随着光伏发电在电力系统中渗透率的持续提升，其出力的随机性与不确定性对电网的灵活调峰能力提出了更高要求。为灵活调峰提供更加精准可靠的预测场景与支撑，提出一种融合模糊聚类、相似日提取与概率预测的智能预测方法。首先，基于皮尔逊相关系数筛选与光伏出力密切相关的气象特征变量，包括温度、湿度、总水平辐照度和倾斜辐照度；随后，采用模糊C均值（FCM）算法对天气类型进行聚类并基于CRITIC方法确定气象变量权重，通过加权欧氏距离在同类天气中提取相似日，构建高质量训练样本；最终，利用结合分位数回归的长短期记忆神经网络（QRLSTM）实现光伏功率的短期概率预测。仿真实验结果表明，该方法在典型晴天、阴天、间歇性多云等多种天气条件下均实现了高精度的预测性能，预测区间置信覆盖率超过90%，平均区间宽度显著低于传统方法，展现出良好的稳定性和泛化能力。研究结论表明，该方法可有效提升光伏功率预测的可信度与鲁棒性，可为多能互补系统中的调度优化提供高质量的不确定性场景支撑。
新公网安备65020302000170
新ICP备2021001259号-2
