CN105701562A - 训练方法、所适用的预测发电功率的方法及各自系统 - Google Patents

Abstract

本发明提供一种训练方法、所适用的预测发电功率的方法及各自系统。所述训练方法包括：获取根据历史实测的光伏电站相关信息所构建的样本集合；其中，样本集合中每个样本包含温度值、地面辐射值、实际发电功率值；以及采用网格搜索的方式，更换基于SVM所构建的模型中的各常量参数，并利用样本集合中的各温度值和地面辐射值对所述模型进行预测训练，直至得到模型所训练出的预测发电功率值与样本集合中的实际发电功率值的误差最小。所述预测方法包括：获取预测的不同时刻的温度值、地面辐射值；以及，将各温度值、地面辐射值输入由上述训练系统所训练的模型，得到预测的光伏电站在所述不同时刻的发电功率。本发明有效解决预测光伏电站的发电功率准确度低的问题。

Description

训练方法、所适用的预测发电功率的方法及各自系统

技术领域

本发明涉及光伏电站应用领域，尤其涉及一种训练方法、所适用的预测发电功率的方法及各自系统。

背景技术

太阳能是未来最具竞争力的绿色能源之一。目前，世界各发达国家十分重视通过发展光伏发电产业进行太阳能资源的开发利用，光伏发电是利用半导体材料的光电效应，直接将太阳能转换为电能。由于光伏发电受天气变化、季节变化而具有波动性和间歇性，大规模光伏电站并网运行会影响电力系统的安全稳定经济运行。

因此，需要对光伏电站的输出功率进行预测，以便电网调度部门统筹安排常规电源和光伏发电的协调配合，合理安排电网运行方式，提高电力系统运行的安全性和稳定性，获得更大的经济效益和社会效益。

近几年来，人们借助统计智能类预测方法、简单物理模型类预测方法及复杂物理模型类预测方法对光伏发电进行超短期预测进行了探索，取得了一定的成果，但是上述各方法所预测的平均准确度都比较低。这主要是模型构建方面有待提高。因此，需要对现有技术进行改进。

发明内容

本发明提供一种训练方法、所适用的预测发电功率的方法及各自系统，用于解决现有技术中预测光伏电站发电功率的准确度低的问题。

第一方面，提供一种光伏电站模型的训练方法，包括：获取根据历史实测的光伏电站相关信息所构建的样本集合；其中，所述样本集合中每个样本包含温度值、地面辐射值、实际发电功率值；以及采用网格搜索的方式，更换基于SVM所构建的模型中的各常量参数，并利用所述样本集合中的各温度值和地面辐射值对所述模型进行预测训练，直至得到所述模型所训练出的预测发电功率值与所述样本集合中的实际发电功率值的误差最小。

第二方面，提供一种预测光伏电站的发电功率的方法，包括：获取预测的不同时刻的温度值、地面辐射值；以及将各所述温度值、地面辐射值输入由上述训练方法所训练的模型，得到预测的所述光伏电站在所述不同时刻的发电功率。

第三方面，提供一种光伏电站模型的训练系统，包括：第一获取模块，用于获取根据历史实测的光伏电站相关信息所构建的样本集合；其中，所述样本集合中每个样本包含温度值、地面辐射值、实际发电功率值；训练模块，用于采用网格搜索的方式，更换基于SVM所构建的模型中的各常量参数，并利用所述样本集合中的各温度值和地面辐射值对所述模型进行预测训练，直至得到所述模型所训练出的预测发电功率值与所述样本集合中的实际发电功率值的误差最小。

第四方面，提供一种预测光伏电站的发电功率的系统，包括：第二获取模块，用于获取预测的不同时刻的温度值、地面辐射值；预测模块，用于将各所述温度值、地面辐射值输入由上述训练系统所训练的模型，得到预测的所述光伏电站在所述不同时刻的发电功率。

如上所述，本发明的训练方法、所适用的预测发电功率的方法及各自系统，具有以下有益效果：采用网格搜索的方式训练SVM模型中的常量参数，能够快速的同时搜索模型中的多个常量参数，该多个常量参数能够使所设计的模型更均衡，预测精度更高。

另外，将样本进行等价剔除，有效提高样本多样性，并减少重复样本对模型的冗余训练；还有，对于等价样本，采用按预设权重结合两样本的方式，能够有效增加各样本之间的差异，进一步提高训练效果。

另外，采用多精度网格搜索的方式来挑选常量参数，能够有效提高模型的预测准确度。

此外，根据历史预测地面辐射值和对应的实际地面辐射值的比较结果，能够确保近期地面辐射值的预测准确性，进而基于比较结果对预测日的各地面辐射值进行优化，能够进一步提高预测结果的准确度。

还有，根据历史各相同或相似的天气情况所对应的实测发电功率，来修正所预测的发电功率，有效解决了预测值超出正常范围的异常偏差，使得所预测的各时刻的发电功率都能为上层调度系统提供准确的信息，并确保整个电网的稳定运行。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对本发明实施例描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据本发明实施例的内容和这些附图获得其他的附图。

图1是本发明的光伏电站模型的训练方法的一个实施例的流程图。

图2是本发明的光伏电站模型的训练方法中步骤S12的一个实施例的流程图。

图3是本发明的光伏电站模型的训练方法中步骤S12的又一个实施例的流程图。

图4是本发明的预测光伏电站的发电功率的方法的一个实施例的流程图。

图5是本发明的预测光伏电站的发电功率的方法的又一个实施例的流程图。

图6是本发明的光伏电站模型的训练系统的一个实施例的结构示意图。

图7是本发明的预测光伏电站的发电功率的系统的一个实施例的结构示意图。

具体实施方式

为使本发明解决的技术问题、采用的技术方案和达到的技术效果更加清楚，下面将结合附图对本发明实施例的技术方案作进一步的详细描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，本发明提供一种光伏电站模型的训练方法。所述训练方法主要由训练系统来执行。所述训练系统为安装在计算机设备中的软件和硬件。其中，所述训练系统针对目标光伏电站构建模型，并与该目标光伏电站的数据库相连，以获取该光伏电站的历史实测的光伏电站相关信息。所述训练系统利用所获取的历史实测光伏电站相关信息为样本，对基于SVM构建的模型进行训练，以得到误差最小的模型。

在步骤S11中，所述训练系统获取根据历史实测的光伏电站相关信息所构建的样本集合；其中，所述样本集合中每个样本包含温度值、地面辐射值、实际发电功率值。

在此，所述训练系统可以直接将预设时段内历史实测的各光伏电站相关信息集合为样本集合。

优选地，所述训练系统选取光伏电站所记录的符合预设条件的历史实测的包含温度值、地面辐射值和实际发电功率值的光伏电站相关信息。在此，所述预设条件包括但不限于：常规条件、异常条件等。其中，异常条件包括但不限于以下至少一种：地面辐射值小于等于零、地面辐射值大于测量仪器测量上限、气温值小于测量仪器测量下限、气温值大于测量仪器测量上限、发电功率小于等于零以及发电功率大于当前装机容量。所述常规条件可视为满足除异常条件之外的部分。

所述训练系统可利用筛选出的样本集合来训练基于SVM所构建的模型。

在一种优选方式中，所述训练系统从所选取的历史实测的光伏电站相关信息中，剔除可被等价替换的光伏电站相关信息，并得到样本集合。

在此，所述等价替换是指温度值和地面辐射值相差不大，导致所得到的样本集合不具有代表性。为此，所述训练系统先对所选取的历史实测的光伏电站相关信息进行筛选，再将筛选后的光伏电站相关信息作为样本集合。

