(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111604037.1 (22)申请日 2021.12.24 (71)申请人 华能吉林发电有限公司 地址 130015 吉林省长 春市高薪技 术开发 区星火路399号 申请人 北京华能新锐控制技 术有限公司 (72)发明人 徐硕　张玉刚　陈德为　张澈　 王洋　梁泰宇　杨继明　王军　 (74)专利代理 机构 北京中知法苑知识产权代理 有限公司 1 1226 专利代理师 李明　赵吉阳 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) H02J 3/00(2006.01)G06K 9/62(2022.01) G06N 7/02(2006.01) G06N 3/00(2006.01) (54)发明名称 基于仿生模糊模型的光伏系统发电功率预 测方法及装置 (57)摘要 本发明实施例公开了一种基于仿生模糊模 型的光伏系统功率预测方法及装置， 首先， 采用 主元分析法在预设输入变量中选取模型输入变 量， 根据模型输入变量构建T ‑S(Takagi ‑Sugeno) 模糊模型， T ‑S模糊模型通过If ‑Then规则将数据 所属数据聚类情况， 以及数据聚类对应的局部模 型相结合。 其次， 获取光伏系统的多组采样数据， 采样数据包含 所有模型输入变量的数据类型， 且 在不同的季节和气候进行采集。 利用花粉传粉算 法对所有采样数据进行自动聚类， 生成多个数据 聚类， 并计算每个数据聚类的聚类中心和聚类半 径。 最后， 根据聚类中心和聚类半径获得每个数 据聚类对应的局部模型， 利用已知所有数据聚类 和每个数据聚类对应局部模型的T ‑S模糊模型计 算光伏系统的发电功率。 权利要求书5页 说明书12页 附图2页 CN 114943359 A 2022.08.26 CN 114943359 A 1.一种基于 仿生模糊模型的光伏系统发电功率预测方法， 其特 征在于， 包括： 采用主元分析法在预设输入变量中选取模型输入变量； 根据模型输入变量构建T ‑S(Takagi ‑Sugeno)模糊模型， 所述T ‑S模糊模型通过If ‑Then 规则将前件部 分和后件部分相结合， 其中， 所述前件部 分为数据所属数据聚类情况， 后件部 分为数据聚类对应的局部模型； 获取光伏系统的多组采样数据， 所述采样数据包含所有模型输入变量的数据类型， 且 在不同的季节和气候进行采集； 利用花粉传粉算法对所有采样数据进行自动 聚类， 生成多个数据聚类， 并计算每个数 据聚类的聚类中心和聚类半径； 根据聚类中心和聚类半径获得每 个数据聚类对应的局部模型； 利用已知所有数据聚类和每个数据聚类对应局部模型的T ‑S模糊模型计算光伏系统 的 发电功率。 2.根据权利要求1所述的方法， 其特征在于， 所述根据模型输入变量构建T ‑S(Takagi ‑ Sugeno)模糊模型， 包括： 利用If‑Then规则构建T ‑S模糊模型， 所述T ‑S模糊模型由下式表示： Ri:If v(t)∈(ci,ri),Then 其中， Ri指T‑S模糊模型中的第i条模糊规则， ci和ri分别表示T ‑S模糊模型中第i个数据 聚类的聚类中心和聚类半径， 和 分别是第i个局部模型的模型输出变量和参数向 量； v(t)为增量向量， 由下式表示： v(t)＝[Δu1(t),Δu2(t),Δu3(t),…,Δum(t),Δy(t)]T t＝(2, …,N) 其中， Δum(t)为在第t个时刻获取的采样数据中， 第m个模型输入变量的增量， Δy(t)为 在第t个时刻获取的采样数据中， 输出变量的增量， u(t)为在第t个时刻获取的采样数据， 即 所有模型输入变量构成的数据向量， y(t)为在第t个时刻获取的采样数据中的输出变量， 即 在第t个时刻光伏系 统的发电功率， 为模型输入变量与第i个数据 聚类对应的稳态值向 量， 为输出变量与第i个数据 聚类对应的稳态值， 所述稳态值为变量与数据聚类的聚类 中心相对应的数值。 