基于FCM-LSTM 的光熱發(fā)電出力短期預(yù)測(cè)

劉振路，郭軍紅，李 薇?，賈宏濤，陳 卓

1) 華北電力大學(xué)環(huán)境科學(xué)與工程學(xué)院，北京 102206 2) 華北電力大學(xué)資源環(huán)境系統(tǒng)優(yōu)化教育部重點(diǎn)實(shí)驗(yàn)室，北京 102206

太陽(yáng)能作為一種清潔能源，在我國(guó)實(shí)現(xiàn)“雙碳”目標(biāo)的道路上發(fā)揮著重要作用. 我國(guó)有著豐富的太陽(yáng)能資源，年太陽(yáng)輻射總量大于5×103MJ?m-2的地區(qū)大約占全國(guó)總面積的2/3，開(kāi)發(fā)潛力巨大[1-2].與光伏發(fā)電相比，光熱發(fā)電由于配備了儲(chǔ)熱系統(tǒng)，使得出力更加穩(wěn)定[3]，有著可持續(xù)發(fā)電、移峰填谷的潛力，從而在太陽(yáng)能發(fā)電技術(shù)中的占比逐漸增加[4]，大力發(fā)展光熱發(fā)電可以加快我國(guó)西部開(kāi)發(fā)進(jìn)程、大幅度降低可再生能源棄電率[5]，但氣象因素、地理因素等外界條件會(huì)對(duì)光熱電站的出力產(chǎn)生影響，使得光熱發(fā)電具有一定的不確定性和間歇性，進(jìn)而導(dǎo)致并網(wǎng)時(shí)會(huì)增加電網(wǎng)運(yùn)行的不確定性，造成不利影響. 提高光熱電站出力預(yù)測(cè)的精準(zhǔn)程度，可以對(duì)上述風(fēng)險(xiǎn)進(jìn)行有效規(guī)避.

