CN109086928B - 基于saga-fcm-lssvm模型的光伏电站实时功率预测方法 - Google Patents
基于saga-fcm-lssvm模型的光伏电站实时功率预测方法 Download PDFInfo
- Publication number
- CN109086928B CN109086928B CN201810839097.3A CN201810839097A CN109086928B CN 109086928 B CN109086928 B CN 109086928B CN 201810839097 A CN201810839097 A CN 201810839097A CN 109086928 B CN109086928 B CN 109086928B
- Authority
- CN
- China
- Prior art keywords
- day
- power
- time
- predicted
- sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 17
- 230000002068 genetic effect Effects 0.000 claims abstract description 6
- 238000002922 simulated annealing Methods 0.000 claims abstract description 5
- 230000003203 everyday effect Effects 0.000 claims abstract description 4
- 238000012843 least square support vector machine Methods 0.000 claims abstract description 4
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000010606 normalization Methods 0.000 claims description 15
- 230000005855 radiation Effects 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000007613 environmental effect Effects 0.000 claims description 4
- 238000007619 statistical method Methods 0.000 claims description 4
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000010248 power generation Methods 0.000 abstract description 9
- 238000013528 artificial neural network Methods 0.000 description 11
- 238000012706 support-vector machine Methods 0.000 description 10
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 9
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 9
- 230000002354 daily effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
Abstract
本发明涉及基于SAGA‑FCM‑LSSVM模型的光伏电站实时功率预测方法,采集光伏电站对应时段发电功率以及气象站上对应的气象参数,获取气象‑功率参数样本;对每天的气象‑功率参数样本进行预处理;根据四项统计指标结合基于模拟退火遗传算法的模糊C‑均值聚类算法对历史日中第一天到待预测日前一天的样本进行聚类;根据各个聚类样本集合的气象特征值,计算每个聚类气象特征值的中心点,利用欧氏距离判断待预测日所属的类别;利用与待预测日同属一类的参数样本训练最小二乘支持向量机,得到训练模型;将待预测日的待预测时刻前2h的气象参数和功率值输入训练模型中对待预测日各个时刻的发电功率进行实时预测。本发明能够实时预测光伏电站在各个时刻的输出功率值。
Description
技术领域
本发明涉及一种基于SAGA-FCM-LSSVM模型的光伏电站实时功率预测方法。
背景技术
