基于BIRCH的分布式光伏系统短期发电功率预测方法

当前分布式光伏系统短期发电功率预测结构多设定为目标式,预测范围在实际发电环境下受限,导致平均绝对预测误差增加。为此设计基于利用层次方法的平衡迭代规约和聚类(Balanced Iterative Reducing and Clustering Using Hierarchies,BIRCH)的分布式光伏系统短期发电功率预测方法。首先,明确预测指标,采用多层级的方式设计预测结构;其次,结合BIRCH原理,设计发电功率预测模型;最后,采用梯度回归处理的方式来实现最终预测。测试结果表明,对比传统变分模态分解-麻雀搜索算法-反向传播(Variational Mode Decomposition-Sparrow Search Algorithm-Back Propagation,VMD-SSA-BP)光伏系统短期发电功率预测小组、传统时序动态回归光伏系统短期发电功率预测小组,此次所设计的方法得出的平均绝对预测误差被较好地控制在2.1以下,预测效果更佳,针对性更强,误差可控,具有实际的应用价值。

基于阈值的BIRCH算法改进与分析

平衡迭代规约层次聚类(balanced iterative reducing and clustering using hierarchies, BIRCH)算法是一个综合的层次聚类算法。但BIRCH算法为叶子节点中的簇设置统一的空间阈值,根据数据对象与簇之间的距离来决定数据对象的插入位置,从而忽略了簇与簇之间的关系;此外,算法在分裂节点时,选取距离最远的2个聚类特征作为子簇,其他聚类特征会根据与这2个聚类特征之间的距离关系分裂为另外的子簇,造成处于簇与簇之间的样本数据错误分类,这样会忽略聚类特征之间的关系。针对BIRCH算法的这2个问题,提出了基于阈值的自适应算法,用于解决原算法统一空间阈值的问题;并在针对聚类特征关系的问题上,结合朴素贝叶斯算法对原算法进行改进。对改进后BIRCH算法与传统的算法进行仿真实验。结果表明,改进算法在损失效率的情况下,聚类效果得到了明显的改善,并且与其他算法相比,所提算法具有不错的表现性,而且具有跨数据集的鲁棒性。