CN103745275A - 光伏系统发电功率的预测方法和装置 - Google Patents

Abstract

本发明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。

Description

光伏系统发电功率的预测方法和装置

技术领域

本发明涉及数据预测技术领域，特别涉及一种光伏系统发电功率的预测方法和装置。

背景技术

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。

发明内容

本发明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。

本发明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。

本发明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。

在本发明实施例中，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。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，并不构成对本发明的限定。在附图中：

图1是本发明实施例的光伏系统发电功率的预测方法流程图；

图2是本发明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是本发明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

为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施方式和附图，对本发明做进一步详细说明。在此，本发明的示意性实施方式及其说明用于解释本发明，但并不作为对本发明的限定。

发明人发现，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，因此发明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。

常用到的核函数有：

线性核函数：k(x_i,y_i)=x_i·x_j；

多项式核函数：k(x_i,y_i)=(x_iy_i+1)^d,d=1,2,3…，其中，d为特征调节参数；

径向基函数(Radial Basic Function，RBF)核函数：

考虑到预测光伏系统发电功率是一个复杂的非线性问题，RBF核函数具有更好的适应性，因此可以选取RBF核函数作为支持向量机模型中采用的核函数。

基于同一发明构思，本发明实施例中还提供了一种光伏系统发电功率的预测装置，如下面的实施例所述。由于光伏系统发电功率的预测装置解决问题的原理与光伏系统发电功率的预测方法相似，因此光伏系统发电功率的预测装置的实施可以参见光伏系统发电功率的预测方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。图3是本发明实施例的光伏系统发电功率的预测装置的一种结构框图，如图3所示，包括：输入单元301、预测单元302，下面对该结构进行说明。

输入单元301，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；

预测单元302，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，所述气象预报数据还包括：温度、湿度等。

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。

下面结合一个具体的实施例来对本发明的预测光伏系统的未来发电功率的方法进行具体描述，然而值得注意的是，该实施例仅是为了更好地说明本发明，并不构成对本发明不当的限定。

在本例中，提供了一种光伏系统发电功率的预测方法，将天气情况与光伏系统发电量的历史数据作为共同的输入数据，采用遗传算法进行支持向量机参数的选择，依据时间序列来预测光伏系统的发电功率。因为支持向量机采用结构风险最小化原理，能有效地解决非线性回归问题，相比基于经验风险最小化原理的传统方法，更适合与光伏系统发电功率的预测，同时在光伏系统发电量历史数据的基础上，加入了气象预报数据作为预测输入的一维，采用遗传算法进行支持向量机预测模型参数的优化，使得该模型具有较好的自适应能力，相较人为选取参数进行预测，更为可靠，提高了其泛化能力。

具体的，该光伏系统发电功率的预测方法包括：

输入数据处理阶段：

首先，获取光伏系统发电量历史数据（即历史发电功率）与气象预报数据，其中，该气象预报数据包括：光照强度。具体实施时，气象预报数据还可以包括：温度、湿度等；

然后，将获取的发电功率历史数据和气象预报数据构成支持向量机的输入和输出数据，例如可以按照以下方式进行划分：选取某一时间节点t，将[t-n,t-n+1,t-n+2,...,t-1]时间节点的光伏系统的发电功率与t时刻的气象数据组成输入向量，而t时刻光伏系统的发电功率作为输出量，共计N组数据；

从该N组数据中选取L组数据作为支持向量机训练数据集，另外N-L组作为验证数据集，并对该N组数据分别进行异点剔除与归一化处理。

下面对支持向量机SVM进行说明，SVM实现的是包含一个隐层的多层感知器，隐层节点数和网络权重是由算法自动产生的，而且SVM算法不存在神经网络方法中的局部极小值问题。

采用支持向量机进行回归的原理如下：

对于给定样本{(x_i,y_i)}(i=1,2,…,n)，其中n表示样本容量，x_i表示输入向量，y_i表示相应的目标输出数据，SVM采用非线性映射

将输入空间映射到高维特征空间，再在高维特征空间用如下的公式来拟合数据：

其中，

表示高维度特征空间，ω表示权重向量，b表示位移偏置，为了满足支持向量机的特征，特定义了一个风险函数，其目标为从实际训练数据值中找出有最多ε偏置的函数，并同时使其尽可能平滑。

