本发明涉及一种基于天气分类的短期光伏功率预测方法，属于光伏发电。
背景技术：
1、随着全球光伏发电累计装机容量的不断增加，其随机性、波动性和不确定性是电力整合面临的关键挑战之一。光伏发电的短期预测对电力系统的供需平衡具有独特的帮助，能够降低经济成本和可靠性风险。
2、目前，光伏发电短期预测有物理方法、统计方法、机器学习方法三种。物理方法采用光伏组件运行方程、太阳辐射传递方程等物理方程对光伏功率进行预测，物理方法需要气象数据、太阳辐照度、组件参数和光伏电站的地理位置，物理方法计算云运动位移向量，建立了基于图像相移不变性的超短期光伏发电功率预测模型，但该模型的抗干扰能力较差，在一些异常天气条件下的预报效果并不理想。统计方法利用大量历史数据，运用时间序列分解等统计技术将待预测的功率与相关历史数据联系起来，以统计学的角度分析数据，得出光伏输出的概率预测结果，然而，光伏产量受到多种因素影响，因此仅仅从历史数据的角度进行分析可能导致实际预测精度较低。机器学习方法已成为目前光伏产量预测的主流方法，它利用机器学习技术从气象数据和历史光伏输出数据中提取数据变化特征，并进行预测，其能够更全面地考虑光伏产量受到的多种影响因素，因此其预测结果具有较高的精度。但目前还没有根据天气分类的光伏功率预测方法。
技术实现思路
1、针对上述现有技术存在的问题，本发明提供一种基于天气分类的短期光伏功率预测方法，基于模糊c均值聚类算法(fcm)、长短期记忆网络(lstm)和经验小波变换(ewt)相结合的组合预测模型，进行短期光伏发电功率预测，预测结果的精度高。
2、为了实现上述目的，本发明采用的一种基于天气分类的短期光伏功率预测方法，包括以下步骤：
3、s1、通过计算皮尔逊相关系数，得出影响光伏输出功率的气象变量，筛选出相关性高的气象变量作为关键特征；
4、s2、将步骤s1筛选的关键特征组合成向量，采用fcm方法对向量进行聚类分析，并将结果按照天气类型分类；
5、s3、对于不同天气类型，采用ewt-lstm组合预测模型对预测模块单元进行训练；
6、s4、根据预测日前的气象数据确定预测日的天气类型，将历史光伏数据和预测日前的气象数据作为输入，导入到步骤s3的ewt-lstm组合预测模型中，得到预测日的光伏功率预测结果。
7、作为优先的，所述气象变量包括太阳短波辐射、太阳长波辐射、温度、地表压力、降水、地表风速、地表风向、环境湿度、太阳辐射量、太阳仰角和太阳方位角；
8、所述步骤s1中采用皮尔逊相关系数公式分别计算各气象变量与光伏输出功率的相关性，选取相关系数大于0.8的气象变量作为关键特征为后续使用；
9、
10、其中，x代表气象变量，y代表光伏输出功率；xi、yi分别代表变量对应数据集中第i个x和y的值；和分别表示x和y的均值；相关系数r描述变量x与y的线性相关程度，取值范围为[-1,1]。
11、作为优先的，所述步骤s2将关键特征组合成为向量进行多指标的fcm聚类分析时，先采用最大最小归一化法对历史光伏输出功率和筛选的关键特征进行归一化处理；
12、
13、式中，ξi为归一化后的值，τi为原始值，τmax和τmin分别为τ变量该组数据中的最大值和最小值。
14、作为优先的，所述步骤s2中，在fcm方法中，将由n个关键特征组成的n维度向量λi划分为c个模糊数据组，并确定每个组的聚类中心，通过损失函数描述从每个向量到聚类中心的欧式距离，通过不断迭代隶属度矩阵u和聚类中心v＝[v1,v2,…,vc]，使损失函数取得最小值，损失函数如下：
15、
16、式中，uij是属于第j类的第i个样本的隶属度；m为隶属度因子(1≤m≤∞)；dij是从样本到聚类中心的欧式距离，dij＝||λi-vj||。
17、作为优先的，fcm方法中迭代过程如下：
18、a)初始化聚类中心数c和隶属度矩阵u(0)，并使隶属度矩阵满足以下约束：
19、
20、b)根据隶属度矩阵计算聚类中心v(l)：
21、
22、c)更新隶属度矩阵u(l)，并计算聚类损失函数j(l)，具体如下：