太阳能作为一种取之不尽用之不竭的可再生能源,不仅不消耗任何地球资源,还不会对环境造成污染,因此光伏发电在世界各国的重视下得到了广泛的关注和应用。但是,光伏发电的输出受太阳辐照度、温度、湿度以及其它气象条件的影响很大,发电功率具有明显的波动性和间歇性,在并网时将会对电网造成较大的冲击,并引发电力系统一系列的安全、稳定问题。因此,随着光伏阵列的大规模应用,光伏发电功率的准确实时预测已变得越来越重要。
近几年来,学者们提出了各种光伏发电功率预测方法,主要分为物理预测法和统计预测法两大类。物理预测法通常以太阳辐射模型、电站模型、光伏转换模型、电路模型和逆变模型为基础,但由于太阳辐照度和云量的不确定性以及天气的变化,对光伏发电功率的准确预测带来了巨大挑战。而基于历史数据的统计预测法则有效地考虑了这些问题。目前已有多种统计预测法用于光伏发电预测,例如:支持向量机(SVM),支持向量回归(SVR),人工神经网络(ANN),遗传算法(GA)和混合算法等。
但这些算法存在一些不足之处:ANN模型可以用于所有的分类和预测问题,但它需要指定模型中与网络拓扑有关的各种参数,且极易陷入局部极小值。SVM模型最初用于分类问题,而对于光伏功率预测等非线性回归问题,在二次规划过程中选择合适的核函数,提高其训练速度并不容易。SVR模型已成功应用于分类和回归预测。然而,确定SVR性质的核函数通常是通过操作者的经验获得的。GA算法计算量小,鲁棒性强,但对初始样本序列的依赖性很强。
目前,公开发表的文献及专利中尚未见有将基于SAGA-FCM-LSSVM算法应用于光伏电站实时功率预测的研究。
发明内容
本发明的目的在于提供一种基于SAGA-FCM-LSSVM模型的光伏电站实时功率预测方法
为实现上述目的,本发明的技术方案是:一种基于SAGA-FCM-LSSVM模型的光伏电站实时功率预测方法,按照如下步骤实现:
步骤S1:采集光伏电站历史每天每小时的发电功率以及气象站上每天对应时间段的气象参数,并建立每天每小时的气象-功率参数样本;
步骤S2:对每天的气象-功率参数样本进行预处理,去除异常数据,并进行归一化处理;
步骤S3:根据归一化后的统计分析中的四项统计指标,并结合基于模拟退火遗传算法的模糊C-均值聚类算法,对历史日中第一天到待预测日前一天的样本进行聚类,并根据轮廓系数确定类别数;
步骤S4:根据各个聚类样本集合的气象特征值,计算每个聚类气象特征值的中心点,采用欧氏距离判断待预测日所属的类别;
步骤S5:根据与待预测日同属一类的参数样本,训练最小二乘支持向量机,建立训练模型;
步骤S6:将待预测日的待预测时刻前2h的气象参数和功率值输入所述训练模型中,对待预测日各个时刻的发电功率进行实时预测。
在本发明一实施例中,在所述步骤S1中,所述气象-功率参数样本包括:光伏电站历史每天每小时的发电功率以及气象站上每天对应时间段的气象参数;记所述气象-功率参数样本组合为(Pki,Gki,Tki,Hki),其中,k为样本采集的日期的序号,表示天数,为1到N的整数;i为一天中样本采集的时刻,表示时刻数,为1到Nt的整数;Pki为第k天参数样本组合中的第i个时刻的功率参数样本,Gki为第k天参数样本组合中的第i个时刻的全球水平辐射参数样本,Tki为第k天参数样本组合中的第i个时刻的环境温度参数样本,Hki为第k天参数样本组合中的第i个时刻的相对湿度参数样本。
在本发明一实施例中,在所述步骤S2中,去除异常数据是指去除出现的历史数据负数或者超出预设范围阈值的数据;归一化方法为:采用比例压缩法将同一种参数样本同一个时刻映射到区间[0,1]内,记功率样本为P=(P1i,P2i,…,Pki,…,PNi),则映射公式为:
其中,y’表示归一化后得到的数据,Pimax表示数据组P的第i个时刻中的最大值,Pimin表示数据组P的第i个时刻中的最小值。
在本发明一实施例中,在所述步骤S3中,记四项统计指标记为(σk,cvk,Skk,kurk),其中,k为样本采集的日期的序号,表示天数,为1到N的整数;σk为第k天的功率标准偏差参数样本,cvk为第k天的功率变异系数参数样本,Skk为第k天的功率偏态系数参数样本,kurk为第k天的功率峰态系数参数样本;将四项统计指标归一化后结合SAGA-FCM算法进行聚类,根据轮廓系数s确定类别数;选取s>0.39的聚类情况作为聚类结果;其中,各个参数样本的计算、归一化和轮廓系数的如下所示:
其中,σ,cv,Sk,kur分别表示每天功率的标准偏差、变异系数、偏态系数和峰态系数;i表示一天中样本采集的各个时刻,N表示一天的总时刻;
其中,x’表示归一化后得到的数据,xmin和xmax表示样本数组的最小值和最大值,ymin取-1,ymax取1;
其中,s(i)表示轮廓系数,i表示每一个聚类样本集合中的样本,a(i)表示样本i到同一簇内其他点不相似程度的平均值,b(i)表示样本i到其他簇的平均不相似程度的最小值。