目前，常見(jiàn)的太陽(yáng)能出力預(yù)測(cè)手段有物理模型法，如李錦鍵[6]提出了一種結(jié)合靜態(tài)模型的光熱儲(chǔ)能電站出力預(yù)測(cè)方法，首先建立起太陽(yáng)輻射的預(yù)測(cè)模型，之后將預(yù)測(cè)結(jié)果帶入靜態(tài)數(shù)學(xué)模型得到光熱發(fā)電預(yù)測(cè)值，并與仿真結(jié)果對(duì)比，驗(yàn)證了預(yù)測(cè)模型的準(zhǔn)確度. 但此方法對(duì)電站信息和氣象因素信息要求較高，模型泛化能力較差，所以國(guó)內(nèi)外許多學(xué)者使用支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)等統(tǒng)計(jì)分析方法對(duì)太陽(yáng)能出力預(yù)測(cè)進(jìn)行了研究. 如張華彬等[7]將加權(quán)氣象因素作為最小二乘支持向量機(jī)的輸入，對(duì)不同的季節(jié)類型和天氣類型分別建立預(yù)測(cè)模型，經(jīng)實(shí)例驗(yàn)證表明模型預(yù)測(cè)精度較高；李光明等[8]使用BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，分別以電站實(shí)測(cè)數(shù)據(jù)和數(shù)值天氣預(yù)報(bào)數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練，結(jié)果表明以實(shí)測(cè)數(shù)據(jù)訓(xùn)練的模型擁有更高的精度；姜鐵騮等[9]通過(guò)對(duì)影響光熱發(fā)電準(zhǔn)確性因素進(jìn)行分析，使用一種多跳無(wú)線網(wǎng)絡(luò)Ad Hoc 構(gòu)建了光熱短期出力預(yù)測(cè)模型，結(jié)果表明該模型精度較好并具有良好的天氣適應(yīng)能力；Wang 等[10]根據(jù)太陽(yáng)輻射特性及其光學(xué)和熱電發(fā)電技術(shù)，通過(guò)粒子群算法求解灰色模型參數(shù)，提出了一種基于G（1，1）優(yōu)化的光熱預(yù)測(cè)模型，并利用該預(yù)測(cè)模型得到了未來(lái)幾年的光熱發(fā)電量. 為解決梯度消失和梯度爆炸發(fā)展而來(lái)的長(zhǎng)短期記憶（Long short-term memory，LSTM）神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型在太陽(yáng)能出力預(yù)測(cè)方面表現(xiàn)出了優(yōu)異性能，宋紹劍和李博涵[11]使用LSTM神經(jīng)網(wǎng)絡(luò)構(gòu)建了一種短期出力預(yù)測(cè)模型，并將預(yù)測(cè)結(jié)果與BP 神經(jīng)網(wǎng)絡(luò)和遞歸神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果進(jìn)行對(duì)比，證明了LSTM 神經(jīng)網(wǎng)絡(luò)模型的具有較高的精確度；王琛淇等[12]將隨機(jī)森林（Random forest，RF）算法與LSTM 神經(jīng)網(wǎng)絡(luò)相結(jié)合，使用電站實(shí)測(cè)數(shù)據(jù)對(duì)組合模型性能進(jìn)行驗(yàn)證，結(jié)果表明，所提方法提高了預(yù)測(cè)的準(zhǔn)確性；李嵩山等[13]使用卷積神經(jīng)網(wǎng)絡(luò)和LSTM 網(wǎng)絡(luò)搭建了一種光熱功率預(yù)測(cè)模型，通過(guò)提取主要?dú)庀笠蛩?，達(dá)到了對(duì)熱功率進(jìn)行精準(zhǔn)預(yù)測(cè)的效果；李清等[14]將注意力機(jī)制與LSTM神經(jīng)網(wǎng)絡(luò)模型結(jié)合，以光伏功率、光伏組件溫度和環(huán)境濕度訓(xùn)練模型，發(fā)現(xiàn)相比傳統(tǒng)預(yù)測(cè)算法該組合模型具有更好的預(yù)測(cè)準(zhǔn)確度. 此外，對(duì)氣象數(shù)據(jù)采取一些處理手段可有效增加模型預(yù)測(cè)精度，如陳中和車松陽(yáng)[15]首先使用云模型建立隸屬度函數(shù)劃分?jǐn)?shù)據(jù)，之后建立云規(guī)則發(fā)生器對(duì)出力數(shù)據(jù)進(jìn)行預(yù)測(cè)，實(shí)現(xiàn)了模型的精確化預(yù)測(cè). 聚類分析作為一種數(shù)據(jù)處理方法，已被應(yīng)用到不同類型的預(yù)測(cè)模型上[16-17]，在太陽(yáng)能出力預(yù)測(cè)方面，余洋等[18]構(gòu)建了近鄰傳播聚類與長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)結(jié)合的預(yù)測(cè)模型，預(yù)測(cè)了不同發(fā)電類型下美國(guó)加利福尼亞州光熱發(fā)電系統(tǒng)的發(fā)電量，從而提高了光熱預(yù)測(cè)模型精度；劉興霖等[19]使用K 均值聚類算法將數(shù)據(jù)劃分為不同天氣類型，基于LSTM 神經(jīng)網(wǎng)絡(luò)建立出力預(yù)測(cè)模型，實(shí)驗(yàn)結(jié)果表明，與未經(jīng)過(guò)聚類分析的預(yù)測(cè)結(jié)果相比，研究所提模型的預(yù)測(cè)結(jié)果精確度在一定程度上得到了提高.

但上述研究中，對(duì)于光熱電站出力預(yù)測(cè)模型的研究大多以太陽(yáng)輻射、溫度作為輸入，未考慮在不同情景下其他氣象因素對(duì)模型預(yù)測(cè)精度的影響以及預(yù)測(cè)模型在不同情景下的適用度，從而對(duì)最終預(yù)測(cè)結(jié)果產(chǎn)生了一定的影響. 針對(duì)此問(wèn)題，本文提出了一種基于模糊C 均值聚類（Fuzzy C-means clustering，F(xiàn)CM）改進(jìn)的長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，對(duì)不同聚類類型下的出力數(shù)據(jù)以及溫度、地表向下太陽(yáng)輻射、總云量等多種氣象因素進(jìn)行關(guān)聯(lián)度分析，確定不同類型下模型的輸入，分別構(gòu)建相應(yīng)的預(yù)測(cè)模型，提高了模型在不同情景下的適用性以及對(duì)光熱電站出力預(yù)測(cè)的精度.

