一种基于支持向量机的光伏发电功率预测方法技术

一种基于支持向量机的光伏发电功率预测方法，该方法将采集到的历史数据先进行挑选，确定训练样本跟测试样本。将确定的样本归一化处理以减少算法计算量。利用支持向量机算法对处理后样本进行建模，在建模过程中选择最优参数以达到最高精度。最后在MATLAB环境下使用LIBSVM进行预测分析。此法使得光伏发电预测稳定性提高，预测误差更小，克服了传统预测算法追求经验风险最小化带来的误差，提高了预测系统的精确度。可以提高光伏设备利用率和发电效率。

【技术实现步骤摘要】
一种基于支持向量机的光伏发电功率预测方法
本专利技术涉及一种基于支持向量机的光伏发电功率预测方法。
技术介绍
在光伏发电预测算法中，常用预测算法有灰色预测技术、神经网络预测、组合预测及支持向量机预测几种。灰色预测技术主要应用在短时间、数据变化较平缓的场合，当波动较大时，灰色预测技术不易得到满意的拟合度曲线，影响模型建立，最终影响预测精确度。光伏发电属于波动较大的场合，一天时间内，发电功率可能变化非常大，难以应用灰色预测技术得到较满意的模型。神经网络预测算法是非线性、自适应能力、记忆能力和容错容度强的算法模型，在很多领域得到广泛应用。但神经网络也有很大的缺陷，神经网络学习速度过慢，对于复杂的目标函数，神经网络出现“锯齿形”现象，使得算法失效；神经网络算法为局部搜索的优化方法，算法很可能陷入局部极值，导致训练失败；神经网络的模型建立和使用者的经验有很大的关系，熟练使用者无论建模或是数据预测的精确度都会有很大的提升；由于追求经验风险最小化，神经网络在训练能力和预测能力上不能做到统一。基于以上因素，神经网络算法用于光伏发电功率预测中，不能得到较为满意的模型。而组合预测为综合几种预测算法进行建模，但对使用者来说，模型的建立难度比单一的预测算法呈几何增加。
技术实现思路
针对上述问题，本专利技术的首要目的是提供一种基于支持向量机的光伏发电功率预测方法，将基于支持向量机的光伏发电预测方法用在光伏发电系统上，使得光伏发电预测稳定性提高，预测误差更小，克服了传统预测算法追求经验风险最小化带来的误差，提高了预测系统的精确度，可以提高光伏设备利用率和发电效率。进而节约生产成本提高利润空间。为解决上述技术问题，本专利技术所采用的技术方案是：一种基于支持向量机的光伏发电功率预测方法，包括以下步骤：数据选取：对训练样本和测试样本进行数据选取，训练样本利用支持向量机得到模型，而测试样本对所获模型进行测试；数据归一化处理：将选取的样本进行归一化处理，降低计算量；模型建立：利用支持向量机工具，对训练样本建模，得到回归方程；预测：在MATLAB环境下使用LIBSVM进行预测分析，输入测试样本得到测试数据。优选的，在所述数据选取步骤中，以历史输出功率作为训练样本的特征量。优选的，在所述数据选取步骤中，以天气状况、温度信息作为训练样本的特征量。优选的，在所述数据选取步骤中，选取时间为9点到18点每个整点的功率数据作为训练样本以及测试样本，训练样本以及测试样本中的变量包括天气情况、输出功率及时刻点。优选的，在所述数据归一化处理步骤中，需把训练样本中噪声过大的数据剔除，以免给模型建立造成错误。本专利技术的有益效果如下：(1)使用新技术，预测准确率高。支持向量机应对多因素、高维度场合表现良好。由于核函数的存在，支持向量机把低维复杂计算映射到高维空间，减少了计算量，使得建模容易。(2)降低能源消耗。基于支持向量机的光伏发电功率预测方法，对光伏发电预测准确率高，可以提前合理分配光伏发电设备。通过用户在不同时段的用电需求，合理进行发送电。(3)有助于传统生产线的技改升级，在新工程之外创造价值。该方法可以与光伏储能系统很好的结合起来，通过算法对光伏发电进行预测，在电价高峰时段进行卖电，而在电价低谷时对电池进行充电，创造出更大的利润空间与价值。附图说明构成本申请的一部分的附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：图1为本专利技术实施例支持向量机预测流程示意图；图2为本专利技术实施例支持向量机算法流程示意图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。实施例结合图1、2所示，一种基于支持向量机的光伏发电功率预测方法，包括数据选取，数据归一化处理，模型建立及预测几部分：数据选取，对训练样本和测试样本进行数据选取，训练样本利用支持向量机得到模型，而测试样本对所获模型进行测试；支持向量机建模，支持向量机建模过程中，若按原始数据输入计算，造成计算复杂、误差增大，而数据归一化处理能降低计算量，一般归一化数据到区间[-1,1]或[0,1]；模型建立，经过数据预处理后，利用支持向量机工具，对训练样本建模，在建模过程中，不同的参数对预测精确度有较大影响，因此，需要对模型进行参数择优。在支持向量机中，需对参数c和g择优，c为惩罚系数，表示对误差的接受程度，数值与接受程度成反比；g为选择核函数后自带参数，表示映射到高维空间后的分布；SVM训练根据训练样本即可得到SVM模型；预测，即建模完成后，得到回归方程，最后输入测试样本得到测试数据。样本特征选择支持向量机通过训练样本进行训练分析，得到输入与输出之间存在的函数关系，再对未知的输入或输出找出对应的输出与输入；建立输入、输出间函数关系时，函数关系与所选择的输入有很大的关系。支持向量机的的经验风险和置信风险与样本输入有很大的关系。光伏输出功率由众多因素影响，是多变量问题，输出功率y为函数输出，影响输出功率因素，如天气、温度、历史发电量、转换效率等为函数输入xi。样本数据中的每个数据即为支持向量机特征量，每个特征量的选择都不同程度影响着支持向量机模型的建立与求解。因此，选取不同变量作为特征量在建立模型时影响极大。通过分析各变量对光伏输出功率的影响大小，来最终确定所选变量。(a)历史输出功率数据在支持向量机分类及预测中，利用现有数据建立输入与输出之间的函数关系，利用该函数关系泛化到未知数据，而历史输出功率数据作为最直接、最重要的数据，在建立支持向量机光伏发电预测模型时，起到十分关键的作用。在支持向量机预测时，所基于的数据正是预测时刻之前的历史数据，因此，历史输出功率作为特征量必不可少。(b)天气情况在光伏发电众多影响因子中，辐射强度是光伏发电功率的重要影响因子。据研究表明，辐射强度越大，输出功率越大，太阳辐射强度对于输出功率是一个关键性的因素。辐射强度在某个地方往往与天气情况直接相关，阴雨天时太阳辐射强度小于晴天，因此，天气情况作为支持向量机特征量是十分必要的。(c)温度信息在光伏发电中，温度对于功率的影响也是极其巨大的，据研究表明，温度每上升1℃，晶体硅太阳能电池的最大输出功率就下降0.04％。把温度作为支持向量机预测模型的特征量理所应当，温度表现在每天的变化当中，理解为每天的时刻点，上午和下午也会有所区别。在本文中，把温度信息转化为每日的时刻点作为支持向量机样本输入的变量。(d)其他相关影响因素除了上述列出来的影响因素之外，影响光伏发电的因素还有很多，但本文基于模型简单，对其他影响因子不一一展开讨论，在支持向量机特征量选择中也不予考虑。样本选取和预处理在训练样本的选取中，有些数据虽然也是由监控系统获得，但由于系统原因导致存储的数据出现较大的波动，波动较大的数据在支持向量机模型建立过程中，带来困扰，更严重会带来错误，因此，选择将波动较大的数据舍弃。对于波动较小的数据，仅仅只是噪声成分，在支持向量机中，允许有噪声的存在。在训练样本数据预处理中，需把相关数据进行分类处理，把噪声过大(即波动变化大)的数据剔除掉，以免给模型建立造成错误。在数据的预本文档来自技高网...

