[发明专利]一种基于支持向量机回归的光伏发电功率预测方法

说明书

本发明公开了一种基于支持向量机回归的光伏发电功率预测方法，首先，获取目标场站历史出力数据及数值天气预报数据；从中筛选出相关性较强的气象因子；然后，对历史数据集进行预处理，选取合适的输入参数并进行数据归一化，以构建支持向量机的输入向量；再利用灰色关联系数法，逐日计算历史数据集与四个典型日的关联度；对关联度计算结果进行聚类，从而将历史数据按照天气类型划分为四个训练集；采用支持向量机回归算法对分类后的历史样本进行训练建模，得到预测模型；再通过相关度计算确定待预测日的天气类型，并调用相应的预测模型；最后，输入预测日数值天气预报参数，基于支持向量机回归算法和预测模型得到功率预测结果。

技术领域

本发明涉及光伏发电预测技术领域，尤其是一种基于支持向量机回归的光伏发电功率预测方法。

背景技术

光伏发电因具有污染小、规模灵活等优点，得到了广泛应用。但由于光伏发电系统受环境因素影响明显，存在不确定性、波动性、间歇性等特点，将其接入电网不利于电网的安全调度和能量管理，增加了运行风险。

鉴于光伏发电的上述特点，光伏功率预测在保证电网稳定运行等方面就起到重要作用，国内外许多学者对此展开了研究。目前应用较多且比较成熟的预测方法主要包括持续法、时间序列法、人工神经网络、支持向量机(Support Vector Machine，SVM)等，持续法方法简单，不用建模，但精度较差，主要作为各种方法的比较基准。时间序列法模型简单，理论成熟，适用于提前量较短的预测，提前量增大时，精度效果不理想。人工神经网络提前量适用范围较广，能够自适应、自学习，以任意精度逼近任何非线性映射，适合描述功率预测模型的复杂非线性特点；但是人工神经网络训练时间长，对训练样本相似性要求较高，容易陷入局部最优。

经对现有文献检索发现，文献《基于改进BP神经网络的光伏发电系统输出功率短期预测模型》(丁明；王磊；毕锐；电力系统保护与控制)提出了一种基于改进BP算法的神经网络光伏发电系统输出功率短期预测模型，但BP学习算法算法训练时间长、易陷入局部极小点的固有缺点。文献《并网型光伏电站的发电功率短期预测的研究与实现》(温润；兰州交通大学；2017-6-15)提出了ESN预测模型，但该方法预测精度不高。

针对以上不足，本发明综合考虑了计算过程及精确度，基于相似日理论和支持向量机回归算法提出一种光伏功率预测方法。该方法的优势体现在三个方面，其一，支持向量机本身基于结构风险最小化准则，对小样本、非线性、局部极小点和高维数等现实中的问题有良好的解决能力，有很强的泛化能力；其二，算法根据环境因素与光伏输出功率的关系，选取了温度与太阳辐照度为参数，相较仅考虑一个参数的算法大大提高了精确度；最后，在构建模型时将光伏系统按照天气类型分类，可以减小误差，同时选择这种相对简单的分类方式也缩短了算法的训练时间。

发明内容

本发明的目的是提供一种基于支持向量机回归的光伏发电功率预测方法，旨在于解决现有光伏发电功率预测方法采用时间序列法预测精度不够理想，以及采用人工神经网络训练时间长，需要训练样本相似性高的技术问题。

为实现上述的目的，本发明的技术方案为：一种基于支持向量机回归的光伏发电功率预测方法，其包括以下步骤：

步骤一，获取目标场站历史出力数据及数值天气预报数据；

步骤二，分析目标场站出力数据与数值天气预报各气象参数之间的关系，筛选出相关性较强的气象因子，所述气象因子包括辐射强度、云量、温度和湿度；

步骤三，对历史数据集进行预处理，主要滤除不合理的样本值，同时验证数据的完备性；

步骤四，在步骤二和步骤三的基础上，选取合适的输入参数并进行数据归一化，以构建支持向量机的输入向量；