CN103400204A - 基于svm-马尔科夫组合法的太阳能光伏发电量预测方法 - Google Patents

Abstract

本发明公开了一种基于SVM-马尔科夫组合法的太阳能光伏发电量预测方法，该方法包括以下步骤：（1）选择太阳辐射强度、日最高气温、相对湿度、风速作为预警因子；（2）根据预警因子收集一定量的样本数据；（3）初步建立SVM回归预测模型，并利用样本数据进行训练，确定SVM模型结构；（4）利用步骤（3）得到的SVM模型结构进行光伏发电量初步预测；（5）应用马尔科夫方法对预测结果进行修正；（6）得到预测结果。本发明利用支持向量机（SVM）进行回归预测分析，并通过马尔科夫方法对预测结果加以修正，方法契合光伏发电特点，并将二者进行优势互补，从而得到更为准确的预测结果，实现对光伏发电量的可靠预测。

Description

基于SVM-马尔科夫组合法的太阳能光伏发电量预测方法

技术领域

本发明涉及太阳能利用研究领域，特别涉及一种基于SVM-马尔科夫组合法的太阳能光伏发电量预测方法。

背景技术

如今，传统的化石燃料能源日益枯竭，同时其燃烧对环境造成的危害也日益突出，传统燃料所带来的能源危机和环境问题已经成为人类面临的最大挑战。为了人类社会的可持续发展，世界各国纷纷把目光投向了新能源和可再生能源，大力发展并寄予厚望，希望能调整改变能源结构现状，保证人类能源安全。与水能、风能、地热能、生物能等相比，太阳能以其突出独有的优势而成为人们重视的焦点。丰富的太阳辐射能取之不尽、用之不竭，且光伏发电装置无噪声、无污染、廉价、规模灵活，易于人类自由、广泛利用。据统计，太阳能每秒钟到达地面的能量高达80万千瓦，若把地球表面0.1%的太阳能转为电能，且转变率为5%，则每年发电量就可达5.6×10¹²千瓦时，相当于世界总能耗的40倍。因此，光伏发电备受青睐并得到广泛应用。

然而，受外界复杂不确定因素的影响，光伏发电存在随机性、波动性、间歇性、不确定性等缺点，且光伏输出功率还与影响因子呈现非线性的关系，这就导致光伏发电功率往往是极不稳定的，对电网的经济、安全、稳定运行造成了严重的影响和威胁。

实现太阳能光伏发电量的预测，将有助于电网调度部门统筹安排常规电源和光伏发电的协调配合、适时地调整调度计划、合理安排电网运行方式。一方面，可以有效地削弱光伏接入对电网带来的不利影响，提高电力***运行的安全性和稳定性；另一方面，可降低电力***的旋转备用容量和运行成本，以充分利用太阳能资源，获得更大的经济效益和社会效益。

目前，光伏发电量预测主要可以分为统计学方法和人工神经网络方法两类。统计学方法是通过对历史数据进行统计分析，利用概率论找出其内在规律并用于预测；而人工神经网络方法将样本数据作为输入，经机器训练测试学习，建立预测模型来对未来进行预测。以上两种方法在光伏发电量预测方面得到了应用，但其方法存在一些局限性，例如对于规律性和周期性较强的数据信息，这两种预测方法能达到较高的预测精度，但光伏发电存在随机性、波动性等特点，运用这两种方法，效果往往很差，不能满足实用需求。

因此，寻找一种能够对光伏发电量进行可靠预测的方法具有重要的实用价值。

发明内容

本发明的主要目的在于克服现有技术的缺点与不足，提供一种基于SVM-马尔科夫组合法的太阳能光伏发电量预测方法，该方法利用支持向量机（SVM）进行回归预测分析，并通过马尔科夫方法对预测结果加以修正，方法契合光伏发电特点，并将二者进行优势互补，从而得到更为准确的预测结果，实现对光伏发电量的可靠预测。

