基于多变量相空间重构和SVR的光伏出力短期预测方法技术

本发明专利技术提出了一种基于多变量相空间重构和SVR的光伏出力短期预测方法，以光伏电站气象站实际监测历史数据为基础，采用K‑means聚类算法对光伏电站历史样本进行聚类处理，建立基于多变量相空间重构和支持向量回归（SVR）的光伏电站短期功率混合预测模型。首先利用CC法相空间重构对辐照强度和温度时间序列进行分解和重构，然后利用SVR对重构后的辐照强度、气温进行预测和跟踪，并作为功率预测模型的可靠输入。最后利用SVR模型则实现了光伏电站功率的高度非线性拟合。

【技术实现步骤摘要】
基于多变量相空间重构和SVR的光伏出力短期预测方法
本专利技术涉及一种基于多变量相空间重构和SVR的光伏出力短期预测方法，属于电力系统自动化

技术介绍
随着经济社会的飞速发展，能源需求日益增加。传统以火电和石油等不可再生能源消耗为主的供给方式难以满足，且对气候环境也会产生严重的影响，新能源特别是太阳能成为替代化石能源的有效途径。光伏电站的输出功率受天气状况的影响较大，随机性和波动性较强。大规模的光伏并网给电力系统的协调控制与调度运行带来了巨大的挑战，光伏发电预测正是解决上述问题的有效手段。光伏电站出力的影响因素主要包括地理位置和气象条件。光伏电站建成后，其地理位置，布置排列方式，系统效率都已确定。因此，光伏发电功率波动性主要来源于现场气象条件。目前，光伏电站的气象站可以监测包括辐照强度、气温、风速、风向等多个气象因素，这些因素对光伏电池板的输出功率都有着一定的影响，其中起主要作用的是辐照强度和气温。辐照强度和光伏系统输出功率有着高度的关联性，辐照越强输出功率越高。而在相同条件下，温度的升高会导致光伏输出功率下降。辐照强度在任何天气状况下都和光伏电站发电功率的关联度较大，气温也会对光伏出力有直接的影响。同时，由于气温和辐照强度之间存在较强的耦合性，在建模过程中需要加以考虑。从显著性中可以看出，各类气象因素对光伏出力都有一定的影响。但是从相关性的角度，辐照强度和气温与光伏出力有存在着较强的关联性。由此可见，光伏出力预测是对大规模光伏并网技术的重要支撑，是保证电网安全稳定运行的有效方法之一。本专利技术所提出的方法就是一种基于多变量相空间重构和SVR的光伏出力短期预测方法。相比于传统方法该方法综合考虑了影响光伏出力的关键环境因素：辐照强度和温度。通过对辐照强度和温度时间序列的相空间重构，充分挖掘了预测日的天气情况与历史天气情况之间的关系，实现辐照强度、温度以及光伏出力的预测。
技术实现思路
本专利技术的目的在于：针对现有技术存在的缺陷，提出一种基于多变量相空间重构和SVR的光伏出力短期预测方法，实现了光伏电站功率的高度非线性拟合。为了达到以上目的，本专利技术提供了一种基于谱带特异性学习的高光谱图像分类方法，包括如下步骤：基于多变量相空间重构和SVR的光伏出力短期预测方法，该方法包括以下步骤：步骤1、采用K-means聚类算法对光伏电站历史数据进行聚类分析；步骤2、利用CC法相空间重构对光伏电站原始功率、辐照强度和温度时间序列进行分解和重构，充分挖掘数据的高频和低频信息；步骤3、利用SVR模型对重构后的辐照强度和气温进行预测和跟踪，并作为功率预测模型的可靠输入；步骤4、利用CC-SVR模型则实现光伏电站功率的高度非线性拟合获得预测结果。优选地，所述步骤1中采用K-means聚类算法对光伏电站历史数据进行聚类分析具体操作步骤如下：步骤1.1，初始化聚类中心。根据实际需求或经验从样本集中随机选取K个样本作为算法的初始聚类中心，记作此时迭代步数l＝0。步骤1.2，从样本集中随机选取一样本，记作Xn。步骤1.3，计算样本Xn与各聚类中心的距离，确定距离最近的聚类中心，如式(1)所示：步骤1.4，将样本Xn划分到与聚类中心距离最近的聚类集后调整聚类中心，如式(2)所示：式中，ni为第i类的样本个数，Ωi为第i类的样本集合。