CN103927598A - 基于自学习径向基核函数的光伏发电功率预测方法 - Google Patents

Abstract

本发明公开了一种基于自学习径向基核函数的光伏发电功率预测方法，包括：通过模型训练得出得到SVM模型的步骤；以及将光伏发电功率预测所需的数据输入上述训练得出的SVM模型，得出预测结果的步骤。通过对光伏发电过程中的光伏发电功率进行预测，为新能源发电实时调度、新能源发电计划、新能源发电能力评估和弃光电量估计提供关键信息。通过采用复合数据源，有效提高了超短期预测精度，从而实现高精度的光伏发电功率短期预测。

Description

基于自学习径向基核函数的光伏发电功率预测方法

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，即基于自学习径向基核函数的光伏发电功率预测方法，具体地，涉及一种采用复合数据源的基于自学习径向基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

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2014年4月，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，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。

发明内容

本发明的目的在于，针对上述问题，提出一种基于自学习径向基核函数的光伏发电功率预测方法，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：

一种基于自学习径向基核函数的光伏发电功率预测方法，包括：

通过模型训练得出得到SVM模型的步骤；

以及将光伏发电功率预测所需的数据输入上述训练得出的SVM模型，得出预测结果的步骤。

根据本发明的优选实施例，上述通过模型训练得出得到SVM模型的步骤具体包括：

步骤101、模型训练基础数据输入；

步骤102、对上述输入的训练基础数据进行预处理；

步骤103、SVM分类器训练；

步骤104、通过输入上述预处理的样本数据，经过SVM分类器训练得到SVM预测模型。

根据本发明的优选实施例，上述步骤101中，模型训练基础数据输入的数据包括光伏电站基础信息、历史辐照数据、历史功率数据和地理信息系统数据。

根据本发明的优选实施例，所述地理信息系统数据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。

根据本发明的优选实施例，上述步骤102中的训练基础数据进行预处理具体为：将辐照数据和功率数据进行数据对齐及归一化预处理，地理信息系统数据通过预处理确定电站上下游关系。

根据本发明的优选实施例，上述步骤103中，SVM分类器训练具体为：基于SVM分类器的非线性光伏发电功率短期预测模型可以表示为：

其中，x是与光伏发电功率密切相关的影响因素，包括数值天气预报数据、历史功率和光伏电站上下游关系，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：

$\min \frac{1}{2}{\left|\right|w\left|\right|}^2+\frac{1}{2}r\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{e}_i^2$

其中，e_i是误差项，r为正则化参数，N为样本数；

引入拉格朗日乘子λ后，基于SVM分类器的非线性预测模型为：

$f\left(x\right)=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\λ}}_{i}K(x,x_i)+b$

其中，λ_i(i＝1,2,...,N)和b为模型系数，K(·)表示从输入空间即非线性空间，到高位特征空间即线性空间的非线性映射；

核函数K(·)采用径向基函数形式，为

K(x,x_i)＝exp(-||x-x_i||²/σ²)

其中，x_i(i＝1,2,...,N)为输入的训练样本，σ为核函数参数，为正常数。

根据本发明的优选实施例，将光伏发电功率预测所需的数据输入上述训练得出的SVM模型，得出预测结果的步骤包括，

步骤201、输入功率预测基础数据；

步骤202、对上述输入的功率预测基础数据进行噪声滤波和数据预处理；

步骤203、上述步骤202处理后的数据输入SVM模型，得出预测结果。

步骤204、通过图形和表格形式对预测结果进行展示；

步骤205、首先对预测结果进行后评估，分析预测值与实测值之间的误差，如预测误差大于允许的最大误差，则从新进行模型训练。

根据本发明的优选实施例，上述步骤201输入功率预测基础数据包括：资源监测系统数据和运行监测系统数据，所述资源监测系统数据包含全天空成像仪系统检测数据、太阳能预测数据以及数值天气预报数据，所述运行监测系统数据包括光伏组件监测数据、升压站监测数据和数据采集与监视控制系统数据。

根据本发明的优选实施例，上述步骤202对上述输入的功率预测基础数据进行噪声滤波和数据预处理具体为：噪声滤波模块对监测系统实时采集得到的带有噪声的数据进行滤波处理，去除坏数据和奇异值；数据预处理模块对数据进行对齐、归一化处理和分类筛选操作。

本发明的技术方案具有以下有益效果：

本发明的技术方案通过对光伏发电过程中的光伏发电功率进行预测，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。通过采用复合数据源，有效提高了超短期预测精度，从而实现高精度的光伏发电功率短期预测。优化电网调度，从而实现在保障电网安全稳定经济运行的前提下有效提高新能源上网电量的目的。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

图1为本发明实施例所述的基于自学习径向基核函数的光伏发电功率预测方法原理框图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