在本发明一实施例中,在所述步骤S4中,记所述气象特征值为(Gkmax,Gkmin,Tkmax,Tkmin,Hkmax,Hkmin),其中,k为样本采集的日期的序号,表示天数,为1到N的整数;Gkmax和Gkmin为最大和最小全球水平辐射参数样本,Tkmax和Tkmin为最大和最小环境温度参数样本,Hkmax和Hkmin为最大和最小相对湿度参数样本;计算每个聚类各个特征值的平均值,即确定聚类中心位置;采用欧式距离公式计算待预测日与每个聚类中心点的距离,将待预测日归属为距离最小的聚类中;欧式距离通过如下方式获取:
在本发明一实施例中,将参数样本集合中的每天待预测时刻前2h的气象参数以及功率值作为输入,待预测时刻的输出功率值作为输出,训练LS-SVM模型;记输入输出组合为(Gi-1,Ti-1,Hi-1,Pi-1,Gi-2,Ti-2,Hi-2,Pi-2,Pi),其中,i为一天中样本采集的时刻,表示时刻数,为1到Nt的整数;前8个变量表示输入输出组合中的输入变量,最后一个变量表示输出变量;输入变量中的Gi-1和Gi-2为待预测时刻1h和2h前的全球水平辐射参数样本,Ti-1和Ti-2为待预测时刻1h和2h前的环境温度参数样本,Hi-1和Hi-2为待预测时刻1h和2h前的相对湿度参数样本,Pi-1和Pi-2为待预测时刻1h和2h前的输出功率参数样本,输出变量Pi为待预测的各个时刻的输出功率参数样本;将输入输出组合训练之后得到训练后的LS-SVM模型。
在本发明一实施例中,在所述步骤S6中,将待预测日的待预测时刻前2h的气象参数和实际功率值作为输入,根据训练好的LS-SVM模型对待预测日的各个时刻的发电功率进行实时预测,且实时预测过程中输入样本设置采用所述步骤S5中输入样本设置的方法。
相较于现有技术,本发明具有以下有益效果:本发明提出的一种基于SAGA-FCM-LSSVM模型的光伏电站实时功率预测方法,采用FCM聚类算法对历史功率数据集进行聚类,并采用SA算法和GA算法相结合的SAGA算法对FCM聚类算法的初始聚类中心进行了优化。将待预测日所属聚类类别的样本集合利用SVM改进的LS-SVM模型进行训练,获得了较高的预测精度,能够较为准确地对光伏电站未来每隔一小时的各个时刻的发电功率进行实时预测。
附图说明
图1为本发明实施例中基于SAGA-FCM-LSSVM模型的光伏电站实时功率预测方法的流程图。
图2为本发明实施例中实际功率、本发明采用的方法预测的功率、BP神经网络(BPNN)预测功率以及最小二乘支持向量机(LS-SVM)预测功率于2017-9-14的预测结果对比图。
图3为本发明实施例中本发明采用的方法、BP神经网络(BPNN)以及最小二乘支持向量机(LS-SVM)于2017-9-14预测绝对误差图。
图4为本发明实施例中实际功率、本发明采用的方法预测的功率、BP神经网络(BPNN)预测功率以及最小二乘支持向量机(LS-SVM)预测功率于2018-2-26预测结果对比图。
图5为本发明实施例中本发明采用的方法、BP神经网络(BPNN)以及最小二乘支持向量机(LS-SVM)于2018-2-26预测绝对误差图。
图6为本发明实施例中实际功率、本发明采用的方法预测的功率、BP神经网络(BPNN)预测功率以及最小二乘支持向量机(LS-SVM)预测功率于2018-3-30预测结果对比图。
图7为本发明实施例中本发明采用的方法、BP神经网络(BPNN)以及最小二乘支持向量机(LS-SVM)于2018-3-30预测绝对误差图。
图8为本发明实施例中实际功率、本发明采用的方法预测的功率、BP神经网络(BPNN)预测功率以及最小二乘支持向量机(LS-SVM)预测功率于2017-7-29预测结果对比图。
图9为本发明实施例中本发明采用的方法、BP神经网络(BPNN)以及最小二乘支持向量机(LS-SVM)于2017-7-29预测绝对误差图。
具体实施方式
下面结合附图,对本发明的技术方案进行具体说明。
本发明一种基于SAGA-FCM-LSSVM模型的光伏电站实时功率预测方法,如图1所示。具体包括以下步骤:
步骤S1:采集光伏电站历史每天每小时的发电功率以及气象站上每天对应时间段的气象参数,其气象参数包括全球水平辐射、环境温度、相对湿度等气象因子,结合得到每天每小时的气象-功率参数样本;
步骤S2:对每天的气象-功率参数样本进行预处理,去除异常数据并进行归一化处理;
步骤S3:利用归一化后的统计分析中的四项统计指标结合基于模拟退火遗传算法的模糊C-均值聚类(SAGA-FCM)算法对历史日中第一天到待预测日前一天的样本进行聚类,并根据轮廓系数确定类别数;
步骤S4:根据各个聚类样本集合的气象特征值,计算每个聚类气象特征值的中心点,利用欧氏距离判断待预测日所属的类别;
步骤S5:利用与待预测日同属一类的参数样本训练最小二乘支持向量机(LS-SVM),得到训练模型;
步骤S6:将待预测日的待预测时刻前2h的气象参数和功率值输入训练模型中对待预测日各个时刻的发电功率进行实时预测。