本实施例中，所述训练系统遍历的比较历史实测的两个光伏电站相关信息中的温度值和地面辐射值是否分别满足预设的等价条件；若是，则将根据该两个光伏电站相关信息中的两实际发电功率值的加权处理，更换其中一个实际发电功率值，并将更换后的光伏电站相关信息作为样本，丢弃另一个光伏电站相关信息；若否，则将其中一个光伏电站相关信息作为样本。

例如，所述训练系统依次执行以下步骤：

1)依次从矩阵F中取出向量F_i,i∈[1,n]，其中，F为训练系统从历史记录中选出的n个光伏电站相关信息的集合。F_i为第i个光伏电站相关信息所构成的向量。

2)检查矩阵F中是否有与F_i等价的向量；其中，等价条件为|T_i-T_j|＜1且|G_i-G_j|＜1；其中，T为温度值、G为地面辐射值。

3)若不满足上述等价条件，则将F_i直接添加到样本集合中。

4)若满足上述等价条件，则将F_i和F_j中的P值(即实际发电功率值)进行加权。其中，加权计算方式为P_j′＝m₁×P_j+m₂×P_i，将F_j中的P_j值修改为P_j′，丢弃F_i。其中，m₁,m₂为权重。

所述训练系统反复执行上述步骤1)-4)，得到剔除了可被等价替换的光伏电站相关信息后的样本集合。

接着，所述训练系统将所得到的样本集合中各温度值、地面辐射值和实际发电功率值分别进行归一化处理，得到模型训练所需要的样本集合。

例如，所述训练系统将每个温度值归一化后的结果T_i’如公式(1)所示，

T_i’＝(T_i-T_min)/(T_max-T_min)，i∈[1,n](1)

其中，T_max为样本集合中最大温度值，T_min为样本集合中最小温度值。

所述训练系统将每个地面辐射值归一化后的结果G_i′如公式(2)所示，

G_i′＝(G_i-G_min)/(G_max-G_min),i∈[1,n](2)

其中，G_max为样本集合中最大地面辐射值，G_min为本集合中最小地面辐射值。

所述训练系统将每个实际发电功率值归一化后的结果P_i′如公式(3)所示，

P_i’＝(P_i-P_min)/(P_max-P_min)，i∈[1,n](3)

其中，P_max为样本集合中最大实际发电功率值，P_min为本集合中最小实际发电功率值。

所述训练系统将归一化后的样本集合作为训练模型的输入数据，并执行步骤S12。

在步骤S12中，所述训练系统采用网格搜索的方式，更换基于SVM所构建的模型中的各常量参数，并利用所述样本集合中的各温度值和地面辐射值对所述模型进行预测训练，直至得到所述模型所训练出的预测发电功率值与所述样本集合中的实际发电功率值的误差最小。

需要说明的是，在基于SVM所构建的模型中包含两个常量参数，本发明的训练方法的目的就是找到：根据样本集合中的各温度值和各地面辐射值预测出的实际发电功率值、与样本集合中的对应实际发电功率值之间的误差最小的常量参数。

其中，所述训练系统采用以下方式构建基于SVM所构建的模型：

①使用RBF核函数(又叫径向基函数)将样本集合隐式映射到高维空间，在特征空间中直接计算内积。RBF核函数如公式(4)所示，

$\mathrm{\&kappa;}<x,x_i>=\exp (-\frac{\left|\right|x-x_i|{|}^2}{{\mathrm{\&sigma;}}^2})---\left(4\right)$

其中，x_i为样本。②以公式(5)表示对样本集合拟合的超平面(ω,b)，该超平面需要使得样本集合中的数据点到超平面的几何间隔最大，几何间隔γ由公式(6)计算得到，其中为函数间隔，

f(x)＝ω^Tx+b(5)

$\mathrm{\&gamma;}=\frac{yf\left(x\right)}{\left|\right|\mathrm{\&omega;}\left|\right|}=\frac{\widehat{\mathrm{\&gamma;}}}{\left|\right|\mathrm{\&omega;}\left|\right|}---\left(6\right)$

③样本集合中的支持向量满足yf(x)＝1，对于不是支持向量的点，则满足yf(x)＞1。则得到如公式(7)所示的目标函数，

$max\frac{1}{\left|\right|\mathrm{\&omega;}\left|\right|}s.t.,y_{i}f\left(x_i\right)\&GreaterEqual;1,i\&Element;\&lsqb;1,n\&rsqb;---\left(7\right)$

④由于样本集合中存在噪音过大的点，引入松弛变量后，条件变为y_if(x_i)≥1-ξ_i；另外求相当于求则得到如公式(8)所示的目标函数，其中，C是用于控制目标函数中前后两项(几何间隔最大、保证数据点偏差量最小)之间的权重，

$min\frac{1}{2}\left|\right|\mathrm{\&omega;}|{|}^2+C\underset{i=1}{\overset{n}{\&Sigma;}}{\mathrm{\&xi;}}_{i}s.t.,y_i({\mathrm{\&omega;}}^T{x}_i+b)\&GreaterEqual;1-{\mathrm{\&xi;}}_i,i\&Element;\&lsqb;1,n\&rsqb;---\left(8\right)$

⑤通过拉格朗日对偶性变换，得到与目标函数⑽等价的拉格朗日函数，如公式(9)所示，

$L(\mathrm{\&omega;},b,\mathrm{\&xi;},\mathrm{\&alpha;},\mathrm{\&gamma;})=\frac{1}{2}\left|\right|\mathrm{\&omega;}|{|}^2+C\underset{i=1}{\overset{n}{\&Sigma;}}{\mathrm{\&xi;}}_i-\underset{i=1}{\overset{n}{\&Sigma;}}{\mathrm{\&alpha;}}_i\left(y_i\right({\mathrm{\&omega;}}^T{x}_i+b)-1+{\mathrm{\&xi;}}_i)-\underset{i=1}{\overset{n}{\&Sigma;}}{\mathrm{\&gamma;}}_i{\mathrm{\&xi;}}_i---\left(9\right)$

⑥对公式(9)求偏导数，得到公式(10)，

$\left\{\begin{array}{c}\frac{\&part;L}{\&part;\mathrm{\&omega;}}=0\&DoubleRightArrow;\mathrm{\&omega;}=\underset{i=0}{\overset{n}{\&Sigma;}}{\mathrm{\&alpha;}}_i{y}_i{x}_i\\ \frac{\&part;L}{\&part;b}=0\&DoubleRightArrow;\underset{i=0}{\overset{n}{\&Sigma;}}{\mathrm{\&alpha;}}_i{y}_i=0\\ \frac{\&part;L}{\&part;{\mathrm{\&xi;}}_i}=0\&DoubleRightArrow;C-{\mathrm{\&alpha;}}_i-{\mathrm{\&gamma;}}_i=0,i\&Element;\&lsqb;1,n\&rsqb;\end{array}\right.---\left(10\right)$

⑦将公式(11)的结果代入公式(10)并化简，得到如公式(10)所示的问题，

$\begin{array}{c}\underset{\mathrm{\&alpha;}}{\max }\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i-\frac{1}{2}\underset{i,j=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i{\mathrm{\&alpha;}}_j{y}_i{y}_j\mathrm{\&kappa;}<x_i,x_j>\\ 0\&le;{\mathrm{\&alpha;}}_i\&le;C,i\&Element;\&lsqb;1,n\&rsqb;\end{array}$

