最小二乘支持向量机在光伏功率预测中的应用

光伏发电预测

太阳能发电预测综述在煤矿，石油开采量日益见底和生态环境急速恶化的严峻形势下，太阳能作为一种自然能源，以其储量丰富且清洁无污染性显示了其独特的优势，已被国际公认为未来最具竞争性的能源之一。从太阳能获得电力，需通过太阳电池将光能转化为电能。它同以往其他电源发电原理完全不同。要使太阳能发电真正达到实用水平，一是要提高太阳能光电变换效率并降低其成本，二是要实现太阳能发电同的电网联网。 1.太阳能发电的分类目前太阳能发电主要有以下两种形式： 1.太阳能光发电太阳能光发电是指无需通过热过程直接将光能转变为电能的发电方式。它包括光伏发电、光化学发电、光感应发电和光生物发电。光伏发电是利用太阳能级半导体电子器件有效地吸收太阳光辐射能，并使之转变成电能的直接发电方式，是当今太阳光发电的主流。在光化学发电中有电化学光伏电池、光电解电池和光催化电池，目前得到实际应用的是光伏电池。[1] 2.太阳能热发电通过水或其他工质和装置将太阳辐射能转换为电能的发电方式,称为太阳能热发电。先将太阳能转化为热能，再将热能转化成电能，它有两种转化方式：一种是将太阳热能直接转化成电能，如半导体或金属材料的温差发电，真空器件中的热电子和热电离子发电，碱金属热电转换，以及磁流体发电等；另一种方式是将太阳热能通过

热机（如汽轮机）带动发电机发电，与常规热力发电类似，只不过是其热能不是来自燃料，而是来自太阳能。太阳能热发电有多种类型，主要有以下五种：塔式系统、槽式系统、盘式系统、太阳池和太阳能塔热气流发电。前三种是聚光型太阳能热发电系统，后两种是非聚光型。一些发达国家将太阳能热发电技术作为国家研发重点，制造了数十台各种类型的太阳能热发电示范电站，已达到并网发电的实际应用水平。[2] 2.太阳能光伏发电影响因素太阳能光伏发电成为目前太阳能利用的主要方式之一。光伏发电分为离网和并网两种形式，随着光伏并网技术的成熟与发展，并网光伏发电已成为主流趋势。由于大规模集中并网光伏发电系统容量的急速增加，并网光伏发电系统输出功率固有的间歇性和不可控等缺点对电网的冲击成为制约并网光伏发电的重要元素。太阳能光伏发电系统发电量受当地太阳辐射量、温度、太阳能电池板性能等方面因素的影响。（1）光照强度对光伏发电量的影响：光照强度是指在单位时间和单位面积内，在地球表面上接收到的垂直投射的太阳辐射能量。光伏发电系统产生电能所需的能量完全来自、于太阳的辐照，因此光照强度对光伏发电系统的发电量具有决定性的作用，二者之间呈正相关性，即光照强度越强，光伏发电量越多。（2）季节类型对光伏发电量的影响：由于在不同的季节，太阳入射角的大小以及方向、日照时间的长短、光照强度的强弱存在明显的差异，到达地表的太阳辐照度经过吸收、散射，辐射等各种减弱作用后也会不同，光伏发电系统的发电量的多少也在变化。这种差异性即为不同的季节类型对光伏发电量的影响。（3）天气类型对光伏发电量的影响：将天气类型的时间范围确定在24 小时之内。由于晴

