本发明专利技术提供了一种光伏系统发电功率的预测方法和装置，其中，该方法包括：向支持向量机模型中输入光伏系统发电功率历史数据和气象预报数据；通过所述支持向量机模型预测所述光伏系统的发电功率。解决了现有技术中仅采用光伏系统发电功率的历史数据作为预测参数而导致的预测结果准确率不高的技术问题，达到了提高光伏系统发电功率预测准确率的技术效果。
【技术实现步骤摘要】
【专利摘要】本专利技术提供了一种光伏系统发电功率的预测方法和装置，其中，该方法包括：向支持向量机模型中输入光伏系统发电功率历史数据和气象预报数据；通过所述支持向量机模型预测所述光伏系统的发电功率。解决了现有技术中仅采用光伏系统发电功率的历史数据作为预测参数而导致的预测结果准确率不高的技术问题，达到了提高光伏系统发电功率预测准确率的技术效果。【专利说明】光伏系统发电功率的预测方法和装置
本专利技术涉及数据预测
，特别涉及一种光伏系统发电功率的预测方法和装置。
技术介绍
对于家庭能量管理系统(Home Energy Management Systems, HEMS),预测分布式发电设备的发电功率，是制定家庭用电计划的基础，精确的预测结果可以有效地提高家庭能量管理系统的经济性。光伏发电的规律性比较强、发电功率较为平稳，是家庭分布式发电设备的重要组成部分，对预测光伏发电系统发电功率十分必要。目前，常用的预测光伏发电系统发电功率的方法是单纯将风机的历史发电量数据作为输入数据，依据时间序列来预测光伏发电系统发电功率。但是，仅将历史发电量数据作为预测的原始数据，会使预测的准确率较低。
技术实现思路
本专利技术提供了一种光伏系统发电功率的预测方法和装置，以提高光伏系统的未来发电功率预测准确率。本专利技术实施例提供了一种光伏系统发电功率的预测方法，包括:向支持向量机模型中输入光伏系统发电功率历史数据和气象预报数据；通过所述支持向量机模型预测所述光伏系统的发电功率。在一个实施例中，气象预报数据包括:光照强度。在一个实施例中，气象预报数据还包括:温度和/或湿度。在一个实施例中，上述方法还包括:采用遗传算法确定支持向量机模型的模型参数；根据确定的模型参数构建支持向量机模型。在一个实施例中，采用遗传算法确定所述支持向量机模型的模型参数，包括:对支持向量机模型的初始模型参数进行二进制编码；将二进制编码后的初始模型参数按照二进制顺序排列成初始染色体；根据所述初始染色体计算初始染色体种群中个体适应度；根据个体适应度的计算结果，对初始染色体种群进行选择、交叉和变异处理，对处理后的染色体种群进行平均适应度计算；在平均适应度大于预设值时，将处理后的染色体种群作为初始染色体种群重新进行选择、交叉和变异处理，直至平均适应度小于预设值；对平均适应度小于所述预设值时的染色体种群中的染色体进行解码，得到支持向量机模型的模型参数。在一个实施例中,所述模型参数包括:罚参数和核参数。在一个实施例中，所述支持向量机模型中采用的核函数为径向基函数RBF。本专利技术实施例还提供了一种光伏系统发电功率的预测装置，包括:输入模块，用于向支持向量机模型中输入光伏系统发电功率历史数据和气象预报数据；预测模块，用于通过所述支持向量机模型预测所述光伏系统的发电功率。在一个实施例中，气象预报数据包括:光照强度。在一个实施例中，气象预报数据还包括:温度和/或湿度。在一个实施例中，上述装置还包括:确定模块，用于采用遗传算法确定支持向量机模型的模型参数；构建模块，用于根据确定的模型参数构建支持向量机模型。在一个实施例中，所述确定模块包括:编码单元，用于对支持向量机模型的初始模型参数进行二进制编码；排序单元，用于将二进制编码后的初始模型参数按照二进制顺序排列成初始染色体；计算单元，用于根据所述初始染色体计算初始染色体种群中个体适应度；选择单元，用于根据个体适应度的计算结果，对初始染色体种群进行选择、交叉和变异处理，对处理后的染色体种群进行平均适应度计算；处理单元，用于在平均适应度大于预设值时，将处理后的染色体种群作为初始染色体种群重新进行选择、交叉和变异处理，直至平均适应度小于预设值；解码单元，用于对平均适应度小于所述预设值时的染色体种群中的染色体进行解码，得到支持向量机模型的模型参数。