$\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i{y}_i=0---\left(11\right)$

其中，y_i为预测值。

⑧最后，使用SMO算法求解公式(11)。

由上述各步骤可见，本发明需要通过训练所述模型的方式选择其中的常量参数(σ,C)。

在此，所述误差最小可以是指根据模型预测出的实际发电功率值的均方差与样本集合中的各实际发电功率值的均方差之间的差值绝对值最小。

具体地，所述训练系统预先构建(σ,C)坐标系，并在预设第一范围内(如σ＞0,C＞0中的某个区域内)、按照预设的步长进行从一个坐标点到另一个坐标点遍历该预设第一范围。在遍历过程中，所述训练系统根据所选择的每个(σ,C)构建所述模型，并将所述样本集合中的各温度值和地面辐射值输入当前所构建的模型进行预测训练，得到对应各组温度值和地面辐射值的预测发电功率值。所述训练系统通过分别计算样本集合中各实际发电功率的均方差和所预测的发电功率的均方差，来计算每个(σ,C)所构建的模型的误差。

优选地，所述训练系统采用以下方式来选择和更换(σ,C)。如图2和3所示。

在步骤S121中，所述训练系统在预设的线性区间内，遍历的选择基于SVM所构建的模型中的各常量参数，并利用每次所选择的常量参数构建基于SVM所构建的模型。

在此，所述训练系统在上述预设第一范围内构建预设斜率的线段(即所述线性区间)；再按照预设步长在从所述线段的一端开始，逐步选择不同位置的参数(σ,C)，并将每次选择的参数(σ,C)代入模型后，直至所述线段的另一端。所述训练系统在根据每次的选择构建了模型后，执行步骤S122。

在步骤S122中，所述训练系统利用所述样本集合中的各温度值和地面辐射值对所述模型进行预测训练，并计算利用当前模型预测的发电功率值与所述样本集合中的实际发电功率值的误差。

在此，所述训练系统可以将所有样本集合中各样本中的温度值和地面辐射值输入当前模型，并得到对应的预测发电功率值。

所述训练系统还可以选择样本集合中的一部分样本用来训练当前模型，另一部分用来验证所训练的模型的误差。例如，所述训练系统将样本集合中各样本按实际发电功率值从小到大进行排序，按固定间隔从排序后的数据集中抽取10％样本用于误差验证，剩余90％样本用于模型训练。

所述训练系统将利用当前模型所预测的各发电功率值、与样本集合中的各实际发电功率值，分别进行均方差运算，再计算两均方差的差值绝对值，以此作为对应当前模型的误差。

在步骤S123中，所述训练系统选取各误差中最小值所对应的常量参数。

需要说明的是，所述训练系统可以将按照当前所选择的常量参数所构建的模型作为后续预测光伏电站的发电功率的模型。例如，所述训练系统确定最小误差低于预设的误差上限，则可结束模型训练，并以最小误差所对应的常量参数构建所述模型。

在一种优选方案中，所述训练系统在执行完步骤S123后，还执行步骤S124、S125和S126。

在步骤S124，所述训练系统在以所选取的常量参数在网格中的位置为中心的预设第二范围内，按照预设步长进一步遍历各常量参数，并利用所选择的各常量参数构建基于SVM所构建的模型。

在此，所述训练系统按照σ与预设门限的比较结果，设置不同的搜索范围(即第二范围)和步长。

例如，若σ值大于1、预设步长为1，则所述训练系统在以(σ,C)为中心，以5为半径的第二范围中进行遍历。若σ值小于1、预设步长为0.1则所述训练系统在以(σ,C)为中心，以0.5为半径的第二范围中进行遍历。其中，所述训练系统所设置的第二范围中不包含σ＜0或C＜0的区域。

在步骤S125中，所述训练系统利用所述样本集合中的各温度值和地面辐射值对当前构建的模型进行预测训练，并计算利用当前模型预测的发电功率值与所述样本集合中的实际发电功率值的误差。

在步骤S126中，所述训练系统再次选取所确定的所有误差中最小值所对应的常量参数；当所选取的误差最小值仍为步骤S123中所选择的误差，则调整S124中的步长及第二范围，再次执行步骤S124至S126。

例如，当所述训练系统通过逐个比较，确定步骤S125中所得到的各误差均大于步骤S123所得到的误差最小值。所述训练系统按照预设的训练规则，调整第二范围和对应的步长，再次执行步骤S124-S126，直至找到小于步骤S123中的最小误差为止。

例如，若经过步骤S123得到的σ值大于1，则所述训练系统将半径由5更改为0.9，将预设步长由1更改为0.1；并在中心为(σ,C)、半径为0.9的第二范围内，以更改后的遍历步长为0.1进行遍历搜索。若经过步骤S123得到的σ值小于1，则所述训练系统将半径由0.5缩小为0.09，将预设步长由0.1更改为0.01；并在中心为(σ,C)、半径为0.09的第二范围内，以更改后的遍历步长为0.01进行遍历搜索。同样的，所述训练系统所设置的第二范围中不包含σ＜0或C＜0的区域。

为了防止搜索合适的常量参数(σ,C)的时间过长，所述训练系统还设有提前结束机制。

其中一种提前结束机制为，所述训练系统在每次计算误差之后，按照预设的训练时长门限、和/或误差上限，进行提前结束训练判断的步骤。

具体地，所述训练系统可以每次计算误差是否低于误差上限，若是，则确定训练结束，若否，则继续重选常量参数。

或者，所述训练系统从搜索常量参数时开始进行计时，并在每次计算误差之后判断是否超出，若是，则从所计算的各误差中选取误差最小值所对应的常量参数作为模型中的常量，若否，则继续重选常量参数。

或者，所述训练系统结合上述两种提前结束训练判断的方式。

例如，所述训练系统在每次计算误差后，判断训练时长是否超出预设时长；若否，则继续重选常量参数；若是，则进一步判断已训练过的误差最小值是否小于预设误差上限，若是，则将当前的误差最小值所对应的常量参数作为模型中的常量，若否，则继续重选常量参数。

综上所述，当所述训练系统通过不断训练得到误差最小的模型后，交由预测系统。在此，所述预测系统中可预先构建基于SVM的模型，所述训练系统只需将所选择的最小误差之所对应的常量参数输入所述预测系统即可。

在此，所述预测系统可以为计算机设备，也可以为由硬件(如FPGA)构建的集成电路、甚至芯片等。

所述预测系统利用所述模型预测天气预报可预测的日期的实际发电功率。如此，电网上层的调度系统可根据所预测的实际发电功率来调整电网的发电量。具体地，所述预测系统通过执行以下步骤来预测实际发电功率。

在步骤S21中，所述预测系统获取预测的不同时刻的温度值、地面辐射值。

具体地，所述预测系统可以从光伏电站所在地区气象局所提供的接口，获取预测日中不同时刻的各温度值和地面辐射值，并执行步骤S24。如图4所示。

优选地，为了防止预报的地面辐射值偏差过大，影响预测结果，所述预测系统在执行步骤S24之前，还执行步骤S22，甚至S23。如图5所示。

在步骤S22中，所述预测系统根据预测日之前的若干日的实测各地面辐射值、和当时预报的各地面辐射值的比较结果，对预测日的各地面辐射值进行过滤优化。

在此，所述光伏电站不仅保留历史实测地面辐射值G_actual，还保存有历史预报的地面辐射值G_forecast。所述预测系统先确定预测日之前的若干天的各地面辐射值G_actual之和ΣG_actual、和各地面辐射值G_forecast之和ΣG_forecast；并按照预设的ΣG_actual和ΣG_forecast的比较结果，对所获取的预测日的各地面辐射值进行过滤优化。

