(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 202211063549.6 (22)申请日 2022.09.01 (71)申请人 国网江苏省电力有限公司镇江供电 分公司 地址 212000 江苏省镇江市京口区电力路 182号 申请人 国网江苏省电力有限公司 (72)发明人 胡航　谭晶　马洲俊　徐溯　 马骏毅　包磊　张大林　黄海清　 朱鹏　王忠　侯超　刘元莹　姚鹏　 (74)专利代理 机构 南京品智知识产权代理事务 所(普通合伙) 32310 专利代理师 张明昌 (51)Int.Cl. G06K 9/62(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 50/06(2012.01) H02J 3/00(2006.01) (54)发明名称 一种低压分布式光伏发电出力预测方法 (57)摘要 本发明提出的是一种低压分布式光伏发电 出力预测方法， 该方法包括以下步骤： (一)、 采用 基于改进K均值聚类算法进行聚类的方法， 对单 个日期的天气进行归类， 得到不同天气种类； (二)、 根据每个天气变量的皮尔逊相关系数确认 每个天气变量与光伏出力功率之间是否存在相 关性； (三)、 将与光伏出力功率相关的天气变量 的待预测日的变量数据代入多元线性回归模型， 得到待预测日的第一光伏出力功率预测值Pf1； (四)、 将待预测日前若干天的历史光伏出力功率 数据代入改进的LS TM算法中进行计算， 得到待预 测日的第二 光伏出力功率预测值Pf2。 权利要求书3页 说明书9页 附图2页 CN 115392387 A 2022.11.25 CN 115392387 A 1.一种低压分布式光伏发电出力预测方法， 其特 征是包括以下步骤： (一)、 利用采集的历史气象数据， 采用基于改进K均值聚类算法进行聚类的方法， 对单 个日期的天气进行归类， 得到不同天气种类； (二)、 根据每个天气变量的皮尔逊相关系数确认每个天气变量与光伏出力功率之间是 否存在相关性； (三)、 在步骤(一)得到的不同天气种类下， 将与光伏出力功率相 关的天气变量的待预 测日的变量数据作为输入代入多 元线性回归模型进行预测， 待预测日 的光伏出力功 率预测 值作为输出， 得到待预测日的第一 光伏出力功率预测值Pf1； (四)、 将待预测日前若干天的历史光伏出力功率数据代入改进的LSTM算法中进行计 算， 得到待预测日的第二 光伏出力功率预测值Pf2。 2.根据权利要求1所述的一种低压分布式光伏发电出力预测方法， 其特征是所述多元 线性回归模型以气温、 云量、 湿度、 降水量、 太阳辐照度、 风速作为输入的数据样本， 每个输 入的数据样本用下式表示： xi＝(dt， drh， dE， dN， dp， dv) 式中dt为气温， drh为湿度， dE为太阳辐照度， dN为云量， dp为降水量， dv为风速； 最终以光 伏出力功率作为输出。 3.根据权利要求1所述的一种低压分布式光伏发电出力预测方法， 其特征是所述每个 天气变量的皮尔逊相关系数具体通过以下方式获得： 在步骤(一)得到的不同天气种类下， 将历史某段时间内某种天气种类下的每一日的各个天气变量的变量数据分别与对应日期 的光伏出力功率进行计算分别得到每一日每个天气 变量的皮尔逊相关系数， 然后 将某种天 气种类下 的每一日每个天气变量的皮尔逊相关系在相 应历史时期 内求平均值得到某种天 气种类下每 个天气变量的皮尔逊相关系数。 4.