在一个实施例中,所述模型参数包括:罚参数和核参数。在一个实施例中，所述支持向量机模型中采用的核函数为径向基函数RBF。在本专利技术实施例中，通过向支持向量机模型中同时输入光伏系统发电功率历史数据和气象预报数据，以对光伏系统的发电功率进行预测，这样，引入了气象预报数据作为预测的依据，解决了现有技术中仅采用光伏系统发电功率的历史数据作为预测参数而导致的预测结果准确率不高的技术问题，达到了提高光伏系统发电功率预测准确率的技术效果。【专利附图】【附图说明】此处所说明的附图用来提供对本专利技术的进一步理解，构成本申请的一部分，并不构成对本专利技术的限定。在附图中:图1是本专利技术实施例的光伏系统发电功率的预测方法流程图；图2是本专利技术实施例的采用遗传算法对支持向量机模型的模型参数进行优化的方法流程图；图3是本专利技术实施例的光伏系统发电功率的预测装置结构框图。【具体实施方式】为使本专利技术的目的、技术方案和优点更加清楚明白，下面结合实施方式和附图，对本专利技术做进一步详细说明。在此，本专利技术的示意性实施方式及其说明用于解释本专利技术，但并不作为对本专利技术的限定。专利技术人发现，现有技术中单一的采用光伏系统发电功率历史数据预测光伏系统的发电功率导致预测结果不是很准确，气象数据对光伏系统发电功率的预测会很大程度上影响预测的准确性，因此专利技术人想到可以将气象预报数据也作为预测的因素，这样可以在很大程度上提升预测的准确度。如图1所示，本实施例提供了一种光伏系统发电功率的预测方法，包括以下步骤:步骤101:向支持向量机模型中输入光伏系统发电功率历史数据和气象预报数据；步骤102:通过所述支持向量机模型预测所述光伏系统的发电功率。在上述实施例中，通过向支持向量机模型中同时输入光伏系统发电功率历史数据和气象预报数据，以对光伏系统的发电功率进行预测，这样，引入了气象预报数据作为预测的依据，解决了现有技术中仅采用光伏系统发电功率的历史数据作为预测参数而导致的预测结果准确率不高的技术问题，达到了提高光伏系统发电功率预测准确率的技术效果。上述的气象预报数据包括:光照强度。在具体实施时，气象预报数据还可以包括:温度、湿度等，这些数据可以从天气预报的网站上获取。考虑到现有的支持向量机模型的模型参数一般都是人工凭借经验确定的，这种方式确定出的参数必然不是很准确的，为了获得更为标准的模型参数，在本例中采用遗传算法来确定模型参数，相较人为选取模型参数进行预测，更为可靠。在一个实施例中，上述支持向量机模型可以是按照以下方式构建的:采用遗传算法确定支持向量机模型的模型参数；根据确定的模型参数构建支持向量机模型。具体的，采用遗传算法确定支持向量机模型的模型参数可以如图2所示，包括以下步骤:步骤201:对支持向量机模型的初始模型参数进行二进制编码；步骤202:将二进制编码后的初始模型参数按照二进制顺序排列成初始染色体，其中，模型参数可以包括:罚参数和核参数；步骤203:根据所述初始染色体计算初始染色体种群中个体适应度；步骤204:根据个体适应度的计算结果，对初始染色体种群进行选择、交叉和变异处理，对处理后的染色体种群进行平均适应度计算；步骤205:在平均适应度大于预设值时，将处理后的染色体种群作为初始染色体种群重新进行选择、交叉和变异处理，直至平均适应度小于预设值；步骤206:对平均适应度小于所述预设值时的染色体种群中的染色体进行解码，得到支持向量机模型的模型参数。常用到的核函数本文档来自技高网...
【技术保护点】
一种光伏系统发电功率的预测方法，其特征在于，包括：向支持向量机模型中输入光伏系统发电功率历史数据和气象预报数据；通过所述支持向量机模型预测所述光伏系统的发电功率。
【技术特征摘要】
【专利技术属性】
技术研发人员：孙佳文，王继东，王珏，
申请(专利权)人：乐金电子研发中心上海有限公司，
类型：发明
国别省市：上海;31
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。