[发明专利]一种基于改进支持向量回归的光功率预测方法

权利要求书

1.一种基于改进支持向量回归的光功率预测方法，其特征在于，包括以下步骤：

S1、采集连续M天的数据，构成训练集；

S2、对采集到的数据进行小波阈值去噪处理；

S3、将去噪处理后的数据进行归一化处理，得到待用训练集；

S4、将步骤S3中待用训练集输入支持向量回归模型中，得到优化后的支持向量回归模型；

S5、将第M+1天的数据集作为待测数据输入光伏发电功率预测模型，得到光伏发电功率。

2.根据权利要求1所述的一种基于改进支持向量回归的光功率预测方法，其特征在于，所述步骤S1中的数据包括光功率数据、天气预报数据、光电实际出力数据。

3.根据权利要求2所述的一种基于改进支持向量回归的光功率预测方法，其特征在于，所述步骤S1包括以下步骤：

S11、对于每一天的数据，设定采集时间间隔，计算得出一天采集的数据长度，计算得出M天的数据长度，得出训练集的数据长度；

S12、设某采集到的原始数据集X_t＝[x₁,x₂,…,x_n]，输出层数据设为Y＝y_i；其中，x_n表示数据集的第n类数据，y_i表示输出层数据的第i个数据。

4.根据权利要求1所述的一种基于改进支持向量回归的光功率预测方法，其特征在于，所述步骤S2包括以下步骤：

根据历史数据对数据集当中的各个类型数据设定相应的阈值，并保留大于该阈值的小波系数，将小于该阈值的小波系数全部置零，经小波重构后得到降噪后的信号。

5.根据权利要求1所述的一种基于改进支持向量回归的光功率预测方法，其特征在于，所述步骤S3中，归一化处理的公式定义如下：

其中，x表示原始采样数据，x_max表示原始采样数据集中的最大值，x_min表示原始采样数据集中的最小值，y表示归一化后的采样数据。

6.根据权利要求1所述的一种基于改进支持向量回归的光功率预测方法，其特征在于，所述步骤S4包括以下步骤：

S41、将训练数据集合{(x_i,y_i),i＝1,2,...,N}采用非线性映射的方法映射到多维特征空间，特征空间的一般性回归方程定义如下：

f(x)＝ω^Tφ(x)+b

其中，x_i表示输入量，y_i表示输出量，ω^T为f(x)的超参数转置矩阵，φ(x)表示特征空间变量，b表示f(x)的截距；

S42、计算回归方程当中的ω和b，建立目标函数：

并且服从：

其中，ζ_i、表示非负松弛变量，C表示惩罚系数，N表示样本容量；

S43、将时间序列与支持向量回归算法相结合，建立有外在输入量的非线性自回归模型。