摘 要：構(gòu)建一套融合主成分分析方法（PCA）、改進(jìn)的K-均值聚類方法、動(dòng)態(tài)時(shí)間規(guī)整算法（DTW）和長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)（LSTM）的光伏出力組合預(yù)測(cè)模型。在運(yùn)用PCA法提取氣象要素的主成分因子的基礎(chǔ)上，創(chuàng)新性地聯(lián)合使用改進(jìn)的K-均值聚類方法和DTW算法生成內(nèi)部關(guān)聯(lián)程度高且與待預(yù)測(cè)日的天氣特征相近的歷史日樣本集；然后，結(jié)合LSTM神經(jīng)網(wǎng)絡(luò)，構(gòu)建基于相似日選取的光伏發(fā)電功率預(yù)測(cè)模型，最終實(shí)現(xiàn)了云南某光伏電站發(fā)電功率的精準(zhǔn)預(yù)測(cè)。與其他預(yù)測(cè)模型的對(duì)比結(jié)果顯示，該文構(gòu)建的組合預(yù)測(cè)模型具備更好的預(yù)測(cè)性能和廣闊的應(yīng)用前景。

關(guān)鍵詞：光伏電站；主成分分析；長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)；預(yù)測(cè)模型；改進(jìn)的K-均值聚類方法；動(dòng)態(tài)時(shí)間規(guī)整算法

中圖分類號(hào)：TM615 文獻(xiàn)標(biāo)志碼：A

0 引 言

隨著人類社會(huì)經(jīng)濟(jì)的快速發(fā)展，傳統(tǒng)化石能源日益枯竭且使用過程中導(dǎo)致的環(huán)境污染問題和全球變暖趨勢(shì)愈發(fā)突出，世界各國將能源發(fā)展的重點(diǎn)越來越多地轉(zhuǎn)向風(fēng)能、太陽能等可再生能源的開發(fā)和利用［1-2］。太陽能具有地域分布廣泛、資源豐富、無需開采和運(yùn)輸?shù)葍?yōu)勢(shì)，合理開發(fā)和利用太陽能資源已成為全球能源轉(zhuǎn)型的重點(diǎn)任務(wù)，光伏發(fā)電前景向好［3］。但是，由于光伏出力受到諸如輻照度、溫度、濕度、云層等多個(gè)環(huán)境因素，以及逆變器的效率、組件的安裝角度等其他因素的聯(lián)合影響，導(dǎo)致其間歇性強(qiáng)、波動(dòng)變化明顯，給電網(wǎng)的規(guī)劃、調(diào)度和運(yùn)行帶來很多不利影響［4］。因此，實(shí)現(xiàn)光伏出力的精準(zhǔn)預(yù)測(cè)，有利于提高光伏電站的運(yùn)行效率和保障電力系統(tǒng)的穩(wěn)定運(yùn)行，具有十分重要的意義。

目前，常用的光伏出力預(yù)測(cè)方法包括以下2 類，分別是間接預(yù)測(cè)法和直接預(yù)測(cè)法。前者是在對(duì)太陽輻照度進(jìn)行預(yù)測(cè)的基礎(chǔ)上，結(jié)合光伏發(fā)電模型，估算發(fā)電系統(tǒng)的功率輸出［5］，主要存在建模過程較復(fù)雜，對(duì)樣本數(shù)據(jù)和硬件要求較高等問題。后者運(yùn)用數(shù)學(xué)統(tǒng)計(jì)方法，利用光伏電站的歷史發(fā)電功率和天氣預(yù)報(bào)數(shù)據(jù)，直接對(duì)光伏發(fā)電功率進(jìn)行預(yù)測(cè)，具有模型構(gòu)建簡(jiǎn)單、操作方便和歷史數(shù)據(jù)信息易獲取等優(yōu)勢(shì)，在光伏出力預(yù)測(cè)領(lǐng)域得到了較好的應(yīng)用。受制于外界氣象條件復(fù)雜多變和設(shè)備效率變化等諸多因素的影響，收集和整理的歷史日數(shù)據(jù)信息存在很大的差異，嚴(yán)重影響直接法的預(yù)測(cè)精度。因此，已有的大量光伏出力預(yù)測(cè)研究運(yùn)用相似日理論，選擇與待預(yù)測(cè)日氣象因素吻合度較高的歷史日數(shù)據(jù)作為訓(xùn)練樣本，構(gòu)建光伏出力預(yù)測(cè)模型，提高預(yù)測(cè)精度。