本发明的目的通过以下的技术方案实现：基于SVM-马尔科夫组合法的太阳能光伏发电量预测方法，包括以下步骤：

（1）选择合适的预警因子；

（2）根据预警因子收集一定量的样本数据；

（3）初步建立SVM回归预测模型，并利用样本数据进行训练，确定SVM模型结构；

（4）利用步骤（3）得到的SVM模型结构进行光伏发电量初步预测；

（5）应用马尔科夫方法对预测结果进行修正；

（6）得到预测结果。

影响太阳能光伏发电量的因素有很多，比如太阳辐射强度、环境温度、相对湿度、风速以及安装角度、光电转换率等。其中，对于安装角度、光电转换率等，可以依靠装置调整和技术进步等使光伏发电输出效果达到最佳，而太阳辐射强度、环境温度、相对湿度、风速都是人们所无法控制的，这几点却恰恰是影响光伏发电输出功率的关键。光伏电池的输出功率主要受环境温度以及太阳辐射强度的影响。而相对湿度、风速通过影响辐射间接作用于光伏发电量，比如相对湿度的增大，空气中的水汽会阻挡地面有效辐射。光伏发电的实际输出功率正是这些趋势相互作用的结果。基于以上分析，所述步骤（1）中选择的预警因子为：太阳辐射强度、日最高气温、相对湿度、风速作为预警因子。以上预警因子均可以从每日气象预报中获得。

更进一步的，对于太阳辐射强度，它主要受天气状况的影响，而紫外线是太阳辐射的一部分，两者随天气状况的变化情况基本相同，因此可以选用紫外线指数来近似表征太阳辐射强度。紫外线指数变化范围一般用0～15的数字来表示，因此，太阳辐射能也可以按紫外线指数进行数字化表征，从小到大依次赋值为1、2、3、……、14、15。

优选的，所述步骤（3）建立SVM回归预测模型前对采集的样本数据进行预处理，包括奇异数据的消除、线性插值、数据的归一化处理等。以保证所建模型的准确度。

支持向量机(SVM)方法是建立在统计学习理论SLT(Statistic Learn Theory)的VC(Vapnik-Chervonenkis)维理论和结构风险最小原理的基础上，根据有限样本信息在模型的复杂性和学习能力之间寻求最佳折衷，以期获得最好的推广能力。SVM回归基于最小化结构风险，而不是传统意义上的经验风险最小化，方法的基本思想是通过一个非线性映射，将数据样本映射到高维特征空间，并在这个空间进行线性回归。其具体实现为采用支持向量机的回归模型，针对样本数据，寻找该***数据输入与输出之间的依赖关系，使其尽可能准确地预测未知的输出，用数学语言描述如下：

给定一个数据样本集合{(x₁,y₁),(x₂,y₂),…,(x_i,y_i),…,(x_n,y_n)}，其中，输入向量x_i∈Rⁿ,输出数据y_i∈R,i=1,2,…,n。在Rⁿ上寻找一个最优目标函数f(x),以便使用y=f(x)来推断任一输入x所对应的y值，同时使得期望风险达到最小。

建立光伏发电量回归预测模型的基本思想是通过一个非线性映射Φ(x)将数据映射到高维空间，并在这个空间上进行线性回归。

最优目标函数f为：

f(ω,b)=ωΦ(x)+b

经过凸二次优化问题的解答算法,找到全局最优解，进而上式可表示为：

$f\left(x\right)=\underset{i=1}{\overset{l}{\mathrm{\Σ}}}(a_i-a_i^{*})K(x,x_i)+b$

其中，K(x,y)为核函数,a_i,是学习样本最小化期望风险时的解；b为优化的结果。根据SVM回归函数的性质,只有少数的a_i,

不为零,这些参数对应的向量即称之为支持向量机（SVM）。

具体到本发明，所述步骤（3）具体为：

（3-1）将步骤（2）收集的样本数据作为输入数据集，而输出数据为光伏发电量；

（3-2）选择核函数；

（3-3）用样本数据训练SVM回归预测模型，获得相应的支持向量，并据此确定该SVM回归预测模型的结构。

更进一步的，所述步骤（3-2）中采用的核函数为RBF函数，即：

$K(x,x_i)=\exp (-\frac{{|x-x_i|}^2}{{\mathrm{\σ}}^2}).$

太阳能光伏发电的波动性较大，是一个非平稳的随机过程，对于有限的样本，若仅利用支持向量机训练，预测模型往往不完全稳定。考虑到马尔科夫预测中状态概率转移矩阵具有追踪变量随机波动的能力，加之其具有无后效性，倘若与SVM回归模型有机结合起来，挖掘出发电数据序列的宏观变化与微观波动规律，就可以有效地提高模型的预测精度。具体的，本发明所述步骤（5）应用马尔科夫方法对预测结果进行修正的步骤如下：

