一种分布式光伏集群功率短期预测方法及装置与流程

1.本发明涉及电力系统新能源发电功率预测技术领域，尤其是指一种分布式光伏集群功率短期预测方法及装置。


背景技术：

2.光伏功率预测对于电网调度具有重要意义，根据预测时间尺度的不同，光伏功率预测可分为超短期预测，短期预测和中长期预测，其中短期预测主要为调度部门制定发电计划服务。分布式光伏单个站点的装机容量较小且分布较为分散，调度时一般关注某个区域内所有分布式光伏站点集群整体功率预测值。实际预测过程中存在两种空间互补特性：出力曲线互补，亦称平滑效应，即各站点的出力曲线相互叠加实现互补；预测误差互补，即各个站点的预测结果相累加，误差彼此抵消实现互补。利用分布式光伏集群功率预测的两类空间互补特性可以为光伏集群划分提供依据，从而提升预测精度。
3.目前分布式光伏集群功率短期预测常见的方法包括集群整体预测、各场站分别预测和整合预测。其中集群整体预测利用了出力曲线互补特性，但各场站的光伏出力曲线模式存在较大差异，出力曲线直接叠加会造成信息丢失，导致预测误差偏大；各场站分别预测利用了预测误差互补特性，但单个站点的功率时间序列随机性较强，预测精度偏低；而整合预测结合了两种空间互补特性，若集群划分合理，可以有效避免前两种方法的缺陷，但现有的整合预测不能合理划分分布式光伏集群，导致预测精度偏低。


技术实现要素：

4.为此，本发明所要解决的技术问题在于克服现有技术中子集群划分不合理导致短期功率预测的预测精度低的问题。
5.为解决上述技术问题，本发明提供了一种分布式光伏集群功率短期预测方法，包括：根据分布式光伏集群中每个光伏场站在待预测日前连续多天的日出力曲线，计算每个光伏场站的日典型光伏出力曲线，得到集群日典型光伏出力曲线集合；在所述集群日典型光伏出力曲线集合中，随机提取k个光伏场站对应的k条日典型光伏出力曲线，构建k个子集群；基于集群日典型光伏出力曲线集合中剩余的每个日典型光伏出力曲线，与k个子集群之间的空间互补性，利用最优空间互补协同整合算法，将集群日典型光伏出力曲线集合中所有的日典型光伏出力曲线所对应的所有光伏场站划分至k个子集群；将每个子集群中所有光伏场站在待预测日前连续多天的日出力曲线，进行叠加，获取每个子集群的历史出力曲线；将每个子集群的历史出力曲线，输入神经网络模型中进行功率预测，获取每个子集群在待预测日的功率预测值曲线；将每个子集群在待预测日的功率预测值曲线，按照采样点对应的关系进行叠加求
和，获取所述分布式光伏集群在待预测日的集群功率预测值。
6.具体地，所述根据分布式光伏集群中每个光伏场站在待预测日前连续多天的日出力曲线，计算每个光伏场站的日典型光伏出力曲线，得到集群日典型光伏出力曲线集合，包括：获取分布式集群中，第i个光伏场站在待预测日之前连续d天的日出力曲线，组成日出力曲线集合；基于第i个光伏场站连续d天在各采样点处的出力值，计算第i个光伏场站在各采样点处的典型出力功率；基于第i个光伏场站在各采样点处的典型出力功率，获取第i个光伏场站的日典型光伏出力曲线；基于分布式光伏集群中每个光伏场站的日典型光伏出力曲线，生成集群日典型光伏出力曲线集合；其中，i表示分布式光伏集群中的第i个光伏场站，i=1,2,
…
,m，m表示分布式光伏集群中光伏场站的总数量；总出力值，为第i个光伏场站在第d天的第t个采样点的出力值，d=1,2,
…
,d，d表示待预测日之间的采集天数；,表示一天中出力采样点的总个数。
7.具体地，所述基于第i个光伏场站连续d天在各采样点处的出力值，计算第i个光伏场站在各采样点处的典型出力功率，表示为：。