1 數(shù)據(jù)與方法

1.1 實(shí)驗(yàn)數(shù)據(jù)

本文選取青海省某光熱電站作為研究對(duì)象.青海省太陽(yáng)能資源約占全國(guó)11%，光熱資源居全國(guó)第二，太陽(yáng)能利用價(jià)值高且擁有大量可開(kāi)發(fā)的戈壁、沙漠、荒漠. 選取實(shí)驗(yàn)數(shù)據(jù)為該電站2021 年10 月1 日至12 月31 日的小時(shí)數(shù)據(jù)，通過(guò)三次樣條插值法對(duì)實(shí)驗(yàn)數(shù)據(jù)中的異常值進(jìn)行修正.之后對(duì)修正數(shù)據(jù)進(jìn)行劃分，使用2021 年10 月1 日至12 月20 日的數(shù)據(jù)訓(xùn)練并驗(yàn)證模型，將2021 年12 月21 日至12 月31 日的數(shù)據(jù)作為測(cè)試集，用來(lái)測(cè)試模型的準(zhǔn)確性.

研究中的氣象因素包括溫度（T，℃）、地表向下太陽(yáng)輻射（SSRD，J?m-2）、風(fēng)速（WS，m?s-1）、總云量（TCC）、表面壓力（SP，Pa）五大氣象因素，這些氣象資料來(lái)自ERA5 再分析資料，空間分辨率為0.25°×0.25°，是歐洲中期天氣預(yù)報(bào)中心（European centre for medium-range weather forecasts，ECMWF）對(duì)全球氣候的第五代大氣再分析產(chǎn)品，目前已有多項(xiàng)研究[20-24]證明其在我國(guó)的氣候模擬和評(píng)估中具有良好的適用性.

1.2 實(shí)驗(yàn)方法

1.2.1 模糊C 均值聚類分析

FCM 是一種由Dunn[25]提出的聚類分析方法.相比于K-means 等硬聚類分析，F(xiàn)CM 引入了模糊理論，它根據(jù)樣本與聚類中心的相似程度，按照每組數(shù)據(jù)對(duì)聚類中心隸屬度組成的隸屬度矩陣來(lái)確定每組數(shù)據(jù)歸屬于某一類的概率，從而得到更加靈活的聚類結(jié)果[26].

模糊C 均值聚類通過(guò)使目標(biāo)函數(shù)取得最小值從而得到聚類中心. 聚類的過(guò)程就是不斷迭代更新隸屬度矩陣U和聚類中心c，使目標(biāo)函數(shù)取得最小值的過(guò)程. 具體步驟如下：

定義目標(biāo)函數(shù)J：

式中：N表示樣本數(shù)；C表示聚類中心數(shù)；uij表示某一樣本對(duì)聚類中心的隸屬度；m表示模糊指數(shù)，1

步驟1：初始化隸屬度矩陣U0.U0為uij組成的初始化隸屬度矩陣，表示每個(gè)樣本歸屬于每個(gè)類的概率.

每個(gè)樣本對(duì)于每個(gè)類的隸屬度之和為1，越接近于1 表示隸屬度越高，每個(gè)樣本點(diǎn)歸屬于隸屬度最大的一類.

步驟2：初始化聚類中心c0.

步驟3：迭代聚類.

終止條件：

式中：μ表示迭代次數(shù)；ε表示誤差閾值.

從式(2)與式(3)中可以看出uij與ci是相互關(guān)聯(lián)的，從初始隸屬度矩陣U0和初始聚類中心c0開(kāi)始迭代，不斷更新U與c，目標(biāo)函數(shù)J也在隨之變化，達(dá)到終止條件后停止迭代，得到最終的U、c以及各樣本的聚類結(jié)果.

1.2.2 長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)

長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)是Hochreiter 和Schmidhuber[27]提出的一種循環(huán)神經(jīng)網(wǎng)絡(luò). 如圖1 所示，當(dāng)前細(xì)胞的輸入包括新的輸入信息以及由上一個(gè)記憶細(xì)胞傳遞的信息，輸出包括當(dāng)前細(xì)胞的狀態(tài)以及預(yù)測(cè)值.

圖1 LSTM 的cell 示意圖Fig.1 Cell diagram of LSTM

假設(shè)t時(shí)刻模型輸入變量為yt，則數(shù)據(jù)的處理過(guò)程可表示為：

式（5）～（10）中，σ為sigmoid 激活函數(shù)，tanh 為雙曲正切函數(shù)，It為t時(shí)刻輸入門，F(xiàn)t為t時(shí)刻遺忘門，zt為臨時(shí)記憶細(xì)胞狀態(tài)，Zt為t時(shí)刻記憶細(xì)胞狀態(tài)，Zt-1為t-1 時(shí)刻記憶細(xì)胞狀態(tài)，Ot為t時(shí)刻輸出門，ht為t時(shí)刻細(xì)胞輸出，ht-1為t-1 時(shí)刻細(xì)胞輸出，WI、VI、WF、VF、Wz、Vz、WO、VO分 別 為ht-1和yt在輸入門、遺忘門、輸入細(xì)胞狀態(tài)、輸出門的權(quán)重矩陣，bI、bF、bz、bO為輸入門、遺忘門、輸入細(xì)胞狀態(tài)、輸出門的偏置向量.