ε损失参数定义如下：

结构风险最小化的目的就是了使期望R(ω)=∫L(y,f(x,ω))dF(x,y)的风险最小。

为了训练得到b与ω，需要极小化下面的函数：

$\mathrm{Rsvm}\left(C\right)=\frac{1}{2}{\left|\right|\mathrm{\ω}\left|\right|}^2+\frac{C}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\mathrm{L\ϵ}(d_i,y_i)$

其中，ε表示损失参数，

表示经验误差，ε表示损失函数使用稀疏数据表达特征空间函数，

表示正规项，C表示泛化系数或罚参数，用于决定经验误差跟正规项之间的比重。

引入松弛变量ζ与ζ^*，使问题转化成凸二次优化问题：

$\mathrm{Min}{R}_{\mathrm{svm}}(\mathrm{\ω},b,{\mathrm{\ζ}}_i,{\mathrm{\ζ}}_i^{*})=\frac{1}{2}{\left|\right|\mathrm{\ω}\left|\right|}^2+C\underset{i=1}{\overset{n}{\mathrm{\Σ}}}({\mathrm{\ζ}}_i,{\mathrm{\ζ}}_i^{*})$

$s.t.\left\{\begin{array}{c}{y}_i-f\left(x_i\right)\≤\mathrm{\ϵ}+{\mathrm{\ζ}}_i\\ f\left(x_i\right)-y_i\≤\mathrm{\ϵ}+{\mathrm{\ζ}}_i^{*}\\ {\mathrm{\ζ}}_i,{\mathrm{\ζ}}_i^{*}\≥0\end{array}\right.$

对于上述的凸二次优化问题，引入了拉格朗日函数：

$\begin{array}{c}L(\mathrm{\ω},b,\mathrm{\ζ},{\mathrm{\ζ}}^{*},\mathrm{\α},{\mathrm{\α}}^{*},r,r^{*})\\ =\frac{1}{2}{\left|\right|\mathrm{\ω}\left|\right|}^2+C\underset{i=1}{\overset{m}{\mathrm{\Σ}}}({\mathrm{\ζ}}_i+{\mathrm{\ζ}}_i^{*})-\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\α}}_i[{\mathrm{\ζ}}_i+\mathrm{\ϵ}-y_i+f\left(x_i\right)]\end{array}$

其中， $i=\mathrm{1,2},\·\·\·,m;{\mathrm{\α}}_i,{\mathrm{\α}}_i^{*}\≥0.$

根据L的极值条件，并将ω代回入原式，可得到回归估计函数的表达式：

因为SVM仅考虑高维特征空间的点积运算，因此令则上式回归估计函数变为：

$f(x,{\mathrm{\α}}_i,{\mathrm{\α}}_i^{*})=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})\·k(x,x_i)+b$

其中，k(x,x_i)为核函数。

由上述分析可知，在计算f(x)时，不需要计算权值向量ω的具体数值，仅需要计算出拉格朗日算子α_i,

以及核函数k(x,x_i)便可。

在本例中选取RBF核函数，该模型具有两个重要参数：罚参数C与核参数σ，由于核参数的选取对预测结果影响很大，采用人为经验选取并不能保证预测的精度，因此在本例中采用遗传算法进行参数的优化选取。

遗传算法是一种全局的搜索方法，在搜索过程中自动获取空间信息，自适应的控制过程获得最优解，在每次迭代的过程中，都通过个体在该领域中的自适应度值和新的再造方法进行选择获得一个新的解，经过不断的迭代，自适应度值较高的个体被留了下来，如同自然界中的遗传进化一样，遗传算法将生物的进化过程描述为选择、交叉、变异三个过程。具体过程如下：