8.具体地，所述将集群日典型光伏出力曲线集合中所有的日典型光伏出力曲线所对应的所有光伏场站划分至k个子集群，包括：预设集群协同整合数k，从所述集群日典型光伏出力曲线集合中，随机提取k个光伏场站的日典型光伏出力曲线，构建包含多个子集群的初始集群整合模式；初始集群整合模式中的每个子集群均包括一个对应的日典型光伏出力曲线；从更新的集群日典型光伏出力曲线集合中，随机提取光伏场
站n的日典型光伏出力曲线，计算光伏场站n的日典型光伏出力曲线与初始集群整合模式中所有子集群之间的空间互补性，获取空间互补性最小的子集群作为目标子集群；将光伏场站n的日典型光伏出力曲线加入所述目标子集群中，获取更新的目标子集群与更新的集群日典型光伏出力曲线集合；直至集群日典型光伏出力曲线集合为空，生成目标集群整合模式,将分布式光伏集群划分为多个子集群。
9.具体地，所述计算光伏场站n的日典型光伏出力曲线与初始集群整合模式中所有子集群之间的空间互补性，获取空间互补性最小的子集群作为目标子集群，包括：目标子集群：；其中，表示待计算空间互补性的新子集群，由光伏场站n与子集群c组成；表示空间互补性指标，表达式为：；其中，α为出力曲线互补权重参数，β为预测误差互补权重参数，表示两条曲线的pearson相关系数；为子集群c的日典型光伏出力总曲线；为新子集群在待预测日的功率预测值曲线；为当前集群整合模式c中除当前计算的子集群cj以外的所有子集群在待预测日的功率预测值总曲线。
10.具体地，所述子集群c的日典型光伏出力总曲线，表示为：；其中，为子集群c的日典型光伏出力总曲线在采样点t处的子集群总功率值，,为采样点总个数；为子集群c中的第i个光伏场站的日典型光伏出力曲线；为日典型光伏出力曲线中采样点t处的典型功率值。
11.具体地，所述新子集群在待预测日的功率预测值曲线与所述当前集群整合模式c中除当前计算的子集群cj以外的所有子集群在待预测日的功率预测值总曲线的获取，包括：新子集群在待预测日的功率预测值曲线：；子集群c的功率预测值曲线：；当前集群整合模式c中除当前计算的子集群cj以外的所有子集群在待预测日第t
采样点的功率预测值总曲线：；其中，表示神经网络模型预测结果；表示将子集群c的历史出力曲线输入神经网络模型中得到的功率预测值曲线，j表示当前计算子集群cj。
12.具体地，所述将每个子集群在待预测日的功率预测值曲线，按照采样点对应的关系进行叠加求和，获取所述分布式光伏集群在待预测日的集群功率预测值，表示为：分布式光伏集群在待预测日的集群功率预测值：；其中，表示子集群在待预测日采样点t处的功率预测值。
13.具体地，所述神经网络模型包括卷积神经网络模型、循环神经网络模型与长短时记忆网络模型。
14.本发明实施例还提供了一种分布式光伏集群功率短期预测装置，包括：集群日典型光伏出力曲线集合获取模块，用于根据分布式光伏集群中每个光伏场站在待预测日前连续多天的日出力曲线，计算每个光伏场站的日典型光伏出力曲线，得到集群日典型光伏出力曲线集合；子集群划分模块，用于在所述集群日典型光伏出力曲线集合中，随机提取k个光伏场站对应的k条日典型光伏出力曲线，构建k个子集群；基于集群日典型光伏出力曲线集合中剩余的每个日典型光伏出力曲线，与k个子集群之间的空间互补性，利用最优空间互补协同整合算法，将集群日典型光伏出力曲线集合中所有的日典型光伏出力曲线所对应的所有光伏场站划分至k个子集群；历史出力曲线获取模块，用于将每个子集群中所有光伏场站在待预测日前连续多天的日出力曲线，进行叠加，获取每个子集群的历史出力曲线；预测模块，用于将每个子集群的历史出力曲线，输入神经网络模型中进行功率预测，获取每个子集群在待预测日的功率预测值曲线；计算模块，用于将每个子集群在待预测日的功率预测值曲线，按照采样点对应的关系进行叠加求和，获取所述分布式光伏集群在待预测日的集群功率预测值。