LSTM 神經(jīng)網(wǎng)絡(luò)模型中，每個(gè)單元包括輸入層、隱藏層和輸出層. 隱藏層決定保留多少上一時(shí)刻的記憶細(xì)胞狀態(tài)，t時(shí)刻的樣本yt及上一時(shí)刻的輸出信息ht-1輸入后，經(jīng)sigmoid 函數(shù)輸出信號(hào)Ft后與Zt-1相乘；在輸入層中，經(jīng)過(guò)tanh 函數(shù)的yt與ht-1形成當(dāng)前時(shí)刻的臨時(shí)記憶細(xì)胞狀態(tài)zt，輸入信息經(jīng)過(guò)sigmoid 函數(shù)后輸出It，用來(lái)決定需要更新的信息；樣本在經(jīng)過(guò)隱藏層和輸入層后通過(guò)式(8)得到當(dāng)前時(shí)刻的細(xì)胞狀態(tài)Zt；輸入的yt、ht-1與Zt經(jīng)過(guò)輸出門后得到當(dāng)前時(shí)刻的輸出ht. 每經(jīng)過(guò)一次LSTM 細(xì)胞，記憶細(xì)胞狀態(tài)就會(huì)更新一次，使得更新信息的權(quán)重不斷變化，從而避免了梯度消失和梯度膨脹的問(wèn)題[28].

1.2.3 評(píng)價(jià)指標(biāo)

使用戴維森堡丁指數(shù)（Davies-bouldin index，DBI）和輪廓系數(shù)（Silhouette coefficient，SC）來(lái)評(píng)價(jià)聚類結(jié)果[18]. 其中DBI 包含了類內(nèi)距離和類間距離，DBI值越小，聚類結(jié)果越好. DBI 計(jì)算公式為：

式中：n表示類別數(shù)；Si、Sj分別表示類別i和類別j中所有的點(diǎn)到中心的平均距離；ci、cj分別表示第i個(gè)和第j個(gè)聚類中心.

SC 也是一種評(píng)價(jià)聚類結(jié)果的常用指標(biāo)，SC 越大，聚類效果越好. SC 計(jì)算公式為：

式中：ai表示第i個(gè)樣本與類內(nèi)其他樣本之間的平均距離；di表示第i個(gè)樣本與其他類別中距離最近的類別內(nèi)樣本的平均距離；Li表示單個(gè)樣本的輪廓系數(shù)；Nk表示第k類的樣本個(gè)數(shù).

使用均方根誤差（Root mean square error，RMSE）、平均絕對(duì)誤差（Mean absolute error，MAE）對(duì)模型預(yù)測(cè)結(jié)果進(jìn)行評(píng)價(jià).

式中：N表示樣 本 個(gè)數(shù)； α表示實(shí)測(cè)值； β表示 預(yù)測(cè)值.

本文所構(gòu)建的FCM–LSTM 預(yù)測(cè)模型流程圖如圖2 所示. 首先，使用三次樣條插值法對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理，之后使用FCM 算法進(jìn)行聚類分析，將天氣數(shù)據(jù)劃分為不同類型，并通過(guò)計(jì)算不同類型下各因子之間的皮爾遜相關(guān)系數(shù)來(lái)確定不同類型模型的輸入，得到對(duì)應(yīng)預(yù)測(cè)模型；最后使用測(cè)試集對(duì)模型進(jìn)行準(zhǔn)確性測(cè)試.

圖2 FCM–LSTM 模型流程圖Fig.2 Flowchart of the FCM–LSTM model

2 實(shí)驗(yàn)結(jié)果

2.1 預(yù)測(cè)模型輸入確定

對(duì)2021 年10 月1 日至12 月20 日的氣象數(shù)據(jù)進(jìn)行FCM 聚類分析，當(dāng)聚類個(gè)數(shù)從2 增加到8 時(shí)，DBI 與SC 的變化趨勢(shì)如圖3 所示. 從圖中可以看出，聚類個(gè)數(shù)為3 時(shí)，DBI 最小，SC 最大，聚類效果最好. 因此，將樣本分為Ⅰ、Ⅱ、Ⅲ三種類型.

