基于最小二乘支持向量機(jī)的光伏出力超短期預(yù)測(cè)

張華彬，楊明玉

(華北電力大學(xué)電氣與電子工程學(xué)院，河北保定　071003)

Ultra-Short-term Forecasting for Photovoltaic Power Output Based on Least Square Support Vector MachineZHANG Huabin，YANG Mingyu

(School of Electrical and Electronic Engineering，North China Electric Power University，Baoding 071003，China)

?

基于最小二乘支持向量機(jī)的光伏出力超短期預(yù)測(cè)

張華彬，楊明玉

(華北電力大學(xué)電氣與電子工程學(xué)院，河北保定071003)

0引言

隨著光伏電站并網(wǎng)容量的增大，在緩解能源危機(jī)和降低環(huán)境污染問題的同時(shí)，光伏出力的隨機(jī)性也對(duì)電網(wǎng)的安全穩(wěn)定運(yùn)行帶來了嚴(yán)峻挑戰(zhàn)[1-3]。對(duì)于一個(gè)既定的電網(wǎng)，其接納光伏電站并網(wǎng)容量一般不宜超過10%～15%[4]，這在一定程度上限制了光伏系統(tǒng)的發(fā)展。因此，加強(qiáng)光伏出力預(yù)測(cè)研究，對(duì)于提高系統(tǒng)穩(wěn)定運(yùn)行能力、電網(wǎng)經(jīng)濟(jì)合理調(diào)度、降低系統(tǒng)旋轉(zhuǎn)備用容量等都具有重要意義。

光伏出力預(yù)測(cè)根據(jù)預(yù)測(cè)方法可分為直接法和間接法：前者利用歷史出力數(shù)據(jù)和氣象信息，直接建模進(jìn)行預(yù)測(cè)；后者需要先建立太陽輻射強(qiáng)度預(yù)測(cè)模型，然后二次建模預(yù)測(cè)光伏出力。根據(jù)預(yù)測(cè)時(shí)間尺度可分為提前1～2d進(jìn)行的短期出力預(yù)測(cè)和提前15min～4h的超短期出力預(yù)測(cè)。文獻(xiàn)[5]提出了一種神經(jīng)網(wǎng)絡(luò)短期出力預(yù)測(cè)模型，但對(duì)不同日類型進(jìn)行統(tǒng)一泛化擬合，預(yù)測(cè)效果較差。文獻(xiàn)[6-7]利用光伏出力和氣象信息的采樣點(diǎn)數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)模型，對(duì)連續(xù)幾個(gè)預(yù)測(cè)日的光伏出力分別作了短期預(yù)測(cè)，總體預(yù)測(cè)精度較高，但當(dāng)天氣類型變化較快時(shí)預(yù)測(cè)精度還有待提高。文獻(xiàn)[8]先由衛(wèi)星云圖信息建模推出云層指數(shù)，然后由云層指數(shù)、太陽天頂角、大氣消光系數(shù)預(yù)測(cè)地表太陽輻射強(qiáng)度，最后再建立最小二乘支持向量機(jī)(Least Square Support Vector Machine，LS-SVM)超短期模型提前1h預(yù)測(cè)光伏出力。但是，該方法建模復(fù)雜，計(jì)算量大，太陽輻射強(qiáng)度的預(yù)測(cè)誤差在光伏出力預(yù)測(cè)結(jié)果中會(huì)放大，而且以1h為步長(zhǎng)的預(yù)測(cè)不能滿足電網(wǎng)調(diào)度部門對(duì)15min預(yù)測(cè)時(shí)間分辨率的要求。

本文在分析光伏出力影響因素的基礎(chǔ)上，通過計(jì)算溫度、濕度和太陽輻射強(qiáng)度等氣象因素的加權(quán)歐氏距離確定各時(shí)段訓(xùn)練樣本，結(jié)合待預(yù)測(cè)時(shí)段最新氣象信息，對(duì)4個(gè)季節(jié)不同天氣類型的各時(shí)段分別建立了LS-SVM模型，對(duì)未來1h內(nèi)每刻鐘的出力進(jìn)行預(yù)測(cè)，避免了復(fù)雜的二次建模和短期預(yù)測(cè)不能很好地反映天氣類型突變情況的不足。最后，利用光伏電站實(shí)際運(yùn)行數(shù)據(jù)驗(yàn)證了所提模型的有效性，可為電網(wǎng)調(diào)度部門制定合理的調(diào)度計(jì)劃提供有效的參考依據(jù)。