3.根据权利要求2所述的方法， 其特 征在于， 所述获取光伏系统的多组采样数据， 包括： 以预设时间间隔为采样周期获得光伏系统的运行数据并构 成数据向量， 将所述数据向 量作为采样数据， 所述运行数据至少包括数据采集时刻、 太阳光辐 照强度、 地表地外辐照强 度、 气象信息以及光伏系统的发电功率。 4.根据权利要求3所述的方法， 其特征在于， 所述利用花粉传粉算法对所有采样数据进 行自动聚类， 生成多个数据聚类， 并计算每 个数据聚类的聚类中心和聚类半径， 包括： 对所有采样数据按照采集时间进行排序， 获得 数据向量列表； 设置一个初始数据聚类， 将数据向量列表中的首个数据向量作为初始数据聚类的首个权　利　要　求　书 1/5 页 2 CN 114943359 A 2元素及聚类中心； 由初始数据聚类开始， 将数据向量列表中的数据向量划分为多个数据聚类， 并计算每 个数据聚类的聚类中心， 包括以下步骤： 判断当前划分的数据聚类所包 含的元素总数是否小于预设聚类规模， 如果所述元 素总数小于预设聚类规模， 在数据向量列表中选取一个数据向量； 判断所述数据向量与当前聚类中心之间的距离是否小于预设阈值， 如果是， 利用选取的数据向量重新计算聚类中心， 将所述数据向量加入到当前划分的 数据聚类中， 并继续判断当前划分的数据聚类所包含的元素总 数是否小于预设聚类规模； 如果否， 重新在数据向量列表内选取一个未参与过计算的数据向量， 并继续判断所述数据 向量与当前聚类中心之间的距离是否小于预设阈值； 如果所述元素总数不小于预设聚类规模， 将当前划分的数据聚类作为一个完整的数据 聚类； 在数据向量列表中继续选取一个未参与 过计算的数据向量， 作为新划分的数据聚类的 首个元素及聚类中心， 按照以上步骤重新划分新的数据聚类并计算聚类中心， 直到数据向 量列表中未参与过计算的元 素总数小于预设聚类规模为止； 在划分出所有数据聚类并计算出对应的聚类中心之后， 利用每个数据聚类的聚类中心 计算对应的聚类半径。 5.根据权利要求4所述的方法， 其特征在于， 所述利用选取的数据向量重新计算 聚类中 心， 包括： 在(0,1)范围内随机生成一个常数， 判断所述常数 是否大于预设转换概 率P， 如果是， 按照以下 方式计算聚类中心： 采用花粉传粉算法中的全局传粉过程方式， 按照下式计算聚类中心： 其中， xi(n)是第n次计算数据聚类i的聚类中心时， 在数据向量列表中选取的数据向量； 为数据聚类i当前的最佳聚类中心( 的初始值为数据聚类i中的首个元素)， 按照以 下方式获得 计算ci(n+1)以及当前的 分别与数据聚类i中各个元素之间的平均欧 式距离， 作为各自的适应度值， 将二者中适应度值最小的作为下一次计算聚类中心 时的最 佳聚类中心 η为预设的比例因子； M为计算聚类中心时预设的最大计算次数， 其数值等于预设聚类 规模； L( λ )表示 Levy分布， 如下式所示： 其中， Γ( λ )是 标准伽马函数， S是远大于零的预设步长， λ 的值 为1.5； 如果否， 按照以下 方式计算每 个数据聚类的聚类中心： 采用花粉传粉算法中的局部传粉过程方式， 按照下式计算聚类中心： ci(n+1)＝xi(n)+ ε[xi(n)‑xi(j)](n＝1,2,…,M) 其中， xi(j)是在数据聚类i已有的元素中， 随机选取的一个元素， ε是从均匀分布[0,1]权　利　要　求　书 2/5 页 3 CN 114943359 A 3