基于K-means++和混合深度学习的光伏功率预测

陈振祥 林培杰 程树英 陈志聪 吴丽君

基于K-means++和混合深度学习的光伏功率预测

陈振祥 林培杰 程树英 陈志聪 吴丽君

（福州大学物理与信息工程学院微纳器件与太阳能电池研究所，福州 350116）

光伏发电输出具有较强的波动性，影响电力系统的调度管理。对此，本文提出一种基于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，验证了本文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。

光伏功率预测；K-means聚类；卷积神经网络；长短期记忆网络

0 引言

光伏发电因绿色环保、能源取之不尽的优势，得到世界各国的关注和推广应用。据国际能源机构预测，到2030年，全球光伏发电容量的安装量将超过1 700GW[1]。然而，天气变化等因素使光伏发电表现出较强的间歇性和波动性，严重影响电力系统的管理调度[2]。因此，准确预测光伏输出功率，有利于电力系统运行和规划，提高系统安全稳定性[3]。……