步骤1.5，检测是否所有样本都操作结束，若满足使式(1)最小或不再变化，则迭代结束；否则跳转到第二步。优选地，所述步骤2中CC法相空间重构建模流程为：步骤2.1、将原始时间时间序列{x(k),k＝1,2,...,N}分解成t个互补重叠的子序列，t为重构时延，即：其中N为t的整数倍。步骤2.2、对每个子序列计算关联积分：M为重构相空间状态量个数。根据BDS统计结论，取m＝2,3,4,5，对应m＝2,3,4,5,r＝0.5σ,σ,1.5σ,2σ，σ为时间序列标准差。步骤2.3、采用分块平均策略计算检验统计量：步骤2.4、计算差量：△S(m,t)＝max{S(m,rj,t)}-min{S(m,rj,t)}(6)△S(m,t)度量了S(m,N,r,t)对半径r的最大偏差。当△S(m,t)为最小值时，此时重构相空间中的点接近均匀分布，重构系统的轨道在相空间完全展开，时间序列的相关性最接近于零。因此△S(m,t)～t曲线反映了原始序列的自相关特性。步骤2.5、计算：和均反映了原时间序列的自相关性。考虑值可正可负，值总为正数，综合考虑和定义指标：的第一个局部极小值点所对应的t即为最佳时延τ，Scor(t)的全局最小值对应的t即最佳嵌入窗tω，tω＝(m-1)τ，从而确定嵌入空间维数m和时间延迟τ。优选地，所述步骤3中SVR建模流程为：构造最优超平面问题转化为优化问题：约束条件为：yi((w·xi)+b)≥1-ξi,i＝1,2,…,l(11)w为最优超平面法向量，b为阈值，C为惩罚参数，ξi为松弛变量。可以利用拉格朗日乘子法对上述问题求解。若扩展到非线性问题，可以利用映射φ(x)将低维空间中的样本映射为高维空间中，此时目标函数为：αi为拉格朗日乘子。SVR将线性不可分的输入样本空间映射到高维空间实现线性回归，得到非线性回归函数利用拉格朗日乘子法进行求解。一般情况下，核函数的选择中高斯核函数K(xk,νi)＝exp[-||xk-vi||/(2σ2)]较多，其中σ为高斯核参数。优选地，所述步骤4中基于CC-SVR光伏功率超短期预测模型建模步骤为：步骤4.1、基于CC法对辐照强度{rt,t＝1,2,...M}和温度{wt,t＝1,2,...M}的历史时间序列以嵌入空间维数m和时间延迟τ进行相空间重构，得到重构之后的相空间矩阵为：步骤4.2、基于重构后的辐照强度和温度矩阵利用SVR建立辐照强度和温度的预测模型。假设训练样本有k+1个，则辐照强度和温度训练的输入矩阵X1和X2分别为式(15)-(16)所示，输出矩阵Y1和Y2分别为式(17)-(18)所示。预测阶段将X'1＝[rk+1-(m-1)τ,rk+1-(m-2)τ,...rk+1]和X'2＝[wk+1-(m-1)τ,wk+1-(m-2)τ,...wk+1]作为SVR模型的输入，则此时SVR模型的输出Y1'＝rk+2和Y2'＝wk+2即为辐照强度和温度的预测结果，记为序列{rt}和{wt}。Y1＝[r2+(m-1)τr3+(m-1)τ...rk+1]T(17)Y2＝[w2+(m-1)τw3+(m-1)τ...wk+1]T(18)步骤4.3、利用SVR建立光伏出力预测模型，假设训练样本有k+1个，则光伏出力训练的输入矩阵为X3，输出矩阵为Y3如式(19)-(20)所示。预测阶段将X'3＝[pk+1-(m-1)τ,pk+1-(m-2)τ,...pk+1]作为SVR模型的输入，则此时SVR模型的输出Y3'＝pk+2为光伏出力的预测结果，记为序列{pt}。Y3＝[p2+(m-1)τp3+(m-1)τ...pk+1]T(20)。优选的，所述步骤4获得的结果综合考虑了影响光伏出力的关键环境因素：辐照强度和温度。通过对辐照强度和温度时间序列的相空间重构，充分挖掘了预测日的天气情况与历史天气情况之间的关系，实现辐照强度、温度以及光伏出力的预测。附图说明下面结合附图对本专利技术作进一步的说明本文档来自技高网...

