本站小編為你精心準備了數據挖掘下的光伏發電預測參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

摘要：外界環境和光照強度的不確定性決定了光伏發電出力的非平穩性和隨機性，有效的光伏發電量預測不僅能保護接入電網的穩健運行，還有助于電網的調度安排和光伏電站的運維決策。文章提出以周天氣特征因子和氣象因子為特征，結合歷史發電數據，建立起一個最小二乘支持向量機預測模型，進行光伏發電量的超短期預測。通過實驗對訓練好的模型進行預測精度的評估，結果表明，與未結合周天氣特征的預測模型相比，該模型的平均預測精度提高了30%左右。

關鍵詞：光伏發電量預測；最小二乘支持向量機；周天氣特征；超短期預測

0引言

太陽能發電能夠有效緩解全球能源緊缺問題和傳統能源發電帶來的環境問題[1]。太陽能發電中涉及光伏發電量預測，尤其是短期預測，對光伏電站運維具有重要意義。高精確度的發電量預測，能夠有效避開光伏電站發電高峰期，進行電站的運維、清洗、檢修等工作，同時還能作為故障診斷的輔助手段。本文擬建立一套光伏電站發電量預測模型，旨在預測5分鐘超短期光伏發電量。預測一個光伏電站的發電量，可以幫助光伏業主避開發電高產時段，選擇在發電量較低的時段進行光伏電站維護和清洗，減少發電經濟效益的損失。目前已經運用到光伏發電量預測中的方法有線性回歸[2]、神經網絡[3]、支持向量機[4]等。聞科偉等[5]利用氣象部門提供的預報數據和小型光伏電站的歷史數據建立氣象相似度與發電量相似度的過渡函數，分別通過分析三狀態馬爾科夫鏈和五狀態馬爾科夫鏈對預測結果進行修正。利用神經網絡方法進行光伏發電預測方法。仿真結果具有較高的預測精度、實用性和良好的預測跟蹤性能。盧冬冬等[6]利用光伏發電系統歷史發電數據、太陽輻照度數據和氣象數據建立了多元多項式回歸模型，對相同天氣類型下的輻照度進行算術平均并代入多元多項式回歸模型，從而得到各種天氣類型下的只以溫度為輸入變量的預測模型。通過平均絕對百分比誤差對模型進行評估，該預測模型的精度較高，具有一定的可靠性。李洪珠等[7]通過歷史發電量、太陽能輻射量和溫度序列按照時間序列建模方案建立了基于魯棒學習的最小二乘支持向量機模型。本文基于最小二乘支持向量機建立一套光伏發電量預測模型。通過與其他的算法結果對比，該預測模型能準確地預測出光伏發電陣列的發電功率，有效地解決光伏發電的隨機化問題。

1最小二乘支持向量機

標準的支持向量機（LSSVM）的損失函數為二次規劃問題，且約束條件為不等式約束，對于高維大樣本訓練，計算速度慢。而SuyKens[8-9]提出的最小二乘支持向量機將標準支持向量機的不等式約束的二次規劃問題轉化為由等式約束的線性方程組求解問題，從而提高了求解的收斂速度，更適合高維度大樣本訓練。

2最小二乘支持向量機

參數優化針對最小二乘支持向量機模型中的和優化組合問題，本文在標準量子粒子群（QPSO）優化的基礎上，引入高斯-柯西變異數進行優化。綜合高斯變異的局部探索能力和柯西變異的全局探索能力，將高斯分布變異數和柯西分布變異數結合，代替標準量子粒子群算法中的隨機數操作，同時，增加對全局最優位置和平均最優位置的高斯-柯西變異操作，來避免收斂早熟。

3實驗設計

3.1數據集獲取及特征的選取

本實驗的數據集為電站真實數據。樣本來源于江蘇南通某光伏發電廠2016年7月1日到2017年6月20日的運維數據。每日6:00-19:00之間，以5分鐘頻度采集的發電量作為因變量。自變量包括輻射、天氣、歷史數據、時間因素，其中天氣由互聯網歷史天氣數據獲取。天氣分為晴、多云、陰、小雨、大雨、轉變類天氣6種類型，其中轉變類天氣代表“陰轉多云”、“陰轉小雨”、“雷陣雨”等非單一類型天氣類型；另外由于多日內若發生過大雨，對光伏面板表面積灰有沖刷，則光伏面板的發電效益應當得到提升。反之，若7日內若大多為大風日或者小雨日，則光伏面板積灰情況會較為嚴重，光伏面板發電量會相應回落。因此通過統計手段，整合出7日內大風天數、大雨天數、小雨天數、無雨天數，作為自變量。其中大風的界定，根據中國氣象局于2001年下發《臺風業務和服務規定》規定，風力4級可吹起塵土的標準，將風力≥4級定為本模型的大風日。考慮到季節因素和時間序列對發電量的影響，在自變量引入月份、時間和晝長因素。

