CN103617461A

CN103617461A - 一种光伏电站发电功率预测的方法

Info

Publication number: CN103617461A
Application number: CN201310663379.XA
Authority: CN
Inventors: 徐瑞东; 孙晓燕; 戴瀹; 吴计伟
Original assignee: China University of Mining and Technology CUMT
Current assignee: China University of Mining and Technology CUMT
Priority date: 2013-12-10
Filing date: 2013-12-10
Publication date: 2014-03-05

Abstract

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***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。

Description

一种光伏电站发电功率预测的方法

技术领域

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

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。

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***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***短期功率预测问题。

发明内容

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***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***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。

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。

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。

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。

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n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n的时间距离，记为

，则有：

(1)

式中：

是每个月对应的天数，一月份为31天、不是闰年的二月份为28天，以此类推。

根据式(1)，并考虑一年中12月份与1月份的相似度较高，我们给出如下所示待预测日j与历史日n的季节相似度的计算方法：

(2)

光照强度相似度可以通过将待预测日的天气预报状况与历史日的天气预报状况做比较，我们给出如式(3)所示光照相似度计算方法：

(3)

式中：

、

分别是i月j日的预报天气状况，以及m月n日的预报状况，用数字来表示：1为晴天，2为多云，3为阴天，4为小雨，5为阵雨，6为大雨，7为雪天。

考虑在某地区，任意两天之间的最高温度之差一般不会超过50℃，因此对于最高温度的相似程度，本章定义如式(4)所示相似度计算方法：

(4)

同样的道理，在某地区，我们定义了如下最低气温相似度计算方法：

(5)

将式(2)至(5)所定义的各相似度相乘，我们就可以得到i月j日与m月n日的相似度，在本文中将一年内的数据根据相似度的高低做排列，然后找出与待预测日相似度最高的5天作为相似日，继而选择这些相似日记录数据作为训练样本。

总相似度为：

(6)

从相似度越大的时间段获取的数据，记为第n个，其对模型的作用应越重要，因此，训练样本对应的越大，

越小；反之，相似度越小的数据，其适当减小其在预测模型中的作用，因此，训练样本对应的

越小，

越大。因此，本章通过总相似度

来确定各相似日中训练样本的权值，即

如下式所示：

(7)

可以看出，

，且随着相似度的增加而增大。进一步地，由

，容易得到

的值。

考虑利用待预测日预测时间点前两个小时的8组数据（每隔15分钟记录一组数据，因此，两个小时共记录8组数据）作为模型的输入，将待预测点的功率作为输出。相应的，从与当前预测日最相似的5天中，选择相应预测时间点前两个小时数据作为训练样本的输入，相似历史日中对应预测时间点的功率作为输出。模型如图1所示，其中

是待预测时间点i时刻前两个小时的光照数据，

是待预测点前两个小时的温度数据，

是待预测点的功率输出。

本发明的有益效果：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电站的输出功率进行预测。

从一年所记录的温度、光照强度等历史数据中，随机选择了10天作为预测对象。将这些天某一时刻（譬如中午12:00）光伏电站的输出功率作为待预测值，具体设置如表1所示。

对这10个待测日12:00这一时刻光伏电站的输出功率进行预测，采用5个相似日的样本来训练WSVM，其结果如图3所示。从图3可以清楚的看出，预测结果与实测结果非常接近。

误差计算的结果如下：最大相对误差为12.23%；最小相对误差为0.16%；平均值相对误差为5.61%。

表1 随机选择的待预测的10天

附图说明

图1是模型结构。

图2是本发明的光伏电站发电功率预测的方法流程图。

图3是本发明预测结果。

具体实施方式

在程序中读入前面一年或者多年的历史数据，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。

以上的具体实施方式仅为本创作的较佳实施例，并不用以限制本创作，凡在本创作的精神及原则之内所做的任何修改、等同替换、改进等，均应包含在本创作的保护范围之内。

参考文献

[1] Yona A., Senjyu T., Saber A.Y., Funabashi T., Sekine H., Chul-Hwan K.. Application of neural network to 24-hour-ahead generating power forecasting for PV system. Power and Energy Society General Meeting - Conversion and Delivery of Electrical Energy in the 21st Century, Pittsburgh, PA, 2008:1-6.

[2] Cai T., Duan S.X., Chen C.S.. Forecasting power output for grid-connected photovoltaic power system without using solar radiation measurement. The 2nd IEEE International Symposium on Power Electronics for Distributed Generation Systems, Hefei, China, 2010: 773-777.

[3] Wang S.X., Zhang N., Zhao Y.S., Zhan J.. Photovoltaic system power forecasting based on combined grey model and BP neural network[C]. International Conference on Electrical and Control Engineering (ICECE), Tianjin, China. 2011: 4623 – 4626.

[4] Sulaiman S.I., Abdul Rahman T.K., Musirin I., Shaari S., Optimizing three-layer neural network model for grid-connected photovoltaic system output prediction. Conference on Innovative Technologies in Intelligent Systems and Industrial Applications, Monash, 2009: 338-343.

[5] Ding M., Xu N.Z.. A method to forecast short-term output power of photovoltaic generation system based on Markov Chain[J]. Power System Technology, 2011, 35(1): 152-157.

[6] 朱永强, 田军. 最小二乘支持向量机在光伏功率预测中的应用. 电网技术, 2011, 35(7): 54-59.

[7] Cortes C., Vapnik V.. Support-vector networks[J]. Machine Learning (S0885-6125), 1995, 20( 2): 273-297.

[8] Fortuna J., Capson D.. Improved support vector classification using PCA and ICA feature space modification[J]. Pattern Recognition(S0031-3203), 2004, 37(6):1117-1129.

[9] Chapelle O., Haffner P., Vapnik V.N.. Support vector machines for histogram-based image classification. IEEE Transactions on Neural Networks[J], 1999, 10(5):1055-1064.

[10] Adriano L. I. Oliveira, Carolina Baldisserotto, Julio Baldisserotto. A comparative study on support vector machine and constructive RBF neural network for prediction of success of dental implants[J]. Lecture Notes in Computer Science, 2005:1015-1026。

Claims

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。