[发明专利]一种基于支持向量机的光伏发电功率预测方法

说明书

一种基于支持向量机的光伏发电功率预测方法，该方法将采集到的历史数据先进行挑选，确定训练样本跟测试样本。将确定的样本归一化处理以减少算法计算量。利用支持向量机算法对处理后样本进行建模，在建模过程中选择最优参数以达到最高精度。最后在MATLAB环境下使用LIBSVM进行预测分析。此法使得光伏发电预测稳定性提高，预测误差更小，克服了传统预测算法追求经验风险最小化带来的误差，提高了预测系统的精确度。可以提高光伏设备利用率和发电效率。

技术领域

本发明涉及一种基于支持向量机的光伏发电功率预测方法。

背景技术

在光伏发电预测算法中，常用预测算法有灰色预测技术、神经网络预测、组合预测及支持向量机预测几种。灰色预测技术主要应用在短时间、数据变化较平缓的场合，当波动较大时，灰色预测技术不易得到满意的拟合度曲线，影响模型建立，最终影响预测精确度。光伏发电属于波动较大的场合，一天时间内，发电功率可能变化非常大，难以应用灰色预测技术得到较满意的模型。神经网络预测算法是非线性、自适应能力、记忆能力和容错容度强的算法模型，在很多领域得到广泛应用。但神经网络也有很大的缺陷，神经网络学习速度过慢，对于复杂的目标函数，神经网络出现“锯齿形”现象，使得算法失效；神经网络算法为局部搜索的优化方法，算法很可能陷入局部极值，导致训练失败；神经网络的模型建立和使用者的经验有很大的关系，熟练使用者无论建模或是数据预测的精确度都会有很大的提升；由于追求经验风险最小化，神经网络在训练能力和预测能力上不能做到统一。基于以上因素，神经网络算法用于光伏发电功率预测中，不能得到较为满意的模型。而组合预测为综合几种预测算法进行建模，但对使用者来说，模型的建立难度比单一的预测算法呈几何增加。

发明内容

针对上述问题，本发明的首要目的是提供一种基于支持向量机的光伏发电功率预测方法，将基于支持向量机的光伏发电预测方法用在光伏发电系统上，使得光伏发电预测稳定性提高，预测误差更小，克服了传统预测算法追求经验风险最小化带来的误差，提高了预测系统的精确度，可以提高光伏设备利用率和发电效率。进而节约生产成本提高利润空间。

为解决上述技术问题，本发明所采用的技术方案是：

一种基于支持向量机的光伏发电功率预测方法，包括以下步骤：

数据选取：对训练样本和测试样本进行数据选取，训练样本利用支持向量机得到模型，而测试样本对所获模型进行测试；

数据归一化处理：将选取的样本进行归一化处理，降低计算量；

模型建立：利用支持向量机工具，对训练样本建模，得到回归方程；

预测：在MATLAB环境下使用LIBSVM进行预测分析，输入测试样本得到测试数据。

优选的，在所述数据选取步骤中，以历史输出功率作为训练样本的特征量。

优选的，在所述数据选取步骤中，以天气状况、温度信息作为训练样本的特征量。

优选的，在所述数据选取步骤中，选取时间为9点到18点每个整点的功率数据作为训练样本以及测试样本，训练样本以及测试样本中的变量包括天气情况、输出功率及时刻点。

优选的，在所述数据归一化处理步骤中，需把训练样本中噪声过大的数据剔除，以免给模型建立造成错误。

本发明的有益效果如下：

(1)使用新技术，预测准确率高。支持向量机应对多因素、高维度场合表现良好。由于核函数的存在，支持向量机把低维复杂计算映射到高维空间，减少了计算量，使得建模容易。

(2)降低能源消耗。基于支持向量机的光伏发电功率预测方法，对光伏发电预测准确率高，可以提前合理分配光伏发电设备。通过用户在不同时段的用电需求，合理进行发送电。