最小二乘支持向量机

clc clear close all %--------------------------------------------------- % 产生训练样本与测试样本，每一列为一个样本 k=125; m=10; n1=ones(5,125); n2=ones(5,10); n3=[120,150,218,247.7,56,181,0,57,4.32,23.51,24.16,93.5,96,93,910,20,24,26.7,220,33.9,46.9,70 .2,72,128,139,144,159.8,230,679,15.21,20.37,22.1,16,35,73,86,336,82,87,94,121,170,172.9,180, 26.6,70.4,164,25.1,274,3,14,45,60,72,304,22.3,35.1,56,63,68,68,207,236,37,80,82,293,42,220,76 6,10,36.2,105,117,240,851,4072,4.6875,0.962,2,20.443,18.614,4.0787,17.187,17.314,11.299,11. 31,3.7648,2587.2,1565,87.266,85.865,84.333,61.394,57.983,59,57,673.6,32.2,255,707,50.11,56, 121,130.4,300.44,685,174,111,410,574,127,200,1678,162,334,48.155,49.77,45.703,39.216,56.98 2,32.597,26.859,43.737,20.385; 120,60,120.7,148.7,78,262,434,77,193,61.33,261.05,36.7,41,58,1592,41.9,27.8,90.6,230,36.5,16 1.6,70.2,442,419,714,754,438.7,572.4,4992,61.25,59.79,64.1,237,30,520,110,419,81,87,195,69,3 20,334,97,22.7,69.5,244,411.91,376,198,221,168,139,160.3,443.5,7.8,50.6,99.9,149.6,99.2,99.2, 416,410.2,130,243,161,134,98,340,990,4,12.6,169.4,257,676,2802,15850,10.826,15.787,16.667, 17.036,17.972,20.83,21.432,21.731,21.834,21.835,26.818,7.882,98,6.5004,7.0013,8.0593,10.822 ,18.866,28,13,423.5,5.5,48,115,15.97,13,14,2.39,42.14,102,24,58,120,256,107,48,652.9,35,39.9, 1.4272,8.4485,9.1405,9.4118,10.479,15.47,16.887,17.018,17.175; 33,40,126.6,78.7,18,41,226,19,118,45.21,196.13,11.2,12.8,43,801,20.2,24.4,49.2,57,31.5,94.1,17 1.5,221,269.4,351,250,312.4,343,1823,45.94,45.24,44.3,92,10,140,18,105,33,26,14,32,53,172,34 ,22.5,28.9,103,320.9,55,191,199,82,21,63.1,110.9,12.4,16.1,51.4,57.5,35.9,35.9,347,159,91,274. 2,79,52,156,42,115,3,4.4,59.1,92,200,772,9057,17.522,12.299,3.8667,5.6786,6.6865,6.992,5.370 8,5.8304,11.299,11.244,7.2202,4.704,35,5.1647,4.4914,7.2211,4.1623,4.6218,9,0.1,77.6,1.4,8.3, 11,4.66,2.4,3,7.22,3.25,9,9.3,0,18,22,11,14,80.7,5.6,47.8,4.0354,2.1505,2.4557,2.7451,1.2837,4. 9724,3.0902,2.1034,1.7657; 84,70,142.1,192.7,21,28,387,21,125,98.03,201.4,69.5,82.5,37,932,44.2,30,95,110,39.3,193.3,371 .6,461,614.1,634,502,644.6,768.9,3671,81.83,80.49,81.4,470,93,1200,92,1074,224,218,153,268, 520,812.5,271,109,241.2,497,1832.8,1002,701,804,330,430,303.7,946,95.7,93,24.8,276,202.9,20 2.9,1345,817.3,430,1347.7,406,239,610,480,660,33,15.5,347.6,468,818,3521,22621,66.964,70.2 46,76.533,52.811,55.363,67.589,54.936,52.297,53.089,53.146,61.888,1.4,48,1.0686,2.642,0.386 85,10.406,8.6555,70,11,988.9,12.6,33,55,45.37,22,29,1.8,43.18,170,29.3,105,71,503,154,117,10 05.9,30,5.35,22.539,19.355,19.509,22.941,13.571,38.674,39.431,26.219,24.719; 0.55,1,0.9,0.9,0,0,0,0,0,1.01,0.87,1.1,0.6,0,0,0.38,0,0.5,7,0,0.56,0,0.7,0.35,0,1,0.38,0.51,0,0,0,0,0 ,7.1,6,7.4,21,5.4,7.5,15,8,3.2,37.7,8,0,10.4,8.3,18.4,17,0,0,3.1,4.6,0.1,56.1,1.4,1.1,2.3,0,0,0,20,3. 5,2.9,8.4,8.9,2.9,0,14,0,6,0,1.8,4,4,10,535,0,0.7052,0.93333,4.0318,1.3644,0.50983,1.0742,2.826 9,2.4692,2.4646,0.30944,0,0,0,0,0,13.215,9.8739,15,12,344.5,13.2,29.8,81,12.3,22.13,74,4.38,64 .71,367,64.4,201,250,382,224,131,419.1,44,247.6,23.843,20.276,23.192,25.686,17.684,8.2873,1 3.733,10.924,35.955]; for t=1:k