（5-1）划分样本数据的状态等级：利用步骤（3）得到的SVM模型结构预测样本数据，并与实际发电量值进行比较，得到预测相对误差δ；根据各测试样本预测值的相对误差δ，确定δ的变动范围，并将δ所处的上下阈值[δ₀,δ_n]作为状态划分值域，并确定状态划分标准，建立马尔科夫状态集S：S₁[δ₀,δ₁]，S₂[δ₁,δ₂]，S₂[δ₂,δ₃]，……，S_i[δ_i-1,δ_i]，……，S_n[δ_n-1,δ_n]；

（5-2）建立状态转移概率矩阵：对于每组光伏发电量相对误差数据δ，若δ∈[δ_i-1,δ_i]，即事件S_i发生，则事件处于状态S_i，状态S_i经过k步转移到状态S_j的概率为：

$P_{\mathrm{ij}}^{\left(k\right)}=\frac{N_{\mathrm{ij}}^k}{N_i};$

式中，

为样本状态从S_i到S_j的转移次数，N_i为状态S_i出现转移的总次数；则k步状态转移概率矩阵为：

$P^{\left(k\right)}=\left(\begin{array}{cccc}{P}_{11}^{\left(k\right)}& P_{12}^{\left(k\right)}& \·\·\·& P_{1n}^{\left(k\right)}\\ P_{21}^{\left(k\right)}& P_{22}^{\left(k\right)}& \·\·\·& P_{2n}^{\left(k\right)}\\ \·\·\·& \·\·\·& \·\·\·& \·\·\·\\ P_{n1}^{\left(k\right)}& P_{n2}^{\left(k\right)}& \·\·\·& P_{\mathrm{nn}}^{\left(k\right)}\end{array}\right);$

（5-3）确定状态转移结果：设X(k)为k时刻的状态概率向量，X(0)为已知的初始时刻的状态概率向量；P^(k)为状态转移概率矩阵，则三者关系满足：

X(k)=X(0)P^(k)；

通过上式确定k时刻的状态概率向量X(k)，选取所得结果中最大的列向量状态作为下一步转向状态；

（5-4）修正步骤（4）所得到的光伏发电量初步预测值：待预测对象SVM回归模型预测值y的修正变动区间S_i[δ_i-1,δ_i]，求取区间的中位数

则预测对象未来时刻的预测值，即y^*=y(1-s_i)。

本发明与现有技术相比，具有如下优点和有益效果：

1、本发明采用支持向量机回归预测模型，并利用马尔科夫方法进行修正，兼具SVM模型及马尔科夫方法的优点，既能利用较少样本数据建模，预报总体趋势，又适合于波动性较大的随机序列预报，契合太阳能光伏发电的特点，能简便、高精度地预测光伏发电量。本发明若得到广泛推广，必将为电网调度部门提供强有力的帮助，协调配合常规电源和光伏发电，合理适时地安排调度计划，保证整个电力***的安全、稳定、可靠运行。

2、本发明选取太阳辐射强度、日最高气温、相对湿度、风速作为预警因子，均是太阳能光伏发电量中最重要的影响因素，起着决定性作用，同时数据易从气象预报中获得，对于不便直接获得的太阳辐射强度，采用了紫外线强度来进行数字化表征，可行可靠。

附图说明

图1是本发明方法的流程示意图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

实施例1

如图1所示，基于SVM-马尔科夫组合法的太阳能光伏发电量预测方法包括以下步骤：

S1：选择合适的预警因子。

本实施例中选择太阳辐射强度、日最高气温、相对湿度、风速作为预警因子。以上预警因子均可以从每日气象预报中获得。其中太阳辐射强度也可用紫外线指数进行数字化表征，从小到大依次赋值为1、2、3、……、14、15。

S2：根据预警因子收集一定量的样本数据。

S3：初步建立SVM回归预测模型，并利用样本数据进行训练，确定SVM模型结构。

SVM预测方法实现了数据空间与特征空间之间的非线性映射，可以有效地将数据空间中的各种非线性操作演变为特征空间中相应的线性操作，进而大大地提高了非线性处理能力，能较好地解决小样本、非线性、高维数、局部极小点等实际问题。建立SVM回归预测模型前对采集的样本数据进行预处理，包括奇异数据的消除、线性插值、数据的归一化处理等。

