摘要：对光伏发电的功率进行准确预测非常重要，而天气情况越相似光伏发电系统的发电规律越相近，因此对历史气象样本数据进行分类后，提取与预测日气象信息相似性高的历史样本作为预测模型的训练输入，可以在提预测精度的同时大大减小建模仿真的计算量。本文提出了一种基于密度峰值优化K-medoids聚类的光伏发电预测模型，首先选取局部密度较高且相距较远的样本作为初始聚类中心，采用类内距离与类间距离之比作为聚类准则函数，对历史气象数据进行聚类；然后利用神经网络，将与预测日气象信息相似性高的历史样本作为预测模型的训练输入进行建模和预测，仿真结果表明该模型具有较高的预测精度。
关键词：光伏发电预测；神经网络；密度峰值优化；K-medoids；聚类
0引言
光伏发电系统对电网的调峰、调频、母线电压等造成不利影响[1]，给电网调度增加困难。随着光伏产业的迅猛发展和装机容量的增长，为保证电力系统经济、安全和可靠运行，必须对一段时间内光伏发电功率进行预测以便进行电力调度和储备，所以对光伏发电功率的预测显得越来越重要[2]。光伏发电功率受很多因素影响，如太阳光照强度、气压、云量、温度等，所以光伏发电功率预测模型需要拟合的映射关系非常复杂。但是大量数据表明光伏电站不同天气状态对应历史数据的分布并不均衡，由不均衡数据训练得到的预测模型适应性无法保证，预测精度难以满足要求[3]。
天气情况越相似光伏发电系统的发电规律越相近，因此对历史气象样本数据进行聚类后，提取与预测日气象信息相似性高的历史样本作为预测模型的训练输入，可以在提光伏发电功率预测精度的同时大大减小建模仿真的计算量。
本文提出了一种基于密度峰值优化K-medoids聚类的光伏发电预测模型，首先选取局部密度较高且相距较远的样本作为初始聚类中心，采用类内距离与类间距离之比作为聚类准则函数，对历史气象数据进行聚类；然后利用BP神经网络，将与预测日气象信息相似性高的历史样本作为预测模型的训练输入进行建模和预测。
应用此模型对新疆维吾尔自治区奇台县石城子光伏发电站发电功率进行建模和预测，并与不聚类直接建模的预测结果相比较，仿真结果表明基于密度峰值优化K-medoids聚类的光伏发电预测模型有效的提高了预测精度，同时提高预测模型的训练速度。
作者：陈鼎