(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111624511.7 (22)申请日 2021.12.28 (71)申请人 上海能源科技发展 有限公司 地址 201101 上海市闵行区田林路8 88弄7 号 申请人 河海大学 (72)发明人 范永威　张大顶　李家杰　孙立胜　 李良　郑堃　阿依努尔 　郭苏　 (74)专利代理 机构 南京经纬专利商标代理有限 公司 32200 专利代理师 张鹏 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06K 9/62(2022.01) H02J 3/00(2006.01) (54)发明名称 一种光伏出力短期预测方法及预测系统 (57)摘要 本发明公开了一种光伏出力短期预测方法 及预测系统， 属于光伏发电技术领域。 预测方法 包括如下步骤： S10、 采 集数据； S2 0、 K‑means聚类 分析预测； S30、 BP神经网络模型预测； S40、 预测 结果整合。 本发明的预测方法， 在数据采集时， 选 取与目标预测日相关性高的历史数据； 使用K ‑ means聚类分析的方法建立聚类中心和天气状况 的映射关系， 结合预测日天气预报， 更准确的追 踪日内气象变换频繁的光伏功率曲线的变化， 降 低天气类型变化带来的影响； 同时， 构建BP神经 网络模型， 使用采集的辐照强度数据预测光伏出 力， 降低辐照强度变化带来的影响因素； 再通过 构建整合模型， 根据影 响权重对不同时间尺度的 预测结果有效结合， 从而完成最终的预测， 有效 的提高了光伏出力的预测精度。 权利要求书3页 说明书10页 附图3页 CN 114511132 A 2022.05.17 CN 114511132 A 1.一种光伏出力短期预测方法， 其特 征在于， 包括如下步骤： S10、 采集数据， 采集目标光伏电站历史N1年中与目标预测日相同日期所处区间N2天， 共 N1×N2＝n天的日光伏 功率曲线数据及日辐照量数据； S20、 K‑means聚类分析预测， 利用步骤S10中n天的日光伏功率曲线， 通过K ‑means聚类 分析法预测目标 预测日的光伏 功率曲线， 得到预测结果P1； S30、 BP神经网络模型预测， 构建BP神经网络模型， 用步骤S10中采集的n天的日辐照量 数据训练BP神经网络模型， 用训练好的模型预测目标预测日的光伏功率 曲线， 得到预测结 果P2； S40、 预测结果整合， 构建整合模型， 将步骤S20和步骤S30的预测结果整合， 整合模型如 下， PPV＝P1ω1+P2ω2； 其中， PPV为最终预测的日光伏功率曲线， ω1为预测结果P1所占权重， ω2预测结果P2所 占权重。 2.根据权利要求1所述的一种光伏出力短期预测方法， 其特征在于， 所述步骤S10 中， 与 目标预测日相同日期所处区间N2天具体为： 与目标预测日相同日期及其前后各一周， 共15 天。 3.根据权利要求1所述的一种光伏出力短期预测方法， 其特征在于： 所述步骤S20和步 骤S30同时进行。 4.根据权利要求1所述的一种光伏出力短期预测方法， 其特征在于， 所述步骤S20的K ‑ means聚类分析 预测具体步骤如下： S21、 用步骤S 10中采集的n天的日光伏功率曲线作为样本数据集{y1， y2，…， yn}， yi表示 第i天的日光伏功率曲线， 从中随机选取四个样本数据作为四个初始聚类中心， 分别代表 晴、 多云、 阴及雨 4种典型天气类型 下的日光伏 功率曲线模式； S22、 分别计算每个样本数据至各初始聚类中心的欧氏距离Dic， 与对应初始聚类中心的 欧氏距离最小的样本即归为该初始聚类中心所属簇， 将 样本数据更新成四簇； 所述欧氏距离计算模型如下， Dic＝|yi‑xc|， 其中， yi为第i个样本， xc表示第c簇的聚类中心； S23、 对产生的四簇样本 重新计算对应簇的聚类中心， 通过如下模型计算， 其中， Nc为第c簇的样本个数； S24、 重复步骤S2 2～步骤S23， 直到 达到最大迭代次数10 0时终止重复； S25、 获取目标预测日的天气预报信息， 确定天气预报中四种典型天气类型对应的时 段， 根据不同时段对应的天气类型， 选取对应簇聚类中心的日光伏功率 曲线中对应时段 的 曲线， 拼接形成目标 预测日的光伏 功率曲线， 即为预测结果P1。 5.根据权利要求1所述的一种光伏出力短期预测方法， 其特征在于， 所述步骤S30的BP 神经网络模型 预测具体步骤如下： S31、 用步骤S 10采集的n天的日辐照 量数据作为训练样本数据集一{x1， x2，…， xn}， xi表权　利　要　求　书 1/3 页 2 CN 114511132 A 2示第i天的辐照量数据， 用步骤S10采集的n天的日光伏功率曲线作为样本数据集二{y1， y2，…， yn}， yi表示第i天的日光伏 功率曲线； S32、 采用如下计算模型对训练样本数据归一 化处理， 其中， xmin为训练样本数据集一中的最小值， xmax为训练样本数据集一中的最大值， ymin 为训练样本数据集 二中的最小值， ymax为训练样本数据集 二中的最大值； S33、 创建BP神经网络模型； S34、 用归一化处理后的训练样本数据训练BP神经网络模型， 设置最大迭代次数T＝ 1000次， 允许误差 ε＝0.00001， 学习速率 η＝0.01， 当达到最大迭代次数或满足精度范围时， 结束训练； S35、 用训练好的BP神经网络模型 预测目标 预测日的光伏 功率曲线。 6.根据权利要求5所述的一种光伏出力短期预测方法， 其特征在于， 所述步骤S33的BP 神经网络模型包括输入层、 隐含层和 输出层， 输入层节点n ′＝24， 隐含层节点l＝1， 输出层 节点m＝24， 隐含层阈值aj＝[a1， a2，…， al]， 输出层阈值bk＝[b1， b2，…， bm]， 输入层与隐藏层 间的连接 权值为ωij， 隐含层与输出层之间的连接 权值为ω′jk， 其中： 隐含层输出hj， 输出层输出ok， 连接权值更新， ωij(t+1)＝ωij(t)+ η[(1 ‑β )D(t)+β D(t ‑1)]， ω′jk(t+1)＝ω ′jk(t)+ η[(1 ‑β )D′(t)+β D′(t‑1)]， 阈值更新， bk(t+1)＝bk(t)+(yk‑ok)， 式中， J为BP神经网络模型实际输出值和 期望输出值的均方误差， t指当前时刻， t+1指下一时刻， t ‑1指前一时刻， β 为动量因子， 0≤β ＜1， yk为节点k对应的 的值。 7.根据权利要 求1所述的一种光伏出力短期预测方法， 其特征在于， 所述步骤S40中， ω1 和ω2取值通过粒子群优化 算法进行优化。 8.根据权利要 求7所述的一种光伏出力短期预测方法， 其特征在于， 所述步骤S40中， ω1 ＝ω2＝0.5。 9.一种光伏出力短期预测系统， 其特 征在于， 包括： 数据采集模块， 其用于采集目标光伏电站历史N1年中与目标预测日相同日期所处区间 N2天， 共N1×N2＝n天的日光伏 功率曲线数据及日辐照量数据； K‑means聚类分析模块， 其接收数据采集模块采集的n天的光伏功率曲线数据， 所述K ‑权　利　要　求　书 2/3 页 3 CN 114511132 A 3