根据权利要求1所述的一种低压分布式光伏发电出力预测方法， 其特征是所述根据 每个天气变量的皮尔逊相关系数确认每个天气 变量与光伏出力功率之 间是否存在相关性； 具体包括:若皮尔逊相关系 数大于或等于阈值， 则认为该天气变量对光伏出力功率的预测 有价值并保留， 若皮尔逊相关系数低于阈值， 则认为该天气变量与光伏出力功 率相关性小， 予以舍弃。 5.根据权利要求1所述的一种低压分布式光伏发电出力预测方法， 其特征是所述利用 采集的历史气象数据， 具体包括自天气预报系统采集历史气象数据； 所述历史气象数据包 括气温、 湿度、 太阳辐照度、 云量、 降水量、 风速 。 6.根据权利要求1所述的一种低压分布式光伏发电出力预测方法， 其特征是所述改进K 均值聚类算法， 具体包括以下步骤： (1)从输入的数据样本集 合中随机 选择一个数据样本作为已选择的聚类中心 μ1； (2)对于数据样本集中的每一个数据样本xi， 计算它与已选择的聚类中心的距离D(x)； (3)分别计算数据样本集中 某一个具体的数据样本xj与已选择的聚类中心的距离D(xj)2， 以D(xj)2/∑D(x)2计算出的值作为该 数据样本xj是否被选作为 新聚类中心的概 率； (4)重复步骤(2)与步骤(3)； 此处在重复步骤(2)和步骤(3)时， 步骤(2)和步骤(3)中所 述的已选择的聚类中心均为步骤(3)中最近一次选择的聚类中心， 直到所有聚类中心被选 出；权　利　要　求　书 1/3 页 2 CN 115392387 A 2(5)计算数据样本xj与各聚类中心 (1≤i≤k， k为聚类中心的数量， p为k均值聚类计 算的轮数)的距离 根据距离数据样本xj最近的聚类中心确定数据样本 xj的簇标记， 将数据样本xj划入相应的簇； (6)所有数据样本均划入相应的簇后， 重新计算新的聚类中心 n为该簇 的数据样本数量； (7)重复执 行步骤(5)与步骤(6)， 直到所有簇的均值向量均不再 更新。 7.根据权利要求4所述的一种低压分布式光伏发电出力预测方法， 其特征是对保留后 的各天气 变量两两之间计算皮尔逊相关系数， 若计算出的皮尔逊相关系数大于0.8， 则两变 量之间已经高度相关， 输入模型后必定产生冗余变量， 保留两变量数据中与历史光伏出力 数据相关系数 更高的变量。 8.根据权利要求1所述的一种低压分布式光伏发电出力预测方法， 其特征是所述在步 骤(一)得到的不同天气种类下， 将与光伏出力功 率相关的天气 变量的待 预测日的变量数据 作为输入代入多元线性回归模型进行预测， 待预测日的光伏出力功率预测值作为输出， 得 到待预测日的第一 光伏出力功率预测值Pf1； 具体包括： 1)建立多元线性回归 模型， 具体的多元线性回归 模型关系式如下： 式中， 为光伏出力功率预测值； 式中dt为气温， drh为湿度， dE为太阳辐照度， dN为云量， dp为降水量， dv为风速； 2)在不同天气条件下分别进行多元线性回归训练， 得到若干组b0‑b6的参数， 若干组参 数分别用于不同天气情况 下的光伏出力功率预测； 3)最后用待预测日的预报气象数据带入之前得到的多元线性回归模型关系式中获得 光伏出力功率预测值 此处获得的光伏出力功率预测值 作为第一 光伏出力功率预测值 Pf1。 9.根据权利要求1所述的一种低压分布式光伏发电出力预测方法， 其特征是所述改进 的LSTM算法为在普通的LSTM算法计算之前， 将当前时刻输入xt与前置时刻输出ht‑1交替地 交互， 具体过程如下 所示： 式中， 矩阵Q与矩阵R是随机初始化的； 参数σ则由矩阵Q或R的初始化结果而定， 目的是 为了确保当前时刻输入xt与前置时刻输出ht‑1交替地交互时能产生接近恒等式的变换； Qn， Rn为第n轮交互时的矩阵Q与矩阵R， 对 应的 与 分别为第n轮交互时的状态输入xt与前 置时刻输出ht‑1。权　利　要　求　书 2/3 页 3 CN 115392387 A 3