15.本发明的上述技术方案相比现有技术具有以下优点：本发明所述的分布式光伏集群功率短期预测方法，以分布式光伏集群中场站的日典型光伏出力曲线之间的空间互补性作为标准，使用最优空间互补协同整合算法，以空间互补性最小为优化目标，对分布式光伏集群进行子集群划分，使得同一子集群中所有光伏场站的光伏出力曲线模式存在的差异减小，有效提升了分布式光伏集群功率的预测精度，有助于分布式光伏集群中场站的运行与调度性。本发明将每个子集群将集群内所有场站的功率相加，获取子集群功率预测值，输入神经网络模型中进行预测，累加各个子集群的预测功率，获取分布式光伏集群的集群功率预测值，有效提高分布式光伏集群功率预测精度，有助于提前调整待预测日调峰机组的运行功率，减轻调度压力，有利于光伏发电的推广应用。
16.本发明计算场站日典型光伏出力曲线和子集群日典型光伏出力总曲线的pearson相关系数，以及不同子集群功率预测值的pearson相关系数，将二者的加权和作为分布式光伏集群功率曲线空间互补性的度量指标，可有效衡量分布式光伏集群功率的空间互补性；
在分布式光伏集群整合过程中，以相关系数加权和尽可能小作为优化目标，提高了集群功率预测的准确性。
附图说明
17.为了使本发明的内容更容易被清楚的理解，下面根据本发明的具体实施例并结合附图，对本发明作进一步详细的说明，其中图1是本发明所提供的一种分布式光伏集群功率短期预测方法的步骤流程图。
具体实施方式
18.下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
19.参照图1所示，本发明的一种分布式光伏集群功率短期预测方法的步骤流程图，具体步骤包括：s101：根据分布式光伏集群中每个光伏场站在待预测日前连续多天的日出力曲线，计算每个光伏场站的日典型光伏出力曲线，得到集群日典型光伏出力曲线集合；s102：在所述集群日典型光伏出力曲线集合中，随机提取k个光伏场站对应的k条日典型光伏出力曲线，构建k个子集群；s103：基于集群日典型光伏出力曲线集合中剩余的每个日典型光伏出力曲线，与k个子集群之间的空间互补性，利用最优空间互补协同整合算法，将集群日典型光伏出力曲线集合中所有的日典型光伏出力曲线所对应的所有光伏场站划分至k个子集群；s104：将每个子集群中所有光伏场站在待预测日前连续多天的日出力曲线，进行叠加，获取每个子集群的历史出力曲线；s105：将每个子集群的历史出力曲线，输入神经网络模型中进行功率预测，获取每个子集群在待预测日的功率预测值曲线；s106：将每个子集群在待预测日的功率预测值曲线，按照采样点对应的关系进行叠加求和，获取所述分布式光伏集群在待预测日的集群功率预测值。
20.本发明采用最优空间互补协同整合算法将分布式光伏集群内的场站进行划分，每个子集群将集群内所有站点的功率相加作为整体输入神经网络模型中进行预测，再将每个子集群的功率预测值相加作为分布式光伏集群的功率预测值，该方法有效提升了分布式光伏集群功率预测精度，有助于提前调整待预测日调峰机组的运行功率，减轻调度压力，有利于光伏发电的推广应用。
21.具体地，在步骤s101中，包括：获取分布式集群中，第i个光伏场站在待预测日之前连续d天的日出力曲线，组成日出力曲线集合；基于第i个光伏场站连续d天在各采样点处的出力值，计算第i个光伏场站
