本申请属于光伏，特别是基于聚类和混合神经网络的光伏功率预测方法及系统。
背景技术：
1、光伏发电是最易获得、成本低且最有前途的可再生能源之一。随着发展中国家能源需求的增加，光伏发电量逐年增加，缓解了全球能源和气候变化危机。然而，由于光伏发电的间歇性和随机性，现有电力系统的运行和规划对光伏功率的预测精度提出了挑战。有效的光伏发电功率预测模型可大大提高太阳能的利用率，可靠的预测结果有助于提高系统稳定性。因此，如何提高光伏功率的预测精度是研究的难点，成为了一个亟待解决的问题。
2、目前，传统的光伏功率预测方法主要是基于物理模型的方法和基于统计模型的方法。物理模型方法虽较简单，但它的预测精度较低且仅适用于中长期预测。统计模型方法由于光伏发电的复杂性和波动性，其统计预测模型具有复杂性和非周期性，在大规模历史数据上的表现有限。
3、与传统方法相比，深度学习方法能够更好地实现非线性映射和特征提取任务，在光伏功率预测中获得更高的精度。但深度学习在光伏功率预测中也存在不同天气类型样本不平衡的问题，导致光伏功率预测模型对噪声样本等异常值敏感，使得模型的预测能力降低，从而限制了光伏发电功率预测的精度。
技术实现思路
1、本申请的目的是提供基于聚类和混合神经网络的光伏功率预测方法及系统，以解决现有技术中的不足，它通过提供一种基于聚类和混合神经网络的光伏功率预测方法，并结合聚类、卷积神经网络、长短期记忆网络的优点，旨在提高光伏功率预测的精度和可靠性。
2、本申请的一个实施例提供了基于聚类和混合神经网络的光伏功率预测方法，所述方法包括：
3、基于待预测光伏电站历史数据进行预处理及样本划分，获得待预测光伏电站的训练样本和测试样本；
4、对待预测光伏电站的训练样本和测试样本进行聚类处理，确定聚类结果；
5、根据同聚类簇中训练样本与对应测试样本的特征中心间的距离设置自适应权重；
6、根据聚类结果以及自适应权重，构建适用于不同聚类类别的cnn-lstm的光伏功率预测模型；
7、基于cnn-lstm的光伏功率预测模型，生成待预测光伏电站的光伏功率预测结果。
8、可选的，所述对所述待预测光伏电站历史数据执行预处理，包括：
9、选取预设时间段内的待预测光伏电站历史数据；
10、执行对所述预设时间段内的待预测光伏电站历史数据的异常值去除、数据缺失值填补、数据归一化以及特征选择。
11、可选的，所述对待预测光伏电站的训练样本和测试样本进行聚类处理，确定聚类结果，包括：
12、采用基于肘部法的k均值聚类算法（k-means clustering algorithm，k-means）对待预测光伏电站的训练样本和测试样本进行聚类处理，获得聚类结果。
13、可选的，所述对待预测光伏电站的训练样本和测试样本进行聚类处理，确定聚类结果之后，所述方法还包括：
14、根据聚类结果计算同聚类簇中每个训练样本与测试样本特征中心间的距离设置权重，并自适应调整各样本的权重值。
15、可选的，所述基于cnn-lstm的光伏功率预测模型，包括：
16、通信连接的数据输入模块、数据处理模块以及数据输出模块，其中，
17、所述数据输入模块的输入数据包括待预测光伏电站的光伏功率、温度、湿度、全球水平辐射以及全球倾斜辐射数据；
18、所述数据处理模块包括特征提取单元、时间序列学习单元以及全连接层，其中，所述特征提取单元包括三个一维卷积神经网络（convolutional neural network，cnn）层；所述时间序列学习单元包括两个长短期记忆神经网络(long short term memory networks，lstm)层，其中，第一lstm层的返回序列设置为true，第二lstm层的返回序列设置为false；所述时间序列学习单元后有两个全连接层；
19、所述数据输出模块的输出数据为预测的光伏功率，输出的神经元数量根据输出特征数确定。
20、可选的，所述基于cnn-lstm的光伏功率预测模型采用平均绝对误差作为损失函数。
21、可选的，所述基于cnn-lstm的光伏功率预测模型，生成待预测光伏电站的光伏功率预测结果之后，所述方法还包括：
22、利用预设方法执行对待预测光伏电站的光伏功率预测结果的检验评估，其中，所述预设方法包括均方根误差方法、平均绝对误差方法以及相关系数方法。
23、本申请的又一实施例提供了基于聚类和混合神经网络的光伏功率预测系统，所述系统包括：
24、数据处理模块，用于基于待预测光伏电站历史数据执行预处理及样本划分，获得待预测光伏电站的训练样本和测试样本；
25、样本聚类模块，用于对待预测光伏电站的训练样本和测试样本进行聚类处理，确定聚类结果；
26、权重获取模块，用于根据同聚类簇中训练样本与对应测试样本的特征中心间的距离设置自适应权重；
27、模型训练模块，用于根据聚类结果以及自适应权重，构建适用于不同聚类类别的cnn-lstm的光伏功率预测模型；
28、功率预测模块，用于基于cnn-lstm的光伏功率预测模型，生成待预测光伏电站的光伏功率预测结果。
29、本申请的又一实施例提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述所述的方法。
30、本申请的又一实施例提供了一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述所述的方法。
31、与现有技术相比，本申请首先基于待预测光伏电站历史数据进行预处理及样本划分，获得待预测光伏电站的训练样本和测试样本；然后对待预测光伏电站的训练样本和测试样本进行聚类处理，确定聚类结果；根据同聚类簇中训练样本与对应测试样本的特征中心间的距离设置自适应权重；根据聚类结果以及自适应权重，构建适用于不同聚类类别的cnn-lstm的光伏功率预测模型；最后基于cnn-lstm的光伏功率预测模型，生成待预测光伏电站的光伏功率预测结果。它通过提供一种基于聚类和混合神经网络的光伏功率预测方法，并结合聚类、卷积神经网络、长短期记忆网络的优点，旨在提高光伏功率预测的精度和可靠性。
1.基于聚类和混合神经网络的光伏功率预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述对所述待预测光伏电站历史数据执行预处理，包括：
3.根据权利要求2所述的方法，其特征在于，所述对待预测光伏电站的训练样本和测试样本进行聚类处理，确定聚类结果，包括：
4.根据权利要求3所述的方法，其特征在于，所述对待预测光伏电站的训练样本和测试样本进行聚类处理，确定聚类结果之后，所述方法还包括：
5.根据权利要求4所述的方法，其特征在于，所述基于cnn-lstm的光伏功率预测模型，包括：
6.根据权利要求5所述的方法，其特征在于，所述cnn-lstm的光伏功率预测模型采用平均绝对误差作为损失函数。
7.根据权利要求6所述的方法，其特征在于，所述基于cnn-lstm的光伏功率预测模型生成待预测光伏电站的光伏功率预测结果之后，所述方法还包括：
8.基于聚类和混合神经网络的光伏功率预测系统，其特征在于，所述系统包括：