例如，当ΣG_actual＞ΣG_forecast，所述预测系统按照公式(12)逐个的对预测日中各时刻预测的地面辐射值进行优化。

$\left\{\begin{array}{c}{g}_m=\frac{p_m+0.1}{p_m+0.15}\\ p_{m+1}=(1-g_m)\&times;(p_m+0.1)\\ G_{m+1}^{\&prime;}=G_{m+1}+g_m(G_{m+1}-G_m^{\&prime;}),G_{m+1}>G_m\\ G_{m+1}^{\&prime;}=G_m^{\&prime;}+g_m(G_{m+1}-G_m^{\&prime;}),G_{m+1}\&le;G_m\end{array}\right.---\left(12\right)$

其中，m∈[1,n],G₁′＝G₁,p₁＝0.9；g_m为一参数；G_m为预测的地面辐射值。

当ΣG_actual＜ΣG_forecast，所述预测系统按照公式(13)逐个的对预测日中各时刻预测的地面辐射值进行优化。

$\left\{\begin{array}{c}{g}_m=\frac{p_m+0.1}{p_m+0.15}\\ p_{m+1}=(1-g_m)\&times;(p_m+0.1)\\ G_{m+1}^{\&prime;}=G_{m+1}+g_m(G_{m+1}-G_m^{\&prime;}),G_{m+1}<G_m\\ G_{m+1}^{\&prime;}=G_m^{\&prime;}+g_m(G_{m+1}-G_m^{\&prime;}),G_{m+1}\&GreaterEqual;G_m\end{array}\right.---\left(13\right)$

其中，m∈[1,n],G₁′＝G₁,p₁＝0.9；g_m为一参数；G_m为预测的地面辐射值。

当ΣG_actual＝ΣG_forecast，所述预测系统保留预测的地面辐射值。

所述预测系统将优化了地面辐射值之后的各预测温度值-地面辐射值对送入模型中，即执行步骤S24。

优选地，所述预测系统还执行步骤S23。

在步骤S23中，所述预测系统对优化后的各预测温度值-地面辐射值对进行归一化处理。

需要说明的是，所述预测系统可利用公式(2)、(3)来进行归一化，并将归一化之后的各预测温度值-地面辐射值对送入模型中，即执行步骤S24。

在步骤S24中，所述预测系统将各所述温度值、地面辐射值输入由按照前述训练方法所训练的模型，得到预测的所述光伏电站在所述不同时刻的发电功率。

在此，若所述预测系统在预先接收到训练系统所提供的最优常量参数后，构建出对应的SVM模型，当接收各所述温度值、地面辐射值时，对应的得到预测日中各不同时刻的预测发电功率。

若所述预测系统所接收的各所述温度值、地面辐射值为归一化后的值，则还需将所得到的各预测发电功率进行反归一化处理，得到具有预测价值的发电功率。其中，反归一化的公式举例为：P_i＝P_min+P_i′(P_max-P_min),i∈[1,n]。其中，P_min和P_max分别为所预测的归一化的发电功率的最大值和最小值。

优选地，为了进一步修正预测发电功率，所述预测系统还执行步骤S25。

在步骤S25中，所述预测系统利用与所述预测日之前的天气情况近似的各历史实测发电功率，对所得到的预测的各发电功率进行修正。(未予图示)

具体地，所述预测系统获取预测日之前若干天(如20天)中天气情况与预测日的各时刻的天气情况相同或相似的各历史实测发电功率，并通过执行如下子步骤来对预测的各发电功率进行修正。

在步骤S251中，所述预测系统查找预测日前若干天内，天气类型(晴、多云、雨等)与预测日相同的天数。

在步骤S252中，所述预测系统若至少存在2天与预测日天气类型相同，则统计这些天各时刻点(15min间隔)的发电功率区间P_interval，如公式(14)所示；

在步骤S253中，所述预测系统若不存在2天与预测日天气类型相同，则统计预测日前10天各时刻点(15min间隔)的发电功率区间P_interval，如公式(14)所示；

$P_{\mathrm{int}erval}=\left\{\begin{array}{c}\&lsqb;P_1^{\min },P_1^{\max }\&rsqb;\\ \&lsqb;P_2^{\min },P_2^{\max }\&rsqb;\\ \&lsqb;\mathrm{.......},\mathrm{........}\&rsqb;\\ \&lsqb;P_n^{\min },P_n^{\max }\&rsqb;\end{array}\right.,n\&Element;\&lsqb;1,96\&rsqb;---\left(14\right)$

在步骤S254中，所述预测系统在P_interval中查找功率预测值序列中Pi对应的时刻发电功率历史数据区间若Pi大于区间上限，则以区间上限值替换Pi；若Pi小于区间下限，则以区间下限值替换Pi若Pi在区间内，则不调整。

如此，所述预测系统得到能够供上层调度系统参考的预测日中各时刻的预测发电功率。

如图6所示，本发明提供一种光伏电站模型的训练系统。所述训练系统为安装在计算机设备中的软件和硬件。其中，所述训练系统针对目标光伏电站构建模型，并与该目标光伏电站的数据库相连，以获取该光伏电站的历史实测的光伏电站相关信息。所述训练系统利用所获取的历史实测光伏电站相关信息为样本，对基于SVM构建的模型进行训练，以得到误差最小的模型。

所述训练系统1包括：第一获取模块11、训练模块12。

所述第一获取模块11用于获取根据历史实测的光伏电站相关信息所构建的样本集合；其中，所述样本集合中每个样本包含温度值、地面辐射值、实际发电功率值。

在此，所述第一获取模块11可以直接将预设时段内历史实测的各光伏电站相关信息集合为样本集合。

优选地，所述第一获取模块11选取光伏电站所记录的符合预设条件的历史实测的包含温度值、地面辐射值和实际发电功率值的光伏电站相关信息。在此，所述预设条件包括但不限于：常规条件、异常条件等。其中，异常条件包括但不限于以下至少一种：地面辐射值小于等于零、地面辐射值大于测量仪器测量上限、气温值小于测量仪器测量下限、气温值大于测量仪器测量上限、发电功率小于等于零以及发电功率大于当前装机容量。所述常规条件可视为满足除异常条件之外的部分。

所述第一获取模块11可利用筛选出的样本集合来训练基于SVM所构建的模型。

在一种优选方式中，所述第一获取模块11还用于从所选取的历史实测的光伏电站相关信息中，剔除可被等价替换的光伏电站相关信息，并得到样本集合。

在此，所述等价替换是指温度值和地面辐射值相差不大，导致所得到的样本集合不具有代表性。为此，所述第一获取模块11先对所选取的历史实测的光伏电站相关信息进行筛选，再将筛选后的光伏电站相关信息作为样本集合。

本实施例中，所述第一获取模块11遍历的比较历史实测的两个光伏电站相关信息中的温度值和地面辐射值是否分别满足预设的等价条件；若是，则将根据该两个光伏电站相关信息中的两实际发电功率值的加权处理，更换其中一个实际发电功率值，并将更换后的光伏电站相关信息作为样本，丢弃另一个光伏电站相关信息；若否，则将其中一个光伏电站相关信息作为样本。