歸納和總結(jié)現(xiàn)有的相似日選取方法，可將其分為以下2類：一類是基于定量的“距離”判定標(biāo)準(zhǔn)，從歷史日中選取與待預(yù)測(cè)日相近的日期作為訓(xùn)練樣本集，包括灰色關(guān)聯(lián)度分析法和動(dòng)態(tài)時(shí)間規(guī)整法（dynamic time warping，DTW）等。例如，喬路麗等［6］在聯(lián)合使用余弦相似度和灰色關(guān)聯(lián)度選定相似日的基礎(chǔ)上，構(gòu)建基于免疫遺傳算法（immunity geneticalgorithm，IGA）和BP 神經(jīng)網(wǎng)絡(luò)算法的光伏出力組合預(yù)測(cè)模型，相較于未對(duì)歷史數(shù)據(jù)進(jìn)行篩選和分類的模型，預(yù)測(cè)精度明顯提高。魏聯(lián)濱等［7］采用DTW 距離衡量歷史日與預(yù)測(cè)日的各氣象因素的相近程度來選定相似日，構(gòu)建基于提升回歸樹的光伏發(fā)電功率預(yù)測(cè)模型，較好地滿足了預(yù)測(cè)要求。周逸等［8］以氣象因素為判別標(biāo)準(zhǔn)，利用皮爾遜相關(guān)系數(shù)法（Pearson correlation coefficient，PCC）選定相似日，構(gòu)建基于遺傳算法的高精度預(yù)測(cè)模型。劉向杰等［9］在采用天牛須搜索算法（beetle antennae search，BAS）篩選和確定相似日的基礎(chǔ)上，運(yùn)用循環(huán)門單元（gate recurrent unit，GRU）模型預(yù)測(cè)不同天氣類型下的光伏發(fā)電功率，其均方誤差和平均結(jié)果百分比誤差明顯降低。上述研究結(jié)果表明，盡管該類方法可有效去除歷史日樣本中的冗余信息，但由于該方法僅以歷史日和待預(yù)測(cè)日的相近程度為評(píng)判標(biāo)準(zhǔn)，忽略了選定歷史日之間的巨大差異可能給預(yù)測(cè)模型帶來的不利影響，特別是在歷史日與待預(yù)測(cè)日的相近程度有限時(shí)，相似日的精度提升效果無法達(dá)到預(yù)期。另一類是采用聚類方法，以氣象要素值為劃分依據(jù)對(duì)歷史日和待預(yù)測(cè)日進(jìn)行聚類，找到與待預(yù)測(cè)日隸屬于同一類別，且相近程度更高的歷史日集合，包括密度峰值聚類法［10］、灰色聚類法［11］、K-均值聚類法［12］等。例如，張雨金等［13］首先以光伏發(fā)電的季節(jié)特性為分類依據(jù)，運(yùn)用K-均值聚類算法選定待預(yù)測(cè)日的相似日，然后采用支持向量機(jī)（support vectormachine，SVM）進(jìn)行建模預(yù)測(cè)，平均相對(duì)誤差明顯低于單一的SVM 預(yù)測(cè)模型。但利用聚類算法選取待預(yù)測(cè)日的相似日存在以下2 個(gè)缺陷：1）以常用的K-均值聚類方法為例，聚類中心數(shù)量確定的主觀性過強(qiáng)，嚴(yán)重影響歷史日和待預(yù)測(cè)日的聚類效果；2）聚類以后的歷史樣本數(shù)量過多，冗余信息的去除效果欠佳。相較于傳統(tǒng)的K-均值聚類方法，改進(jìn)的K-均值聚類方法利用數(shù)據(jù)之間的關(guān)聯(lián)關(guān)系選定了更適宜的初始聚類中心，確保類中心之間的距離相對(duì)較遠(yuǎn)，有效避免了類之間的交疊，提升了分類效果。例如，郭超凡等［14］采用改進(jìn)的K-均值聚類法對(duì)玉米葉片圖像進(jìn)行分割，為后續(xù)玉米葉片的病蟲害識(shí)別提供了幫助。凌玉龍等［15］使用改進(jìn)的K-均值聚類法分析某高校的校園一卡通消費(fèi)數(shù)據(jù)集，構(gòu)建學(xué)生的消費(fèi)畫像，推動(dòng)了貧困生精準(zhǔn)資助領(lǐng)域的發(fā)展。但該方法在光伏出力預(yù)測(cè)領(lǐng)域鮮有應(yīng)用。

因此，為更好地提升光伏出力預(yù)測(cè)模型的表現(xiàn)，本文創(chuàng)新性地提出一種基于改進(jìn)的K-均值聚類方法、DTW 算法和長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)（long-short term memory，LSTM）的光伏功率組合預(yù)測(cè)模型。在采用主成分分析法（principalcomponent analysis，PCA）對(duì)氣象參數(shù)數(shù)據(jù)進(jìn)行降維和提取關(guān)鍵信息，生成具有代表性的主成分因子作為后續(xù)相似日選取的判定指標(biāo)的基礎(chǔ)上，首先運(yùn)用改進(jìn)的K-均值聚類方法找到與待預(yù)測(cè)日氣象特征相近的歷史樣本集，完成歷史樣本初篩的同時(shí)，較好地保證了選定樣本的相近性；其次，引入DTW判定方法，計(jì)算隸屬于同類的待預(yù)測(cè)日和歷史日的DTW 距離，根據(jù)距離的排序結(jié)果選定相似日，進(jìn)一步提升相似日和待預(yù)測(cè)日的相近程度；然后，以前述選定歷史日的氣象參數(shù)和發(fā)電功率作為訓(xùn)練集，構(gòu)建基于LSTM 神經(jīng)網(wǎng)絡(luò)的短期光伏發(fā)電功率預(yù)測(cè)模型；最后，對(duì)比各類模型在云南某光伏電站的應(yīng)用情況可知，本文構(gòu)建的組合預(yù)測(cè)模型精確度最高，可為電站出力的準(zhǔn)確估算以及后續(xù)并入電網(wǎng)的穩(wěn)定運(yùn)行和優(yōu)化調(diào)度提供技術(shù)支持。