在各采样点处的典型出力功率，表示为；基于第i个光伏场站在各采样点处的典型出力功率，获取第i个光伏场站的日典型光伏出力曲线；基于分布式光伏集群中每个光伏场站的日典型光伏出力曲线，生成集群日典型光伏出力曲线集合；其中，i表示分布式光伏集群中的第i个光伏场站，i=1,2,
…
,m，m表示分布式光伏集群中光伏场站的总数量；总出力值，为第i个光伏场站在第d天的第t个采样点的出力值，d=1,2,
…
,d，d表示待预测日之间的采集天数；,表示一天中出力采样点的总个数。
22.具体地，在步骤s102和s103中，将分布式光伏集群划分为多个子集群，具体包括：
①
预设集群协同整合数k，从所述集群日典型光伏出力曲线集合中，随机提取k个光伏场站的日典型光伏出力曲线，构建包含多个子集群的初始集群整合模式；初始集群整合模式中的每个子集群均包括一个对应的日典型光伏出力曲线；
②
从更新的集群日典型光伏出力曲线集合中，随机提取光伏场站n的日典型光伏出力曲线，计算光伏场站n的日典型光伏出力曲线与初始集群整合模式中所有子集群之间的空间互补性，获取空间互补性最小的子集群作为目标子集群，表示为；其中，表示待计算空间互补性的新子集群，由光伏场站n与子集群c组成；表示空间互补性指标，表达式为：；其中，α为出力曲线互补权重参数，β为预测误差互补权重参数，表示两条曲线的pearson相关系数；为子集群c的日典型光伏出力总曲线，表示为，为子集群c的日典型光伏出力总曲线在采样点t处的子集群总功率值，,为采样点总个数；为子集群c中的第i个光伏场站的日典型光
伏出力曲线；为日典型光伏出力曲线中采样点t处的典型功率值；为新子集群在待预测日的功率预测值曲线；为当前集群整合模式c中除当前计算的子集群cj以外的所有子集群在待预测日的功率预测值总曲线；新子集群在待预测日的功率预测值曲线：；子集群c的功率预测值曲线：；当前集群整合模式c中除当前计算的子集群cj以外的所有子集群在待预测日第t采样点的功率预测值总曲线：；其中，表示神经网络模型预测结果；表示将子集群c的历史出力曲线输入神经网络模型中得到的功率预测值曲线，j表示当前计算子集群cj。
23.③
将光伏场站n的日典型光伏出力曲线加入所述目标子集群中，获取更新的目标子集群与更新的集群日典型光伏出力曲线集合；
④
直至集群日典型光伏出力曲线集合为空，生成目标集群整合模式,将分布式光伏集群划分为多个子集群。
24.在本实施例中，本发明计算场站日典型光伏出力曲线和子集群日典型光伏出力总曲线的pearson相关系数，以及不同子集群功率预测值的pearson相关系数，将二者的加权和作为分布式光伏集群功率曲线空间互补性的度量指标，可有效衡量分布式光伏集群功率的空间互补性；在分布式光伏集群整合过程中，以相关系数加权和尽可能小作为优化目标，提高了集群功率预测的准确性。
25.具体地，所述分布式光伏集群在待预测日的集群功率预测值，表示为：；其中，表示子集群在待预测日采样点t处的功率预测值。
26.具体地，在本发明的一个实施例中，所述神经网络模型包括卷积神经网络模型、循环神经网络模型与长短时记忆网络模型。
27.具体地，基于上述实施例，在本实施例中，对于含有m个光伏场站的分布式光伏集群进行子集群划分后，在进行短期功率预测，具体包括：s201：对于含m个场站的分布式光伏集群，提取每个单一场站的日典型光伏出力曲线，得到光伏集群的日典型光伏出力曲线集合；具体步骤如下：s201-1：获取分布式光伏集群中第i个场站待预测日之前连续的d天的日出力曲线，组成第i个场站在d天当中的日出力曲线集合，i=1,2,
…
,m；其中，第i个场站每天的日出力曲线由该场站在该天每个采样点的出力值组成，d=1,2,
…