一种基于自学习径向基核函数的光伏发电功率预测方法，包括：

通过模型训练得出得到SVM模型的步骤；

以及将光伏发电功率预测所需的数据输入上述训练得出的SVM模型，得出预测结果的步骤。

其中，通过模型训练得出得到SVM模型的步骤具体包括：

步骤101、模型训练基础数据输入；

步骤102、对上述输入的训练基础数据进行预处理；

步骤103、SVM分类器训练；

步骤104、通过输入上述预处理的样本数据，经过SVM分类器训练得到SVM预测模型。

步骤101中，模型训练基础数据输入的数据包括光伏电站基础信息、历史辐照数据、历史功率数据和地理信息系统数据。

地理信息系统数据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。

步骤102中的训练基础数据进行预处理具体为：将辐照数据和功率数据进行数据对齐及归一化预处理，地理信息系统数据通过预处理确定电站上下游关系。

步骤103中，SVM分类器训练具体为：基于SVM分类器的非线性光伏发电功率短期预测模型可以表示为：

其中，x是与光伏发电功率密切相关的影响因素，包括数值天气预报数据、历史功率和光伏电站上下游关系，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：

$\min \frac{1}{2}{\left|\right|w\left|\right|}^2+\frac{1}{2}r\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{e}_i^2$

其中，e_i是误差项，r为正则化参数，N为样本数；

引入拉格朗日乘子λ后，基于SVM分类器的非线性预测模型为：

$f\left(x\right)=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\λ}}_{i}K(x,x_i)+b$

其中，λ_i(i＝1,2,...,N)和b为模型系数，K(·)表示从输入空间即非线性空间，到高位特征空间即线性空间的非线性映射；

核函数K(·)采用径向基函数形式，为

K(x,x_i)＝exp(-||x-x_i||²/σ²)

其中，x_i(i＝1,2,...,N)为输入的训练样本，σ为核函数参数，为正常数。

将光伏发电功率预测所需的数据输入上述训练得出的SVM模型，得出预测结果的步骤包括，

步骤201、输入功率预测基础数据；

步骤202、对上述输入的功率预测基础数据进行噪声滤波和数据预处理；

步骤203、上述步骤202处理后的数据输入SVM模型，得出预测结果。

步骤204、通过图形和表格形式对预测结果进行展示；

步骤205、首先对预测结果进行后评估，分析预测值与实测值之间的误差，如预测误差大于允许的最大误差，则从新进行模型训练。

步骤201输入功率预测基础数据包括：资源监测系统数据和运行监测系统数据，所述资源监测系统数据包含全天空成像仪系统检测数据、太阳能预测数据以及数值天气预报数据，所述运行监测系统数据包括光伏组件监测数据、升压站监测数据和数据采集与监视控制系统数据。

步骤202对上述输入的功率预测基础数据进行噪声滤波和数据预处理具体为：噪声滤波模块对监测系统实时采集得到的带有噪声的数据进行滤波处理，去除坏数据和奇异值；数据预处理模块对数据进行对齐、归一化处理和分类筛选操作。监测系统即资源监测系统和运行监测系统。

含大规模光伏发电的电力系统运行依赖庞大的、准确的数据集，而光伏发电功率预测若能将这些数据有效融合利用则可有效提高预测精度。与常规电力系统SCADA监测不同，在各类电气、机械和热力等数据之外，光伏发电监测数据还包含大量的资源监测、运行监测及地理信息等。

如图1所示，本发明技术方案提出的光伏发电功率短期预测可分为两个阶段：模型训练阶段和功率预测阶段。

阶段1：模型训练

步骤1.1：模型训练基础数据输入

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，地理信息系统(GIS)数据(光伏电站坐标、升压站坐标等)，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。

步骤1.2：数据预处理

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

步骤1.3：SVM分类器训练

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，SVM相比神经网络的优点在于SVM不会陷入局部极小点。

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，如数值天气预报(NWP)数据、历史功率、光伏电站上下游关系等。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：

$\min \frac{1}{2}{\left|\right|w\left|\right|}^2+\frac{1}{2}r\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{e}_i^2$

其中，e_i是误差项，r为正则化参数，N为样本数，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。

引入拉格朗日乘子λ后，可以将基于SVM分类器的非线性预测模型表达式转化为

$f\left(x\right)=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\λ}}_{i}K(x,x_i)+b$

其中，λ_i(i＝1,2,...,N)和b为模型系数，K(·)表示从输入空间(非线性空间)到高位特征空间(线性空间)的非线性映射。

核函数K(·)可以采用径向基函数(RBF)形式，为

K(x,x_i)＝exp(-||x-x_i||²/σ²)

其中，x_i(i＝1,2,...,N)为输入的训练样本，σ为核函数参数，为正常数。采用这种方法训练得到SVM分类器每个基函数中心对应一个支持向量。

步骤1.4：得到SVM模型

通过输入样本数据的训练，确定函数参数，即得到SVM预测模型。

阶段2：功率预测

步骤2.1：功率预测基础数据输入

光伏发电功率预测所需输入数据包括资源监测系统数据和运行监测系统数据两部分，其中，资源监测系统数据包含光资源监测数据、全天空成像仪(TSI)系统检测数据、太阳能预测数据以及NWP数据等；运行监测系统数据包括光伏组件监测数据、升压站监测数据和数据采集与监视控制系统(SCADA)数据等。

