[发明专利]基于SAGA-FCM-LSSVM模型的光伏电站实时功率预测方法

说明书

本发明涉及基于SAGA‑FCM‑LSSVM模型的光伏电站实时功率预测方法，采集光伏电站对应时段发电功率以及气象站上对应的气象参数，获取气象‑功率参数样本；对每天的气象‑功率参数样本进行预处理；根据四项统计指标结合基于模拟退火遗传算法的模糊C‑均值聚类算法对历史日中第一天到待预测日前一天的样本进行聚类；根据各个聚类样本集合的气象特征值，计算每个聚类气象特征值的中心点，利用欧氏距离判断待预测日所属的类别；利用与待预测日同属一类的参数样本训练最小二乘支持向量机，得到训练模型；将待预测日的待预测时刻前2h的气象参数和功率值输入训练模型中对待预测日各个时刻的发电功率进行实时预测。本发明能够实时预测光伏电站在各个时刻的输出功率值。

技术领域

本发明涉及一种基于SAGA-FCM-LSSVM模型的光伏电站实时功率预测方法。

背景技术

太阳能作为一种取之不尽用之不竭的可再生能源，不仅不消耗任何地球资源，还不会对环境造成污染，因此光伏发电在世界各国的重视下得到了广泛的关注和应用。但是，光伏发电的输出受太阳辐照度、温度、湿度以及其它气象条件的影响很大，发电功率具有明显的波动性和间歇性，在并网时将会对电网造成较大的冲击，并引发电力系统一系列的安全、稳定问题。因此，随着光伏阵列的大规模应用，光伏发电功率的准确实时预测已变得越来越重要。

近几年来，学者们提出了各种光伏发电功率预测方法，主要分为物理预测法和统计预测法两大类。物理预测法通常以太阳辐射模型、电站模型、光伏转换模型、电路模型和逆变模型为基础，但由于太阳辐照度和云量的不确定性以及天气的变化，对光伏发电功率的准确预测带来了巨大挑战。而基于历史数据的统计预测法则有效地考虑了这些问题。目前已有多种统计预测法用于光伏发电预测，例如：支持向量机(SVM)，支持向量回归(SVR)，人工神经网络(ANN)，遗传算法(GA)和混合算法等。

但这些算法存在一些不足之处：ANN模型可以用于所有的分类和预测问题，但它需要指定模型中与网络拓扑有关的各种参数，且极易陷入局部极小值。SVM模型最初用于分类问题，而对于光伏功率预测等非线性回归问题，在二次规划过程中选择合适的核函数，提高其训练速度并不容易。SVR模型已成功应用于分类和回归预测。然而，确定SVR性质的核函数通常是通过操作者的经验获得的。GA算法计算量小，鲁棒性强，但对初始样本序列的依赖性很强。

目前，公开发表的文献及专利中尚未见有将基于SAGA-FCM-LSSVM算法应用于光伏电站实时功率预测的研究。

发明内容

本发明的目的在于提供一种基于SAGA-FCM-LSSVM模型的光伏电站实时功率预测方法

为实现上述目的，本发明的技术方案是：一种基于SAGA-FCM-LSSVM模型的光伏电站实时功率预测方法，按照如下步骤实现：

步骤S1：采集光伏电站历史每天每小时的发电功率以及气象站上每天对应时间段的气象参数，并建立每天每小时的气象-功率参数样本；

步骤S2：对每天的气象-功率参数样本进行预处理，去除异常数据，并进行归一化处理；

步骤S3：根据归一化后的统计分析中的四项统计指标，并结合基于模拟退火遗传算法的模糊C-均值聚类算法，对历史日中第一天到待预测日前一天的样本进行聚类，并根据轮廓系数确定类别数；

步骤S4：根据各个聚类样本集合的气象特征值，计算每个聚类气象特征值的中心点，采用欧氏距离判断待预测日所属的类别；

步骤S5：根据与待预测日同属一类的参数样本，训练最小二乘支持向量机，建立训练模型；

步骤S6：将待预测日的待预测时刻前2h的气象参数和功率值输入所述训练模型中，对待预测日各个时刻的发电功率进行实时预测。