进一步的,在本实施例中,在步骤S1中,气象-功率参数样本包括光伏电站历史每天每小时的发电功率以及气象站上每天对应时间段的气象参数。参数样本组合记为(Pki,Gki,Tki,Hki),其中,k为样本采集的日期的序号,表示天数,为1到N的整数,i为一天中样本采集的时刻,表示时刻数,为1到Nt的整数。Pki为第k天参数样本组合中的第i个时刻的功率参数样本,Gki为第k天参数样本组合中的第i个时刻的全球水平辐射参数样本,Tki为第k天参数样本组合中的第i个时刻的环境温度参数样本,Hki为第k天参数样本组合中的第i个时刻的相对湿度参数样本。
进一步的,在本实施例中,在步骤S2中,对样本进行预处理,主要包括去除异常数据和归一化处理。去除异常数据是指去除历史数据出现负数或者明显错误的那几天。归一化的具体方法为:采用比例压缩法将同一种参数样本同一个时刻映射到区间[0,1]内,以功率样本P=(P1i,P2i,…,Pki,…,PNi)为例,具体映射公式为:
式中,y’表示归一化后得到的数据,Pimax表示数据组P的第i个时刻中的最大值,Pimin表示数据组P的第i个时刻中的最小值。
进一步的,在本实施例中,在步骤S3中,利用归一化后的统计分析中的四项统计指标结合基于模拟退火遗传算法的模糊C-均值聚类(SAGA-FCM)算法对历史日中第一天到待预测日前一天的样本进行聚类,根据轮廓系数确定类别数。四项统计指标记为(σk,cvk,Skk,kurk),其中,k为样本采集的日期的序号,表示天数,为1到N的整数。σk为第k天的功率标准偏差参数样本,cvk为第k天的功率变异系数参数样本,Skk为第k天的功率偏态系数参数样本,kurk为第k天的功率峰态系数参数样本。将四项统计指标归一化后结合SAGA-FCM算法进行聚类,根据轮廓系数s确定类别数。选取s>0.39的聚类情况作为合适的聚类结果。其中,各个参数样本的计算、归一化和轮廓系数的计算的具体公式如下所示。
式中,σ,cv,Sk,kur分别表示每天功率的标准偏差,变异系数,偏态系数和峰态系数。i表示一天中样本采集的各个时刻,N表示一天的总时刻。
式中,x’表示归一化后得到的数据,xmin和xmax表示样本数组的最小值和最大值,ymin取-1,ymax取1。
式中,s(i)表示轮廓系数,i表示每一个聚类样本集合中的样本,a(i)表示样本i到同一簇内其他点不相似程度的平均值,b(i)表示样本i到其他簇的平均不相似程度的最小值。
较佳的,在本实施例中,数据采集采用的光伏电站是澳大利亚的alice springs光伏电站,该光伏电站是由22个额定值为250W的光伏面板组成,光伏阵列的额定值是5.5KW,通过逆变器进行并网发电;以预测2017年9月14日(澳大利亚的春季)、2018年2月26日(澳大利亚的夏季)、2018年3月30日(澳大利亚的秋季)、2017年7月29日(澳大利亚的冬季)为例,计算出来的最好的轮廓系数和对应的类别数如表1所示。
表1待预测日聚类的轮廓系数和类别数
2017-9-14(春) | 2018-2-26(夏) | 2018-3-30(秋) | 2017-7-29(冬) | |
轮廓系数 | 0.4517 | 0.4002 | 0.3962 | 0.4428 |
类别数 | 3 | 3 | 3 | 3 |
进一步的,在本实施例中,在步骤S4中,需要根据各个聚类样本集合的气象特征值,计算每个聚类气象特征值的中心点,利用欧式距离判断待预测日所属的类别。气象特征值记为(Gkmax,Gkmin,Tkmax,Tkmin,Hkmax,Hkmin),其中,k为样本采集的日期的序号,表示天数,为1到N的整数。Gkmax和Gkmin为最大和最小全球水平辐射参数样本,Tkmax和Tkmin为最大和最小环境温度参数样本,Hkmax和Hkmin为最大和最小相对湿度参数样本。计算每个聚类各个特征值的平均值,即确定聚类中心位置。利用欧式距离公式计算待预测日与每个聚类中心点的距离,将待预测日归属为距离最小的聚类中。欧式距离公式如下所示:
进一步的,在本实施例中,以预测2017年9月14日(澳大利亚的春季)、2018年2月26日(澳大利亚的夏季)、2018年3月30日(澳大利亚的秋季)、2017年7月29日(澳大利亚的冬季)为例,根据气象预报获得这4日的气象参数如表2所示。
表2待预测日气象参数
进一步的,在本实施例中,在步骤S5中,利用与待预测日同属一类的参数样本集合训练LS-SVM模型,将参数样本集合中的每天待预测时刻前2h的气象参数以及功率值作为输入,待预测时刻的输出功率值作为输出训练LS-SVM模型。输入输出组合记为(Gi-1,Ti-1,Hi-1,Pi-1,Gi-2,Ti-2,Hi-2,Pi-2,Pi),其中,i为一天中样本采集的时刻,表示时刻数,为1到Nt的整数。前8个变量表示输入输出组合中的输入变量,最后一个变量表示输出变量。其中输入变量中的Gi-1和Gi-2为待预测时刻1h和2h前的全球水平辐射参数样本,Ti-1和Ti-2为待预测时刻1h和2h前的环境温度参数样本,Hi-1和Hi-2为待预测时刻1h和2h前的相对湿度参数样本,Pi-1和Pi-2为待预测时刻1h和2h前的输出功率参数样本,输出变量Pi为待预测的各个时刻的输出功率参数样本。输入输出组合训练之后得到训练模型。