1 方法介紹

圖1 展示了本文的總體技術(shù)路線。在采用PCA 法提取和得到氣象要素?cái)?shù)據(jù)的主成分因子，盡可能全面考察所有因素對(duì)光伏出力的影響的基礎(chǔ)上，聯(lián)合使用改進(jìn)的K-均值聚類法和DTW 算法，生成內(nèi)部關(guān)聯(lián)程度高且與待預(yù)測(cè)日的天氣特征相近的歷史日樣本集，并據(jù)此構(gòu)建基于LSTM 神經(jīng)網(wǎng)絡(luò)的短期光伏發(fā)電功率預(yù)測(cè)模型。在云南某光伏電站的實(shí)際應(yīng)用結(jié)果表明，相較于未考慮相似日選取的單一預(yù)測(cè)模型和其他組合預(yù)測(cè)模型，本文構(gòu)建的組合預(yù)測(cè)模型具備更好的預(yù)測(cè)性能和廣闊的應(yīng)用前景。

1.1 主成分分析法

主成分分析法（PCA）是一種能將多維指標(biāo)轉(zhuǎn)換為少數(shù)幾個(gè)主成分因子的降維算法，這些主成分因子是原始指標(biāo)的線性組合，可有效反映大部分原始數(shù)據(jù)信息，且彼此之間具有一定的關(guān)聯(lián)關(guān)系［16］。調(diào)查和統(tǒng)計(jì)結(jié)果顯示，包括全輻射輻照度、風(fēng)速、風(fēng)向、溫度和濕度等在內(nèi)的多個(gè)氣象要素都會(huì)對(duì)光伏出力產(chǎn)生重要的影響，如果直接忽略某個(gè)因素以及因素之間的交互作用關(guān)系，可能影響模型的預(yù)測(cè)性能，因此，本研究使用PCA 法提取主成分因素，去除大量冗余數(shù)據(jù)的同時(shí)，降低相關(guān)性較低的氣象因素對(duì)預(yù)測(cè)模型的影響。

對(duì)原始數(shù)據(jù)集的n 個(gè)評(píng)價(jià)對(duì)象的m 個(gè)數(shù)據(jù)序列進(jìn)行主成分分析，其中，第j 個(gè)評(píng)價(jià)對(duì)象的第i 個(gè)指標(biāo)為xij，樣本矩陣X 可表示為：

式中：z1，z2，…，zm——原始指標(biāo)的第一，第二，…，第m 主成分；lmn—— 相關(guān)系數(shù)矩陣第m 個(gè)特征值對(duì)應(yīng)的n 維特征向量。

1.2 改進(jìn)的K-均值聚類算法

傳統(tǒng)K-均值聚類算法是在預(yù)先確定K 個(gè)聚類中心的基礎(chǔ)上，首先，按最小距離原則將每個(gè)樣本點(diǎn)分配到距離其最近的聚類中心點(diǎn)所代表的類（詳見式（7））；然后，計(jì)算每類的樣本點(diǎn)的平均值作為新的聚類中心，進(jìn)行下一次迭代；最后，當(dāng)聚類中心不再變化時(shí)，確定樣本數(shù)據(jù)集的類別劃分結(jié)果［17］。該算法的優(yōu)勢(shì)在于原理簡(jiǎn)單和易實(shí)現(xiàn)；但隨機(jī)選擇聚類中心可能導(dǎo)致聚類結(jié)果存在一定的偏差，影響聚類效果。

針對(duì)這一缺陷，本文采用一種基于數(shù)據(jù)分布選取聚類中心的改進(jìn)K-均值聚類算法，在隨機(jī)確定初始聚類中心的基礎(chǔ)上，確保距離當(dāng)前初始聚類中心較遠(yuǎn)的點(diǎn)會(huì)有更高概率被選為下一個(gè)聚類中心。在確定所有聚類中心以后，后續(xù)的歸類過程與傳統(tǒng)方法完全一致。相比于傳統(tǒng)的K-均值聚類算法，這種改進(jìn)方法不僅有助于提升聚類效果，且較好地保證了類別劃分結(jié)果的客觀性。運(yùn)用該方法對(duì)前述生成的主成分因子進(jìn)行分類，可初步確定與待預(yù)測(cè)日特征相近的歷史日集合，有效保證集合中各歷史日樣本之間的相近性，為后續(xù)運(yùn)用DTW 算法最終選定相似日奠定很好的基礎(chǔ)。以初始數(shù)據(jù)集X ={ x1，x2，…，xn } 和分類數(shù)目K 為研究對(duì)象，運(yùn)用改進(jìn)的K-均值聚類算法對(duì)其進(jìn)行分類的具體步驟如下：

