基於自學習徑向基核函數的光伏發電功率預測方法
2023-10-11 03:26:39 1
基於自學習徑向基核函數的光伏發電功率預測方法
【專利摘要】本發明公開了一種基於自學習徑向基核函數的光伏發電功率預測方法，包括：通過模型訓練得出得到SVM模型的步驟；以及將光伏發電功率預測所需的數據輸入上述訓練得出的SVM模型，得出預測結果的步驟。通過對光伏發電過程中的光伏發電功率進行預測，為新能源發電實時調度、新能源發電計劃、新能源發電能力評估和棄光電量估計提供關鍵信息。通過採用複合數據源，有效提高了超短期預測精度，從而實現高精度的光伏發電功率短期預測。
【專利說明】基於自學習徑向基核函數的光伏發電功率預測方法
【技術領域】
[0001]本發明涉及新能源發電過程中光伏發電功率預測【技術領域】，即基於自學習徑向基核函數的光伏發電功率預測方法，具體地，涉及一種採用複合數據源的基於自學習徑向基核函數支持向量機的光伏發電功率短期預測方法。
【背景技術】
[0002]大型新能源基地多數位於「三北地區」(西北、東北、華北)，大型新能源基地一般遠離負荷中心，其電力需要經過長距離、高電壓輸送到負荷中心進行消納。由於風、光資源的間歇性、隨機性和波動性，導致大規模新能源基地的風電、光伏發電出力會隨之發生較大範圍的波動，進一步導致輸電網絡充電功率的波動，給電網運行安全帶來一系列問題。
[0003]截至2014年4月，光伏發電裝機容量已達到435萬千瓦，約佔甘肅電網總裝機容量的13%，同時甘肅成為我國光伏發電裝機規模最大的省份。目前，甘肅電網風電、光伏發電裝機超過甘肅電網總裝機容量的1/3。隨著新能源併網規模的不斷提高，光伏發電不確定性和不可控性給電網的安全穩定經濟運行帶來諸多問題。
【發明內容】
[0004]本發明的目的在於，針對上述問題，提出一種基於自學習徑向基核函數的光伏發電功率預測方法，以實現高精度的光伏發電功率短期預測的優點。
[0005]為實現上述目的，本發明採用的技術方案是:
[0006]—種基於自學習徑向基核函數的光伏發電功率預測方法，包括:
[0007]通過模型訓練得出得到SVM模型的步驟；
[0008]以及將光伏發電功率預測所需的數據輸入上述訓練得出的SVM模型，得出預測結果的步驟。
[0009]根據本發明的優選實施例，上述通過模型訓練得出得到SVM模型的步驟具體包括:
[0010]步驟101、模型訓練基礎數據輸入；
[0011]步驟102、對上述輸入的訓練基礎數據進行預處理；
[0012]步驟103、SVM分類器訓練；
[0013]步驟104、通過輸入上述預處理的樣本數據，經過SVM分類器訓練得到SVM預測模型。
[0014]根據本發明的優選實施例，上述步驟101中，模型訓練基礎數據輸入的數據包括光伏電站基礎信息、歷史輻照數據、歷史功率數據和地理信息系統數據。
[0015]根據本發明的優選實施例，所述地理信息系統數據用於功率預測時根據各光伏電站的上下遊關係進行短期預測結果的優化。
[0016]根據本發明的優選實施例，上述步驟102中的訓練基礎數據進行預處理具體為:將輻照數據和功率數據進行數據對齊及歸一化預處理，地理信息系統數據通過預處理確定電站上下遊關係。
[0017]根據本發明的優選實施例，上述步驟103中，SVM分類器訓練具體為:基於SVM分
類器的非線性光伏發電功率短期預測模型可以表示為:
[0018]
【權利要求】
1.一種基於自學習徑向基核函數的光伏發電功率預測方法，其特徵在於，包括: 通過模型訓練得出得到SVM模型的步驟； 以及將光伏發電功率預測所需的數據輸入上述訓練得出的SVM模型，得出預測結果的步驟。