例如，所述第一获取模块11依次执行以下步骤：

1)依次从矩阵F中取出向量F_i,i∈[1,n]，其中，F为第一获取模块11从历史记录中选出的n个光伏电站相关信息的集合。F_i为第i个光伏电站相关信息所构成的向量。

2)检查矩阵F中是否有与F_i等价的向量；其中，等价条件为|T_i-T_j|＜1且|G_i-G_j|＜1；其中，T为温度值、G为地面辐射值。

3)若不满足上述等价条件，则将F_i直接添加到样本集合中。

4)若满足上述等价条件，则将F_i和F_j中的P值(即实际发电功率值)进行加权。其中，加权计算方式为P_j′＝m₁×P_j+m₂×P_i，将F_j中的P_j值修改为P_j′，丢弃F_i。其中，m₁,m₂为权重。

所述第一获取模块11反复执行上述步骤1)-4)，得到剔除了可被等价替换的光伏电站相关信息后的样本集合。

接着，所述第一获取模块11将所得到的样本集合中各温度值、地面辐射值和实际发电功率值分别进行归一化处理，得到模型训练所需要的样本集合。

例如，所述第一获取模块11将每个温度值归一化后的结果T_i’如公式(1)所示，

T_i’＝(T_i-T_min)/(T_max-T_min)，i∈[1,n](1)

其中，T_max为样本集合中最大温度值，T_min为样本集合中最小温度值。

所述第一获取模块11将每个地面辐射值归一化后的结果G_i′如公式(2)所示，

G_i′＝(G_i-G_min)/(G_max-G_min),i∈[1,n](2)

其中，G_max为样本集合中最大地面辐射值，G_min为本集合中最小地面辐射值。

所述第一获取模块11将每个实际发电功率值归一化后的结果P_i′如公式(3)所示，

P_i’＝(P_i-P_min)/(P_max-P_min)，i∈[1,n](3)

其中，P_max为样本集合中最大实际发电功率值，P_min为本集合中最小实际发电功率值。

所述第一获取模块11将归一化后的样本集合作为训练模型的输入数据，并执行训练模块12。

所述训练模块12用于采用网格搜索的方式，更换基于SVM所构建的模型中的各常量参数，并利用所述样本集合中的各温度值和地面辐射值对所述模型进行预测训练，直至得到所述模型所训练出的预测发电功率值与所述样本集合中的实际发电功率值的误差最小。

需要说明的是，在基于SVM所构建的模型中包含两个常量参数，本发明的训练方法的目的就是找到：根据样本集合中的各温度值和各地面辐射值预测出的实际发电功率值、与样本集合中的对应实际发电功率值之间的误差最小的常量参数。

其中，所述训练模块12采用以下方式构建基于SVM的模型：

①使用RBF核函数(又叫径向基函数)将样本集合隐式映射到高维空间，在特征空间中直接计算内积。RBF核函数如公式(4)所示，

$\mathrm{\&kappa;}<x,x_i>=\exp (-\frac{\left|\right|x-x_i|{|}^2}{{\mathrm{\&sigma;}}^2})---\left(4\right)$

其中，x_i为样本。

②以公式(5)表示对样本集合拟合的超平面(ω,b)，该超平面需要使得样本集合中的数据点到超平面的几何间隔最大，几何间隔γ由公式(6)计算得到，其中为函数间隔，

f(x)＝ω^Tx+b(5)

$\mathrm{\&gamma;}=\frac{yf\left(x\right)}{\left|\right|\mathrm{\&omega;}\left|\right|}=\frac{\widehat{\mathrm{\&gamma;}}}{\left|\right|\mathrm{\&omega;}\left|\right|}---\left(6\right)$

③样本集合中的支持向量满足yf(x)＝1，对于不是支持向量的点，则满足yf(x)＞1。则得到如公式(7)所示的目标函数，

$max\frac{1}{\left|\right|\mathrm{\&omega;}\left|\right|}s.t.,y_{i}f\left(x_i\right)\&GreaterEqual;1,i\&Element;\&lsqb;1,n\&rsqb;---\left(7\right)$

④由于样本集合中存在噪音过大的点，引入松弛变量后，条件变为y_if(x_i)≥1-ξ_i；另外求相当于求则得到如公式(8)所示的目标函数，其中，C是用于控制目标函数中前后两项(几何间隔最大、保证数据点偏差量最小)之间的权重，

$min\frac{1}{2}\left|\right|\mathrm{\&omega;}|{|}^2+C\underset{i=1}{\overset{n}{\&Sigma;}}{\mathrm{\&xi;}}_{i}s.t.,y_i({\mathrm{\&omega;}}^T{x}_i+b)\&GreaterEqual;1-{\mathrm{\&xi;}}_i,i\&Element;\&lsqb;1,n\&rsqb;---\left(8\right)$

⑤通过拉格朗日对偶性变换，得到与目标函数⑽等价的拉格朗日函数，如公式(9)所示，

$L(\mathrm{\&omega;},b,\mathrm{\&xi;},\mathrm{\&alpha;},\mathrm{\&gamma;})=\frac{1}{2}\left|\right|\mathrm{\&omega;}|{|}^2+C\underset{i=1}{\overset{n}{\&Sigma;}}{\mathrm{\&xi;}}_i-\underset{i=1}{\overset{n}{\&Sigma;}}{\mathrm{\&alpha;}}_i\left(y_i\right({\mathrm{\&omega;}}^T{x}_i+b)-1+{\mathrm{\&xi;}}_i)-\underset{i=1}{\overset{n}{\&Sigma;}}{\mathrm{\&gamma;}}_i{\mathrm{\&xi;}}_i---\left(9\right)$

⑥对公式(9)求偏导数，得到公式(10)，

$\{\begin{array}{c}\frac{\&part;L}{\&part;\mathrm{\&omega;}}=0\&DoubleRightArrow;\mathrm{\&omega;}=\underset{i=0}{\overset{n}{\&Sigma;}}{\mathrm{\&alpha;}}_i{y}_i{x}_i\\ \frac{\&part;L}{\&part;b}=0\&DoubleRightArrow;\underset{i=0}{\overset{n}{\&Sigma;}}{\mathrm{\&alpha;}}_i{y}_i=0\\ \frac{\&part;L}{\&part;{\mathrm{\&xi;}}_i}=0\&DoubleRightArrow;C-{\mathrm{\&alpha;}}_i-{\mathrm{\&gamma;}}_i=0,i\&Element;\&lsqb;1,n\&rsqb;\end{array}---\left(10\right)$

⑦将公式(11)的结果代入公式(10)并化简，得到如公式(10)所示的问题，

$\begin{array}{c}\underset{\mathrm{\&alpha;}}{\max }\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i-\frac{1}{2}\underset{i,j=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i{\mathrm{\&alpha;}}_j{y}_i{y}_j\mathrm{\&kappa;}<x_i,x_j>\\ 0\&le;{\mathrm{\&alpha;}}_i\&le;C,i\&Element;\&lsqb;1,n\&rsqb;\end{array}$

$\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i{y}_i=0---\left(11\right)$

