基于DTW-OPTICS分区的光伏集群输出方法的研究与预测

摘要

本文结合动态时间扭曲（DTW）和OPTICS算法，提出了一种基于DTW-OPTICS分区簇的改进统计升级光伏簇输出预测建模方法。DTW用于测量两个时间序列之间的相似性，而OPTICS用于发现数据中的密度聚类结构。针对传统统计升级方法中子簇内光伏电站输出特性变化的问题，通过皮尔逊相关系数和经验正交函数（PCA）优化特征空间，使用OPTICS将该地区的光伏电站划分为簇，提高一致性。本文提出了一种基于动态时间扭曲（DTW）的类似日期选择算法解决提取和预测待预测日期的权重系数时间序列的动态特征的问题，并使用递归神经网络（GRU）模型预测光伏电站的输出。实验结果表明聚类预测方法的平均绝对百分比误差（MAPE）约为6.35%。均方根误差（RMSE）约为13.96kW，均方误差（MSE）为194.25kW。实际光伏电站数据证明了所提出方法的准确性和有效性。通过聚类分析和深度学习技术提高了光伏电站输出预测的准确性，对于优化能源管理和提高可再生能源的利用效率具有重要意义。