[发明专利]一种基于HIMVO-SVM的短期光伏发电功率预测方法

说明书

本发明提出了一种基于HIMVO‑SVM的短期光伏发电功率预测方法。首先，为摆脱传统MVO算法易陷入局部优化的缺点，采用基于帐篷映射的混沌序列参与种群初始化；接着，在MVO算法的位置矢量更新中，引入了一种非线性惯性权值下降策略，并加入差分进化(DE)算法进行全局搜索，提出了HIMVO算法来寻优SVM参数；最后，采用所提方法在三种不同天气类型下进行仿真实验。预测结果与SVM、MVO‑SVM方法对比，验证了HIMVO‑SVM方法可有效提升短期光伏发电功率预测精度。

技术领域

本发明涉及一种短期光伏发电功率预测方法，尤其是涉及一种基于HIMVO-SVM的短期光伏发电功率预测方法。

背景技术

太阳能作为一种可再生能源，由于其储能丰富、分布广泛、绿色、清洁等特点，被公认为全球最佳的替代能源解决方案。光伏发电是太阳能发电的有效途径，随着光伏发电技术的不断完善，光伏并网规模日益扩大。而光伏发电的时变特性对并网带来了诸多问题，探索准确的预测方法仍是目前的重要工作。

近年来，常用的短期光伏发电预测方法有神经网络法、支持向量机(SupportVector Machine，SVM)、时间序列法、回归分析法等。其中，SVM回归预测模型可以有效的克服常用方法预测值偏差过大、局部极值以及维数太高带来的计算问题。有现有技术利用小波阈值对光伏出力和辐照度去噪处理，结合多核SVM进行预测，极大的改善了光伏发电功率的预测精度。有现有技术还引入了集成学习的思想，利用Stacking算法改进SVM，将SVM分别作为Stacking算法的初、次级学习器分类预测，获得了良好的预测效果。有现有技术提出了加权马尔科夫链及修正的SVM预测方法，以均值-均方差对预测残差等级划分，权重定为残差序列标准化的自相关系数，残差未来的状态则使用马尔科夫链预测，最后将获得的SVM预测结果依据未来状态空间的阈值进行修正，仿真验证了该方法的有效性。

发明内容

本发明的上述技术问题主要是通过下述技术方案得以解决的：

一种基于HIMVO-SVM的短期光伏发电功率预测方法，其特征在于，包括

步骤1、采集数据，包括太阳辐射强度、相对湿度、大气温度和光伏功率；

步骤2、将采集的数据结合归一化，基于以下公式：

其中，X_i为原始数据序列，X_max和X_min分别是原始数据中的最大值和最小值，是归一化后的序列；

将归一化后的数据中选取训练集，剩下数据作为测试集；并定义{(x_i,y_i)|i＝1,2,…,n,x_i∈Rⁿ,y_i∈Rⁿ}，x_i和y_i分别是训练样本的输入和输出；

步骤3、设置HIMVO和SVM的参数；并基于SVM建模仿真，所述SVM建模模型基于以下公式：

线性回归函数见式(1)用于拟合(x_i,y_i)；

f(x)＝w^Tx+b (1)

式中，w是权重向量，b是偏移量；

构造非线性函数将训练数据映射到高维空间，并构造回归估计函数；表达式如下：

优化问题可以表示为：

式中，C是惩罚因子，ξ_i、是松弛变量，ε是损失函数；