,d；s201-2：计算每个场站i在各采样点t的典型出力值，表达式如下：
；式中，为场站i在采样点t处的典型出力功率，,为一天中出力采样点的个数；为场站i在第d天采样点t的出力功率，d=1,
…
,d；s201-3：利用步骤s201-2的结果，将场站i在各采样点t的典型出力功率组成该场站的日典型光伏出力曲线，最终得到分布式光伏集群的日典型光伏出力曲线集合为。
28.s202：使用最优空间互补协同整合算法对日典型光伏出力曲线集合进行整合，得到最优集群整合模式；具体步骤如下：s202-1：选取集群协同整合数k；s202-2：对分布式光伏集群的日典型光伏出力曲线集合l进行整合，得到整合结果对应的整体空间互补性指标；具体步骤如下：从分布式光伏集群的日典型光伏出力曲线集合l中随机选出k条曲线作为初始集群整合模式，同时得到更新后的；初始集群整合模式中，每个子集群只包含对应的，i=1,
…
,k；将初始集群整合模式作为当前集群整合模式；对l
*
进行判定：若l
*
不为空，则从l
*
中随机选出一条日典型光伏出力曲线∈l
*
；以与当前集群整合模式的整体空间互补性最强为目标，从c中筛选出该对应的最优子集群,表示为：；其中，为空间互补性指标，为曲线与子集群c组合成的新的子集群，将该子集群作为待计算空间互补性指标的子集群，则的计算表达式如下：；式中，α为出力曲线互补权重参数，β为预测误差互补权重参数，为两条曲线的pearson相关系数，为子集群c的日典型光伏出力总曲线，为子集群待预测日的功率预测值曲线，为当前集群整合模式c中除当前计算的子集群cj以外的所有子集群待预测日的功率预测值总曲线；其中，子集群c的日典型光伏出力总曲线中每个样本为该总曲线在各采样
点t的功率值，计算表达式如下：；式中，为总出力曲线在采样点t的子集群总功率值，,为采样点的个数；为子集群c中的第i条日典型光伏出力曲线；为曲线中在采样点t的典型功率值；子集群和的功率预测值曲线和由该子集群的历史出力曲线输入神经网络模型中预测得出：；；式中为模型预测结果；当前集群整合模式c中除当前计算的子集群cj以外的所有子集群待预测日的功率预测值总曲线中每个样本为该总曲线在各采样点t的功率值，计算表达式如下：；式中，为功率预测值总曲线在采样点t的集群总功率预测值，为功率预测值曲线在采样点t的子集群功率预测值，,为采样点的个数；j表示当前计算子集群cj；将分别和当前集群整合模式c中的每一个子集群组成对应的新的子集群，然后计算每个对应的，其中的最小值对应的即为；若l
*
为空，则将当前集群整合模式作为最终集群整合模式，则将加入得到更新后的，表示为，同时得到更新后和更新后的当前集群整合模式，直至l
*
为空；s202-3：将最终集群整合模式作为最优集群整合模式记为；s203：将最优集群整合模式中的每个子集群作为一个整体进行光伏功率预测，得到该子集群在待预测日的子集群功率预测曲线：；
式中，表示待预测日的第i个子集群功率预测值曲线；表示第i个子集群的历史出力曲线。
29.s204：将每个子集群在待预测日各采样点的子集群功率预测值求和，得到最终的分布式光伏集群功率预测结果：；其中，是分布式光伏集群在待预测日采样点t的总功率预测值，是子集群在待预测日采样点t的功率预测值。