进一步的,在本实施例中,在步骤S6中,将待预测日的待预测时刻前2h的气象参数和实际功率值作为输入,利用训练好的模型对待预测日的各个时刻的发电功率进行实时预测,且输入样本采用的设置方法与步骤S5设置相同。
为了让本领域技术人员进一步了解本发明所提出的技术方案,下面将本发明与现有技术中算法进行比较。
将本发明(SAGA-FCM-LSSVM)分别与BPNN模型和LS-SVM模型进行对比。任意选择春、夏、秋、冬各1日作为待预测日进行实验,各运行10次,本发明和BPNN、LS-SVM两个对比模型的预测结果及各个时刻预测绝对误差曲线如图2-图9所示,模型误差指标值如表3所示。RMSE、MAPE、R2的计算公式如下所示:
其中,RMSE为均方根误差,MAPE为平均绝对百分比误差,R2为决定系数,Pf,i表示光伏电站输出功率预测值,Pm,i表示光伏电站输出功率实测值,表示光伏电站日总输出功率实测值,n表示光伏电站发电时段的取样个数。
待预测日2017年9月14日(澳大利亚的春季)的RMSE为9.0523kW,MAPE为6.0262%,R2为0.9903。待预测日2018年2月26日(澳大利亚的夏季)的RMSE为3.3372kW,MAPE为1.8333%,R2为0.9957。待预测日2018年3月30日(澳大利亚的秋季)的RMSE为5.0945kW,MAPE为2.7140%,R2为0.9938。待预测日2017年7月29日(澳大利亚的冬季)RMSE为7.3041kW,MAPE为5.4505%,R2为0.9761。四个季节的MAPE误差均在6.5%以内,R2达到了0.976以上。
较佳的,从平均值来看,本发明的RMSE平均值为6.1970kW,比BPNN模型提高41.37%,比LS-SVM模型提高37.29%。本发明的MAPE平均值为4.0060%,比BPNN模型提高40.85%,比LS-SVM模型提高35.36%。本发明的R2平均值为0.9890,比BPNN模型的0.9639提高0.0251,比LS-SVM模型的0.9632提高0.0258。本发明的RMSE平均值、MAPE平均值均小于BPNN模型和LS-SVM模型,而R2平均值大于BPNN模型和LS-SVM模型。因此,本发明提出的基于SAGA-FCM-LSSVM模型的光伏电站实时功率预测方法精度更高,预测效果更好。
表3模型误差指标
以上是本发明的较佳实施例,凡依本发明技术方案所作的改变,所产生的功能作用未超出本发明技术方案的范围时,均属于本发明的保护范围。
Claims (7)
1.一种基于SAGA-FCM-LSSVM模型的光伏电站实时功率预测方法,其特征在于,按照如下步骤实现:
步骤S1:采集光伏电站历史每天每小时的发电功率以及气象站上每天对应时间段的气象参数,并建立每天每小时的气象-功率参数样本;
步骤S2:对每天的气象-功率参数样本进行预处理,去除异常数据,并进行归一化处理;
步骤S3:根据归一化后的统计分析中功率的四项统计指标,并结合基于模拟退火遗传算法的模糊C-均值聚类算法,对历史日中第一天到待预测日前一天的样本进行聚类,并根据轮廓系数确定类别数;
步骤S4:根据各个聚类样本集合的气象特征值,计算每个聚类气象特征值的中心点,采用欧氏距离判断待预测日所属的类别;
步骤S5:根据与待预测日同属一类的参数样本,训练最小二乘支持向量机,建立训练模型;
步骤S6:将待预测日的待预测时刻前2h的气象参数和功率值输入所述训练模型中,对待预测日各个时刻的发电功率进行实时预测。
2.根据权利要求1所述的基于SAGA-FCM-LSSVM模型的光伏电站实时功率预测方法,其特征在于,在所述步骤S1中,所述气象-功率参数样本包括:光伏电站历史每天每小时的发电功率以及气象站上每天对应时间段的气象参数;记所述气象-功率参数样本组合为(Pki,Gki,Tki,Hki),其中,k为样本采集的日期的序号,表示天数,为1到N的整数;i为一天中样本采集的时刻,表示时刻数,为1到Nt的整数;Pki为第k天参数样本组合中的第i个时刻的功率参数样本,Gki为第k天参数样本组合中的第i个时刻的全球水平辐射参数样本,Tki为第k天参数样本组合中的第i个时刻的环境温度参数样本,Hki为第k天参数样本组合中的第i个时刻的相对湿度参数样本。