根据前面的分析，将选用预警因子太阳辐射强度、日最高气温、相对湿度、风速作为输入数据集，而输出数据为光伏发电量，以上输入数据可以从气象预报中获得。

SVM中常用的有线性函数、径向基函数（RBF）、Sigmoid函数等，经过比较，选用RBF函数作为核函数，用样本数据训练SVM回归预测模型，获得相应的支持向量，并据此确定该回归模型的结构。RBF函数，即：

$K(x,x_i)=\exp (-\frac{{|x-x_i|}^2}{{\mathrm{\σ}}^2}).$

S4：利用得到的SVM模型结构进行光伏发电量初步预测。

得到预测值y。

S5：应用马尔科夫方法对预测结果进行修正。

马尔科夫链描述了一种状态序列，其每个状态值取决于前面有限个状态，因此可以根据某些变量现在的状态及其变化趋向，预测其在未来某一特定期间内可能出现的状态。该预测方法适合描述随机波动性较大问题，例如本实施例所述的太阳光伏发电量预测。

步骤如下：

（5-1）划分样本数据的状态等级：利用步骤（3）得到的SVM模型结构预测样本数据，并与实际发电量值进行比较，得到预测相对误差δ；根据各测试样本预测值的相对误差δ，确定δ的变动范围，并将δ所处的上下阈值[δ₀,δ_n]作为状态划分值域，并确定状态划分标准，建立马尔科夫状态集S：S₁[δ₀,δ₁]，S₂[δ₁,δ₂]，S₂[δ₂,δ₃]，……，S_i[δ_i-1,δ_i]，……，S_n[δ_n-1,δ_n]；

（5-2）建立状态转移概率矩阵：

根据马尔科夫链理论，对于每组光伏发电量相对误差数据δ，每一次实验可能会有多种状态发生，若事件S_i发生，则事件处于状态S_i。状态S_i经过k步转移到状态S_j的概率为：

$P_{\mathrm{ij}}^{\left(k\right)}=\frac{N_{\mathrm{ij}}^k}{N_i};$

式中，

为样本状态从S_i到S_j的转移次数，N_i为状态S_i出现转移的总次数。则k步状态转移矩阵：

$P^{\left(k\right)}=\left(\begin{array}{cccc}{P}_{11}^{\left(k\right)}& P_{12}^{\left(k\right)}& \·\·\·& P_{1n}^{\left(k\right)}\\ P_{21}^{\left(k\right)}& P_{22}^{\left(k\right)}& \·\·\·& P_{2n}^{\left(k\right)}\\ \·\·\·& \·\·\·& \·\·\·& \·\·\·\\ P_{n1}^{\left(k\right)}& P_{n2}^{\left(k\right)}& \·\·\·& P_{\mathrm{nn}}^{\left(k\right)}\end{array}\right)$

（5-3）确定状态转移结果：P^(k)反映了***各状态之间的转移规律，利用状态概率转移矩阵，可以确定光伏发电量预测误差数列中变量所处的状态及其最大概率值maxP_ij(k)，从而确定变量的下一步转向。

马尔科夫链预测模型可表示为：

X(k)=X(0)P^(k)

式中，X(k)为k时刻的状态概率向量；X(0)为初始时刻的状态概率向量；P^(k)为状态转移概率矩阵。

X(0)由选定的初始时刻状态决定，若有4种状态，选定初始状态处于状态S₁，则记X(0)=(1,0,0,0)，而X(k)由计算所得结果中最大的列向量状态决定，若计算所得最大列向量为第三列，则记X(k)=(0,0,1,0)。

（5-4）修正步骤（4）所得到的光伏发电量初步预测值：根据（3）确定的待预测值的转移状态之后，即可得到待预测对象SVM回归模型预测值y的修正变动区间S_i[δ_i-1,δ_i]，利用区间的中位数

来修正预测对象未来时刻的预测值，即y^*=y(1-s_i)。

经过马尔科夫修正的SVM回归模型在太阳能光伏发电量预测中能达到很高的精度，这为光伏发电功率的有效评估提供了有力保证。

S6：得到最终的预测结果。

本实施例采用支持向量机回归预测模型，并利用马尔科夫方法进行修正，兼具SVM模型及马尔科夫方法的优点，若得到广泛推广，必将为电网调度部门提供强有力的帮助。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (7)