其中，y_i为预测值。

⑧最后，使用SMO算法求解公式(11)，以得到预测值。

由上述各步骤可见，本发明需要通过训练所述模型的方式选择其中的常量参数(σ,C)。

在此，所述误差最小可以是指根据模型预测出的实际发电功率值的均方差与样本集合中的各实际发电功率值的均方差之间的差值绝对值最小。

具体地，所述训练模块12预先构建(σ,C)坐标系，并在预设第一范围内(如σ＞0,C＞0中的某个区域内)、按照预设的步长进行从一个坐标点到另一个坐标点遍历该预设第一范围。在遍历过程中，所述训练模块12根据所选择的每个(σ,C)构建所述模型，并将所述样本集合中的各温度值和地面辐射值输入当前所构建的模型进行预测训练，得到对应各组温度值和地面辐射值的预测发电功率值。所述训练模块12通过分别计算样本集合中各实际发电功率的均方差和所预测的发电功率的均方差，来计算每个(σ,C)所构建的模型的误差。

优选地，所述训练模块12采用以下各子模块来选择和更换(σ,C)。

所述训练模块12包括：第一训练子模块、第二训练子模块、第三训练子模块，甚至还包括：第四训练子模块、第五训练子模块和第六训练子模块。各子模块虽未予图示，但各自按照如图2和3所示流程图工作。

所述第一训练子模块用于在预设的线性区间内，遍历的选择基于SVM所构建的模型中的各常量参数，并利用每次所选择的常量参数构建基于SVM所构建的模型。

在此，所述第一训练子模块在上述预设第一范围内构建预设斜率的线段(即所述线性区间)；再按照预设步长在从所述线段的一端开始，逐步选择不同位置的参数(σ,C)，并将每次选择的参数(σ,C)代入模型后，直至所述线段的另一端。所述第一训练子模块在根据每次的选择构建了模型后，启动第二训练子模块。

所述第二训练子模块用于利用所述样本集合中的各温度值和地面辐射值对所述模型进行预测训练，并计算利用当前模型预测的发电功率值与所述样本集合中的实际发电功率值的误差。

在此，所述第二训练子模块可以将所有样本集合中各样本中的温度值和地面辐射值输入当前模型，并得到对应的预测发电功率值。

所述第二训练子模块还可以选择样本集合中的一部分样本用来训练当前模型，另一部分用来验证所训练的模型的误差。例如，所述第二训练子模块将样本集合中各样本按实际发电功率值从小到大进行排序，按固定间隔从排序后的数据集中抽取10％样本用于误差验证，剩余90％样本用于模型训练。

所述第二训练子模块将利用当前模型所预测的各发电功率值、与样本集合中的各实际发电功率值，分别进行均方差运算，再计算两均方差的差值绝对值，以此作为对应当前模型的误差。

所述第三训练子模块用于选取各误差中最小值所对应的常量参数。

需要说明的是，所述第三训练子模块可以将按照当前所选择的常量参数所构建的模型作为后续预测光伏电站的发电功率的模型。例如，所述第三训练子模块确定最小误差低于预设的误差上限，则可结束模型训练，并以最小误差所对应的常量参数构建所述模型。

在一种优选方案中，所述第三训练子模块在执行完毕后，启动第四训练子模块。

所述第四训练子模块用于在以所选取的常量参数在网格中的位置为中心的预设第二范围内，按照预设步长进一步遍历各常量参数，并利用所选择的各常量参数构建基于SVM所构建的模型。

在此，所述第四训练子模块按照σ与预设门限的比较结果，设置不同的搜索范围(即第二范围)和步长。

例如，若σ值大于1、预设步长为1，则所述第四训练子模块在以(σ,C)为中心，以5为半径的第二范围中进行遍历。若σ值小于1、预设步长为0.1则所述第四训练子模块在以(σ,C)为中心，以0.5为半径的第二范围中进行遍历。其中，所述第四训练子模块所设置的第二范围中不包含σ＜0或C＜0的区域。

所述第五训练子模块用于利用所述样本集合中的各温度值和地面辐射值对当前构建的模型进行预测训练，并计算利用当前模型预测的发电功率值与所述样本集合中的实际发电功率值的误差。

第六训练子模块用于再次选取所确定的所有误差中最小值所对应的常量参数；当所选取的误差最小值仍为第三训练子模块中所选择的误差，则调整第四训练子模块中的步长，再次执行第四训练子模块至第六训练子模块。

例如，当所述第六训练子模块通过逐个比较，确定第五训练子模块中所得到的各误差均大于第三训练子模块所得到的误差最小值。所述第六训练子模块按照预设的训练规则，调整第四训练子模块中的第二范围和对应的步长及第二范围，再次启动第四训练子模块-第六训练子模块，直至找到小于第三训练子模块中的最小误差为止。

例如，若经过第三训练子模块得到的σ值大于1，则所述第六训练子模块将半径由5更改为0.9，将预设步长由1更改为0.1；并指示第四训练子模块在中心为(σ,C)、半径为0.9的第二范围内，以更改后的遍历步长为0.1进行遍历搜索。若经过第三训练子模块得到的σ值小于1，则所述第六训练子模块将半径由0.5缩小为0.09，将预设步长由0.1更改为0.01；并指示第四训练子模块在中心为(σ,C)、半径为0.09的第二范围内，以更改后的遍历步长为0.01进行遍历搜索。同样的，所述第四训练子模块所设置的第二范围中不包含σ＜0或C＜0的区域。

为了防止搜索合适的常量参数(σ,C)的时间过长，所述训练系统1还包括：训练结束判断模块，用于设置提前结束机制。

其中一种提前结束机制为，所述训练结束判断模块在每次计算误差之后，按照预设的训练时长门限、和/或误差上限，进行提前结束训练判断的步骤。

具体地，所述训练结束判断模块可以在第三训练子模块和第六训练子模块每次计算误差是否低于误差上限，若是，则确定训练结束，若否，则继续重选常量参数。

或者，所述训练结束判断模块从搜索常量参数时开始进行计时，并在第三训练子模块和第六训练子模块每次计算误差之后判断是否超出，若是，则从所计算的各误差中选取误差最小值所对应的常量参数作为模型中的常量，若否，则继续重选常量参数。

或者，所述训练结束判断模块结合上述两种提前结束训练判断的方式。

例如，所述训练结束判断模块在所述第三训练子模块和第六训练子模块每次计算误差后，判断训练时长是否超出预设时长；若否，则继续重选常量参数；若是，则进一步判断已训练过的误差最小值是否小于预设误差上限，若是，则将当前的误差最小值所对应的常量参数作为模型中的常量，若否，则继续重选常量参数。

综上所述，当所述训练系统1通过不断训练得到误差最小的模型后，交由预测系统2。在此，所述预测系统2中可预先构建基于SVM的模型，所述训练系统1只需将所选择的最小误差之所对应的常量参数输入所述预测系统2即可。

在此，所述预测系统2可以为计算机设备，也可以为由硬件(如FPGA)构建的集成电路、甚至芯片等。

所述预测系统2利用所述模型预测天气预报可预测的日期的实际发电功率。如此，电网上层的调度系统可根据所预测的实际发电功率来调整电网的发电量。具体地，所述预测系统2通过执行以下模块来预测实际发电功率。

所述预测系统2包括：第二获取模块21、预测模块22。如图7所示。

所述第二获取模块21用于获取预测的不同时刻的温度值、地面辐射值。

具体地，所述第二获取模块21可以从光伏电站所在地区气象局所提供的接口，获取预测日中不同时刻的各温度值和地面辐射值，并执行预测模块22。

优选地，为了防止预报的地面辐射值偏差过大，影响预测结果，在执行预测模块22之前，所述第二获取模块21还用于根据预测日之前的若干日的实测各地面辐射值、和当时预报的各地面辐射值的比较结果，对预测日的各地面辐射值进行过滤优化。

