3.4 本章小结

本章基于微网EMS实际采集的气象历史数据，基于一种新型的聚类算法对天气类型进行聚类，将天气类型标签补充完整，采用RBF神经网络对光伏系统功率进行短期预测，得出以下结论：

1）通过天气类型和气象特征对光伏发电输出功率影响的分析，利用NWP数据对气象影响因子实现了重构，其簇类特征基本符合气象类型。

2）采用一种基于密度峰值的分裂层次聚类法，有效地确定了聚类参数，实现了天气类型的划分，在MATLAB环境下将密度峰值层次分裂算法与传统的聚类算法进行对比，仿真结果表明本部分所采用的算法能提高气象类型的分类精度，有效确定初始聚类参数，并能加快寻优速度，提高离群样本点分离的鲁棒性，证明了在小样本的情况下仍具有较高的精度，对缺失天气类型的历史数据能够进行有效预测。

3）采用SVM进行预测日样本类型的识别获得了较高的精度，对预测日的天气类型判别有一定的研究意义。

4）将相同类型的天气样本作为训练集合建立了RBF神经网络光伏电站短期功率预测模型，基于聚类后形成的各输入数据具有高度相似性，有效改善了预测精度，并在天气波动较大时仍能较好地实现功率值的跟踪，有利于光伏发电系统的并网运行和电力安全经济运行。但针对复杂多变的天气状况误差量大的问题，还需要考虑大数据样本下神经网络的泛化性能，以便能提高功率随机化波动的预测性能。