光伏发电受复杂多变的天气状况影响,具有波动性、间歇性的特点,导致光伏并网困难。为了确保大规模光伏并网后电力系统稳定运行,必须提前对光伏发电功率进行准确的预测。不同的天气状况会导致光伏阵列实际接收的辐照度具有很大的差异性,因而单一的预测模型不足以应付各种复杂天气变化下的光伏发电预测。研究分析表明,现有的光伏数据聚类方法不精细,提高光伏功率预测精度的关键是细致化分类光伏数据。针对上述问题,论文提出了一种基于聚类分析及组合GBDT和随机森林的光伏发电预测模型,主要的研究工作如下。首先,对历史收集的光伏数据进行聚类分组,为针对性建模预测奠定基础。现有的光伏聚类方法大多基于数值天气预报信息,未考虑与光伏阵列实际接收辐照度的关联。晴天与非晴天下的光伏阵列所接收的辐照度具有明显差异性。所以本文先利用K-means++对光伏阵列实际接收的辐照度进行聚类分析,相似性度量方法为欧氏距离。然而欧氏距离由于受限于一对一对齐计算两个时间序列元素之间的距离,无法捕捉两个时间序列之间灵活的相似性。且从可视化分析可知,光伏阵列实际接收的辐照度曲线形状与光伏功率曲线形状具有高度的相似性。为进一步对光伏数据精细化分类,利用基于动态时间规整(DTW)的K-means++对实际辐照度进行基于形状的聚类分析,目的是将形状相似的实际辐照度序列聚在一起。根据聚类分析的结果,将历史光伏数据集类型划分成A、B、C、D四种。其次,划分未来时间段里的光伏数据类型。先建立GBDT模型预测未来时间段里光伏阵列实际接收的辐照度,然后使用历史光伏数据聚类分析确定的K-means++分类器对未来时间段里的光伏数据进行分类处理。最后,对于每种类型的光伏数据,均针对性训练GBDT与随机森林预测模型。为了尽量避免陷入局部极小值,利用模拟退火算法寻参优化GBDT和随机森林。将G B D T和随机森林组合预测光伏发电功率,实现优势互补。通过实验分析光伏数据分类对光伏发电预测精度的影响,并与其他两种基于聚类分析、组合模型的预测方法做比较。综上所述,本文将K-means++对光伏阵列的实际辐照度进行两次聚类分析,相似性度量方法分别为欧氏距离与DTW,加强对光伏数据的精细化分类;建立经模拟退火寻参优化的GBDT与随机森林预测模型,两者组合预测,能进一步提高光伏发电功率的预测精度。