在此，所述光伏电站不仅保留历史实测地面辐射值G_actual，还保存有历史预报的地面辐射值G_forecast。所述第二获取模块21先确定预测日之前的若干天的各地面辐射值G_actual之和ΣG_actual、和各地面辐射值G_forecast之和ΣG_forecast；并按照预设的ΣG_actual和ΣG_forecast的比较结果，对所获取的预测日的各地面辐射值进行过滤优化。

例如，当ΣG_actual＞ΣG_forecast，所述第二获取模块21按照公式(12)逐个的对预测日中各时刻预测的地面辐射值进行优化。

$\left\{\begin{array}{c}{g}_m=\frac{p_m+0.1}{p_m+0.15}\\ p_{m+1}=(1-g_m)\&times;(p_m+0.1)\\ G_{m+1}^{\&prime;}=G_{m+1}+g_m(G_{m+1}-G_m^{\&prime;}),G_{m+1}>G_m\\ G_{m+1}^{\&prime;}=G_m^{\&prime;}+g_m(G_{m+1}-G_m^{\&prime;}),G_{m+1}\&le;G_m\end{array}\right.---\left(12\right)$

其中，m∈[1,n],G₁′＝G₁,p₁＝0.9；g_m为一参数；G_m为预测的地面辐射值。

当ΣG_actual＜ΣG_forecast，所述第二获取模块21按照公式(13)逐个的对预测日中各时刻预测的地面辐射值进行优化。

$\left\{\begin{array}{c}{g}_m=\frac{p_m+0.1}{p_m+0.15}\\ p_{m+1}=(1-g_m)\&times;(p_m+0.1)\\ G_{m+1}^{\&prime;}=G_{m+1}+g_m(G_{m+1}-G_m^{\&prime;}),G_{m+1}<G_m\\ G_{m+1}^{\&prime;}=G_m^{\&prime;}+g_m(G_{m+1}-G_m^{\&prime;}),G_{m+1}\&GreaterEqual;G_m\end{array}\right.---\left(13\right)$

其中，m∈[1,n],G₁′＝G₁,p₁＝0.9；g_m为一参数；G_m为预测的地面辐射值。

当ΣG_actual＝ΣG_forecast，所述第二获取模块21保留预测的地面辐射值。

所述第二获取模块21将优化了地面辐射值之后的各预测温度值-地面辐射值对送入预测模块22中的模型中。

优选地，所述第二获取模块21还用于对优化后的各预测温度值-地面辐射值对进行归一化处理。

需要说明的是，所述第二获取模块21可利用公式(2)、(3)来进行归一化，并将归一化之后的各预测温度值-地面辐射值对送入模型中，即执行预测模块22。

所述预测模块22用于将各所述温度值、地面辐射值输入由按照前述训练方法所训练的模型，得到预测的所述光伏电站在所述不同时刻的发电功率。

在此，若所述预测模块22在预先接收到训练系统1所提供的最优常量参数后，构建出对应的SVM模型，当接收各所述温度值、地面辐射值时，对应的得到预测日中各不同时刻的预测发电功率。

若所述预测模块22所接收的各所述温度值、地面辐射值为归一化后的值，则还需将所得到的各预测发电功率进行反归一化处理，得到具有预测价值的发电功率。其中，反归一化的公式举例为：P_i＝P_min+P_i′(P_max-P_min),i∈[1,n]。其中，P_min和P_max分别为所预测的归一化的发电功率的最大值和最小值。

优选地，为了进一步修正预测发电功率，所述预测模块22还用于利用与所述预测日之前的天气情况近似的各历史实测发电功率，对所得到的预测的各发电功率进行修正。

具体地，所述预测模块22获取预测日之前若干天(如20天)中天气情况与预测日的各时刻的天气情况相同或相似的各历史实测发电功率，并通过执行如下子步骤来对预测的各发电功率进行修正。

在步骤S251中，所述预测模块22查找预测日前若干天内，天气类型(晴、多云、雨等)与预测日相同的天数。

在步骤S252中，所述预测模块22若至少存在2天与预测日天气类型相同，则统计这些天各时刻点(15min间隔)的发电功率区间P_interval，如公式(14)所示；

在步骤S253中，所述预测模块22若不存在2天与预测日天气类型相同，则统计预测日前10天各时刻点(15min间隔)的发电功率区间P_interval，如公式(14)所示；

$P_{\mathrm{int}erval}=\left\{\begin{array}{c}\&lsqb;P_1^{\min },P_1^{\max }\&rsqb;\\ \&lsqb;P_2^{\min },P_2^{\max }\&rsqb;\\ \&lsqb;\mathrm{.......},\mathrm{........}\&rsqb;\\ \&lsqb;P_n^{\min },P_n^{\max }\&rsqb;\end{array}\right.,n\&Element;\&lsqb;1,96\&rsqb;---\left(14\right)$

在步骤S254中，所述预测模块22在P_interval中查找功率预测值序列中Pi对应的时刻发电功率历史数据区间若Pi大于区间上限，则以区间上限值替换Pi；若Pi小于区间下限，则以区间下限值替换Pi若Pi在区间内，则不调整。

如此，所述预测模块22得到能够供上层调度系统参考的预测日中各时刻的预测发电功率。

综上所述，本发明采用网格搜索的方式训练SVM模型中的常量参数，能够快速的同时搜索模型中的多个常量参数，该多个常量参数能够使所设计的模型更均衡，预测精度更高；另外，将样本进行等价剔除，有效提高样本多样性，并减少重复样本对模型的冗余训练；还有，对于等价样本，采用按预设权重结合两样本的方式，能够有效增加各样本之间的差异，进一步提高训练效果；另外，采用多精度网格搜索的方式来挑选常量参数，能够有效提高模型的预测准确度；此外，根据历史预测地面辐射值和对应的实际地面辐射值的比较结果，能够确保近期地面辐射值的预测准确性，进而基于比较结果对预测日的各地面辐射值进行优化，能够进一步提高预测结果的准确度；还有，根据历史各相同或相似的天气情况所对应的实测发电功率，来修正所预测的发电功率，有效解决了预测值超出正常范围的异常偏差，使得所预测的各时刻的发电功率都能为上层调度系统提供准确的信息，并确保整个电网的稳定运行。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (18)

1.一种光伏电站模型的训练方法，其特征在于，包括：

获取根据历史实测的光伏电站相关信息所构建的样本集合；其中，所述样本集合中每个样本包含温度值、地面辐射值、实际发电功率值；

采用网格搜索的方式，更换基于SVM所构建的模型中的各常量参数，并利用所述样本集合中的各温度值和地面辐射值对所述模型进行预测训练，直至得到所述模型所训练出的预测发电功率值与所述样本集合中的实际发电功率值的误差最小。

