏出力受天气影响具有强随机性，同时，光伏发电的大规模并网会给电力系统的安全稳定运行带来挑战。因此，为避免光伏并网对电力系统造成的危害，对光伏发电功率进行准确的预测至关重要。

2、由于不同天气状况下光伏出力波动模式不同，因此当前许多功率预测方法在预测之前往往会对历史光伏出力数据根据天气条件进行相似日分类，然后根据不同的天气类型分别构建预测模型，预测时按预测日天气类型选用相应的模型进行预测。以上预测过程至少面临两个问题：一是如何标注历史光伏数据对应的天气类型，即划分相似日；二是如何确定待预测日或预测时段的天气类型。

3、目前光伏发电预测中历史相似日的划分依据主要有以下两类：第一类直接利用公共天气预报系统；第二类可称为气象因子聚类法，即通过无监督学习实现对历史气象参数的聚类，以此获得历史相似日类型。但这些方法均需要通过气象部门提供气象信息来选择相似日。事实上，一方面，气象部分提供的气象信息往往只覆盖按行政区划分的省或市等大区域，对光伏电站而言空间分辨率远远不足；另一方面，气象部门提供的天气预报往往以一天为单位给出一种天气类型，该时间分辨率也无法满足光伏出力短期预测模型对天气类型准确性的要求。此外，公共天气预报也常有预报不准确的情况。

4、除了历史样本的相似日天气类型外，预测日天气类型的有效划分也是提高光伏出力预测精度的另一个关键因素。与历史样本日类型确定一样，在确定待预测日或预测时段的天气类型时，最直接的方法也是使用天气预报结果。如前所述，对光伏电站而言，公共天气预报存在时空分辨率不足的缺陷，因此直接使用天气预报来确定预测日的天气类型往往会导致预测精度降低。

技术实现思路

1、针对现有技术的不足，本发明提出了基于历史光伏出力数据的局地分时天气分类与预测方法，针对日内有效光伏出力时间段构造波动特征向量，利用k-means算法对各子时间段内的波动特征向量序列进行聚类，实现对历史分时天气类型的分类标记。最后对历史波动特征序列进行多变量相空间重构，输入卷积-长短时记忆网络预测未来光伏出力的波动特征向量，判断局部地区的日分时段天气类型，解决天气预报精度和空间分辨率不足的问题。

2、基于历史光伏出力数据的局地分时天气分类与预测方法，具体包括以下步骤：

3、步骤1、对日内有效光伏出力时间段进行划分，基于模态分解提取各子时间段的波动幅度序列。

4、步骤2、统计各子时间段内光伏出力数据的波动频数序列，使用波动幅度序列和波动频数序列作为子时间段光伏出力数据的波动特征向量。

5、步骤3、分别对同子时间段内的波动特征向量进行无监督聚类，将聚类中心对应的天气类型作为该聚类簇内所有特征序列的天气类型，完成局地分时天气类型分类。

6、步骤4、采用多变量相空间重构算法对连续多日同子时间段的波动特征组成的序列进行重构，将波动幅度序列与波动次数序列重构到同一个相空间中。

7、步骤5、将相空间重构结果输入基于卷积-长短时记忆网络模型，得到预测日的子时间段波动特征序列。

8、步骤6、计算预测结果与步骤3中各聚类中心间的距离，选择距离最小的聚类中心的天气类型作为预测日子时段的天气类型，完成局地分时天气类型预测。

9、本发明具有以下有益效果：

10、利用天气变化与光伏出力波动强相关特点，基于历史分时光伏出力波动特征进行天气类型的聚类，改善了用单一天气类型对日内存在多次天气类型转换进行描述导致的预测模型与天气类型不对应问题，且有效提高了聚类精度。

技术特征：

1.基于历史光伏出力数据的局地分时天气分类方法，其特征在于：具体包括以下步骤：

2.如权利要求1所述基于历史光伏出力数据的局地分时天气分类方法，其特征在于：波动幅度的计算方法为：

3.如权利要求1所述基于历史光伏出力数据的局地分时天气分类方法，其特征在于：所述波动频数为子时间段内光伏出力数据的有效波动次数，定义一次有效波动的条件为：

4.如权利要求1所述基于历史光伏出力数据的局地分时天气分类方法，其特征在于：利用k-means算法对同子时间段内的波动特征向量进行聚类，得到阴/雨、晴天或多云三个类别。

5.基于历史光伏出力数据的局地分时天气预测方法，其特征在于：具体包括以下步骤：

6.如权利要求5所述基于历史光伏出力数据的局地分时天气预测方法，其特征在于：将连续相同子时间段内的归一化波动幅度序列、波动次数序列组成一个多变量时间序列，确定单变量的延迟时间和嵌入维数，进行相空间重构，得到多变量序列的相点：

7.如权利要求5所述基于历史光伏出力数据的局地分时天气预测方法，其特征在于：将重构后时间上连续的两个相点构成相点对，得到相点对序列，将相点对中前一个时刻的相点作为预测模型的输入数据，利用时刻的相点作为预测模型输出数据的标签，训练卷积-长短时记忆网络预测模型的相关参数。

技术总结
本发明公开了基于历史光伏出力数据的局地分时天气分类与预测方法。首先，将日内有效光伏出力划分成若干个时间段，构造波动特征向量，采用波动特征向量对光伏出力的波动性进行描述。然后，利用K‑means算法对各子时间段内的波动特征向量序列进行聚类，实现对历史分时天气类型的分类标记。接着，对历史波动特征序列进行多变量相空间重构，并建立卷积‑长短时记忆网络预测模型，将相空间重构结果输入卷积‑长短时记忆网络预测模型中，得到预测日的子时间段波动特征序列。最后，根据预测日的子时间段波动特征序列与各典型天气类型聚类中心值的距离，确定预测日分时段天气类型，解决现有天气预测方法精度和空间/时间分辨率不足的问题。

技术研发人员：郑凌蔚,姚萨,徐秉强,王恒,陈高萱
受保护的技术使用者：杭州电子科技大学
技术研发日：
技术公布日：2025/2/10