1）在初始數(shù)據(jù)集中隨機(jī)選取一個(gè)樣本，作為初始聚類中心C1；

2）針對(duì)數(shù)據(jù)集的每一個(gè)樣本點(diǎn)xi，計(jì)算它與當(dāng)前已有聚類中心的最短距離D （x）；

3）隨機(jī)選擇一個(gè)新的樣本點(diǎn)作為新的聚類中心，對(duì)數(shù)據(jù)集的每個(gè)樣本點(diǎn)與聚類中心的最短距離進(jìn)行求和，表示為sum（D（x））；在［0，sum（D（x））］隨機(jī)取值 R，令 R =R -D（x），直到R ≤0，此時(shí)的點(diǎn)即為下一個(gè)聚類中心，確保D （x） 較大的點(diǎn)更易被選為聚類中心；

4）重復(fù)步驟2）和3），直到選出K 個(gè)聚類中心；

5）運(yùn)用式（7），分別計(jì)算每個(gè)樣本點(diǎn)xi 到K 個(gè)聚類中心的歐氏距離，將其劃分到距離最小的聚類中心所對(duì)應(yīng)的類中；

7）重復(fù)步驟5）和6），直到聚類中心不再變化時(shí)，即可將初始數(shù)據(jù)集劃分為K 類。

1.3 DTW距離

動(dòng)態(tài)時(shí)間規(guī)整算法的基本原理是通過動(dòng)態(tài)調(diào)整時(shí)間序列的不同時(shí)間點(diǎn)對(duì)應(yīng)數(shù)據(jù)之間的關(guān)系來確定最短的彎曲路徑，可根據(jù)最短路徑的排序比較不同時(shí)間序列之間的相似性，距離越短意味著相近程度越高［18］?？紤]到經(jīng)PCA 方法降維得到的歷史日氣象要素的主成分因子是典型的時(shí)間序列數(shù)據(jù)，通過計(jì)算和比較隸屬于同一類別的待預(yù)測(cè)日與歷史日之間的DTW 距離，可進(jìn)一步提高歷史相似日選取的準(zhǔn)確性，具體計(jì)算步驟如下：

2.2 基于PCA方法的影響因素主成分表達(dá)式建立

本文使用的數(shù)據(jù)樣本合計(jì)20496 組，如前所述，輸入變量為5 類氣象要素，使用PCA 方法對(duì)其進(jìn)行主成分分析，計(jì)算得到各個(gè)主成分因子的信息貢獻(xiàn)率和累計(jì)貢獻(xiàn)率，結(jié)果詳見表1。

如表1 所示，前2 個(gè)主成分的累計(jì)貢獻(xiàn)率超過85%，意味著前2 個(gè)主成分可涵蓋原始樣本數(shù)據(jù)序列的大部分信息，因此，主成分?jǐn)?shù)量設(shè)置為2 個(gè)，將其作為后續(xù)相似日選取和出力預(yù)測(cè)模型構(gòu)建的重要輸入變量。表2 展示了2 個(gè)主成分因子各影響因素的相關(guān)系數(shù)。

2.3 基于改進(jìn)的K-均值聚類方法和DTW算法的相似日選取

2.3.1 基于改進(jìn)的K-均值聚類方法的歷史日樣本集確定

由于歷史日數(shù)量過多，且部分?jǐn)?shù)據(jù)信息存在異常，可能導(dǎo)致改進(jìn)的K-均值聚類算法的訓(xùn)練時(shí)間過長(zhǎng)，甚至無法收斂和完成聚類。因此，在進(jìn)行聚類操作前，需對(duì)樣本數(shù)據(jù)進(jìn)行歸一化處理，確保處理后的數(shù)據(jù)被限定在一定的范圍內(nèi)，比如［0，1］或［?1，1］，從而減小離群值施加的不良影響。本研究結(jié)合樣本的最大、最小值完成歸一化操作，范圍限定在［0，1］，具體計(jì)算公式為：

