變更

光伏发电输出具有较强的波动性，影响电力系统 <ref>[https://www.sohu.com/a/237573114_196867 电力系统图解说明] ，搜狐，2018-06-25</ref> 的调度管理。对此，本项目提出一种基 K-means++和混合卷积神经网络（CNN）与长短期记忆（LSTM）网络的光伏功率预测模型。首先，利用 K-means++对历史数据集进行分类，选取合适的数据集作为训练集；其次，搭建以历史功率为输入的LSTM模型获得待修正预测功率值，采用卷积神经网络挖掘气象参数与光伏功率的非线性关系，获取修正系数，对待修正预测功率值进行修正，提高预测精度；最后，在点预测模型的基础上，给予输入参数一定的随机波动，进行多次预测，获取预测误差集，进而获得预测区间。通过澳大利亚沙漠太阳能研究中心光伏电站数据集，选择LSTM、CNN-LSTM及K-LSTM算法进行对比，验证了本项目方法具有较高的预测精度和稳定性，且能实现准确的输出功率区间预测。

本项目提出和验证了基于K-means++和混合深度学习的光伏功率预测模型：①通过K-means++将数 据集划分为不同类别，根据待测时刻前1h功率选取合适的数据集作为模型的训练集，减小数据差异性对模型性能的影响；②通过 LSTM 模型处理历史功率序列，获得待修正功率值，根据皮尔逊相关性分 析选取关键气象参数，构造二维气象矩阵，便于CNN提取气象参数的相关特征，挖掘气象参数与光伏功率的非线性关系，获得修正参数，对待修正功率值进行修正，进一步提高预测准确度；③通过给予输入参数多次随机波动，获得波动数据样本，进而获得预测误差数据集，计算预测区间。通过DKASC电站4的数据 <ref>[https://www.sohu.com/a/479663880_114819 数据的来源以及数据是什么？]，搜狐，2021-07-26 </ref> 集进行模型性能验证，所提模型的平均MAE和RMSE分别为3.8615kW和5.481kW，同时进行2h和3h预测，验证了方法的适用性。与LSTM、CNN-LSTM及K-LSTM模型相比，所提的K-CNN-LSTM模型预测精度和稳定性更高，且准确地实现了区间预测。