一种光伏电站发电功率预测的方法
【专利摘要】本发明涉及一种光伏电站发电功率预测的方法，其技术方案是根据待预测日的天气预报情况，从往年的数据中确定五个与待预测日相似度最高的历史日作为相似日，将这五个相似日中待预测时间点前的8组数据作为训练样本，将待预测时间点前已测的光照强度以及温度等作为输入数据，通过加权支持向量机计算获得所要预测时间点的预测功率。本发明利用相似度的计算方法以及相似日的确定方法，采用加权支持向量机的对光伏系统短期功率预测，解决了纯粹利用相似日方法预测时没有自学习能力的缺点。
【专利说明】一种光伏电站发电功率预测的方法
【技术领域】
[0001]本发明涉及支持向量机等智能计算方法，具体涉及一种光伏电站发电功率预测的方法。
【背景技术】
[0002]光伏电站发电功率往往波动较大,下一时刻的发电功率与前一时刻没有必然的相关性，这将不利于电网调度部门安排常规电源和光伏发电的协调配合。大规模光伏电站的接入，将对电能质量、电网安全产生重要的影响。光伏电站输出功率受光照强度和温度的影响，而自然环境中，太阳光照具有极大的不稳定性，使得光伏电站在一定时间段内的发电量会具有较大的波动性[1-3]，这会非常不利于电网调度部门安排常规电源和光伏发电的协调配合。正如文献[1-6]所采用的基于智能计算模型的功率预测，可以无需知道具体的环境状况，通过人工神经网络、灰色建模、支持向量机等可以预测光伏电站的输出功率，也可以通过光照、温度以及风速等环境参数来预测光伏电站的输出功率。但神经网络往往需要较大量的训练样本，以获得好的精度和泛化能力，而对于小样本情况，其预测性能将大大降低，此外，神经网络的结构和参数也不易确定，现有训练算法常会导致其参数陷入局部极小，因此，神经网络在功率预测中具有较大的局限性。相比较而言，支持向量机却可以较好地用于解决小样本情况，只需有少量支持向量时，就可以确定支持向量机的参数，从而获得较好的预测性能，因此支持向量机比较适合于小样本的场合。
[0003]支持向量机(Support Vector Machine,简称SVM)是近年发展起来的机器学习的新方法[7]，综合考虑了经验风险和置信风险，较好的解决了小样本、非线性、高维数等问题，很好的克服了传统机器学习方法过学习以及容易陷入局部最小的问题，具有很强的泛化能力，同时由于它是一个凸二次优化算法，能够保证通过它求得的极值解是全局最优解[8 9]。加权支持向量机是支持向量机的一种扩展，它主要适合于处理对结果有不同影响程度的数据[10]。由于在光伏系统功率预测中，越接近于预测点的数据对预测点的重要程度越高，因此，本发明采用加权支持向量机解决光伏系统短期功率预测问题。
【发明内容】
[0004]光照强度、环境温度等环境因素的不确定性决定了光伏发电系统的输出功率和发电量不可能正确被掌握，针对光伏电站在发电过程中功率的不确定性，选择加权支持向量机作为光伏系统输出功率的预测算法，从历史记录查找与待预测日相似度比较高的历史日的数据对加权支持向量机进行训练，有效预测光伏电站在下一时刻的功率输出。
[0005]在进行光伏电站短期功率预测过程中，如果在历史数据中找出与待预测日天气状况、天气类型都比较相近的一天，那么这一天的发电功率也与待预测日的发电功率比较接近。通常把这种相近的历史日称作相似日。通过寻找相似日来进行功率预测是很多现场人员进行功率预测时常用的方法。
[0006]通过寻找与待预测日季节相似、光照强度以及环境温度也比较相似的相似日，给出了相似日选取的具体的算法。将相似日数据作为加权支持向量机训练数据，以估算出待预测日的输出功率，给出了加权支持向量机的参数选择，解决了纯粹利用相似日方法预测时没有自学习能力的缺点。
[0007]计算相似度的目的，主要是为了基于客观方法，从历史数据中寻找与待预测日天气状况，尤其是光照强度和环境温度等比较相似的时间段，选择这些相似时间段所记录的数据作为学习样本，然后基于这些样本，构建功率预测模型。
[0008]为了从历史数据中找出与待预测日相似的历史日，需要对历史日(m月η日)与待预测日(i月j日)的季节相似度进行计算，我们首先计算待预测日j与历史日η的时间距离，记为
【权利要求】
1.一种光伏电站发电功率预测的方法，其特征在于:采用加权支持向量机的对光伏电站的输出功率进行预测。
2.如权利要求1所述的一种光伏电站发电功率预测的方法，其特征在于:将相似日数据作为加权支持向量机训练数据。
【文档编号】G06Q50/06GK103617461SQ201310663379
【公开日】2014年3月5日 申请日期:2013年12月10日 优先权日:2013年12月10日
【发明者】徐瑞东, 孙晓燕, 戴瀹, 吴计伟 申请人:中国矿业大学