1氣象因素對(duì)光伏出力的影響

光伏系統(tǒng)出力要受眾多因素的綜合影響。本文以保定某光伏系統(tǒng)歷史出力和氣象數(shù)據(jù)為對(duì)象，重點(diǎn)研究季節(jié)類型、日類型、太陽輻射強(qiáng)度、大氣溫度、光伏面板溫度和相對(duì)濕度對(duì)光伏系統(tǒng)出力的影響。由于光伏陣列所處樓頂空曠，周圍無建筑物或高大樹木遮擋，故不考慮陰影[9]對(duì)光伏出力的影響。

1.1太陽輻射強(qiáng)度

固定安裝光伏系統(tǒng)的出力模型為

(1)

式中：N為光伏陣列中正常工作的組件數(shù)；η1為組件的額定光電轉(zhuǎn)換效率(%)；η2為最大功率點(diǎn)跟蹤(Maximum Power Point Tracking，MPPT)的工作效率(%)；η3為逆變器的轉(zhuǎn)換效率(%)；S為光伏陣列的面積(m2)；I為光伏面板得到的總太陽輻射強(qiáng)度(kW/m2)；α為組件溫度系數(shù)；T0為光伏面板溫度(℃)。

對(duì)于正常運(yùn)行的光伏系統(tǒng)，N、S、η1的值已確定，幾乎所有的并網(wǎng)逆變器都工作在MPPT模式[10]，且在光伏系統(tǒng)正常使用周期內(nèi)η2、η3只發(fā)生微小變化，可認(rèn)為是常量。

圖1顯示出光伏系統(tǒng)出力與當(dāng)天的太陽輻射強(qiáng)度總量(包括直輻射、反輻射和散輻射)曲線高度相似，前者受后者影響顯著。

圖1　光伏出力與太陽輻射強(qiáng)度的關(guān)系

1.2季節(jié)類型和日類型

圖2為不同日類型時(shí)的光伏系統(tǒng)輸出功率。日類型不同時(shí)，光伏系統(tǒng)的發(fā)電量相差很大。圖3顯示出，當(dāng)日類型相同季節(jié)類型不同時(shí)，光伏出力曲線具有上升—保持—下降的高度相似性，但出力大小不同。綜上，對(duì)于固定安裝的光伏陣列，不同日類型、季節(jié)類型時(shí)，光伏面板上獲得的太陽輻射強(qiáng)度總量不同，這是造成出力大小不同的主要因素。為了提高模型對(duì)晴天和非晴天時(shí)的預(yù)測(cè)精度，本文結(jié)合光伏系統(tǒng)歷史出力數(shù)據(jù)，將每種日類型分別賦予0～1的天氣類型指數(shù)，作為選擇與待預(yù)測(cè)時(shí)段天氣屬性相似集合的標(biāo)準(zhǔn)之一。

圖2　不同日類型時(shí)的光伏出力

圖3　不同季節(jié)晴天時(shí)的光伏出力

1.3溫度

由式(1)可知，光伏面板溫度對(duì)光伏出力有直接影響，而大氣溫度通過影響光伏面板溫度間接影響其出力，這是因?yàn)楣夥姵毓ぷ鳝h(huán)境溫度影響其光電轉(zhuǎn)換效率。晴天時(shí)光伏出力與溫度(包括光伏面板溫度和大氣溫度)的關(guān)系如圖4所示。

圖4　光伏系統(tǒng)出力與溫度的關(guān)系

圖中可看出，光伏面板溫度對(duì)光伏出力影響較大，當(dāng)光伏面板溫度增加時(shí)，光伏出力也隨之增加，二者接近呈正相關(guān)。為了提高預(yù)測(cè)精度，選擇大氣溫度和光伏面板溫度兩種溫度因素作為預(yù)測(cè)模型的兩個(gè)重要輸入變量。

1.4相對(duì)濕度

圖5顯示出，當(dāng)相對(duì)濕度較大時(shí)，空氣中的水汽對(duì)太陽輻射強(qiáng)度的吸收及折、反射增強(qiáng)，光伏面板獲得的光照強(qiáng)度減弱，因而光伏系統(tǒng)出力就減少，二者呈負(fù)相關(guān)。

