张凤珠

（西南石油大学 电气信息学院，四川 成都 610500）

0 引 言

自工业革命以来，科技因得到长足发展而日新月异，自然界中的传统能源消耗量也随之与日俱增。与此同时，传统能源储备面临着前所未有的枯竭危机。在这样的背景下，全世界都将目光聚焦在可再生能源的利用和开发上。太阳能具有低污染、可持续、安全可靠等优点，使得利用太阳能发电这一新方式脱颖而出[1]。光伏发电量的准确预测是实现能源最大化利用的重点要素，也是光伏电站实现电力合理调度的基础，更是电网实现经济规划的基本参考因素。

目前，已有的多种光伏发电量预测方法中，以聚类预测和人工智能算法预测两种预测方法应用最广泛。其中，聚类分析法具有精度不足、速度较慢、对历史数据准确度要求高等缺点；人工智能算法则存在对数据量要求大、对输入的数据库学习时间较长等缺点；组合预测方法则能避免上述缺点。

1 数据搜集与整理

以西南地区某10.5 kW 光伏电站过去3年的地区气象数据、湿度数据、历史发电数据为输入量和预测输出量，对3 种预测方式进行验证对比。

搜集的气象数据可分为晴天、阴天和雨天3 类；湿度数据分为30%以下、31%～70%、71%以上共3 个区段。为提高卷积神经网络的学习效率和预测精度，还需要对光伏发电量的历史数据进行归一化处理。归一化公式为[2]：

2 预测方法及结果的对比

2.1 FCM 相似日聚类预测法

FCM 算法是一种以隶属度来确定每个数据点属于某个聚类程度的算法。……