Xstd = x -xmin／xmax -xmin（20）

式中：Xstd——?dú)w一化后的數(shù)據(jù)；xmax——樣本數(shù)據(jù)中的最大值；xmin——樣本數(shù)據(jù)中的最小值。

在完成樣本數(shù)據(jù)歸一化的基礎(chǔ)上，將其作為改進(jìn)的K-均值聚類算法的輸入變量，對(duì)其進(jìn)行聚類?？紤]到多云、晴天、陰天和雨天4 種天氣類型對(duì)光伏出力的影響較為顯著，因此確定類別數(shù)量為4，依次用0，1，2，3 進(jìn)行編號(hào)，設(shè)置迭代次數(shù)為500。表3 給出了采用改進(jìn)的K-均值聚類算法得到的待預(yù)測(cè)日所屬類別和該類別的天數(shù)，這也意味著同一類別下的各日期之間的氣象要素的相近程度更高。由表3 可知，與待預(yù)測(cè)日7 月5 日的氣象特征相似的歷史日數(shù)量最少，為67 d；相反，7 月6 日和7 月7 日的相近歷史日數(shù)量最多，達(dá)到113 d。

2.3.2 基于DTW 算法的相似日確定

如表3 所示，與待預(yù)測(cè)日同屬一類的歷史日樣本過多，可能導(dǎo)致同一類別下的待預(yù)測(cè)日與部分歷史日的差異明顯，將在一定程度上對(duì)模型預(yù)測(cè)精度產(chǎn)生不利的影響，因此，有必要精簡(jiǎn)同一類別的歷史日樣本數(shù)量。本文引入DTW 算法，依托前述得到的聚類結(jié)果，首先，分別將待預(yù)測(cè)日和歷史日的主成分和發(fā)電功率通過列拼接的方式使之成為單維序列數(shù)據(jù)；然后，如1.3 節(jié)所述，順次構(gòu)造距離矩陣、定義最短路徑，搜尋和確定最短路徑；最后，通過式（11）分別計(jì)算同一類別下待預(yù)測(cè)日與歷史日的DTW 距離，按從小到大的順序從歷史日樣本集中選取3 d 作為相似日，選取結(jié)果參見圖4。

為更好地體現(xiàn)組合的相似日選取方法同時(shí)兼顧歷史日的內(nèi)部關(guān)聯(lián)程度高和其與待預(yù)測(cè)日特征相近兩個(gè)指標(biāo)的優(yōu)勢(shì)，本研究單獨(dú)采用DTW 算法，通過比較待預(yù)測(cè)日與全年歷史日的DTW 距離，選定了7 個(gè)待預(yù)測(cè)日的3 個(gè)相似日，挑選結(jié)果詳見表4。對(duì)比圖4 的相似日選取結(jié)果可知，7 月1 日、7 月4 日、7 月6 日和7 月7 日4 個(gè)待預(yù)測(cè)日的相似日選取結(jié)果一致。主要原因在于，對(duì)比其他3 個(gè)待預(yù)測(cè)日，上述4個(gè)待預(yù)測(cè)日與相似日的DTW 距離偏低，特征相似的傳遞效應(yīng)很好地保證了相似日之間的高相近程度，因此，單一和組合方法的識(shí)別結(jié)果完全相同。相反，當(dāng)待預(yù)測(cè)日與相似日的DTW 值偏高時(shí)，兩類方法的相似日選取結(jié)果出現(xiàn)了差別。以7 月2 日為例，采用組合方法選擇的相似日分別是6 月14日、8 月18 日和4 月24 日；采用DTW 法選擇的相似日是6月14 日、6 月25 日和8 月18 日。其中，6 月25 日和4 月24日與待預(yù)測(cè)日的DTW 距離分別是8.50 和10.42，盡管前者的相近程度更高一些，但是，由于6 月25 日的氣象數(shù)據(jù)與7 月2 日同屬一類的其他歷史日樣本之間的差異較大，被劃歸到類別0，因此，未能出現(xiàn)在采用組合方法挑選的相似日集合中。如果將其作為訓(xùn)練樣本，可能對(duì)預(yù)測(cè)模型產(chǎn)生干擾和影響收斂速度，不利于預(yù)測(cè)精度的提高。

2.4 結(jié)果分析

2.4.1 單一模型的預(yù)測(cè)結(jié)果分析

在分別選定2.2 節(jié)生成的兩個(gè)主成分因子為輸入變量，發(fā)電功率為輸出變量的基礎(chǔ)上，運(yùn)用經(jīng)驗(yàn)公式計(jì)算得到LSTM 和BP 神經(jīng)網(wǎng)絡(luò)的隱含層節(jié)點(diǎn)數(shù)分別為200 和16，最終構(gòu)建基于PCA 方法的LSTM 和BP 兩個(gè)單一光伏出力預(yù)測(cè)模型。圖5 展示了單一模型的預(yù)測(cè)結(jié)果。