圖5　光伏出力與相對(duì)濕度的關(guān)系

2最小二乘支持向量機(jī)算法

最小二乘支持向量機(jī)(LS-SVM)是由Suykens等人在繼承傳統(tǒng)支持向量機(jī)(SVM)優(yōu)點(diǎn)基礎(chǔ)上對(duì)其作出的改進(jìn)，泛化能力強(qiáng)，能以其特有的優(yōu)勢(shì)解決小樣本、非線性、高維數(shù)以及局部極小等實(shí)際問題。

(2)

式中：ω為加權(quán)向量，ω∈Rk；b為常量，b∈R。

這樣，用高維特征空間的線性運(yùn)算取代ω和φ(x)的點(diǎn)積運(yùn)算。LS-SVM優(yōu)化目標(biāo)誤差估計(jì)部分采用平方項(xiàng)，約束條件也由SVM中的不等式約束變?yōu)榈仁郊s束，如式(3)和式(4)所示為

(3)

(4)

式中：ei為誤差變量；懲罰參數(shù)γ>0，控制對(duì)超出ei的樣本的懲罰程度。式(2)中參數(shù)ω和b可由式(3)和式(4)來估計(jì)。

引入Lagrange乘子λi(λi∈R)，構(gòu)造函數(shù)

(5)

由KKT條件求最優(yōu)解，化簡(jiǎn)得到

(6)

其中K(xi,xj)=φ(xi)Tφ(xj)為核函數(shù)。由于核函數(shù)的引入，可用原低維空間的核函數(shù)運(yùn)算代替高維特征空間的點(diǎn)積運(yùn)算，巧妙地避免了高維特征空間中“維數(shù)災(zāi)難”等問題[11]，使得LS-SVM算法能更好地解決非線性問題。

3光伏出力預(yù)測(cè)模型設(shè)計(jì)

3.1預(yù)測(cè)模型總體框架及流程

預(yù)測(cè)模型總體框架如圖6所示。

圖6　光伏系統(tǒng)出力預(yù)測(cè)模型框架

首先將光伏系統(tǒng)歷史出力、氣象數(shù)據(jù)按季節(jié)類型分類，然后結(jié)合出力值和氣象信息對(duì)4個(gè)季節(jié)的每條數(shù)據(jù)分別賦予不同的日類型指數(shù)，便得到每個(gè)季節(jié)不同日類型指數(shù)下的數(shù)據(jù)樣本，再從中選擇相似時(shí)段并篩選出各時(shí)段訓(xùn)練樣本，建立預(yù)測(cè)模型，最后將4季的模型進(jìn)行整合便得到全年完整光伏出力預(yù)測(cè)模型。實(shí)際預(yù)測(cè)時(shí)，由待預(yù)測(cè)日期及天氣預(yù)報(bào)數(shù)據(jù)確定季節(jié)類型、日類型指數(shù)，然后根據(jù)待預(yù)測(cè)時(shí)段最新氣象信息找到相同日類型指數(shù)的對(duì)應(yīng)時(shí)段預(yù)測(cè)模型，選擇訓(xùn)練集，預(yù)測(cè)未來1h內(nèi)每15min的光伏出力。

3.2相似時(shí)段選擇

由第1節(jié)的分析可知，待預(yù)測(cè)日的光伏出力與相同日類型指數(shù)的各樣本出力相似度較高，在相似樣本出力基礎(chǔ)上有少許變化，這主要源于二者氣象因素的差異。

本文首先由待預(yù)測(cè)日的天氣屬性篩選出與其日類型指數(shù)一致的樣本D，其次取相應(yīng)時(shí)段的太陽輻射強(qiáng)度、大氣溫度、相對(duì)濕度作為氣象特征向量，對(duì)樣本數(shù)據(jù)進(jìn)行二次篩選，能更好地反映待預(yù)測(cè)日的實(shí)際天氣屬性。第i日第j個(gè)時(shí)段的氣象特征向量如式(7)所示：

(7)

式中：Iij為第i日第j個(gè)時(shí)段初始時(shí)刻的太陽輻射強(qiáng)度；tij1～tij5分別為第i日第j個(gè)時(shí)段每刻鐘的大氣溫度值；hij1～hij5分別為第i日第j個(gè)時(shí)段每刻鐘的相對(duì)濕度值。