步骤2.2：噪声滤波及数据预处理

噪声滤波模块对监测系统实时采集得到的带有噪声的进行滤波处理，去除坏数据和奇异值；数据预处理模块对数据进行对齐、归一化处理和分类筛选等操作，以便使得输入的数据可以为模型所用。

步骤2.3：基于SVM的短期功率预测

功率预测过程是将光资源监测数据及光伏发电运行监测数据输入SVM模型，从而得到预测结果的输出。

步骤2.4：预测结果输出及展示

该步骤首先对预测结果进行输出，并通过图形和表格等形式对预测结果进行展示。

步骤2.5：预测结果后评估及模型修正

该步骤首先对预测结果进行后评估，分析预测值与实测值之间的误差。如果预测误差大于允许的最大误差，则跳转到模型训练过程，从新进行模型训练。

最后应说明的是：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，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。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 (10)

1.一种基于自学习径向基核函数的光伏发电功率预测方法，其特征在于，包括：

通过模型训练得出得到SVM模型的步骤；

以及将光伏发电功率预测所需的数据输入上述训练得出的SVM模型，得出预测结果的步骤。

2.根据权利要求1所述的基于自学习径向基核函数的光伏发电功率预测方法，其特征在于，上述通过模型训练得出得到SVM模型的步骤具体包括：

步骤101、模型训练基础数据输入；

步骤102、对上述输入的训练基础数据进行预处理；

步骤103、SVM分类器训练；

步骤104、通过输入上述预处理的样本数据，经过SVM分类器训练得到SVM预测模型。

3.根据权利要求2所述的基于自学习径向基核函数的光伏发电功率预测方法，其特征在于，上述步骤101中，模型训练基础数据输入的数据包括光伏电站基础信息、历史辐照数据、历史功率数据和地理信息系统数据。

4.根据权利要求3所述的基于自学习径向基核函数的光伏发电功率预测方法，其特征在于，所述地理信息系统数据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。

5.根据权利要求2所述的基于自学习径向基核函数的光伏发电功率预测方法，其特征在于，上述步骤102中的训练基础数据进行预处理具体为：将辐照数据和功率数据进行数据对齐及归一化预处理，地理信息系统数据通过预处理确定电站上下游关系。

6.根据权利要求2所述的基于自学习径向基核函数的光伏发电功率预测方法，其特征在于，上述步骤103中，SVM分类器训练具体为：基于SVM分类器的非线性光伏发电功率短期预测模型可以表示为：

其中，x是与光伏发电功率密切相关的影响因素，包括数值天气预报数据、历史功率和光伏电站上下游关系，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：

$\min \frac{1}{2}{\left|\right|w\left|\right|}^2+\frac{1}{2}r\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{e}_i^2$

其中，e_i是误差项，r为正则化参数，N为样本数；

引入拉格朗日乘子λ后，基于SVM分类器的非线性预测模型为：

$f\left(x\right)=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\λ}}_{i}K(x,x_i)+b$

其中，λ_i(i＝1,2,...,N)和b为模型系数，K(·)表示从输入空间即非线性空间，到高位特征空间即线性空间的非线性映射；

核函数K(·)采用径向基函数形式，为

K(x,x_i)＝exp(-||x-x_i||²/σ²)

其中，x_i(i＝1,2,...,N)为输入的训练样本，σ为核函数参数，为正常数。

7.根据权利要求1所述的基于自学习径向基核函数的光伏发电功率预测方法，其特征在于，将光伏发电功率预测所需的数据输入上述训练得出的SVM模型，得出预测结果的步骤包括，

步骤201、输入功率预测基础数据；

步骤202、对上述输入的功率预测基础数据进行噪声滤波和数据预处理；

步骤203、上述步骤202处理后的数据输入SVM模型，得出预测结果。

8.根据权利要求7所述的基于自学习径向基核函数的光伏发电功率预测方法，其特征在于，还包括：

步骤204、通过图形和表格形式对预测结果进行展示；

步骤205、首先对预测结果进行后评估，分析预测值与实测值之间的误差，如预测误差大于允许的最大误差，则从新进行模型训练。

9.根据权利要求8所述的基于自学习径向基核函数的光伏发电功率预测方法，其特征在于，上述步骤201输入功率预测基础数据包括：资源监测系统数据和运行监测系统数据，所述资源监测系统数据包含全天空成像仪系统检测数据、太阳能预测数据以及数值天气预报数据，所述运行监测系统数据包括光伏组件监测数据、升压站监测数据和数据采集与监视控制系统数据。

10.根据权利要求9所述的基于自学习径向基核函数的光伏发电功率预测方法，其特征在于，上述步骤202对上述输入的功率预测基础数据进行噪声滤波和数据预处理具体为：噪声滤波模块对监测系统实时采集得到的带有噪声的数据进行滤波处理，去除坏数据和奇异值；数据预处理模块对数据进行对齐、归一化处理和分类筛选操作。