23、
24、d)给定隶属度终止阈值εu＞0，损失函数终止阈值εj＞0，当满足条件或|j(l)-j(l-1)|＜εj时终止，否则返回步骤b)；
25、当迭代终止时，确定最优隶属度矩阵u和聚类中心v，根据u确定样本的类别，当满足uij＝max1≤j≤c{uij}时，向量λi被归类为第j类。
26、作为优先的，所述步骤s3具体包括：采用经验小波变换方法将历史光伏数据离散化，得到一系列具有不同特征尺度的经验模态函数子序列，针对每个不同的模式，采用lstm模型进行独立预测，并将不同模式的预测结果综合起来，得出最终的光伏功率预测值。
27、作为优先的，采用ewt将历史数据分解为n个模式，对应的n个模式下经过lstm预测出来的光伏出力结果分别为p1、p2、p3…pn，则最终的光伏出力预测值p为n个模式下加权求和；
28、具体分解模式的数量、en的权重取值根据历史光伏数据曲线分解情况确定。
29、与现有技术相比，本发明的有益效果是：
30、(1)场景分类工作优势
31、本发明将短期光伏功率预测的场景分为不同类型，再按不同类型去训练模型，将待预测日气象按照聚类好的气象类型去选择归属，然后导入到该天气类型下的预测模型中进行短期光伏功率预测，这样有效避免了极端天气对整体单一预测模型框架的影响，可以一定程度上提高预测模型的精度。
32、(2)组合预测模型上优势
33、本发明将模糊c均值聚类算法(fcm)、经验小波变换(ewt)和长短期记忆网络(lstm)结合，针对不同季节和天气类型建立了相应的组合预测模型，这种组合预测模型综合利用了多种方法，提高了短期光伏功率预测的准确性和鲁棒性，相对于单一的预测模型，该组合预测模型可以一定程度上减小预测误差。
34、(3)预测算法上的优势
35、长短时记忆网络(lstm)是一种特殊的循环神经网络(rnn)，主要是为了解决长序列训练过程中的梯度消失和梯度爆炸问题。lstm网络相对于rnn具有较好的“记忆性”，能够对久远的历史数据仍有较好的记忆和把握，更不易遗忘关键性质特征。采用lstm做短期光伏功率预测相对于大多数算法有较好成效，并且lstm擅长于处理多个变量的问题，该特性使其有助于解决时间序列预测问题。
1.一种基于天气分类的短期光伏功率预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于天气分类的短期光伏功率预测方法，其特征在于，所述气象变量包括太阳短波辐射、太阳长波辐射、温度、地表压力、降水、地表风速、地表风向、环境湿度、太阳辐射量、太阳仰角和太阳方位角；
3.根据权利要求1所述的一种基于天气分类的短期光伏功率预测方法，其特征在于，所述步骤s2将关键特征组合成为向量进行多指标的fcm聚类分析时，先采用最大最小归一化法对历史光伏输出功率和筛选的关键特征进行归一化处理；
4.根据权利要求1所述的一种基于天气分类的短期光伏功率预测方法，其特征在于，所述步骤s2中，在fcm方法中，将由n个关键特征组成的n维度向量λi划分为c个模糊数据组，并确定每个组的聚类中心，通过损失函数描述从每个向量到聚类中心的欧式距离，通过不断迭代隶属度矩阵u和聚类中心v＝[v1,v2,…,vc]，使损失函数取得最小值，损失函数如下：
5.根据权利要求4所述的一种基于天气分类的短期光伏功率预测方法，其特征在于，fcm方法中迭代过程如下：
6.根据权利要求1所述的一种基于天气分类的短期光伏功率预测方法，其特征在于，所述步骤s3具体包括：采用经验小波变换方法将历史光伏数据离散化，得到一系列具有不同特征尺度的经验模态函数子序列，针对每个不同的模式，采用lstm模型进行独立预测，并将不同模式的预测结果综合起来，得出最终的光伏功率预测值。
7.根据权利要求6所述的一种基于天气分类的短期光伏功率预测方法，其特征在于，采用ewt将历史数据分解为n个模式，对应的n个模式下经过lstm预测出来的光伏出力结果分别为p1、p2、p3…pn，则最终的光伏出力预测值p为n个模式下加权求和；