4.根据权利要求1所述的基于SAGA-FCM-LSSVM模型的光伏电站实时功率预测方法,其特征在于,在所述步骤S3中,记四项统计指标记为(σk,cvk,Skk,kurk),其中,k为样本采集的日期的序号,表示天数,为1到N的整数;σk为第k天的功率标准偏差参数样本,cvk为第k天的功率变异系数参数样本,Skk为第k天的功率偏态系数参数样本,kurk为第k天的功率峰态系数参数样本;将四项统计指标归一化后结合SAGA-FCM算法进行聚类,根据轮廓系数s确定类别数;选取s>0.39的聚类情况作为聚类结果;其中,各个参数样本的计算、归一化和轮廓系数的如下所示:
其中,x’表示归一化后得到的数据,xmin和xmax表示样本数组的最小值和最大值,ymin取-1,ymax取1;
其中,s(i)表示轮廓系数,i表示每一个聚类样本集合中的样本,a(i)表示样本i到同一簇内其他点不相似程度的平均值,b(i)表示样本i到其他簇的平均不相似程度的最小值。
5.根据权利要求1所述的基于SAGA-FCM-LSSVM模型的光伏电站实时功率预测方法,其特征在于,在所述步骤S4中,记所述气象特征值为(Gkmax,Gkmin,Tkmax,Tkmin,Hkmax,Hkmin),其中,k为样本采集的日期的序号,表示天数,为1到N的整数;Gkmax和Gkmin为最大和最小全球水平辐射参数样本,Tkmax和Tkmin为最大和最小环境温度参数样本,Hkmax和Hkmin为最大和最小相对湿度参数样本;计算每个聚类各个特征值的平均值,即确定聚类中心位置;采用欧式距离公式计算待预测日与每个聚类中心点的距离,将待预测日归属为距离最小的聚类中;欧式距离通过如下方式获取:
6.根据权利要求1所述的基于SAGA-FCM-LSSVM模型的光伏电站实时功率预测方法,其特征在于,将参数样本集合中的每天待预测时刻前2h的气象参数以及功率值作为输入,待预测时刻的输出功率值作为输出,训练LS-SVM模型;记输入输出组合为(Gi-1,Ti-1,Hi-1,Pi-1,Gi-2,Ti-2,Hi-2,Pi-2,Pi),其中,i为一天中样本采集的时刻,表示时刻数,为1到Nt的整数;前8个变量表示输入输出组合中的输入变量,最后一个变量表示输出变量;输入变量中的Gi-1和Gi-2为待预测时刻1h和2h前的全球水平辐射参数样本,Ti-1和Ti-2为待预测时刻1h和2h前的环境温度参数样本,Hi-1和Hi-2为待预测时刻1h和2h前的相对湿度参数样本,Pi-1和Pi-2为待预测时刻1h和2h前的输出功率参数样本,输出变量Pi为待预测的各个时刻的输出功率参数样本;将输入输出组合训练之后得到训练后的LS-SVM模型。
7.根据权利要求6所述的基于SAGA-FCM-LSSVM模型的光伏电站实时功率预测方法,其特征在于,在所述步骤S6中,将待预测日的待预测时刻前2h的气象参数和实际功率值作为输入,根据训练好的LS-SVM模型对待预测日的各个时刻的发电功率进行实时预测,且实时预测过程中输入样本设置采用所述步骤S5中输入样本设置的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810839097.3A CN109086928B (zh) | 2018-07-27 | 2018-07-27 | 基于saga-fcm-lssvm模型的光伏电站实时功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810839097.3A CN109086928B (zh) | 2018-07-27 | 2018-07-27 | 基于saga-fcm-lssvm模型的光伏电站实时功率预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109086928A CN109086928A (zh) | 2018-12-25 |
CN109086928B true CN109086928B (zh) | 2021-11-30 |
Family
ID=64831054
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810839097.3A Active CN109086928B (zh) | 2018-07-27 | 2018-07-27 | 基于saga-fcm-lssvm模型的光伏电站实时功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109086928B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110059871B (zh) * | 2019-04-04 | 2021-09-24 | 广东工业大学 | 光伏发电功率预测方法 |
CN110135623A (zh) * | 2019-04-12 | 2019-08-16 | 天津大学 | 基于层次聚类和神经网络的负荷预测输入特征筛选方法 |
