经元进行2500次的迭代，然 后用最后一天的数据进行测试预测，并可利用气象数据进行修正。
[0082] (3)支持向量机模型预测光功率的实现：
[0083] 利用由台湾大学林智仁博士等开发设计的LIBSVM算法软件包，通过对软件包中 回归函数的选取、核函数类型的优化选择，找到最适合本专利所用到的模型，实验所用数据 是某30兆瓦光伏电站实测原始数据，该气象数据采集时间序列为整点时刻采集记录，利用 前32天数据作训练模型，最后1天数据作测试模型，本申请选用的是e-SVR回归机与RBF 核函数，利用前面所提到的网格搜索法（Grid-search)选取模型参数（C，g)，其中C为惩罚 系数，g为核函数参数，带入上一步所得的最佳参数对（C，g)，选取不同的不敏感系数e进 行取值测试，观测对训练样本的影响，找出参数的最佳组合。在训练系统中带入惩罚参数c = 1.7411，RBF的核函数参数，以及不敏感系数e=0.05,得到训练模型显示：迭代次数为 7392次，支持向量个数为311个，边界上的支持向量个数为289个，再输入测试数据进行预 测，系统便可输出预测结果。
[0084]目前，在组合预测中权值的确定方法有模糊变权法、滚动最优变权法等方法，但在 模糊变权法中，当前时刻权重的大小仅取决于上一时刻误差及误差的变化率，所以这种方 法有一定的局限性；在滚动最优变权法中，对于权值的计算结果只与误差的大小有关，而与 误差的正负号无关。这样的结果会造成当多个模型进行预测时，如果仅有一个预测模型结 果跟其它所有模型预测结果相反，组合预测的权值分配方法并不会因为它的符号的特殊性 而使权值增大。所以，本申请在滚动变权组合预测的基础上，引入正负误差变权组合预测 法。
[0085] 本申请提出了基于灰色神经网络模型、Elman神经网络及支持向量机（SVM)的组 合光功率预测方法，但是在实际应用中，不仅限于这三种预测模型，将上述单个预测结果通 过正负误差变权得到的权值加权组合起来，充分利用各模型提供的信息，综合处理数据，最 终得到组合预测的结果。
[0086] 综合以上可知，该方法的思路为：由以往的光伏电站历史功率数据，分别利用灰色 神经网络模型、Elman神经网络模型、支持向量机模型，得到各个方法对某一天的光功率预 测结果，然后利用正负误差变权法计算这三种方法在预测中所对应的权值，将各个方法在 某时刻的权值和各个方法对应的预测结果相结合，便可得到组合预测的结果，再进行精度 误差判断，若满足误差要求，即可得到最终的预测结果，基于正负误差变权的组合光功率预 测技术算法流程图见附图1。
[0087] 而组合预测是对多种单模型预测方法得到的结果，根据一定规则选取适当的权重 对各单模型分配不同权值的一种预测手段，也就是组合了不同模型的预测结果。组合预测 法与单一预测模型不同的地方是它不能独立完成预测，而是结合了多种预测手段的综合预 测模型，它的原理是当单模型预测出结果后，对这些结果进行综合处理得到组合预测的结 果。预测方法分为两大类：一种是对比单模型预测的结果，直接运用误差最小的模型；另 外一种是将单模型的预测结果按某一逻辑分配不同的权值，该方法可以将信息的利用最大 化，优化了多种模型所蕴含的信息，可消除单模型预测方法可能存在的较大偏差，提高平均 预测的误差。
[0088] 与第一种组合预测方法相比，第二种组合预测方法可以将信息的利用最大化，优 化了多种模型所蕴含的信息，可消除单模型预测方法可能存在的较大偏差，提高平均预测 的误差，但权值和组合算法的选择是关键点和难点，选择合适的权值及组合算法将会使预 测丰旲型精度大大提尚。
[0089]实施例：
[0090] 以甘肃某光伏电场的实际数据10月15日为例，利用选择的最佳参数对测试数据 进行预测。灰色预测功率随时间变化而变化，可以看到结果如图2所示。整体的预测趋势 跟实际发电功率非常接近，但当发电功率为零时准确度有待提高。
[0091] 同样采用西北某光伏电站的历史数据，通过选取不同数量的神经元进行2500次 的迭代。由图3可以看出不同神经元数量时的误差，可以看出16个神经元的预测误差最 小，并且递归网络中干扰仅仅存在于期望输出，网络的预测精度与干扰方差相比很高，误差 忽略不计，并且随着网络训练速率的提高，对于网络陷入局部极小值点又有抑制效果。
[0092] 预测结果如下图4,由图中可以看出，Elman预测对于夜间无辐照输出时段预测误 差相对较大，最主要的原因是因为的是用时间序列法来做的功率预测，所以预测的准确度 有所下降。但时间序列法的优点是可以提前一天对发电功率的趋势进行预测，再通过气象 数据进行修正。