30.基于上述实施例，在本实施例中，提供了一种分布式光伏集群功率短期预测装置，包括：集群日典型光伏出力曲线集合获取模块100，用于根据分布式光伏集群中每个光伏场站在待预测日前连续多天的日出力曲线，计算每个光伏场站的日典型光伏出力曲线，得到集群日典型光伏出力曲线集合；子集群划分模块200，用于在所述集群日典型光伏出力曲线集合中，随机提取k个光伏场站对应的k条日典型光伏出力曲线，构建k个子集群；基于集群日典型光伏出力曲线集合中剩余的每个日典型光伏出力曲线，与k个子集群之间的空间互补性，利用最优空间互补协同整合算法，将集群日典型光伏出力曲线集合中所有的日典型光伏出力曲线所对应的所有光伏场站划分至k个子集群；历史出力曲线获取模块300，用于将每个子集群中所有光伏场站在待预测日前连续多天的日出力曲线，进行叠加，获取每个子集群的历史出力曲线；预测模块400，用于将每个子集群的历史出力曲线，输入神经网络模型中进行功率预测，获取每个子集群在待预测日的功率预测值曲线；计算模块500，用于将每个子集群在待预测日的功率预测值曲线，按照采样点对应的关系进行叠加求和，获取所述分布式光伏集群在待预测日的集群功率预测值。
31.本实施例的分布式光伏集群功率短期预测装置用于实现前述的分布式光伏集群功率短期预测方法，因此分布式光伏集群功率短期预测装置中的具体实施方式可见前文中的分布式光伏集群功率短期预测方法的实施例部分，例如，集群日典型光伏出力曲线集合获取模块100，用于实现上述分布式光伏集群功率短期预测方法中步骤s101；子集群划分模块200，用于实现上述分布式光伏集群功率短期预测方法中步骤s102与s103；历史出力曲线获取模块300，用于实现上述分布式光伏集群功率短期预测方法中步骤s104；预测模块400，用于实现上述分布式光伏集群功率短期预测方法中步骤s105；计算模块500，用于实现上述分布式光伏集群功率短期预测方法中步骤s106，所以，其具体实施方式可以参照相应的各个部分实施例的描述，在此不再赘述。
32.本发明所述的分布式光伏集群功率短期预测方法，以分布式光伏集群中场站的日典型光伏出力曲线之间的空间互补性作为标准，使用最优空间互补协同整合算法，以空间互补性最小为优化目标，对分布式光伏集群进行子集群划分，使得同一子集群中所有光伏场站的光伏出力曲线模式存在的差异减小，有效提升了分布式光伏集群功率的预测精度，有助于分布式光伏集群中场站的运行与调度性。本发明将每个子集群将集群内所有场站的
功率相加，获取子集群功率预测值，输入神经网络模型中进行预测，累加各个子集群的预测功率，获取分布式光伏集群的集群功率预测值，有效提高分布式光伏集群功率预测精度，有助于提前调整待预测日调峰机组的运行功率，减轻调度压力，有利于光伏发电的推广应用。
33.本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、cd-rom、光学存储器等）上实施的计算机程序产品的形式。
34.本技术是参照根据本技术实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
35.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
36.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
37.显然，上述实施例仅仅是为清楚地说明所作的举例，并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

技术特征：