【技术保护点】
1.基于多变量相空间重构和SVR的光伏出力短期预测方法，其特征在于：包括以下步骤：步骤1、采用K‑means聚类算法对光伏电站历史数据进行聚类分析；步骤2、利用CC法相空间重构对光伏电站原始功率、辐照强度和温度时间序列进行分解和重构，充分挖掘数据的高频和低频信息；步骤3、利用SVR模型对重构后的辐照强度和气温进行预测和跟踪，并作为功率预测模型的可靠输入；步骤4、利用CC‑SVR模型则实现光伏电站功率的高度非线性拟合获得预测结果。

【技术特征摘要】
1.基于多变量相空间重构和SVR的光伏出力短期预测方法，其特征在于：包括以下步骤：步骤1、采用K-means聚类算法对光伏电站历史数据进行聚类分析；步骤2、利用CC法相空间重构对光伏电站原始功率、辐照强度和温度时间序列进行分解和重构，充分挖掘数据的高频和低频信息；步骤3、利用SVR模型对重构后的辐照强度和气温进行预测和跟踪，并作为功率预测模型的可靠输入；步骤4、利用CC-SVR模型则实现光伏电站功率的高度非线性拟合获得预测结果。2.根据权利要求1所述的基于多变量相空间重构和SVR的光伏出力短期预测方法，其特征在于：所述步骤1中采用K-means聚类算法对光伏电站历史数据进行聚类分析具体操作步骤如下：步骤1.1、初始化聚类中心，根据实际需求或经验从样本集中随机选取K个样本作为算法的初始聚类中心，记作此时迭代步数l＝0；步骤1.2、从样本集中随机选取一样本，记作Xn；步骤1.3、计算样本Xn与各聚类中心的距离，确定距离最近的聚类中心，如式(1)所示：步骤1.4、将样本Xn划分到与聚类中心距离最近的聚类集后调整聚类中心，如式(2)所示：式中，ni为第i类的样本个数，Ωi为第i类的样本集合；步骤1.5、检测是否所有样本都操作结束，若满足使式(1)最小或不再变化，则迭代结束；否则跳转到第二步。3.根据权利要求2所述的基于多变量相空间重构和SVR的光伏出力短期预测方法，其特征在于：所述步骤1中，K-means聚类算法为：d1＝[tmin,tmax,tmean,smin,smax,smean,x1min,x1max,x1mean]其中p(t)是t时刻的光伏出力，△t表示采样时间间隔，X(t)＝[x(t),x(t-△t),...,x(t-(D-1)△t)]T是标准化后的功率，pmax，pmax分别表示光伏出力的最大和最小值，E＝[1,1,...,1]T∈RN×1，x1min,x1max,x1mean分别表示一天中光伏出力的最大值、最小值和平均值，tmin,tmax,tmean,smin,smax,smean分别表示一天中温度和辐照强度的最大值、最小值和平均值。4.根据权利要求1所述的基于多变量相空间重构和SVR的光伏出力短期预测方法，其特征在于：所述步骤2中，相空间中重构的状态量可表示为Xi＝[x(i),x(i+τ),...,x(i+(m-1)τ)]其中，m为嵌入空间维数，τ为时间延迟。5.根据权利要求4所述的基于多变量相空间重构和SVR...

【专利技术属性】
技术研发人员：窦春霞，卞忠伟，岳东，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：江苏,32