圖3 DBI、SC 的變化趨勢(shì)Fig.3 Trends of DBI and SC

為進(jìn)一步確定不同類型下模型的輸入，通過(guò)皮爾遜相關(guān)系數(shù)計(jì)算出各類型下出力和氣象數(shù)據(jù)中各因子之間的相關(guān)性，結(jié)果如圖4 所示. 從圖中可以看出，因子間的正相關(guān)性較大時(shí)，對(duì)應(yīng)色塊呈現(xiàn)出較深的紅色，負(fù)相關(guān)性較大時(shí)，色塊呈現(xiàn)出較深的藍(lán)色. 根據(jù)各類型因子間的相關(guān)性確定對(duì)應(yīng)模型的輸入氣象因素，其中將溫度、地表向下太陽(yáng)輻射作為類型Ⅰ的氣象輸入，類型Ⅱ的氣象輸入為溫度、地表向下太陽(yáng)輻射、總云量以及表面壓力，溫度、地表向下太陽(yáng)輻射、總云量為類型Ⅲ的氣象輸入.

圖4 不同類型下各因子間的相關(guān)性Fig.4 Correlation between factors under different types

2.2 預(yù)測(cè)模型構(gòu)建

通過(guò)圖4 確定各類型預(yù)測(cè)模型的輸入后，對(duì)已分類的2021 年10 月1 日至12 月20 日的出力和氣象數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化，使用標(biāo)準(zhǔn)化的分類數(shù)據(jù)分別訓(xùn)練驗(yàn)證三種不同的預(yù)測(cè)模型. FCM–LSTM 預(yù)測(cè)模型基于Python 3.7.4 環(huán)境，使用pandas 庫(kù)對(duì)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行處理，使用Keras 深度學(xué)習(xí)框架搭建預(yù)測(cè)模型，使用反向傳播算法作為解法器來(lái)求解模型參數(shù). 超參數(shù)的設(shè)置對(duì)模型的預(yù)測(cè)精度起著關(guān)鍵作用，使用網(wǎng)格搜索和交叉驗(yàn)證（Grid Search CV），確定各類型預(yù)測(cè)模型的輸入維度（Input dimension）、批大?。˙atch_size）、迭代次數(shù)（Epochs）、優(yōu)化器（Optimizer），最終結(jié)果如表1 所示.

表1 預(yù)測(cè)模型參數(shù)信息Table 1 Parameters of the prediction models

3 討論

3.1 預(yù)測(cè)結(jié)果對(duì)比

為驗(yàn)證所提預(yù)測(cè)模型的準(zhǔn)確性，選取LSTM神經(jīng)網(wǎng)絡(luò)模型、BP 神經(jīng)網(wǎng)絡(luò)模型、支持向量機(jī)（Support vector machines，SVM）模型、隨機(jī)森林模型進(jìn)行對(duì)比. 由圖4 可以得到四種對(duì)比模型的輸入氣象因素為溫度、地表向下太陽(yáng)輻射、總云量、表面壓力. 使用與FCM–LSTM 模型相同的方法對(duì)四種對(duì)比模型進(jìn)行超參數(shù)優(yōu)化，結(jié)果如表2 所示.

表2 對(duì)比模型參數(shù)信息Table 2 Parameters of the compared models

通過(guò)計(jì)算測(cè)試集各樣本與三個(gè)聚類中心間的隸屬度，根據(jù)隸屬度的不同來(lái)確定各個(gè)樣本的所屬類別，隸屬度計(jì)算結(jié)果如圖5 所示. 使用構(gòu)建的FCM–LSTM 預(yù)測(cè)模型分別對(duì)三種類型下的測(cè)試數(shù)據(jù)進(jìn)行預(yù)測(cè)分析，并將預(yù)測(cè)結(jié)果與對(duì)比模型的預(yù)測(cè)結(jié)果進(jìn)行比較.

圖5 測(cè)試集隸屬度Fig.5 Membership degree of the test set

五種模型的預(yù)測(cè)結(jié)果如圖6 所示，整體來(lái)看，各模型均能大致預(yù)測(cè)出實(shí)際出力的趨勢(shì)，其中在波谷時(shí)段各模型的預(yù)測(cè)結(jié)果差別較小，在波峰時(shí)段BP 神經(jīng)網(wǎng)絡(luò)模型、RF 模型和SVM 模型的預(yù)測(cè)結(jié)果偏差較大；從局部來(lái)看，F(xiàn)CM–LSTM 和LSTM兩種模型的擬合度更高，RF 模型可以擬合出波峰處的大致變化趨勢(shì)，但預(yù)測(cè)結(jié)果偏差較大，其他兩種模型無(wú)法預(yù)測(cè)出波峰處的細(xì)節(jié)變化. 綜上，F(xiàn)CM–LSTM 模型與LSTM 神經(jīng)網(wǎng)絡(luò)模型可以在一定程度上預(yù)測(cè)出實(shí)際出力曲線的變化，其中前者更加貼合真實(shí)值，這表明使用FCM 聚類分析對(duì)數(shù)據(jù)進(jìn)行分類是一種提高模型預(yù)測(cè)性能的有效方法.

