[发明专利]采用复合数据源的基于自学习多项式核函数支持向量机的光伏发电功率短期预测方法

说明书

技术领域

本发明涉及新能源发电过程中光伏发电功率预测技术领域，具体地，涉及采用复合数据源的基于自学习多项式核函数支持向量机的光伏发电功率短期预测方法。 

背景技术

我国风电进入规模化发展阶段以后所产生的大型新能源基地多数位于“三北地区”（西北、东北、华北），大型新能源基地一般远离负荷中心，其电力需要经过长距离、高电压输送到负荷中心进行消纳。由于风、光资源的间歇性、随机性和波动性，导致大规模新能源基地的风电、光伏发电出力会随之发生较大范围的波动，进一步导致输电网络充电功率的波动，给电网运行安全带来一系列问题。 

截至2013年12月，甘肃电网并网风电装机容量已达702万千瓦，约占甘肃电网总装机容量的22%，成为仅次于火电的第二大主力电源；光伏发电装机容量已达到435万千瓦，约占甘肃电网总装机容量的13%，同时甘肃成为我国光伏发电装机规模最大的省份。目前，甘肃电网风电、光伏发电装机超过甘肃电网总装机容量的1/3。随着新能源并网规模的不断提高，风电、光伏发电不确定性和不可控性给电网的安全稳定经济运行带来诸多问题。对光伏发电功率进行预测，可为新能源发电实时调度、新能源发电日前计划、新能源发电月度计划、新能源发电能力评估和弃光电量估计提供关键信息。 

在实现本发明的过程中，发明人发现现有技术中至少存在预测精度低等缺陷。 

发明内容

本发明的目的在于，针对上述问题，提出采用复合数据源的基于自学习多项式核函数支持向量机的光伏发电功率短期预测方法，以实现高精度的光伏发电功率短期预测的优点。 

为实现上述目的，本发明采用的技术方案是：采用复合数据源的基于自学习多项式核函数支持向量机的光伏发电功率短期预测方法，主要包括： 

a、采用基于自学习多项式核函数支持向量机的复合数据源，对待测光伏发电功率预测模型进行训练； 

b、基于待测光伏发电功率预测模型的训练结果，对待测光伏发电功率进行短期预测。 

进一步地，所述步骤a，具体包括： 

步骤a1、模型训练基础数据输入； 

步骤a2、数据预处理； 

步骤a3、SVM分类器训练； 

步骤a4、得到SVM模型。 

进一步地，所述步骤a1，具体包括： 

光伏发电率预报系统模型训练所需输入数据，包括光伏电站基础信息、历史辐照数据、历史功率数据，以及包含光伏电站坐标、测风塔坐标、升压站坐标的地理信息系统GIS数据；其中，GIS数据主要用于功率预测时根据各光伏电站的上下游关系进行短期预测结果的优化，将基础数据输入到预测模型中进行模型训练。 

进一步地，所述步骤a2，具体包括： 

将辐照数据和功率数据首先进行包含数据对齐及归一化的预处理，GIS数据通过预处理确定电站上下游关系。 

进一步地，所述步骤a3，具体包括： 

SVM分类器是一个包含一个隐层的多层感知器，隐层节点数是通过算法经训练过程自动确定的； 

基于SVM分类器的非线性光伏发电功率短期预测模型；表示为： 

其中，x是与光伏发电功率密切相关的影响因素，包含数值天气预报NWP数据、历史功率、风电场上下游关系；d是输入变量的维度；f(x)是待预测的功率值； 是从输入空间到高维空间的非线性映射，即核函数；w是模型参数，b是预测残差项； 

定义惩罚函数即优化目标为： 

min12||w||2+12rΣi=1Nei2;]]>

其中，e_i是误差项，r为正则化参数，N为样本数；