1.一种分布式光伏集群功率短期预测方法，其特征在于，包括：根据分布式光伏集群中每个光伏场站在待预测日前连续多天的日出力曲线，计算每个光伏场站的日典型光伏出力曲线，得到集群日典型光伏出力曲线集合；在所述集群日典型光伏出力曲线集合中，随机提取k个光伏场站对应的k条日典型光伏出力曲线，构建k个子集群；基于集群日典型光伏出力曲线集合中剩余的每个日典型光伏出力曲线，与k个子集群之间的空间互补性，利用最优空间互补协同整合算法，将集群日典型光伏出力曲线集合中所有的日典型光伏出力曲线所对应的所有光伏场站划分至k个子集群；将每个子集群中所有光伏场站在待预测日前连续多天的日出力曲线，进行叠加，获取每个子集群的历史出力曲线；将每个子集群的历史出力曲线，输入神经网络模型中进行功率预测，获取每个子集群在待预测日的功率预测值曲线；将每个子集群在待预测日的功率预测值曲线，按照采样点对应的关系进行叠加求和，获取所述分布式光伏集群在待预测日的集群功率预测值。2.根据权利要求1所述的分布式光伏集群功率短期预测方法，其特征在于，所述根据分布式光伏集群中每个光伏场站在待预测日前连续多天的日出力曲线，计算每个光伏场站的日典型光伏出力曲线，得到集群日典型光伏出力曲线集合，包括：获取分布式集群中，第i个光伏场站在待预测日之前连续d天的日出力曲线，组成日出力曲线集合；基于第i个光伏场站连续d天在各采样点处的出力值，计算第i个光伏场站在各采样点处的典型出力功率；基于第i个光伏场站在各采样点处的典型出力功率，获取第i个光伏场站的日典型光伏出力曲线；基于分布式光伏集群中每个光伏场站的日典型光伏出力曲线，生成集群日典型光伏出力曲线集合；其中，i表示分布式光伏集群中的第i个光伏场站，i=1,2,
…
,m，m表示分布式光伏集群中光伏场站的总数量；总出力值，为第i个光伏场站在第d天的第t个采样点的出力值，d=1,2,
…
,d，d表示待预测日之间的采集天数；,表示一天中出力采样点的总个数。3.根据权利要求2所述的分布式光伏集群功率短期预测方法，其特征在于，所述基于第i个光伏场站连续d天在各采样点处的出力值，计算第i个光伏场站在各采样点处的典型出力功率，表示为：
。4.根据权利要求1所述的分布式光伏集群功率短期预测方法，其特征在于，所述将集群日典型光伏出力曲线集合中所有的日典型光伏出力曲线所对应的所有光伏场站划分至k个子集群，包括：预设集群协同整合数k，从所述集群日典型光伏出力曲线集合中，随机提取k个光伏场站的日典型光伏出力曲线，构建包含多个子集群的初始集群整合模式；初始集群整合模式中的每个子集群均包括一个对应的日典型光伏出力曲线；从更新的集群日典型光伏出力曲线集合中，随机提取光伏场站n的日典型光伏出力曲线，计算光伏场站n的日典型光伏出力曲线与初始集群整合模式中所有子集群之间的空间互补性，获取空间互补性最小的子集群作为目标子集群；将光伏场站n的日典型光伏出力曲线加入所述目标子集群中，获取更新的目标子集群与更新的集群日典型光伏出力曲线集合；直至集群日典型光伏出力曲线集合为空，生成目标集群整合模式,将分布式光伏集群划分为多个子集群。5.根据权利要求4所述的分布式光伏集群功率短期预测方法，其特征在于，所述计算光伏场站n的日典型光伏出力曲线与初始集群整合模式中所有子集群之间的空间互补性，获取空间互补性最小的子集群作为目标子集群，包括：目标子集群：；其中，表示待计算空间互补性的新子集群，由光伏场站n与子集群c组成；表示空间互补性指标，表达式为：；其中，α为出力曲线互补权重参数，β为预测误差互补权重参数，表示两条曲线的pearson相关系数；为子集群c的日典型光伏出力总曲线；为新子集群在待预测日的功率预测值曲线；为当前集群整合模式c中除当前计算的子集群c
j
以外的所有子集群在待预测日的功率预测值总曲线。6.根据权利要求5所述的分布式光伏集群功率短期预测方法，其特征在于，所述子集群