記待預(yù)測(cè)日第j個(gè)時(shí)段的氣象特征向量為xj=[Ij,tj1,…,tj5,hj1,…,hj5]。為了識(shí)別不同因素對(duì)光伏出力的影響程度，對(duì)每一變量分別賦予一權(quán)重系數(shù)，采用式(8)計(jì)算樣本D中第i日第j時(shí)段與待預(yù)測(cè)日相同時(shí)段的加權(quán)歐氏距離。

(8)

式中：xij(k)、xj(k)分別為特征向量xij、xj中的第k個(gè)元素；λk為第k個(gè)影響因素與光伏出力之間的相關(guān)系數(shù)，采用Pearson相關(guān)系數(shù)法進(jìn)行計(jì)算，可體現(xiàn)出各影響因素的重要程度。

上式計(jì)算結(jié)果記為{dij}，取dij≤0.5的多條數(shù)據(jù)作為待預(yù)測(cè)時(shí)段的相似時(shí)段集合，稱dij最小值對(duì)應(yīng)的數(shù)據(jù)為“最佳相似時(shí)段”。從該集合中選擇訓(xùn)練樣本，用與待預(yù)測(cè)時(shí)段的氣象特征相似度較高的樣本對(duì)模型進(jìn)行訓(xùn)練，然后用訓(xùn)練好的LS-SVM模型預(yù)測(cè)光伏出力，能更好地反映待預(yù)測(cè)日各時(shí)段的實(shí)際出力情況，有助于提高預(yù)測(cè)精度。

3.3數(shù)據(jù)預(yù)處理

對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，去除奇異數(shù)據(jù)、修補(bǔ)缺失數(shù)據(jù)，并按式(9)進(jìn)行歸一化，將各量限制在(0，1)內(nèi)，可有效提高模型訓(xùn)練、收斂速度。

(9)

3.4模型輸入輸出量

本模型以15min為步長(zhǎng)預(yù)測(cè)未來1h的光伏出力，如圖7所示，輸入變量見表1所列，輸出為待預(yù)測(cè)時(shí)段4個(gè)點(diǎn)的光伏出力。

圖7　預(yù)測(cè)模型結(jié)構(gòu)

輸入變量變量名稱x1～x5最佳相似時(shí)段每刻鐘的大氣溫度值x6～x10最佳相似時(shí)段每刻鐘的光伏面板溫度值x11～x15最佳相似時(shí)段每刻鐘的相對(duì)濕度值x16～x20最佳相似時(shí)段每刻鐘的光伏出力值x21～x25最佳相似時(shí)段每刻鐘的太陽輻射強(qiáng)度值x26～x30待預(yù)測(cè)時(shí)段每刻鐘的大氣溫度值x30待預(yù)測(cè)時(shí)段初始時(shí)刻光伏面板溫度值x31～x35待預(yù)測(cè)時(shí)段每刻鐘的相對(duì)濕度值x36待預(yù)測(cè)時(shí)段初始時(shí)刻光伏出力值x37待預(yù)測(cè)時(shí)段初始時(shí)刻太陽輻射強(qiáng)度值

3.5選取核函數(shù)

采用式(10)所示的RBF核函數(shù)：

(10)

式中：x是輸入向量；xi是第i個(gè)核函數(shù)中心；σ是核寬度參數(shù)，控制著核函數(shù)距中心點(diǎn)的寬度。由于LS-SVM中懲罰參數(shù)γ和核寬度參數(shù)σ的選擇直接決定著預(yù)測(cè)模型的精度，成為模型優(yōu)劣的關(guān)鍵，本文采用粒子群優(yōu)化算法[12](Particle Swarm Optimization，PSO)優(yōu)化選擇模型參數(shù)。