2.根据权利要求1所述的光伏电站模型的训练方法，其特征在于，所述获取根据历史实测的光伏电站相关信息所构建的样本集合的方式包括：

选取光伏电站所记录的符合预设条件的历史实测的包含温度值、地面辐射值和实际发电功率值的光伏电站相关信息；

从所选取的历史实测的光伏电站相关信息中，剔除可被等价替换的光伏电站相关信息，并得到样本集合；

将所得到的样本集合中各温度值、地面辐射值和实际发电功率值分别进行归一化处理，得到模型训练所需要的样本集合。

3.根据权利要求2所述的光伏电站模型的训练方法，其特征在于，所述从所选取的历史实测的光伏电站相关信息中，剔除可被等价替换的光伏电站相关信息，并得到样本集合的方式包括：

遍历的比较历史实测的两个光伏电站相关信息中的温度值和地面辐射值是否分别满足预设的等价条件；

若是，则将根据该两个光伏电站相关信息中的两实际发电功率值的加权处理，更换其中一个实际发电功率值，并将更换后的光伏电站相关信息作为样本，丢弃另一个光伏电站相关信息；

若否，则将其中一个光伏电站相关信息作为样本。

4.根据权利要求1所述的光伏电站模型的训练方法，其特征在于，所述采用网格搜索更换基于SVM所构建的模型中的各常量参数的方式包括：

2-1)在预设的线性区间内，遍历的选择基于SVM所构建的模型中的各常量参数，并利用每次所选择的常量参数构建基于SVM所构建的模型；

2-2)利用所述样本集合中的各温度值和地面辐射值对当前所构建的模型进行预测训练，并计算利用当前模型预测的发电功率值与所述样本集合中的实际发电功率值的误差；

2-3)选取各误差中最小值所对应的常量参数。

5.根据权利要求4所述的光伏电站模型的训练方法，其特征在于，在确定了误差最小的模型所对应的常量参数后，还包括：

2-4)在以所选取的常量参数在网格中的位置为中心的预设范围内，按照预设步长进一步遍历各常量参数，并利用所选择的各常量参数构建基于SVM所构建的模型；

2-5)利用所述样本集合中的各温度值和地面辐射值对当前构建的模型进行预测训练，并计算利用当前模型预测的发电功率值与所述样本集合中的实际发电功率值的误差；

2-6)再次选取所确定的所有误差中最小值所对应的常量参数；当所选取的误差最小值仍为步骤2-3)中所选择的误差，则调整2-4)中的步长和预设范围，再次执行步骤2-4)至2-6)。

6.根据权利要求4或5所述的光伏电站模型的训练方法，其特征在于，在每次计算误差之后，还包括：

按照预设的训练时长门限、和/或误差上限，进行提前结束训练判断的步骤。

7.一种预测光伏电站的发电功率的方法，其特征在于，包括：

获取预测的不同时刻的温度值、地面辐射值；

将各所述温度值、地面辐射值输入由权利要求1-6中任一所述的训练方法所训练的模型，得到预测的所述光伏电站在所述不同时刻的发电功率。

8.根据权利要求7所述的预测光伏电站的发电功率的方法，其特征在于，在获取预测的不同时刻的温度值、地面辐射值的步骤之后，还包括：

根据预测日之前的若干日的实测各地面辐射值、和当时预报的各地面辐射值的比较结果，对所获取的预测日的各地面辐射值进行过滤优化；

将经过过滤优化后的各地面辐射值和对应的温度值输入所述模型，以得到预测的各发电功率值。

9.根据权利要求7所述的预测光伏电站的发电功率的方法，其特征在于，在得到预测的各发电功率后，还包括：

利用与所述预测日之前的天气情况近似的各历史实测发电功率，对所得到的预测的各发电功率进行修正。

10.一种光伏电站模型的训练系统，其特征在于，包括：

第一获取模块，用于获取根据历史实测的光伏电站相关信息所构建的样本集合；其中，所述样本集合中每个样本包含温度值、地面辐射值、实际发电功率值；

训练模块，用于采用网格搜索的方式，更换基于SVM所构建的模型中的各常量参数，并利用所述样本集合中的各温度值和地面辐射值对所述模型进行预测训练，直至得到所述模型所训练出的预测发电功率值与所述样本集合中的实际发电功率值的误差最小。

11.根据权利要求10所述的光伏电站模型的训练系统，其特征在于，所述第一获取用于选取光伏电站所记录的符合预设条件的历史实测的包含温度值、地面辐射值和实际发电功率值的光伏电站相关信息；从所选取的历史实测的光伏电站相关信息中，剔除可被等价替换的光伏电站相关信息，并得到样本集合；将所得到的样本集合中各温度值、地面辐射值和实际发电功率值分别进行归一化处理，得到模型训练所需要的样本集合。

12.根据权利要求11所述的光伏电站模型的训练系统，其特征在于，所述第一获取模块用于遍历的比较历史实测的两个光伏电站相关信息中的温度值和地面辐射值是否分别满足预设的等价条件；若是，则将根据该两个光伏电站相关信息中的两实际发电功率值的加权处理，更换其中一个实际发电功率值，并将更换后的光伏电站相关信息作为样本，丢弃另一个光伏电站相关信息；若否，则将其中一个光伏电站相关信息作为样本。

13.根据权利要求9所述的光伏电站模型的训练系统，其特征在于，所述训练模块包括：

第一训练子模块，用于在预设的线性区间内，遍历的选择基于SVM所构建的模型中的各常量参数，并利用每次所选择的常量参数构建基于SVM所构建的模型；

第二训练子模块，用于利用所述样本集合中的各温度值和地面辐射值对当前所构建的模型进行预测训练，并计算利用当前模型预测的发电功率值与所述样本集合中的实际发电功率值的误差；

第三训练子模块，用于选取各误差中最小值所对应的常量参数。

14.根据权利要求13所述的光伏电站模型的训练系统，其特征在于，所述训练模块还包括：

与所述第三训练子模块的输出端相连的第四训练子模块，用于在以所选取的常量参数在网格中的位置为中心的预设范围内，按照预设步长进一步遍历各常量参数，并利用所选择的各常量参数构建基于SVM所构建的模型；

第五训练子模块，用于利用所述样本集合中的各温度值和地面辐射值对当前构建的模型进行预测训练，并计算利用当前模型预测的发电功率值与所述样本集合中的实际发电功率值的误差；

第六训练子模块，用于再次选取所确定的所有误差中最小值所对应的常量参数；当所选取的误差最小值仍为第三训练子模块中所选择的误差，则调整第四训练子模块中的步长和预设范围，再次执行第四训练子模块-第五训练子模块。

15.根据权利要求13或14所述的光伏电站模型的训练系统，其特征在于，还包括：训练结束判断模块，用于在每次计算误差之后，按照预设的训练时长门限、和/或误差上限，进行提前结束训练判断。

16.一种预测光伏电站的发电功率的系统，其特征在于，包括：

第二获取模块，用于获取预测的不同时刻的温度值、地面辐射值；

预测模块，用于将各所述温度值、地面辐射值输入由权利要求9-15中任一所述的训练系统所训练的模型，得到预测的所述光伏电站在所述不同时刻的发电功率。

17.根据权利要求16所述的预测光伏电站的发电功率的系统，其特征在于，所述第二获取模块还用于根据预测日之前的若干日的实测各地面辐射值、和当时预报的各地面辐射值的比较结果，对所获取的预测日的各地面辐射值进行过滤优化；将经过过滤优化后的各地面辐射值和对应的温度值输入所述模型，以得到预测的各发电功率值。

18.根据权利要求16所述的预测光伏电站的发电功率的系统，其特征在于，预测模块还用于利用与所述预测日之前的天气情况近似的各历史实测发电功率，对所得到的预测的各发电功率进行修正。