c的日典型光伏出力总曲线，表示为：；其中，为子集群c的日典型光伏出力总曲线在采样点t处的子集群总功率值，,为采样点总个数；为子集群c中的第i个光伏场站的日典型光伏出力曲线；为日典型光伏出力曲线中采样点t处的典型功率值。7.根据权利要求5所述的分布式光伏集群功率短期预测方法，其特征在于，所述新子集群在待预测日的功率预测值曲线与所述当前集群整合模式c中除当前计算的子集群c
j
以外的所有子集群在待预测日的功率预测值总曲线的获取，包括：新子集群在待预测日的功率预测值曲线：；子集群c的功率预测值曲线：；当前集群整合模式c中除当前计算的子集群c
j
以外的所有子集群在待预测日第t采样点的功率预测值总曲线：；其中，表示神经网络模型预测结果；表示将子集群c的历史出力曲线输入神经网络模型中得到的功率预测值曲线；j表示当前计算子集群c
j
。8.根据权利要求5所述的分布式光伏集群功率短期预测方法，其特征在于，所述将每个子集群在待预测日的功率预测值曲线，按照采样点对应的关系进行叠加求和，获取所述分布式光伏集群在待预测日的集群功率预测值，表示为：分布式光伏集群在待预测日的集群功率预测值：；其中，表示子集群在待预测日采样点t处的功率预测值。9.根据权利要求1所述的分布式光伏集群功率短期预测方法，其特征在于，所述神经网络模型包括卷积神经网络模型、循环神经网络模型与长短时记忆网络模型。10.一种分布式光伏集群功率短期预测装置，其特征在于，包括：集群日典型光伏出力曲线集合获取模块，用于根据分布式光伏集群中每个光伏场站在待预测日前连续多天的日出力曲线，计算每个光伏场站的日典型光伏出力曲线，得到集群日典型光伏出力曲线集合；子集群划分模块，用于在所述集群日典型光伏出力曲线集合中，随机提取k个光伏场站对应的k条日典型光伏出力曲线，构建k个子集群；基于集群日典型光伏出力曲线集合中剩余的每个日典型光伏出力曲线，与k个子集群之间的空间互补性，利用最优空间互补协同整合算法，将集群日典型光伏出力曲线集合中所有的日典型光伏出力曲线所对应的所有光伏场站划分至k个子集群；历史出力曲线获取模块，用于将每个子集群中所有光伏场站在待预测日前连续多天的
日出力曲线，进行叠加，获取每个子集群的历史出力曲线；预测模块，用于将每个子集群的历史出力曲线，输入神经网络模型中进行功率预测，获取每个子集群在待预测日的功率预测值曲线；计算模块，用于将每个子集群在待预测日的功率预测值曲线，按照采样点对应的关系进行叠加求和，获取所述分布式光伏集群在待预测日的集群功率预测值。

技术总结
本发明涉及电力系统新能源发电功率预测技术领域，尤其是指一种分布式光伏集群功率短期预测方法及装置。方法包括：构建包含分布式光伏集群中每个光伏场站日典型光伏出力曲线的集群日典型光伏出力曲线集合；并从中随机提取K条，构建K个子集群；基于其中剩余每个日典型光伏出力曲线，与K个子集群之间的空间互补性，用最优空间互补协同整合算法，将分布式光伏集群中所有光伏场站划分至K个子集群；获取每个子集群的历史出力曲线，并输入神经网络模型，获取每个子集群在待预测日的功率预测值曲线；将每个子集群在待预测日的功率预测值曲线，按照采样点对应的关系进行叠加求和，获取所述分布式光伏集群在待预测日的集群功率预测值。测值。测值。


技术研发人员：药炜 李康平 阮呈隆 孟庆霖 郭子强 把多利 吴俭民 刘保安 李乾 刘晓晶 侯焱伦 尹爱辉 王满帅 任树贞 王坤 任健萍 葛令源 朱晨力 李冉 秦剑 赵锐 陈琳 王波 赵杨 马晶晶 陈立梅 李新秀 李翀
受保护的技术使用者：国网甘肃省电力公司兰州供电公司 国网山东省电力公司济南供电公司 河北驰海科技有限公司
技术研发日：2023.09.05
技术公布日：2023/10/15