4算例分析

利用Matlab編程實(shí)現(xiàn)了LS-SVM學(xué)習(xí)算法和迭代過程，模型的訓(xùn)練和測(cè)試數(shù)據(jù)來自保定某光伏實(shí)驗(yàn)電站2013年實(shí)測(cè)出力和對(duì)應(yīng)氣象信息。光伏出力和氣象數(shù)據(jù)從6:00～19:00時(shí)段中每15min采樣一次。以春夏秋冬四季光伏出力預(yù)測(cè)子模型為例，分別對(duì)2013年4月15日(晴間多云)、7月7日(多云)、10月14日(小雨)、12月11日(晴)四組光伏出力數(shù)據(jù)6:00～19:00時(shí)段以15min為步長(zhǎng)每1h預(yù)測(cè)1次，并把預(yù)測(cè)結(jié)果進(jìn)行整合，此為模型Ⅰ。文獻(xiàn)[10]提出一種LS-SVM光伏出力預(yù)測(cè)模型，把溫度、濕度及光伏出力數(shù)據(jù)作為輸入，以15min為步長(zhǎng)預(yù)測(cè)第2日的光伏出力，該模型記為模型Ⅱ，與本文所提模型的預(yù)測(cè)精度做一對(duì)比。兩種模型的預(yù)測(cè)結(jié)果如圖8所示。

圖8　預(yù)測(cè)結(jié)果

由圖8(a)和圖8(d)可知，晴天時(shí)段兩種模型均有較高預(yù)測(cè)精度，基本能反映待預(yù)測(cè)日實(shí)際光伏出力情況，個(gè)別時(shí)刻預(yù)測(cè)值等于實(shí)測(cè)值，但模型Ⅱ較模型Ⅰ預(yù)測(cè)結(jié)果存在少許波動(dòng)，且個(gè)別時(shí)段(如圖8(a)中9:15～10:30和圖8(d)中11:30～13:00)預(yù)測(cè)值偏離實(shí)測(cè)值較大。圖8(a)中多云時(shí)段(圖中12:45～14:45)兩種模型預(yù)測(cè)精度有所下降，預(yù)測(cè)值與實(shí)測(cè)值偏離程度增大，但模型Ⅰ仍保持較好的預(yù)測(cè)能力，反映出實(shí)際出力變化趨勢(shì)，而模型Ⅱ在該時(shí)段預(yù)測(cè)值出現(xiàn)較大偏差，沒能很好地體現(xiàn)出待預(yù)測(cè)日的天氣類型突變現(xiàn)象。

1．需要在文中表達(dá)“作者簡(jiǎn)介”或“通訊作者簡(jiǎn)介”的，請(qǐng)?zhí)峁┳髡叩南嚓P(guān)信息，一般格式為“姓名（出生年月-），性別，籍貫，最高學(xué)位，職稱，研究方向或者工作方向等”；若在科研工作中取得了突出成績(jī)，可適當(dāng)詳細(xì)介紹，一般不超過100字。對(duì)于缺乏實(shí)質(zhì)內(nèi)容介紹的，如僅表達(dá)了工作單位的，將不予在刊出時(shí)標(biāo)明。

圖8(b)和圖8(c)所示結(jié)果顯示出，非晴天條件下光伏出力預(yù)測(cè)值波動(dòng)幅度較晴天(如圖8(a)和圖8(d)所示)時(shí)明顯增大，當(dāng)天氣類型變化劇烈時(shí)(如圖8(b)中12:00～15:00和圖8(c)中11:00～16:30 時(shí)段)這種現(xiàn)象更為明顯。圖8(b)和圖8(c)中模型Ⅰ雖然整體預(yù)測(cè)誤差較晴天時(shí)有所增大，但仍能較好地反映出實(shí)測(cè)出力曲線的變化情況；模型Ⅱ整體預(yù)測(cè)值偏離實(shí)測(cè)值較模型Ⅰ大，圖8(c)中12:15～15:15時(shí)段模型Ⅱ預(yù)測(cè)結(jié)果甚至出現(xiàn)了與實(shí)測(cè)出力變化相反的情況。

為了具體評(píng)價(jià)兩種模型的預(yù)測(cè)效果，本文采用平均絕對(duì)誤差EMAPE來評(píng)估模型整體預(yù)測(cè)能力，用均方根誤差ERMSE來衡量模型與實(shí)測(cè)值的偏離程度，結(jié)果如表2所示。

(11)

(12)

表2　預(yù)測(cè)誤差

由表2可知，4組測(cè)試數(shù)據(jù)中模型Ⅰ預(yù)測(cè)精度均較模型Ⅱ高，當(dāng)天氣類型為非晴天時(shí)尤為明顯。在所有測(cè)試數(shù)據(jù)中，2013年12月11日(晴)預(yù)測(cè)誤差最小，模型Ⅰ、模型Ⅱ的平均絕對(duì)誤差分別為2.967%、4.998%；2013年10月14日(小雨)預(yù)測(cè)誤差最大，模型Ⅰ、模型Ⅱ的平均絕對(duì)誤差分別為16.783%、43.576%，此時(shí)模型Ⅱ預(yù)測(cè)結(jié)果與實(shí)際情況相差較大，失去了實(shí)用價(jià)值，這與上述分析基本一致。