【技术保护点】
一种基于支持向量机的光伏发电功率预测方法，其特征在于包括以下步骤：数据选取：对训练样本和测试样本进行数据选取，训练样本利用支持向量机得到模型，而测试样本对所获模型进行测试；数据归一化处理：将选取的样本进行归一化处理，降低计算量；模型建立：利用支持向量机工具，对训练样本建模，得到回归方程；预测：在MATLAB环境下使用LIBSVM进行预测分析，输入测试样本得到测试数据。

【技术特征摘要】
1.一种基于支持向量机的光伏发电功率预测方法，其特征在于包括以下步骤：数据选取：对训练样本和测试样本进行数据选取，训练样本利用支持向量机得到模型，而测试样本对所获模型进行测试；数据归一化处理：将选取的样本进行归一化处理，降低计算量；模型建立：利用支持向量机工具，对训练样本建模，得到回归方程；预测：在MATLAB环境下使用LIBSVM进行预测分析，输入测试样本得到测试数据。2.根据权利要求1所述的一种基于支持向量机的光伏发电功率预测方法，其特征在于：在所述数据选取步骤中，以历史输出功率作为训练样本的特征量。3.根据权...

【专利技术属性】
技术研发人员：马金虎，薛家祥，黄谱，
申请(专利权)人：广州飞毛腿数码技术有限公司，
类型：发明
国别省市：广东,44