一种基于改进支持向量回归的光功率预测方法技术

本发明专利技术公开了一种基于改进支持向量回归的光功率预测方法，包括以下步骤：S1、采集连续M天的数据，构成训练集；S2、对采集到的数据进行小波阈值去噪处理；S3、将去噪处理后的数据进行归一化处理，得到待用训练集；S4、将步骤S3中待用训练集输入支持向量回归模型中，得到优化后的支持向量回归模型；S5、将第M+1天的数据集作为待测数据输入光伏发电功率预测模型，得到光伏发电功率。本发明专利技术实用性较强、模型训练时间较短，能够解决光功率预测技术不足的问题，能够解决现有光功率预测方法精度较低的问题，提高了光功率的预测精度。提高了光功率的预测精度。提高了光功率的预测精度。

【技术实现步骤摘要】
一种基于改进支持向量回归的光功率预测方法


[0001]本专利技术涉及光伏发电预测
，更具体涉及一种基于改进支持向量回归的光功率预测方法。

技术介绍

[0002]人类对能源的需求一直处于不断上升的状态，但化石能源储量有限，面对有限的化石能源和调整能源结构的需求，光伏发电技术应用越来越广泛。随着可再生能源与储能装置的大规模并网，风光储一体化潮流控制系统成为了改善电能质量的关键装置。然而，由于光功率的间歇性与随机性较高，导致潮流控制系统的控制策略不准确，使得储能装置频繁启停，降低了储能装置的运行寿命，同时还会降低了风光储发电厂的经济性，延长维护检修周期，造成无法挽回的经济损失。因此，预测精度较高的光功率预测方法可为风光储一体化潮流控制系统提供一定的辅助控制建议，为风光储发电厂的经济、安全、高效运行提供重要的技术支撑。
[0003]目前，光功率预测方法主要分为两种，一种是基于光伏发电原理的预测方法，主要根据光伏发电的原理推导数学公式，并根据外界环境数据预测出光伏发电功率，类似于经验公式，预测精度较低。另一种是神经网络法，主要根据历史外界环境数据及历史光功率数据对未来光功率数据进行预测，但未对前期数据做处理，预测精度较低，实用性较弱。
[0004]因此，亟需一种新的功率预测方法，以弥补光功率预测准确度不高的问题。