[0093] 在训练系统中带入惩罚参数c= 1. 7411，RBF的核函数参数，以及不敏感系数e =0. 05,得到训练模型显示：迭代次数为7392次，支持向量个数为311个，边界上的支持向 量个数为289个。再输入测试数据进行预测，系统输出的预测结果为：均方差是0. 0291，平 方相关系数是〇. 8954。同时对光伏发电功率预测数值如图5所示，以最后一天的光伏发电 数据为例显示了LIBSVM模型预测的效果。
[0094] 采用基于正负误差变权的组合光功率预测技术，将上述几种预测结果进行组合， 得到权值表1及预测结果如图6所示：
[0095] 表1 :灰色、Elman和SVM的正负误差变权值
[0096]
[0097]
[0098] 综上分析可知，止货误差雙|乂的組甘光功卒t贝测St对建立模型的预测范围和对 模型误差的不断调整，随时采纳最新观测数值和模型参数的微调，改变权值大小，收集利用 各单模型预测的信息与结果，通过各种计算提高预测精度，得到更好的预测效果。
[0099] 本发明按照优选实施例进行了说明，但上述实施例不以任何形式限定本发明，凡 采用等同替换或等效变换的形式所获得的技术方案，均落在本发明技术方案的范围内。
【主权项】
1. 一种基于正负误差变权的光伏发电功率预测方法，其特征在于，具体按照W下步骤 实施： 步骤1、设光功率预测模型有n种，依次为1，2，...，n，有N个预测时间点，y(t)为第t时刻光伏发电功率的真实值，其中t=1，2,...，和《i(t)分别为第i个模型的第 t时刻的预测值和权值，且《i(t)满足 芝'巧(〇 = 1々=1，；2，."，成） （1) 其中，《i(t) >0， 则变权重组合预测模型表示为： 又'約=i>, (/>.)',.(〇 /-1 (2.) 其中，为利用n种预测值得到的最终预测结果； 步骤2、将预测结果与真实值进行作差，设eit为第i种预测模型在第t时刻的预测绝 对值误差，则： 的一(3) 其中，为第i个模型在第t时刻的预测值， 步骤3、计算第i个模型的第t时刻的权值； 步骤4、经过步骤1、2、3即得到第i个模型的第t时刻的权值，将该值带入公式（2)，便 得到利用n种预测值得到的最终预测结果。2. 根据权利要求1所述的一种基于正负误差变权的光伏发电功率预测方法，其特征在 于，所述步骤3具体按照W下步骤实施： 步骤（1. 1)、当t为确定值时，eit有n种模型误差，如果所有的模型误差同号，则按照滚 动最优变权组合进行计算，贝U 口 1 (4) et为t时刻n种光功率预测模型误差绝对值之和， 则有C5) ? 1(t)为第i个模型的第t时刻的权值； 步骤（1.2)、如果所述n种模型误差异号，设有U个正误差和V个负误差，其中，U+V=n，则得到一个正的平均误差 <和一个负的平均误差的绝对值e,; C6) (?) 上述误差和为4,侧I8 彝为t时刻的正权值，跨为t时刻的负权值；步骤（1.3)、分别进行一次滚动权值运算，则有(10)?1 (t)即为所求得第i个模型的第t时刻的权值。 鉛）
【专利摘要】本发明公开了一种基于正负误差变权的光伏发电功率预测方法，具体按照以下步骤实施：首先设光功率预测模型有n种，有N个预测时间点，y(t)为第t时刻光伏发电功率的真实值，然后将预测结果与真实值进行作差，计算第i个模型的第t时刻的权值，最终利用n种预测值得到的最终预测结果，本发明解决了现有技术中存在的预测方法预测精度无法满足要求且预测效果差的问题。
【IPC分类】G06Q10/04
【公开号】CN105205560
【申请号】CN201510622467
【发明人】赵耀, 赵炜, 马喜平, 韩旭杉, 胡殿刚, 王维洲, 秦睿, 刘秀良, 魏博, 郑伟, 范迪龙, 董开松, 李臻, 沈渭程, 姜梅, 王斌, 杨俊 , 郑翔宇, 甄文喜, 张光儒, 闵占奎, 李志敏, 陈明忠, 雷俊, 汪红燕, 朱广明, 王文华, 李炜, 李军, 袁芳, 杨柯, 张娟, 刘璐, 陈志彤, 王娅君, 武广萍, 杨洁, 王政宏, 李小娟, 张鹏, 高世刚, 李涛, 孙明, 张卓毅, 何巍, 孟欢
【申请人】国网甘肃省电力公司电力科学研究院, 国网甘肃省电力公司兰州供电公司, 国网甘肃省电力公司, 国家电网公司
【公开日】2015年12月30日
【申请日】2015年9月25日