(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 202211128148.4 (22)申请日 2022.09.16 (71)申请人 天津大学 地址 300072 天津市南 开区卫津路9 2号 (72)发明人 朱介北　李明睿　郑伟杰　赵乐　 (74)专利代理 机构 天津市北洋 有限责任专利代 理事务所 12 201 专利代理师 张建中 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) H02J 3/00(2006.01) G06N 20/00(2019.01) G06K 9/62(2022.01) (54)发明名称 基于通径分析聚类和混沌抑制的光伏输出 功率预测方法 (57)摘要 本发明公开了一种基于通径分析聚类和混 沌抑制的光伏输出功率预测方法， 该方法通过通 径分析量化气象因子对光伏输出功率的影响并 找出主导气象因子； 根据主导气象因子对历史数 据集进行聚类， 得到与待预测日气象条件接近的 相似日历史数据集； 利用相 空间重构方法， 对非 线性光伏输出功率时间序列进行重构； 将时间序 列作为输入， 将光伏输出功率时间序列重构数据 列向量作为输出， 建立光伏输出功率预测模型； 由相似日历史数据集制作训练样 本， 对光伏输出 功率预测模 型进行训练； 对待预测日的时间序列 进行重构， 输入至光伏输出功率预测模型， 得到 对应的光伏输出功率预测值。 本发 明抑制了原始 数据集的混沌特性， 无论天气晴或阴雨， 光伏预 测精度都有提升 。 权利要求书4页 说明书13页 附图5页 CN 115409281 A 2022.11.29 CN 115409281 A 1.一种基于通径分析聚类和混沌抑制的光伏输出功率预测方法， 其特征在于， 包括如 下步骤： 步骤1， 通过通径分析量 化气象因子对光伏输出功率的影响并找出主导气象因子； 步骤2， 根据主导气象因子， 对历史数据集进行聚类， 得到与待预测日气象条件接近的 相似日历史数据集； 步骤3， 利用相空间重构方法， 对非线性光伏输出功率时间序列进行重构； 将时间序列 作为输入， 将光伏输出功率时间序列重构数据列向量作为输出， 建立光伏输出功率预测模 型； 由相似日历史数据集制作训练样本， 对光伏输出功率预测模型进行训练； 步骤4， 对待预测日的时间序列进行重构， 输入至光伏输出功率预测模型， 得到对应的 光伏输出功率预测值。 2.根据权利要求1所述的基于通径分析聚类和混沌抑制的光伏输出功率预测方法， 其 特征在于， 步骤1包括如下分步骤： 步骤A1， 选取气象因子作为自变量， 光伏输出功率作为因变量进行分析， 对历史数据集 进行标准化处理， 消除气象因子的量级差异带来的潜在误差； 步骤A2， 计算气象因子之间及气象因子与光伏输出功率间的相关系数： 步骤A3， 设ui为第i个气象因子， uj为第j个气象因子， y为光伏输出功率， ri,y为ui与y的 相关系数， 按照下式对ri,y进行分解， 将其分解成ui对y的直接通径系数以及ui通过uj对y的 间接通径系数： 式中： pi,y为ui对y的直接通径系数； ri,jpj,y为ui通过uj对y的间接通径系数； w为气象因子的总数； 步骤A4， 根据得到 的pi,y的大小进行排序， pi,y数值较大对应的气 象因子作为主导气象 因子。 3.根据权利要求1所述的基于通径分析聚类和混沌抑制的光伏输出功率预测方法， 其 特征在于， 步骤2包括如下分步骤： 步骤B1， 将历史数据集中的气象因子特 征向量进行归一 化处理； 步骤B2， 基于加权欧氏距离对归一化处理后的气象因子特征向量进行聚类处理， 在历 史数据集中搜索相似日历史数据集。 4.根据权利要求3所述的基于通径分析聚类和混沌抑制的光伏输出功率预测方法， 其 特征在于， 步骤B2中， 按照下式计算历史数据集和待预测日之间的有关气象因子特征向量 的加权欧氏距离D： 式中： vi表示第i个特 征向量；权　利　要　求　书 1/4 页 2 CN 115409281 A 2k表示特征向量总数； pi,y,f表示第i个特 征向量的直接通径系数； vi,fcst表示待预测日的第i个特 征向量的值； 从历史数据集选择D值较小的数据集 合为相似日历史数据集。 5.根据权利要求1所述的基于通径分析聚类和混沌抑制的光伏输出功率预测方法， 其 特征在于， 步骤3中， 利用相空间重构方法， 对非线性光伏输出功率时间序列进行重构的方 法步骤包括如下分步骤： 步骤C1， 对相似日历史数据集， 采用相空间重构法以延迟时间τ和嵌入维度m， 将一维光 伏输出功率时间序列{x(i)|i＝1, …,N}映射到相空间； 其中x(i)为时间序列中的第i个点； N为时间序列点的总数； 步骤C2， 根据C ‑C法， 将{x(i)|i ＝1,…,N}分成t个子序列： t为子序列的总数； 步骤C3， 定义 关联积分为相空间中两点之间的距离小于常数rl的概率的累积分布函数， 关联积分的计算公式如下： 其中， M＝ N‑(M‑1)t； 式中： Cs(m,M,rl,t)为第s个子序列的关联积分； M为重建相空间中状态量的总数； Xi为相空间中的第i个点； Xj为相空间中的第j个点； Θ(w)为He aviside函数； 当(rl‑||Xi‑Xj||)≥0时输出1， 否则输出0； 根据BDS统计结论， 当m＝2,3,4,5时， 对应的常数rl＝σ l/2,l ＝1,2,3,4， 其中σ 为时间序列的标准差； 步骤C4， 设S(m,M,rl,t)为所有子序列的关联积分差， 设 为S(m,M,rl,t)在不同 rl下的最大值和最小值之间的偏差； S(m,M,rl,t)及 的计算公式如下： 式中： Cs(m,M,rl,t)为第s个子序列的关联积分； Cs(1,M,rl,t)为第s个子序列的关联积分， 此时m＝1； max{S(m,M,rl,t)}为关联积分和的最大值； min{S(m,M,rl,t)}为关联积分和的最小值； 步骤C5， 设 为不同m取值下的S(m,M,rl,t)的平均值； 设 为不同m取值下的 的平均值； 及 的计算公式如下：权　利　要　求　书 2/4 页 3 CN 115409281 A 3