如圖5 所示，單一模型的預(yù)測(cè)值與光伏出力的實(shí)際觀測(cè)值的總體變化趨勢(shì)保持一致，但2 個(gè)模型的預(yù)測(cè)精度和相對(duì)誤差存在一定的差異，LSTM 模型的預(yù)測(cè)效果略優(yōu)于BP 模型。其中，LSTM 模型的平均預(yù)測(cè)精度和平均相對(duì)誤差分別為73.29% 和26.71%；對(duì)應(yīng)地，BP 模型的2 個(gè)評(píng)價(jià)指標(biāo)分別是70.19% 和29.81%。二者的預(yù)測(cè)表現(xiàn)存在一定差異的主要原因是BP 算法極易收斂到局部極小點(diǎn)，導(dǎo)致其在發(fā)電功率較小的時(shí)間段的預(yù)測(cè)值與真實(shí)值的偏離度較高，相對(duì)誤差較大；相反，LSTM 模型通過引入門機(jī)制和記憶單元，在處理時(shí)間序列數(shù)據(jù)集時(shí)具有更好的泛化能力。因此，在輸入變量一致的前提條件下，相對(duì)誤差得到有效的控制。此外，對(duì)比2個(gè)單一模型在各個(gè)待預(yù)測(cè)日的表現(xiàn)可知，待預(yù)測(cè)日的全天發(fā)電功率情況也會(huì)影響模型的預(yù)測(cè)精度，發(fā)電功率越大，預(yù)測(cè)精度越高。以LSTM 模型的預(yù)測(cè)結(jié)果為例，在所有待預(yù)測(cè)日中，7 月4 日的全天光伏發(fā)電功率最高，因此，模型的預(yù)測(cè)精確度最高，達(dá)到87.81%；相反，7 月2 日的預(yù)測(cè)精度最低，僅為58.16%；其中，20：00 的光伏發(fā)電功率為0.3 MW，預(yù)測(cè)相對(duì)誤差高達(dá)204.13%，嚴(yán)重影響了模型的全天預(yù)測(cè)精度。

2.4.2 組合模型的預(yù)測(cè)結(jié)果分析

將聯(lián)合使用改進(jìn)的K-均值聚類算法和DTW 方法選定的相似日的氣象參數(shù)和實(shí)際發(fā)電功率作為輸入和輸出變量，分別構(gòu)建BP 和LSTM 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，圖6 展示了兩類組合預(yù)測(cè)模型的預(yù)測(cè)結(jié)果。

如圖6 所示，相較于單一預(yù)測(cè)模型，在合理選取相似日、剔除冗余歷史信息的基礎(chǔ)上，組合模型的預(yù)測(cè)精度顯著提高。其中，BP 模型的平均預(yù)測(cè)精度和平均相對(duì)誤差分別為88.23% 和11.77%，平均精度提高了18.04%；LSTM 模型的2個(gè)指標(biāo)分別為90.20% 和9.80%，改進(jìn)效果更為明顯。以LSTM 組合模型為例，7 月1 日的預(yù)測(cè)精度提升最為明顯，增加幅度高達(dá)28.29%。這也反映利用改進(jìn)的K-均值聚類和DTW 算法選取相似日的主要優(yōu)勢(shì)，即最大限度地去除無效樣本的干擾，提升組合模型的預(yù)測(cè)性能。

2.5 討 論

為了更好地體現(xiàn)合理的相似日選取在整個(gè)光伏出力預(yù)測(cè)過程中的重要程度，本文在2.3 節(jié)闡明組合選取方法和DTW 算法的相似日選取結(jié)果的差異性的基礎(chǔ)上，重點(diǎn)對(duì)比和分析基于兩種相似日選取方法的光伏出力預(yù)測(cè)精度。由于兩類方法針對(duì)7 月2 日、7 月3 日和7 月5 日3 個(gè)待預(yù)測(cè)日的選取結(jié)果存在差異，因此，本文以精度為評(píng)價(jià)指標(biāo)，將兩種方法識(shí)別的相似日的相關(guān)信息作為訓(xùn)練集，分別構(gòu)建3 個(gè)待預(yù)測(cè)日的LSTM 光伏出力預(yù)測(cè)模型，圖7 展示了預(yù)測(cè)結(jié)果，表5 列出了精度計(jì)算結(jié)果。對(duì)比結(jié)果顯示，基于組合相似日選取方法的出力預(yù)測(cè)模型精度（81.17%）高于基于DTW 法的平均精度（77.50%）。由此可見，在判定待預(yù)測(cè)日的歷史相似日時(shí)，除了關(guān)注歷史日與待預(yù)測(cè)日的相近程度以外，還需考察歷史日之間的關(guān)聯(lián)程度，特別是在歷史日與待預(yù)測(cè)日的相近程度偏低時(shí)，采用雙重標(biāo)準(zhǔn)選定的相似日更具合理性，可為后續(xù)的高精度出力預(yù)測(cè)模型構(gòu)建奠定很好的基礎(chǔ)。

