基于K-means++，最优相似日算法和LSTM神经网络的光伏功率短期预测的混合模型

光伏发电由于其清洁无污染特性,近年来得到快速发展.然而由于其随机性、间歇性和波动性的特点,大规模光伏电站并入电网可能会影响电网系统的稳定性.因此,对光伏发电功率进行精确预测,保障电力网系统的稳定性的同时,也协助电力部门制定调度计划保证电站的经济运行.基于深度学习的发展及其在能源领域的良好表现,本文提出了一种结合改进的K-Means聚类算法、相似日和LSTM神经网络的短期光伏功率混合预测模型.该混合模型使用历史功率和气象因子数据对第二日的光伏发电功率进行预测.首先使用K-means++聚类算法根据不同的特征矩阵输入探究最优聚类结果,结合气象信息确定各天气类别.然后基于不同寻找相似日的方法的对比,确定GRA和Cosine算法相结合的方法来寻找预报日的最佳相似日;最后采用具有选择性记忆功能的LSTM神经网络对模型训练和测试.将预测结果与其他神经网络模型或单一模型的预测结果进行对比.RMSE、MAPE和MAD三个性能评价指标的值表明,所提出的混合预测模型在预测精度和稳定性方面都表现出了优越的性能.