2.根據權利要求1所述的基於自學習徑向基核函數的光伏發電功率預測方法，其特徵在於，上述通過模型訓練得出得到SVM模型的步驟具體包括: 步驟101、模型訓練基礎數據輸入； 步驟102、對上述輸入的訓練基礎數據進行預處理； 步驟103、SVM分類器訓練； 步驟104、通過輸入上述預處理的樣本數據，經過SVM分類器訓練得到SVM預測模型。
3.根據權利要求2所述的基於自學習徑向基核函數的光伏發電功率預測方法，其特徵在於，上述步驟101中，模型訓練基礎數據輸入的數據包括光伏電站基礎信息、歷史輻照數據、歷史功率數據和地理信息系統數據。
4.根據權利要求3所述的基於自學習徑向基核函數的光伏發電功率預測方法，其特徵在於，所述地理信息系統數據用於功率預測時根據各光伏電站的上下遊關係進行短期預測結果的優化。
5.根據權利要求2所述的基於自學習徑向基核函數的光伏發電功率預測方法，其特徵在於，上述步驟102中的訓練基礎數據進行預處理具體為:將輻照數據和功率數據進行數據對齊及歸一化預處理，地理信息系統數據通過預處理確定電站上下遊關係。
6.根據權利要求2所述的基於自學習徑向基核函數的光伏發電功率預測方法，其特徵在於，上述步驟103中，SVM分類器訓練具體為:基於SVM分類器的非線性光伏發電功率短期預測模型可以表示為:/(X) = W7P(X)-^b 其中，X是與光伏發電功率密切相關的影響因素，包括數值天氣預報數據、歷史功率和光伏電站上下遊關係，d是輸入變量的維度，f(x)是待預測的功率值p(\)是從輸入空間到高維空間的非線性映射，即核函數，W是模型參數，b是預測殘差項； 定義懲罰函數即優化目標為:.1 2 I 冬 2
7.根據權利要求1所述的基於自學習徑向基核函數的光伏發電功率預測方法，其特徵在於，將光伏發電功率預測所需的數據輸入上述訓練得出的SVM模型，得出預測結果的步驟包括， 步驟201、輸入功 率預測基礎數據； 步驟202、對上述輸入的功率預測基礎數據進行噪聲濾波和數據預處理； 步驟203、上述步驟202處理後的數據輸入SVM模型，得出預測結果。
8.根據權利要求7所述的基於自學習徑向基核函數的光伏發電功率預測方法，其特徵在於，還包括: 步驟204、通過圖形和表格形式對預測結果進行展示； 步驟205、首先對預測結果進行後評估，分析預測值與實測值之間的誤差，如預測誤差大於允許的最大誤差，則從新進行模型訓練。
9.根據權利要求8所述的基於自學習徑向基核函數的光伏發電功率預測方法，其特徵在於，上述步驟201輸入功率預測基礎數據包括:資源監測系統數據和運行監測系統數據，所述資源監測系統數據包含全天空成像儀系統檢測數據、太陽能預測數據以及數值天氣預報數據，所述運行監測系統數據包括光伏組件監測數據、升壓站監測數據和數據採集與監視控制系統數據。
10.根據權利要求9所述的基於自學習徑向基核函數的光伏發電功率預測方法，其特徵在於，上述步驟202對上述輸入的功率預測基礎數據進行噪聲濾波和數據預處理具體為:噪聲濾波模塊對監測系統實時採集得到的帶有噪聲的數據進行濾波處理，去除壞數據和奇異值；數據預處理模塊對數據進行對齊、歸一化處理和分類篩選操作。
【文檔編號】G06Q50/06GK103927598SQ201410163066
【公開日】2014年7月16日 申請日期:2014年4月22日 優先權日:2014年4月22日
【發明者】路亮, 汪寧渤, 靳丹, 師建中, 崔剛, 賈懷森, 張鵬 申請人:國家電網公司, 國網甘肅省電力公司, 甘肅省電力公司風電技術中心