1.基于SVM-马尔科夫组合法的太阳能光伏发电量预测方法，其特征在于，包括以下步骤：

（1）选择合适的预警因子；

（2）根据预警因子收集一定量的样本数据；

（3）初步建立SVM回归预测模型，并利用样本数据进行训练，确定SVM模型结构；

（4）利用步骤（3）得到的SVM模型结构进行光伏发电量初步预测；

（5）应用马尔科夫方法对预测结果进行修正；

（6）得到预测结果。

2.根据权利要求1所述的基于SVM-马尔科夫组合法的太阳能光伏发电量预测方法，其特征在于，所述步骤（1）中选择的预警因子为：太阳辐射强度、日最高气温、相对湿度、风速作为预警因子。

3.根据权利要求2所述的基于SVM-马尔科夫组合法的太阳能光伏发电量预测方法，其特征在于，选用紫外线指数来近似表征太阳辐射强度，紫外线指数变化范围用0～15的数字来表示，太阳辐射能也按紫外线指数进行数字化表征，从小到大依次赋值为1、2、3、……、14、15。

4.根据权利要求1所述的基于SVM-马尔科夫组合法的太阳能光伏发电量预测方法，其特征在于，所述步骤（3）建立SVM回归预测模型前对采集的样本数据进行预处理，包括奇异数据的消除、线性插值、数据的归一化处理。

5.根据权利要求1所述的基于SVM-马尔科夫组合法的太阳能光伏发电量预测方法，其特征在于，所述步骤（3）具体为：

（3-1）将步骤（2）收集的样本数据作为输入数据集，而输出数据为光伏发电量；

（3-2）选择核函数；

（3-3）用样本数据训练SVM回归预测模型，获得相应的支持向量，并据此确定该SVM回归预测模型的结构。

6.根据权利要求5所述的基于SVM-马尔科夫组合法的太阳能光伏发电量预测方法，其特征在于，所述步骤（3-2）中采用的核函数为RBF函数，即：

$K(x,x_i)=\exp (-\frac{{|x-x_i|}^2}{{\mathrm{\σ}}^2}).$

7.根据权利要求1所述的基于SVM-马尔科夫组合法的太阳能光伏发电量预测方法，其特征在于，所述步骤（5）应用马尔科夫方法对预测结果进行修正的步骤如下：

（5-1）划分样本数据的状态等级：利用步骤（3）得到的SVM模型结构预测样本数据，并与实际发电量值进行比较，得到预测相对误差δ；根据各测试样本预测值的相对误差δ，确定δ的变动范围，并将δ所处的上下阈值[δ₀,δ_n]作为状态划分值域，并确定状态划分标准，建立马尔科夫状态集S：S₁[δ₀,δ₁]，S₂[δ₁,δ₂]，S₂[δ₂,δ₃]，……，S_i[δ_i-1,δ_i]，……，S_n[δ_n-1,δ_n]；

（5-2）建立状态转移概率矩阵：对于每组光伏发电量相对误差数据δ，若δ∈[δ_i-1,δ_i]，即事件S_i发生，则事件处于状态S_i，状态S_i经过k步转移到状态S_j的概率为：

$P_{\mathrm{ij}}^{\left(k\right)}=\frac{N_{\mathrm{ij}}^k}{N_i};$

式中，

为样本状态从S_i到S_j的转移次数，N_i为状态S_i出现转移的总次数；则k步状态转移概率矩阵为：

$P^{\left(k\right)}=\left(\begin{array}{cccc}{P}_{11}^{\left(k\right)}& P_{12}^{\left(k\right)}& \·\·\·& P_{1n}^{\left(k\right)}\\ P_{21}^{\left(k\right)}& P_{22}^{\left(k\right)}& \·\·\·& P_{2n}^{\left(k\right)}\\ \·\·\·& \·\·\·& \·\·\·& \·\·\·\\ P_{n1}^{\left(k\right)}& P_{n2}^{\left(k\right)}& \·\·\·& P_{\mathrm{nn}}^{\left(k\right)}\end{array}\right);$

（5-3）确定状态转移结果：设X(k)为k时刻的状态概率向量，X(0)为已知的初始时刻的状态概率向量；P^(k)为状态转移概率矩阵，则三者关系满足：

X(k)=X(0)P^(k)；

通过上式确定k时刻的状态概率向量X(k)，选取所得结果中最大的列向量状态作为下一步转向状态；

（5-4）修正步骤（4）所得到的光伏发电量初步预测值：待预测对象SVM回归模型预测值y的修正变动区间S_i[δ_i-1,δ_i]，求取区间的中位数

则预测对象未来时刻的预测值，即y^*=y(1-s_i)。