[發明專利]基于SAGA-FCM-LSSVM模型的光伏電站實時功率預測方法

有效

• 申請號: 201810839097.3
• 申請日: 2018-07-27
• 公開（公告）號: CN109086928B
• 公開（公告）日: 2021-11-30
• 發明（設計）人: 程樹英;林培杰;賴云鋒;彭周寧;陳志聰;吳麗君;鄭茜穎;章杰
• 申請（專利權）人: 福州大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06K9/62
• 代理公司: 福州元創專利商標代理有限公司 35100
• 代理人: 蔡學俊

本發明涉及基于SAGA?FCM?LSSVM模型的光伏電站實時功率預測方法，采集光伏電站對應時段發電功率以及氣象站上對應的氣象參數，獲取氣象?功率參數樣本；對每天的氣象?功率參數樣本進行預處理；根據四項統計指標結合基于模擬退火遺傳算法的模糊C?均值聚類算法對歷史日中第一天到待預測日前一天的樣本進行聚類；根據各個聚類樣本集合的氣象特征值，計算每個聚類氣象特征值的中心點，利用歐氏距離判斷待預測日所屬的類別；利用與待預測日同屬一類的參數樣本訓練最小二乘支持向量機，得到訓練模型；將待預測日的待預測時刻前2h的氣象參數和功率值輸入訓練模型中對待預測日各個時刻的發電功率進行實時預測。本發明能夠實時預測光伏電站在各個時刻的輸出功率值。

技術領域

本發明涉及一種基于SAGA-FCM-LSSVM模型的光伏電站實時功率預測方法。

背景技術

太陽能作為一種取之不盡用之不竭的可再生能源，不僅不消耗任何地球資源，還不會對環境造成污染，因此光伏發電在世界各國的重視下得到了廣泛的關注和應用。但是，光伏發電的輸出受太陽輻照度、溫度、濕度以及其它氣象條件的影響很大，發電功率具有明顯的波動性和間歇性，在并網時將會對電網造成較大的沖擊，并引發電力系統一系列的安全、穩定問題。因此，隨著光伏陣列的大規模應用，光伏發電功率的準確實時預測已變得越來越重要。

近幾年來，學者們提出了各種光伏發電功率預測方法，主要分為物理預測法和統計預測法兩大類。物理預測法通常以太陽輻射模型、電站模型、光伏轉換模型、電路模型和逆變模型為基礎，但由于太陽輻照度和云量的不確定性以及天氣的變化，對光伏發電功率的準確預測帶來了巨大挑戰。而基于歷史數據的統計預測法則有效地考慮了這些問題。目前已有多種統計預測法用于光伏發電預測，例如：支持向量機(SVM)，支持向量回歸(SVR)，人工神經網絡(ANN)，遺傳算法(GA)和混合算法等。

但這些算法存在一些不足之處：ANN模型可以用于所有的分類和預測問題，但它需要指定模型中與網絡拓撲有關的各種參數，且極易陷入局部極小值。SVM模型最初用于分類問題，而對于光伏功率預測等非線性回歸問題，在二次規劃過程中選擇合適的核函數，提高其訓練速度并不容易。SVR模型已成功應用于分類和回歸預測。然而，確定SVR性質的核函數通常是通過操作者的經驗獲得的。GA算法計算量小，魯棒性強，但對初始樣本序列的依賴性很強。

目前，公開發表的文獻及專利中尚未見有將基于SAGA-FCM-LSSVM算法應用于光伏電站實時功率預測的研究。

發明內容

本發明的目的在于提供一種基于SAGA-FCM-LSSVM模型的光伏電站實時功率預測方法

為實現上述目的，本發明的技術方案是：一種基于SAGA-FCM-LSSVM模型的光伏電站實時功率預測方法，按照如下步驟實現：

步驟S1：采集光伏電站歷史每天每小時的發電功率以及氣象站上每天對應時間段的氣象參數，并建立每天每小時的氣象-功率參數樣本；

步驟S2：對每天的氣象-功率參數樣本進行預處理，去除異常數據，并進行歸一化處理；

步驟S3：根據歸一化后的統計分析中的四項統計指標，并結合基于模擬退火遺傳算法的模糊C-均值聚類算法，對歷史日中第一天到待預測日前一天的樣本進行聚類，并根據輪廓系數確定類別數；

步驟S4：根據各個聚類樣本集合的氣象特征值，計算每個聚類氣象特征值的中心點，采用歐氏距離判斷待預測日所屬的類別；

步驟S5：根據與待預測日同屬一類的參數樣本，訓練最小二乘支持向量機，建立訓練模型；

步驟S6：將待預測日的待預測時刻前2h的氣象參數和功率值輸入所述訓練模型中，對待預測日各個時刻的發電功率進行實時預測。