【技术实现步骤摘要】
一种基于VFOA优化SVM模型的光伏发电量预测方法
[0001]本专利技术属于光伏发电预测
,特别涉及基于VFOA优化SVM模型的光伏发电量预测方法。
技术介绍
[0002]受太阳辐射强度、光伏组件温度、天气和一些随机因素的影响,光伏发电系统具有间歇性和不确定性等特征,其运行过程是一个非平衡的随机过程。因此,对光伏发电系统的发电量进行准确预测是有必要的,进而采取相应的技术措施平滑光伏发电量波动,能够实现电网的合理调度和电力负荷的平衡配置,提高电力系统的安全性和稳定性。
[0003]由于采用单一模型预测方法所得到的光伏发电量预测误差较大,因此现存方法中较多采用智能算法与模型相结合的预测方法。其中SVM算法由于能够有效解决分类及复杂的非线性规划问题,在光伏发电预测等方面得到了广泛应用。而在使用一些智能算法优化SVM模型参数的过程中也可能还会存在陷入局部最优和收敛速度慢等问题,如何对核参数和惩罚因子进行优化是SVM算法研究中的关键问题,不同方法得到的参数能够对预测结果产生不同的影响。
技术实现思路
[0004]本专利技术的目的在于提供一种基于VFOA优化SVM模型的光伏发电量预测方法,其采用DWT方法对原始数据进行降噪,利用VFOA智能算法对SVM模型参数进行优化,最后使用优化后的SVM模型进行光伏发电量预测,提高了光伏发电预测的准确性。
[0005]本专利技术公开了一种基于VFOA优化SVM模型的光伏发电量预测方法,所述光伏发电量预测方法包括以下步骤:采集光伏电站当地的历史气象数据和 ...
【技术保护点】
【技术特征摘要】
1.一种基于VFOA优化SVM模型的光伏发电量预测方法,其特征在于:包括以下步骤:S1、采集原始数据;S2、对原始数据进行预处理,构建训练数据和待预测数据并分别归一化处理;S3、利用改进果蝇优化算法对SVM参数进行迭代寻优;S4、建立基于VFOA
‑
SVM的光伏发电量预测模型;S5、将待预测数据代入基于VFOA
‑
SVM的光伏发电量预测模型,实现对光伏发电量的预测,并进行误差分析。2.根据权利要求1所述的一种基于VFOA优化SVM模型的光伏发电量预测方法,其特征在于:所述步骤S1中采集的原始数据光伏电站当地的历史气象数据和对应的发电量数据;其中历史气象数据包括:太阳辐照、风速、温度、湿度、PM10这五个因素变量作为预测模型的输入特征,发电量作为预测模型的目标向量。3.根据权利要求1所述的一种基于VFOA优化SVM模型的光伏发电量预测方法,其特征在于:步骤S2数据预处理包括:对原始数据中存在的错误值和缺失值进行处理,然后采用小波变换对处理后的原始数据进行去噪分析,得出一组可信性较高的新数据。4.根据权利要求1所述的一种基于VFOA优化SVM模型的光伏发电量预测方法,其特征在于:步骤S3中以支持向量机的惩罚参数C和内核函数g作为优化对象,运用VFOA算法优化SVM最优模型,在确保光伏发电量预测准确率最大的情况下,实现惩罚参数C和核函数g的自适应选择。5.根据权利要求1所述的一种基于VFOA优化SVM模型的光伏发电量预测方法,其特征在于:步骤S3中改进果蝇优化算法具体包括以下子步骤:S3.1、初始化最大迭代次数、果蝇种群规模、惯性权重w,假设果蝇随机初始位置为;S3.2、根据初始位置,赋予每个果蝇个体搜寻食物的随机方向、距离和随机速度,计算公式为:
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式(1)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式(2)式中,=1,2...Sizepop,为果蝇搜索半径,Random()表示0和1之间的随机函数;S3.3、计算味道浓度判定值Si;S3.4、由味道浓度判定值Si求得新的惩罚因子C和内核参数g,根据新的参数组合(C,g)训练SVM并预测(对预测结果反归一化)得到y
’
;S3.5、将味道浓度判定值Si代入味道浓度判定函数,计算出果蝇个体当前位置的味道浓度Smell(i);S3.6、找出果蝇群体中味道浓度最低的果蝇个体;S3.7、判断当前味道浓度是否优于前一迭代味道浓度,若是,则保留并记录最佳味道浓度值Smell*与相应位置,并记录此时的最优惩罚系数C*以及最优内核参数g*,同时果蝇群体利用视觉向该位置飞去;
S3.8、更新果蝇个体的速度和位置;公式(3)
ꢀꢀ
公式(4)...
【专利技术属性】
技术研发人员:郑清涛,李进,王栋伟,张玲,陈丝绸,孙金礼,熊湜,吴咏昆,
申请(专利权)人:水发兴业能源珠海有限公司珠海兴业绿色建筑科技有限公司珠海中建兴业绿色建筑设计研究院有限公司珠海兴业节能科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。