技术实现思路

[0005]本专利技术需要解决的技术问题是提供一种基于改进支持向量回归的光功率预测方法，以解决目前光功率预测方法误差较高，预测精度低，计算时间较长的问题。
[0006]为解决上述技术问题，本专利技术所采取的技术方案如下。
[0007]一种基于改进支持向量回归的光功率预测方法，包括以下步骤：
[0008]S1、采集连续M天的数据，构成训练集；
[0009]S2、对采集到的数据进行小波阈值去噪处理；
[0010]S3、将去噪处理后的数据进行归一化处理，得到待用训练集；
[0011]S4、将步骤S3中待用训练集输入支持向量回归模型中，得到优化后的支持向量回归模型；
[0012]S5、将第M+1天的数据集作为待测数据输入光伏发电功率预测模型，得到光伏发电功率。
[0013]进一步优化技术方案，所述步骤S1中的数据包括光功率数据、天气预报数据、光电实际出力数据。
[0014]进一步优化技术方案，所述步骤S1包括以下步骤：
[0015]S11、对于每一天的数据，设定采集时间间隔，计算得出一天采集的数据长度，计算得出M天的数据长度，得出训练集的数据长度；
[0016]S12、设某采集到的原始数据集X
t
＝[x1,x2,
…
,x
n
]，输出层数据设为Y＝y
i
；其中，x
n
表示数据集的第n类数据，y
i
表示输出层数据的第i个数据。
[0017]进一步优化技术方案，所述步骤S2包括以下步骤：
[0018]根据历史数据对数据集当中的各个类型数据设定相应的阈值，并保留大于该阈值的小波系数，将小于该阈值的小波系数全部置零，经小波重构后得到降噪后的信号。
[0019]进一步优化技术方案，所述步骤S3中，归一化处理的公式定义如下：
[0020][0021]其中，x表示原始采样数据，x
max
表示原始采样数据集中的最大值，x
min
表示原始采样数据集中的最小值，y表示归一化后的采样数据。
[0022]进一步优化技术方案，所述步骤S4包括以下步骤：
[0023]S41、将训练数据集合{(x
i
,y
i
),i＝1,2,...,N}采用非线性映射的方法映射到多维特征空间，特征空间的一般性回归方程定义如下：
[0024]f(x)＝ω
T
φ(x)+b
[0025]其中，x
i
表示输入量，y
i
表示输出量；ω
T
为f(x)的超参数转置矩阵，φ(x)表示特征空间变量，b表示f(x)的截距；
[0026]S42、计算回归方程当中的ω和b，建立目标函数：
[0027][0028]并且服从：
[0029]其中，ζ
i
、表示非负松弛变量，C表示惩罚系数，N表示样本容量；
[0030]S43、将时间序列与支持向量回归算法相结合，建立有外在输入量的非线性自回归模型。
[0031]由于采用了以上技术方案，本专利技术所取得技术进步如下。
[0032]本专利技术实用性较强、模型训练时间较短，能够解决光功率预测技术不足的问题，能够解决现有光功率预测方法精度较低的问题，提高了光功率的预测精度。
[0033]本专利技术首先将收集到的光功率数据、天气预报数据、光电实际出力数据集进行小波阈值去噪处理；其次将处理后的数据进行归一化处理；再次，其次将归一化后的光功率数据、天气预报数据、光电实际出力数据作为预测模型的输入层，光功率数据作为预测模型的输出层，送入有外在输入的支持向量回归模型中进行训练，并采用ε
‑
不敏感函数作为支持向量回归算法的损失函数，构建出基于改进支持向量回归的光功率预测模型。最后，选取一整天的光功率数据、天气预报数据、光电实际出力数据各86400组构成测试集，作为预测模型的输入层，上一年度同一天的光功率数据作为预测模型的前置输入，作为改进支持向量回归模型的输入层，预测出当天的光功率数据。本专利技术在实现提高光功率预测精确度的同时，使光功率预测更接近实际值。
附图说明
[0034]图1为本专利技术的流程示意图；
[0035]图2为光功率数据的原始图；
[0036]图3为本专利技术对采集到的数据进行小波阈值去噪处理后的光功率数据图；
[0037]图4为采用未改进支持向量回归的预测值与真实值的对比图。
[0038]图5为本专利技术采用改进支持向量回归的预测值与真实值的对比图。
具体实施方式
[0039]下面将结合附图和具体实施例对本专利技术进行进一步详细说明。
[0040]一种基于改进支持向量回归的光功率预测方法，包括以下步骤：
[0041]S1、采集连续M天的光功率数据、天气预报数据、光电实际出力数据，构成训练集。本实施例中采集连续14天的光功率数据、天气预报数据、光电实际出力数据。天气预报数据包括：光照强度、光照方向正弦值、光照方向余弦值、温度以及气压。
[0042]步骤S1包括以下步骤：
[0043]S11、对于每一天的数据，设定采集时间间隔，计算得出一天采集的数据长度，计算得出M天的数据长度，得出训练集的数据长度。本实施例中对于每一天的数据，1s采集一个数据，一天采集的数据长度为86400组，14天采集的数据长度为1209600组，则训练集的数据长度为1209600组。
[0044]S12、设某采集到的原始本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进支持向量回归的光功率预测方法，其特征在于，包括以下步骤：S1、采集连续M天的数据，构成训练集；S2、对采集到的数据进行小波阈值去噪处理；S3、将去噪处理后的数据进行归一化处理，得到待用训练集；S4、将步骤S3中待用训练集输入支持向量回归模型中，得到优化后的支持向量回归模型；S5、将第M+1天的数据集作为待测数据输入光伏发电功率预测模型，得到光伏发电功率。2.根据权利要求1所述的一种基于改进支持向量回归的光功率预测方法，其特征在于，所述步骤S1中的数据包括光功率数据、天气预报数据、光电实际出力数据。3.根据权利要求2所述的一种基于改进支持向量回归的光功率预测方法，其特征在于，所述步骤S1包括以下步骤：S11、对于每一天的数据，设定采集时间间隔，计算得出一天采集的数据长度，计算得出M天的数据长度，得出训练集的数据长度；S12、设某采集到的原始数据集X
t
＝[x1,x2,
…
,x
n
]，输出层数据设为Y＝y
i
；其中，x
n
表示数据集的第n类数据，y
i
表示输出层数据的第i个数据。4.根据权利要求1所述的一种基于改进支持向量回归的光功率预测方法，其特征在于，所述步骤S2包括以下步骤：根据历史数据对数据集当中的各个类型数据设定相应...

【专利技术属性】
技术研发人员：王冲，刘文强，闫海春，王强，刘东旭，
申请(专利权)人：华能扎赉特旗太阳能光伏发电有限公司科右中旗分公司，
类型：发明
国别省市：