CN110210525B (zh) * | 2019-05-14 | 2023-07-04 | 天津大学 | 基于K-Means聚类的设计日气象要素逐时变化特征提取方法 |
CN110244225A (zh) * | 2019-06-27 | 2019-09-17 | 清华大学深圳研究生院 | 一种预测动力电池放电时表面最高温度的方法 |
CN112215383A (zh) * | 2019-07-10 | 2021-01-12 | 中国电力科学研究院有限公司 | 一种分布式光伏发电功率预测方法和系统 |
CN111369070B (zh) * | 2020-03-13 | 2023-06-27 | 西安理工大学 | 一种基于包络线聚类的多模融合光伏功率预测方法 |
CN112213561B (zh) * | 2020-09-25 | 2022-01-18 | 清华大学 | 主导负荷参数类噪声辨识的量测数据预处理方法和装置 |
CN114500335B (zh) * | 2022-01-21 | 2023-06-16 | 重庆邮电大学 | 基于模糊c均值和混合核最小二乘支持向量机的sdn网络流程控制方法 |
CN115660132B (zh) * | 2022-08-05 | 2024-01-30 | 科大数字(上海)能源科技有限公司 | 一种光伏发电功率预测方法及系统 |
CN115718858A (zh) * | 2022-11-25 | 2023-02-28 | 国网山东省电力公司临沂供电公司 | 配电变压器可开放容量计算方法 |
CN116956753B (zh) * | 2023-09-21 | 2023-12-08 | 国能日新科技股份有限公司 | 基于模拟退火与循环卷积的分布式光伏预测方法与装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104573879A (zh) * | 2015-01-30 | 2015-04-29 | 河海大学 | 基于最优相似日集的光伏电站出力预测方法 |
CN107194495A (zh) * | 2017-04-21 | 2017-09-22 | 北京信息科技大学 | 一种基于历史数据挖掘的光伏功率纵向预测方法 |
CN107516145A (zh) * | 2017-07-27 | 2017-12-26 | 浙江工业大学 | 一种基于加权欧氏距离模式分类的多通道光伏出力预测方法 |
CN107832881A (zh) * | 2017-11-02 | 2018-03-23 | 南方电网科学研究院有限责任公司 | 考虑负荷水平和风速分段的风电功率预测误差评价方法 |
-
2018
- 2018-07-27 CN CN201810839097.3A patent/CN109086928B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104573879A (zh) * | 2015-01-30 | 2015-04-29 | 河海大学 | 基于最优相似日集的光伏电站出力预测方法 |
CN107194495A (zh) * | 2017-04-21 | 2017-09-22 | 北京信息科技大学 | 一种基于历史数据挖掘的光伏功率纵向预测方法 |
CN107516145A (zh) * | 2017-07-27 | 2017-12-26 | 浙江工业大学 | 一种基于加权欧氏距离模式分类的多通道光伏出力预测方法 |
CN107832881A (zh) * | 2017-11-02 | 2018-03-23 | 南方电网科学研究院有限责任公司 | 考虑负荷水平和风速分段的风电功率预测误差评价方法 |
Non-Patent Citations (4)
Title |
---|
An Electricity Data Cluster Analysis Method based on SAGA-FCM Algorithm;Zhou Yang 等;《 2017 IEEE 14th International Conference on Networking, Sensing and Control》;20170803;第1-5页 * |
Day-ahead forecasting of photovoltaic output power with similar cloud space fusion based on incomplete historical data mining;Xiuyuan Yang 等;《Applied Energy》;20170908;第683-696页 * |
