彭 飞，张健男，张晓华，王汉军，吴 奕，陈志奎

(1.国家电网公司 东北分部，辽宁 沈阳 110180；2.中国科学院 沈阳计算技术研究所有限公司，辽宁 沈阳 110180；3.大连理工大学 软件学院，辽宁 大连 116620)

0 引 言

目前,在光伏发电的预测领域,国内外学者对光伏发电功率的预测做了大量研究,常用且高效的模型主要有以下几种:

第一种是传统预测法，比如回归法[1]、趋势外推法[2]、基于ARIMA[3-5]的系列方法。传统预测方法较为简单，对于变化规律明显、趋势变化显著的气象数据预测能力较差。

第二种是人工智能算法，人工智能算法主要依托各种神经网络[6-10]、支持向量机[11]、小波分析算法[12]，这类算法突破了传统预测法的局限性，近年来得到广泛应用。虽然人工智能算法具有较强的非线性映射能力、处理大量复杂数据的能力以及容错能力，但由于需要进行逐步分层预训练，学习时间较长，若参数选择不当极易陷入局部最优解。

针对上述问题，提出一种基于初始化非负矩阵分解(NMF)的光伏发电预测方法，使用模糊C均值聚类(FCM)[13]的初始化方法，有效解决了NMF算法[14]收敛速度慢和易于陷入局部极小的问题。相比于其他算法，该算法在一定程度上降低了求解难度，提高了求解速度与预测准确率。

1 相关理论

1.1 模糊C均值聚类算法

模糊C均值聚类算法(FCM)是模糊聚类算法的一种，它具有普通C均值算法的一些特性，不同于普通C均值算法的地方在于其加入了模糊的概念，改进了其性能，通过模糊划分，用一个隶属度来表征数据集中每个对象属于该类的程度，其中隶属度的取值范围为0～1。……