3 結(jié) 論

針對(duì)當(dāng)前光伏出力預(yù)測(cè)模型精度普遍偏低的現(xiàn)狀，本文在采取PCA 法對(duì)氣象影響因素進(jìn)行降維和生成主成分因子的基礎(chǔ)上，創(chuàng)新性地聯(lián)合使用改進(jìn)的K-均值聚類算法和DTW 算法得到了與待預(yù)測(cè)日特征相近且內(nèi)部關(guān)聯(lián)程度高的相似日集合，并據(jù)此構(gòu)建基于LSTM 神經(jīng)網(wǎng)絡(luò)的光伏出力組合預(yù)測(cè)模型，實(shí)現(xiàn)了云南某光伏電站發(fā)電功率的準(zhǔn)確預(yù)測(cè)。對(duì)比結(jié)果顯示，基于相似日選取的組合預(yù)測(cè)模型的表現(xiàn)明顯好于單一預(yù)測(cè)模型，且采用雙重判定標(biāo)準(zhǔn)選定相似日可更好地確保訓(xùn)練樣本集合構(gòu)建的合理性，進(jìn)一步提升模型的預(yù)測(cè)精度。本文提出的組合預(yù)測(cè)方法為光伏出力預(yù)測(cè)提供一種新的視角，具有一定的應(yīng)用前景和工程應(yīng)用價(jià)值，后續(xù)一方面從樣本信息的預(yù)處理角度出發(fā)，引入穩(wěn)態(tài)分解方法，有效解決原始光伏出力數(shù)據(jù)波動(dòng)變化明顯導(dǎo)致預(yù)測(cè)模型構(gòu)建困難問題；另一方面，從模型的改進(jìn)角度出發(fā)，建立基于智能進(jìn)化算法的LSTM 預(yù)測(cè)模型，以期進(jìn)一步提高智能預(yù)測(cè)模型的性能。

［參考文獻(xiàn)］

［1］ 張志文， 杜澤源， 羅熹. 大規(guī)模光伏發(fā)電對(duì)電力系統(tǒng)影響［J］. 科技視界， 2018（3）： 138-139.

ZHANG Z W， DU Z Y， LUO X. Impact of large scalephotovoltaic power generation on power system［J］. Science＆ technology vision， 2018（3）： 138-139.

［2］ 吳碩. 光伏發(fā)電系統(tǒng)功率預(yù)測(cè)方法研究綜述［J］. 熱能動(dòng)力工程， 2021， 36（8）： 1-7.

WU S. Review of power forecasting methods of photovoltaicpower generation system［J］. Journal of engineering forthermal energy and power， 2021， 36（8）： 1-7.

［3］ 李爍， 陳新度， 尹玲， 等. 考慮氣象變化的光伏發(fā)電模型評(píng)估及研究［J］. 太陽能學(xué)報(bào)， 2022， 43（6）： 79-84.

LI S， CHEN X D， YIN L， et al. Evaluation and researchof photovoltaic power generation model considering climatechange［J］. Acta energiae solaris sinica， 2022， 43（6）： 79-84.

［4］ 李昊琦， 魏利平， 莊子賢， 等. 光伏相變系統(tǒng)溫控特性及散熱結(jié)構(gòu)優(yōu)化設(shè)計(jì)［J］. 太陽能學(xué)報(bào)， 2022， 43（9）：57-63.

LI H Q， WEI L P， ZHUANG Z X， et al. Temperaturecontrol characteristics and heat dissipation structureoptimization design of photovoltaic phase change system［J］. Acta energiae solaris sinica， 2022， 43（9）： 57-63.

［5］ 譚海旺， 楊啟亮， 邢建春， 等. 基于XGBoost-LSTM組合模型的光伏發(fā)電功率預(yù)測(cè)［J］. 太陽能學(xué)報(bào)， 2022， 43（8）： 75-81.

TAN H W， YANG Q L， XING J C， et al. Photovoltaicpower prediction based on combined XGBoost-LSTM model［J］. Acta energiae solaris sinica， 2022， 43（8）： 75-81.

［6］ 喬路麗， 方詩琦， 趙庭銳， 等. 基于相似日和IGA-BP的光伏發(fā)電功率預(yù)測(cè)方法研究［J］. 電網(wǎng)與清潔能源，2022， 38（1）： 128-134.

QIAO L L， FANG S Q， ZHAO T R， et al. A study on theforecasting method of photovoltaic power generation basedon similar day and IGA-BP［J］. Power system and cleanenergy， 2022， 38（1）： 128-134.

［7］ 魏聯(lián)濱， 王彬， 王瑩， 等. 基于氣象相似日選取與提升回歸樹的光伏發(fā)電短期功率預(yù)測(cè)［J］. 電子器件， 2022，45（1）： 183-188.

WEI L B， WANG B， WANG Y， et al. Short-term powerforecast of photo-voltaic power generation based on weathersimilarity day and boosting regression tree［J］. Chinesejournal of electron devices， 2022， 45（1）： 183-188.

［8］ ZHOU Y， ZHOU N R， GONG L H， et al. Prediction ofphotovoltaic power output based on similar day analysis，genetic algorithm and extreme learning machine ［J］.Energy， 2020， 204： 117894.