3.2數據清洗

原始數據中的臟數據會嚴重影響最終的擬合效果，對預測精度的影響更甚。由于本模型的數據采集粒度較小，且數據由光伏發電現場設備采集傳輸到控制臺后統一收集，因此不可避免會出現一些缺失值和錯誤值等異常值，因此必須進行數據的清洗工作。對于其中的缺失值，使用R語言的多重插補法進行缺失值的補全處理。對于其他的異常值，利用離群點測試后進行刪除處理。

4光伏發電量建模及預測分析

光伏出力受影響因素較多，最直接的影響是日照輻射度，其他影響因素還有天氣特征，如溫度、濕度、風力等，光伏表面積灰程度對光伏發電也有較大影響。受以上因素的作用，光伏發電量預測是一個隨機的非平穩的過程，因此，這也是光伏發電量準確預測的難處所在。本文在已知天氣信息、發電量、輻射度、歷史數據的條件下，建立基于高斯-柯西變異算子優化的最小二乘支持向量機模型進行光伏發電量預測。實驗使用的數據達到4萬多條，在訓練模型過程中，將數據的50%作為訓練集，再取余下數據的30%作為測試集，其余的數據作為驗證集。為了保證訓練模型準確性和泛化能力，對數據進行三折交叉驗證實驗。由于數據采集粒度為5分鐘頻次采集，預測也以5分鐘為時間單位，實現光伏電站每5分鐘的超短期發電量預測。

4.1光伏發電量預測結果

針對一天內某一時刻預測光伏電站的總發電量。抽取該電廠一年中的上午某一時刻的數據，基于GC-QPSO優化方法訓練LSSVM預測模型，并進行發電量預測。以預測的均方根誤差值RMSE作為評價指標。RMSE值越小，代表預測的精度越高。

4.2周天氣特征對預測模型的影響

基于積灰對光伏發電量的影響，提出利用周天氣特征作為光伏發電量預測模型的輸入來提高光伏發電量預測效果。因此本實驗考察周天氣特征對該預測模型影響程度。該實驗中，模型A代表引入周天氣特征的預測模型，模型B代表未引入周天氣特征的預測模型。實驗結果顯示，模型A的預測精度高于模型B的預測精度。模型A的RMSE值為0.1849，模型B的RMSE值為0.3739。

5結束語

本文通過歷史發電量數據以及氣象信息數據，以日常可獲取的信息作為模型輸入，建立光伏電站發電量最小二乘支持向量機預測模型，該模型采用5分鐘的采集頻次，以較小的粒度水平進行超短時的光伏陣列發電量預測，平均預測精度達到80%以上。與已有的發電量預測模型相比，本模型的預測精度保持在較好的水平。本模型具有其他模型不具有的優勢：所有模型輸入值都是日常可獲取的，不需要輻射量的預測，也不需要云層、氣壓、降水量等難以獲取的信息，實用性更強；缺點在于輸入變量較多。與該發電廠目前使用的平均值預測方法相比，短時預測精度得到很大的提高。對于光伏業而言，具有較高的參考價值。

參考文獻(References):

[1]張伯泉,楊宜民.風力和太陽能光伏發電現狀及發展趨勢[J].中國電力,2006.39(6):65-69

[2]李光明,劉祖明,何京鴻等.基于多元線性回歸模型的并網光伏發電系統發電量預測研究[J].現代電力,2011.28(2):43-48

[3]栗然,李廣敏.基于支持向量機回歸的光伏發電出力預測[J].中國電力,2008.41(2):74-78

[4]張立影,孟令甲,王澤忠.基于雙層BP神經網絡的光伏電站輸出功率預測[J].電測與儀表,2015.52(11):31-35

[5]海濤,聞科偉,周玲等.基于氣象相似度與馬爾科夫鏈的光伏發電預測方法[J].廣西大學學報(自然科學版),2015.40(6):1452-1460

[6]盧冬冬,鄭莆燕,袁言周等.基于天氣預報的光伏發電預測研究[J].硅谷,2014.15:43-44

[7]李洪珠,賈威,聶苓等.基于魯棒LS-SVM在光伏發電預測中的應用[J].計算機測量與控制,2013.21(5):1166-1167

[10]張繼祥,劉克長,魏欽平等.氣象要素(氣溫、太陽輻射、風速和相對濕度)日變化進程的數理模擬[J].山東農業大學學報(自然科學版),2002.33(2):179-183

作者：周慧；王進；顧翔 單位：南通大學計算機科學與技術學院