[发明专利]一种基于改进支持向量回归的光功率预测方法

说明书

本发明公开了一种基于改进支持向量回归的光功率预测方法，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。本发明实用性较强、模型训练时间较短，能够解决光功率预测技术不足的问题，能够解决现有光功率预测方法精度较低的问题，提高了光功率的预测精度。

技术领域

本发明涉及光伏发电预测技术领域，更具体涉及一种基于改进支持向量回归的光功率预测方法。

背景技术

人类对能源的需求一直处于不断上升的状态，但化石能源储量有限，面对有限的化石能源和调整能源结构的需求，光伏发电技术应用越来越广泛。随着可再生能源与储能装置的大规模并网，风光储一体化潮流控制系统成为了改善电能质量的关键装置。然而，由于光功率的间歇性与随机性较高，导致潮流控制系统的控制策略不准确，使得储能装置频繁启停，降低了储能装置的运行寿命，同时还会降低了风光储发电厂的经济性，延长维护检修周期，造成无法挽回的经济损失。因此，预测精度较高的光功率预测方法可为风光储一体化潮流控制系统提供一定的辅助控制建议，为风光储发电厂的经济、安全、高效运行提供重要的技术支撑。

目前，光功率预测方法主要分为两种，一种是基于光伏发电原理的预测方法，主要根据光伏发电的原理推导数学公式，并根据外界环境数据预测出光伏发电功率，类似于经验公式，预测精度较低。另一种是神经网络法，主要根据历史外界环境数据及历史光功率数据对未来光功率数据进行预测，但未对前期数据做处理，预测精度较低，实用性较弱。

因此，亟需一种新的功率预测方法，以弥补光功率预测准确度不高的问题。

发明内容

本发明需要解决的技术问题是提供一种基于改进支持向量回归的光功率预测方法，以解决目前光功率预测方法误差较高，预测精度低，计算时间较长的问题。

为解决上述技术问题，本发明所采取的技术方案如下。

一种基于改进支持向量回归的光功率预测方法，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。

进一步优化技术方案，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。

进一步优化技术方案，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。

进一步优化技术方案，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。