Prediction of Photovoltaic System Output using Hybrid Least Square Support Vector Machine;Muhammad Aidil Adha Aziz 等;《2017 7th IEEE International Conference on System Engineering and Technology 》;20171003;第151-156页 * |
光伏功率预测技术;龚莺飞 等;《电力系统自动化》;20160225;第40卷(第4期);第140-151页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109086928A (zh) | 2018-12-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109086928B (zh) | 基于saga-fcm-lssvm模型的光伏电站实时功率预测方法 | |
CN109002915B (zh) | 基于Kmeans-GRA-Elman模型的光伏电站短期功率预测方法 | |
CN107766990B (zh) | 一种光伏电站发电功率的预测方法 | |
CN112257941B (zh) | 基于改进型Bi-LSTM的光伏电站短期功率预测方法 | |
CN105046374B (zh) | 一种基于核极限学习机模型的功率区间预测方法 | |
Yang et al. | Day-ahead forecasting of photovoltaic output power with similar cloud space fusion based on incomplete historical data mining | |
CN106779226B (zh) | 一种基于混核机器学习的风机批功率预测方法 | |
CN110705789A (zh) | 一种光伏电站短期功率预测方法 | |
CN104573879A (zh) | 基于最优相似日集的光伏电站出力预测方法 | |
CN115345076B (zh) | 一种风速订正处理方法及装置 | |
CN110766200A (zh) | 一种基于K-means均值聚类的风电机组发电功率预测方法 | |
CN111626473A (zh) | 一种考虑误差修正的两阶段光伏功率预测方法 | |
CN110009135B (zh) | 一种基于宽度学习的风电功率预测方法 | |
CN103996079A (zh) | 一种基于条件概率的风电功率加权预测方法 | |
CN114792156A (zh) | 基于曲线特征指标聚类的光伏输出功率预测方法和系统 | |
CN115049163B (zh) | 基于禁忌搜索与深度稳定学习的光伏区域预测方法及装置 | |
CN112149905A (zh) | 一种基于小波变换和小波神经网络的光伏电站短期功率预测方法 | |
CN113379142A (zh) | 一种基于风速修正和融合模型的短期风电功率预测方法 | |
CN116826979A (zh) | 一种分布式光伏电站的电能质量控制方法及系统 | |
CN104915727A (zh) | 多维度同构异质bp神经网络光功率超短期预测方法 | |
CN111242371B (zh) | 一种基于非迭代多模型的光伏发电短期预测校正方法 | |
CN112836876A (zh) | 一种基于深度学习的配电网线路负荷预测方法 | |
CN117060407A (zh) | 一种基于相似日划分的风电集群功率预测方法及系统 | |
CN111488974A (zh) | 基于深度学习神经网络的海洋风能降尺度方法 | |
CN111027816B (zh) | 一种基于数据包络分析的光伏发电效率计算方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230323 Address after: Floor 21, Building 1, Zone G, Fuzhou Software Park, No. 89, Software Avenue, Gulou District, Fuzhou City, Fujian Province, 350100 Patentee after: FUJIAN ZHISHANFLIAN INTELLIGENT TECHNOLOGY CO.,LTD. Address before: 350108 No. 2 Xueyuan Road, New District of Fuzhou University, Minhou County, Fuzhou City, Fujian Province Patentee before: FUZHOU University |
|
TR01 | Transfer of patent right |