總體來說，模型Ⅱ預(yù)測(cè)值在晴天時(shí)段能大致反映實(shí)際出力變化趨勢(shì)，但在非晴天階段與實(shí)測(cè)值偏差較大，這是因?yàn)槟Ｐ廷蛩x相似日不能很好地反映待預(yù)測(cè)日每個(gè)時(shí)段的詳細(xì)天氣屬性；模型Ⅰ由于采用分時(shí)段預(yù)測(cè)，適當(dāng)縮短了預(yù)測(cè)周期，以待預(yù)測(cè)時(shí)段最新氣象信息作為輸入，能夠詳細(xì)反映出待預(yù)測(cè)日各時(shí)段的實(shí)際天氣情況，總體精度較高，當(dāng)天氣類型發(fā)生突變時(shí)效果較模型Ⅱ更為明顯。

5結(jié)論

本文分析了影響光伏出力的主要?dú)庀笠蛩?，利用?shí)際運(yùn)行的光伏電站出力數(shù)據(jù)和對(duì)應(yīng)氣象信息，根據(jù)季節(jié)類型和天氣類型形成不同的數(shù)據(jù)集合，并確定日類型指數(shù)；然后對(duì)光伏出力、溫度、濕度、太陽輻射強(qiáng)度每刻鐘采樣一次，根據(jù)氣象因素的加權(quán)歐氏距離計(jì)算結(jié)果選取相同日類型指數(shù)條件下每1h的相似時(shí)段集合，并從中篩選訓(xùn)練樣本，使樣本能準(zhǔn)確地反映待預(yù)測(cè)日的天氣屬性，結(jié)合待預(yù)測(cè)時(shí)段最新天氣預(yù)報(bào)信息，對(duì)4個(gè)季節(jié)不同天氣類型指數(shù)的每個(gè)待預(yù)測(cè)時(shí)段分別建立LS-SVM模型，提前1h預(yù)測(cè)每刻鐘的光伏出力，不需要復(fù)雜的二次建模。預(yù)測(cè)結(jié)果顯示，所提模型具有較高的預(yù)測(cè)精度，在天氣類型發(fā)生突變時(shí)仍能保持較高的精度，可為電網(wǎng)調(diào)度部門制定合理的調(diào)度計(jì)劃提供一定的參考依據(jù)。

參考文獻(xiàn)

[1]陳昌松，段善旭，蔡濤，等.基于模糊識(shí)別的光伏發(fā)電短期預(yù)測(cè)系統(tǒng) [J].電工技術(shù)學(xué)報(bào)，2011，26(7)：83-89.

[2]劉光明，劉祖明，何京鴻，等.基于多元線性回歸模型的并網(wǎng)光伏發(fā)電系統(tǒng)發(fā)電量預(yù)測(cè)研究 [J].現(xiàn)代電力，2011，28(2)：44-48.

[3]辛?xí)詭洠恢骼?基于LMS-Wiener濾波模型的光伏電站出力預(yù)測(cè) [J].現(xiàn)代電力，2013，30(2)：53-56.

[4]栗然，李廣敏.基于支持向量機(jī)回歸的光伏發(fā)電出力預(yù)測(cè) [J].中國(guó)電力，2008，41(2)：74-78.

[5]陳昌松，段善旭，殷進(jìn)軍.基于神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電陣列發(fā)電預(yù)測(cè)模型的設(shè)計(jì) [J].電工技術(shù)學(xué)報(bào)，2009，24(9)：153-158.

[6]王曉蘭，葛鵬江.基于相似日和徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的光伏陣列出力預(yù)測(cè) [J].電力自動(dòng)化設(shè)備，2013，33(1)：100-103，109.

[7]代倩，段善旭，蔡濤，等.基于天氣類型聚類識(shí)別的光伏系統(tǒng)短期無輻照度發(fā)電預(yù)測(cè)模型研究 [J].中國(guó)電機(jī)工程學(xué)報(bào)，2011，31(31)：28-35.