［9］ LIU X J， LIU Y Y， KONG X B， et al. Deep neuralnetwork for forecasting of photovoltaic power based onwavelet packet decomposition with similar day analysis［J］.Energy， 2023， 271： 126963.

［10］ 程啟明， 張強(qiáng)， 程尹曼， 等. 基于密度峰值層次聚類的短期光伏功率預(yù)測(cè)模型［J］. 高電壓技術(shù)， 2017， 43（4）：1214-1222.

CHENG Q M， ZHANG Q， CHENG Y M， et al. Short-termphotovoltaic power prediction model based on hierarchicalclustering of density peaks algorithm［J］. High voltageengineering， 2017， 43（4）： 1214-1222.

［11］ 李剛， 劉佳林， 王騰飛， 等. 基于相似日理論和IPSOElman模型的短期光伏發(fā)電功率預(yù)測(cè)［J］. 測(cè)控技術(shù)，2020， 39（2）： 91-97， 131.

LI G， LIU J L， WANG T F， et al. Short-term photovoltaicpower forecast based on similar day theory and IPSOElmanmodel［J］. Measurement amp; control technology，2020， 39（2）： 91-97， 131.

［12］ 劉新志. 環(huán)境因素影響下的相似日分析與短期負(fù)荷預(yù)測(cè)［D］. 昆明： 昆明理工大學(xué)， 2021.

LIU X Z. Similar day analysis and short-term loadforecasting under the influence of environmental factors［D］. Kunming：Kunming University of Science andTechnology， 2021.

［13］ 張雨金， 楊凌帆， 葛雙冶， 等. 基于K-均值-SVM的短期光伏發(fā)電功率預(yù)測(cè)［J］. 電力系統(tǒng)保護(hù)與控制， 2018， 46（21）： 118-124.

ZHANG Y J， YANG L F， GE S Y， et al. Short-term photovoltaic power forecasting based on K-means algorithmand support vector machine［J］. Power system protectionand control， 2018， 46（21）： 118-124.

［14］ 郭超凡， 王旭明， 石晨宇， 等. 基于改進(jìn)K 均值算法的玉米葉片圖像分割［J］. 中北大學(xué)學(xué)報(bào)（自然科學(xué)版），2021， 42（6）： 524-529.

GUO C F， WANG X M， SHI C Y， et al. Corn leaf imagesegmentation based on improved K-means algorithm［J］.Journal of North University of China （natural scienceedition）， 2021， 42（6）： 524-529.

［15］ 凌玉龍， 張曉， 李霞， 等. 改進(jìn)K-均值算法在學(xué)生消費(fèi)畫像中的應(yīng)用［J］. 計(jì)算機(jī)技術(shù)與發(fā)展， 2021， 31（10）：122-127.

LING Y L， ZHANG X， LI X， et al. Application ofimproved K-means algorithm in student consumptionportrait［J］. Computer technology and development， 2021，31（10）： 122-127.

［16］ 王鵬翔， 沈娟， 王菁旸， 等. 基于PCA-LMD-WOA-ELM的短期光伏功率預(yù)測(cè)［J］. 智慧電力， 2022， 50（6）： 72-78.

WANG P X， SHEN J， WANG J Y， et al. Short termphotovoltaic power prediction based on PCA-LMD-WOAELM［J］. Smart power， 2022， 50（6）： 72-78.

［17］ 李秉晨， 于惠鈞， 劉靖宇. 基于K-均值和CEEMD-PELSTM的短期光伏發(fā)電功率預(yù)測(cè)［J］. 水電能源科學(xué)，2021， 39（4）： 204-208.

LI B C， YU H J， LIU J Y. Prediction of short-termphotovoltaic power generation based on K-means andCEEMD-PE-LSTM［J］. Water resources and power， 2021，39（4）： 204-208.

［18］ 張海燕， 閆文君， 張立民， 等. 基于微分思想和動(dòng)態(tài)時(shí)間彎曲（DTW）的飛行員著艦技能評(píng)估研究［J］. 兵器裝備工程學(xué)報(bào)， 2023， 44（3）： 124-130.

ZHANG H Y， YAN W J， ZHANG L M， et al. Evaluationof pilot landing skills based on differential thinking anddynamic time warping［J］. Journal of ordnance equipmentengineering， 2023， 44（3）： 124-130.

［19］ CHEN H L， CHANG X F. Photovoltaic power prediction ofLSTM model based on Pearson feature selection［J］.Energy reports， 2021， 7： 1047-1054.

［20］ MA W T， LEI Y M， WANG X F， et al. Robust state ofcharge estimation of lithium-ion battery via mixture kernelmean p-power error loss LSTM with heap-based-optimizer［J］. Journal of energy chemistry， 2023， 80： 768-784.

基金項(xiàng)目：國家自然科學(xué)基金（62073134）