基于k-sums分段聚类的动态组合学习光伏短期功率预测

目前单一模型预测精度存在难以随着功率波动保持最优的问题，为提高并网系统运行的稳定性和电网的节能调度，文中提出了一种基于k-sums分层聚类的动态学习组合光伏短期功率预测方法。利用k-sums算法经过分段聚类，将天气类型分为晴天A₁、多云A₂、阴雨天B。通过TCN(Temporal Convolutional Network)提取数据的时序特征，并结合GRU(Gate Recurrent Unit)建立融合提取时序特征模块的改进GRU结构，以达到对时序特征敏感的效果。将改进GRU结构与SVM(Support Vector Machine)动态组合，使用Elastic Net算法输出最佳权重值叠加得到最终预测值。文中采用江苏某地区的光伏发电功率数据及对应的气象数据对所提方法进行验证，结果表明动态组合学习模型的MAE(Mean Absolute Error)为1.888,RMSE(Root Mean Squared Error)为2.403。