[8]朱永強(qiáng)，田軍.最小二乘支持向量機(jī)在光伏功率預(yù)測(cè)中的應(yīng)用 [J].電網(wǎng)技術(shù)，2011，35(7)：54-59.

[9]肖景良，徐政，林崇，等.局部陰影條件下光伏陣列的優(yōu)化設(shè)計(jì) [J].中國(guó)電機(jī)工程學(xué)報(bào)，2009，29(11)：119-124.

[10]傅美平，馬紅偉，毛建榮.基于相似日和最小二乘支持向量機(jī)的光伏發(fā)電短期預(yù)測(cè) [J].電力系統(tǒng)保護(hù)與控制，2012，40(16)：65-69.

[11]楊曉偉，郝志峰.支持向量機(jī)的算法設(shè)計(jì)與分析[M].北京：科學(xué)出版社，2013.

[12]金鑫，袁越，傅質(zhì)馨，等.天氣類型聚類的支持向量機(jī)在光伏系統(tǒng)輸出功率預(yù)測(cè)中的應(yīng)用 [J].現(xiàn)代電力，2013，30(4)：13-18.

張華彬(1985—)，男，碩士研究生，研究方向?yàn)槲㈦娋W(wǎng)能量管理和光伏發(fā)電系統(tǒng)出力預(yù)測(cè)，E-mail:ncepu_zhb@163.com；

楊明玉(1965—)，女，碩士，副教授，研究方向?yàn)殡娏ο到y(tǒng)繼電保護(hù)和微電網(wǎng)能量管理, E-mail:yangmy1026@hotmail.com。

(責(zé)任編輯：林海文)

Ultra-Short-term Forecasting for Photovoltaic Power Output Based on Least Square Support Vector MachineZHANG Huabin，YANG Mingyu

(School of Electrical and Electronic Engineering，North China Electric Power University，Baoding 071003，China)

摘要：隨著大規(guī)模光伏電站接入配網(wǎng)，為了減輕光伏出力的隨機(jī)性對(duì)電網(wǎng)安全穩(wěn)定運(yùn)行的影響，有必要加強(qiáng)光伏出力預(yù)測(cè)研究。提出了一種基于最小二乘支持向量機(jī)(LS-SVM)的光伏出力超短期預(yù)測(cè)模型，模型的輸入考慮了待預(yù)測(cè)時(shí)段的最新氣象信息，提前1h對(duì)每刻鐘的光伏出力進(jìn)行預(yù)測(cè)。為了能更精確地反映待預(yù)測(cè)日的天氣情況，對(duì)影響光伏出力的每一氣象因素，分別賦予一適當(dāng)權(quán)值，通過計(jì)算加權(quán)歐氏距離確定各時(shí)段的訓(xùn)練樣本。最后，利用含有突變情況的天氣對(duì)訓(xùn)練好的模型進(jìn)行了測(cè)試和評(píng)估。結(jié)果表明，所提模型預(yù)測(cè)精度較高，能夠?yàn)殡娋W(wǎng)調(diào)度部門制定合理調(diào)度計(jì)劃提供一定的參考依據(jù)。

關(guān)鍵詞：最小二乘支持向量機(jī)；光伏發(fā)電系統(tǒng)；超短期預(yù)測(cè)；加權(quán)歐氏距離；相似時(shí)段

Abstract：With the connecting of large-scale photovoltaic(PV)power station to the distribution network, it is necessary to strengthen the study of photovoltaic power output prediction in order to mitigate the impacts of randomness on power system．An ultra-short-term forecasting model based on least square support vector machine(LS-SVM)is proposed．To predict the PV output for every quarter ahead of 1h，the inputs of the model are the latest meteorologic information．To accurately reflect the weather condition of predicted day, a proper weight value is set to each meteorological factor which affects the PV output，then the training samples are determined by calculating the weighted Euclid distance. In the end, the trained model is tested and evaluated by using weather data with sudden changes．The results show that the proposed model has high precision, and can provide reference for dispatching department to formulate reasonable schedule．

Keywords：least square support vector machine(LS-SVM)；photovoltaic system；ultra-short-term forecast；weighted Euclid distance；similar period

作者簡(jiǎn)介：

收稿日期：2014-04-24

文章編號(hào)：1007-2322(2015)01-0070-06

文獻(xiàn)標(biāo)志碼：A

中圖分類號(hào)：TM615