步骤1：设置初始值：为遗传算法设置初始值，包括：种群规模、迭代次数、交叉概率、变异概率；

步骤2：编码：对支持向量机核函数参数罚参数C与核参数σ进行编码，将各参数按照二进制顺序排列构成初始染色体。

步骤3：计算个体适应度：将支持向量机模型的预测精度（例如：预测相对误差、预测绝对误差、方差等）作为适应度，精度越高，表示个体适应度越高，进入下一代的可能性越大；

步骤4：选择：选取部分个体进入下一代，其中适应度值大的个体具有较高的概率；

步骤5：交叉：选取种群中两个个体进行染色体交叉，从而形成新的个体进入下一代；

步骤6：变异：随机选取种群中的个体以一定的概率发生染色体变异，计算新种群的平均适应度，若小于预设值，则停止迭代；

步骤7：解码：将所得的最优代的染色体进行解码，得到最优支持向量机参数。

步骤8：支持向量机训练：将所得的训练数据集输入遗传算法-支持向量机预测模型，得到最优的支持向量机预测模型参数。

步骤9：支持向量机预测模块：光伏系统发电功率历史数据与气象预报数据联合作为模型输入数据向量，输入训练好的支持向量机预测模型，得到预测输入，然后进行反归一化处理，即可得到某时间节点的光伏系统的发电功率。其中，气象预报数据可以是一般的天气预报的数据，包括：风速、温度、湿度等数据，这些数据可从专业的气象预报网站获得，所获取的数据均进行归一化处理，然后作为预测模型的输入数据，所谓的归一化就是将数据统一到统一参考系下，消除各维数据尺度不一致带来的负面影响，避免某一维或某几维对数据影响过大的问题。具体而言，历史功率数据和气象预报数据都经过归一化成为输入数据，比如将光伏发电功率的历史数据归一化到[0,1]范围内，在此基础上的最终预测结果也在[0,1]范围内，需要进行反归一化，从而得到切实的功率数据。

举例而言：假设当前时间节点为t，采集t-n，t-n+1，t-n+2，…，t时刻的光伏系统发电功率的历史数据与t+m时刻的气象预报数据，合成为输入数据向量，输入预测模型后得到t+m时刻的光伏系统的发电功率。

因为在预测的过程中考虑了天气情况，并采用了遗传算法对支持向量机参数进行优化选择，提高了光伏发电功率预测的精度。支持向量机采用结构风险最小化原理，能有效解决非线性回归问题，相比基于经验风险最小化原理的传统方法，更适合与光伏系统发电功率的预测。在光伏发电功率历史数据的基础上，加入气象预报数据作为预测输入的一维，采用遗传算法进行支持向量机预测模型参数的优化，使该模型具有较好的自适应能力，相较人为选取参数进行预测，更为可靠，提高了其泛化能力。

在另外一个实施例中，还提供了一种软件，该软件用于执行上述实施例及优选实施方式中描述的技术方案。

在另外一个实施例中，还提供了一种存储介质，该存储介质中存储有上述软件，该存储介质包括但不限于：光盘、软盘、硬盘、可擦写存储器等。

从以上的描述中，可以看出，本发明实施例实现了如下技术效果：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。

显然，本领域的技术人员应该明白，上述的本发明实施例的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明实施例不限制于任何特定的硬件和软件结合。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (14)

1.一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。

2.如权利要求1所述的方法，其特征在于，所述气象预报数据包括：光照强度。

3.如权利要求2所述的方法，其特征在于，所述气象预报数据还包括：温度和/或湿度。

4.如权利要求1所述的方法，其特征在于，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。

5.如权利要求4所述的方法，其特征在于，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。

6.如权利要求5所述的方法，其特征在于，所述模型参数包括：罚参数和/或核参数。

7.如权利要求1至6中任一项所述的方法，其特征在于，所述支持向量机模型中采用的核函数为径向基函数RBF。

8.一种光伏系统发电功率的预测装置，其特征在于，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。

9.如权利要求8所述的装置，其特征在于，所述气象预报数据包括：光照强度。

10.如权利要求9所述的装置方法，其特征在于，所述气象预报数据还包括：温度和/或湿度。

11.如权利要求8所述的装置，其特征在于，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。

12.如权利要求11所述的装置，其特征在于，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。

13.如权利要求12所述的装置，其特征在于，所述模型参数包括：罚参数和核参数。

14.如权利要求8至13中任一项所述的装置，其特征在于，所述支持向量机模型中采用的核函数为径向基函数RBF。

Images