常俊晓，金之榆，卢 姬，吴思圆

（1.国网浙江省电力有限公司台州供电公司，浙江 台州 318000；2.国网浙江省电力有限公司临海市供电公司，浙江 临海 317000）

0 引言

为实现能源转型升级，达成“双碳”目标，大力发展光伏产业已经确定为国家既定国策，光伏发电将迎来黄金机遇期。2020 年，光伏新增装机48.2 GW，弃光量达52.6 亿kWh。准确预测光伏发电功率对充分挖掘源网荷储调节潜力，提升消纳利用率具有重要意义[1]。

光伏发电功率具有较大的波动性和随机性，其预测方法主要分为物理法和统计法。物理法主要通过天气预报、卫星遥感测量和地面测量设备来获得预测所需数据，对设备要求较高；统计法是一种数据驱动的方法，根据历史数据提取特征来预测未来的光伏发电功率，成本低且适应性强，得到广泛应用[2]。当气象类型相同时，光伏发电具有较高的相似性，发电功率大小与各种气象特征有着密切的联系[3-4]。因此，对气象数据进行聚类分析，针对不同气象类型的数据，选用相似日样本数据进行预测可以有效提高预测精度[5-6]。但目前聚类方法存在最佳聚类数难以确定和初始聚类中心随机选择导致聚类结果不稳定的缺点。文献[7]针对K-means 聚类算法（K-均值聚类算法）无法聚类确定最佳聚类数的缺点，提出了自适应K-means 聚类算法，并结合了LSTM（长短时记忆网络）算法，在提高预测精度上取得了较好的效果，但是并没有解决K-means 聚类算法初始聚类中心随机选择的缺点，随着数据集规模的增大容易导致聚类结果不稳定；……