3.2 預(yù)測(cè)誤差對(duì)比

圖7 表示各時(shí)刻五種模型預(yù)測(cè)結(jié)果與實(shí)際值間的絕對(duì)誤差，從圖中可以看出FCM–LSTM 模型誤差最小，誤差曲線與圖中虛線最為接近，LSTM神經(jīng)網(wǎng)絡(luò)模型在個(gè)別時(shí)刻處的誤差較大，其他三種模型的誤差明顯大于FCM–LSTM、LSTM 兩種模型，波峰時(shí)段大部分誤差值均在5 MW 以上，其中SVM 模型預(yù)測(cè)結(jié)果誤差最大，在某些時(shí)刻處的誤差值超過(guò)了10 MW.

圖7 五種模型的預(yù)測(cè)誤差Fig.7 Prediction errors of the five models

表3 為五種模型預(yù)測(cè)結(jié)果的均方根誤差和平均絕對(duì)誤差. 從表中可以看出，F(xiàn)CM–LSTM 模型擬合程度最好，預(yù)測(cè)精度明顯優(yōu)于其他兩種模型.FCM–LSTM 預(yù)測(cè)模型與其他模型相比，在RMSE方面降低了30%～44%；在MAE 方面降低了30%左右. 表3 的結(jié)果與圖6、圖7 的分析相一致，進(jìn)一步證明了FCM–LSTM 模型的有效性和優(yōu)越性.

表3 五種模型的評(píng)價(jià)指標(biāo)Table 3 Evaluation index of the five models

4 結(jié)論

（1）針對(duì)短期光熱出力預(yù)測(cè)問(wèn)題，本研究提出了一種FCM–LSTM 預(yù)測(cè)模型，首先使用三次樣條插值法對(duì)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行預(yù)處理，然后使用FCM 聚類算法對(duì)數(shù)據(jù)進(jìn)行聚類分析，實(shí)現(xiàn)了對(duì)不同類型實(shí)驗(yàn)數(shù)據(jù)的劃分，之后根據(jù)各因子間的相關(guān)系數(shù)確定不同聚類類型下預(yù)測(cè)模型的輸入變量，最后構(gòu)建出不同類型下的預(yù)測(cè)模型，并測(cè)試了模型的準(zhǔn)確度.

（2）采用FCM 聚類算法與相關(guān)性分析，得到不同類型下各因子間的相關(guān)系數(shù)，確定不同類型預(yù)測(cè)模型的輸入變量，充分考慮了數(shù)據(jù)間的復(fù)雜關(guān)系，提高了模型的預(yù)測(cè)精度. 通過(guò)與多種對(duì)比模型的預(yù)測(cè)結(jié)果進(jìn)行比較分析，發(fā)現(xiàn)FCM–LSTM 模型的預(yù)測(cè)精度得到了明顯提高，證明了所提方法可以有效提高光熱出力預(yù)測(cè)精度.

（3）雖然本文對(duì)光熱出力預(yù)測(cè)進(jìn)行了改進(jìn)，但從實(shí)驗(yàn)過(guò)程來(lái)看，研究可用的樣本仍不充分，在一定程度上影響了模型的訓(xùn)練結(jié)果；其次，對(duì)氣象數(shù)據(jù)進(jìn)行分析時(shí)，采用的聚類分析方法的不同可能會(huì)對(duì)最終的預(yù)測(cè)精度造成影響. 因此，未來(lái)研究將通過(guò)增加樣本容量進(jìn)行模型訓(xùn)練，進(jìn)而提高預(yù)測(cè)模型的精度和普適性；另一方面，未來(lái)將通過(guò)對(duì)比不同的聚類方法和評(píng)價(jià)指標(biāo)，優(yōu)化影響因素的聚類結(jié)果，實(shí)現(xiàn)預(yù)測(cè)模型精確度的進(jìn)一步提升.