最小二乘支持向量机的自编代码和安装SVM工具箱方法

最小二乘支持向量机的自编代码 clear all; clc; N=35; %样本个数 NN1=4; %预测样本数 %********************随机选择初始训练样本及确定预测样本 ******************************* x=[]; y=[]; index=randperm(N); %随机排序N个序列 index=sort(index); gama=23.411; %正则化参数 deita=0.0698; %核参数值 %thita=; %核参数值 %*********构造感知机核函数************************************* %for i=1:N % x1=x(:,index(i)); % for j=1:N % x2=x(:,index(j)); % K(i,j)=tanh(deita*(x1'*x2)+thita); % end %end %*********构造径向基核函数************************************** for i=1:N x1=x(:,index(i)); for j=1:N x2=x(:,index(j)); x12=x1-x2; K(i,j)=exp(-(x12'*x12)/2/(deita*deita)); end end %*********构造多项式核函数**************************************** %for i=1:N % x1=x(:,index(i)); % for j=1:N % x2=x(:,index(j)); % K(i,j)=(1+x1'*x2)^(deita); % end %end %*********构造核矩阵************************************ for i=1:N-NN1 for j=1:N-NN1 omeiga1(i,j)=K(i,j); end

光伏功率预测技术

光伏功率预测技术发表时间：2019-01-15T11:06:24.547Z 来源：《信息技术时代》2018年4期作者：郝亚洲 [导读] 目前，人们逐渐意识到传统能源的储量和污染问题，在这种趋势下环保节能的光伏发电技术得到重视与发展。光伏发电技术中最重要的便是光伏功率预测技术（陕西中地能源开发建设有限公司，陕西省咸阳市 712000）摘要：目前，人们逐渐意识到传统能源的储量和污染问题，在这种趋势下环保节能的光伏发电技术得到重视与发展。光伏发电技术中最重要的便是光伏功率预测技术，光伏功率预测对光伏发电控制、性能提高、保障光伏电站平稳运行等方面都起着重要作用。本文主要介绍了光伏功率预测技术的基本原理和关键问题，通过研究分析光伏电站数据对提高光伏预测技术的几点重要问题进行分析。关键词：光伏功率；预测技术；关键问题前言：光伏发电这一新兴可再生能源，成为各国新能源发展主要研究对象，光伏发电规模不断扩大。光伏发电规模的扩大也带来了很多的问题，由于光伏发电只能在白天进行，并且受到天气环境变化的影响具有极大的不确定性，这都会对大规模开展光伏发电产生极大的影响。因此光伏效率预测，能够精确预测光伏发电功率、提高发电性能的技术对大规模扩大光伏发电具有重要意义。一、光伏功率预测技术研究现状由于石油、煤炭等传统能源储量不断减少、污染程度高等问题，使得光伏发电近年来得到广泛关注，光伏发电中光伏功率预测技术的研发成为各国从事光伏发电科研人员的首要工作。近年来使用光伏发电较早的国家光伏发电预测技术较为成熟，例如日本、丹麦、意大利、西班牙等国家运用数值天气预报信息（NWP）进行光伏功率预测取得突破性的进展。国内光伏发电的研发虽起步相对较晚，但近年来在科研人员的钻研和学习下，我国光伏发电功率预测技术突飞猛进，不断缩小与国际先进水平的差距。二、光伏功率预测技术方法分类（1）根据预测过程分类根据预测过程不同可分为直接预测法和间接预测法。直接预测法是采集历史光伏功率数据分析后做出预测，数据包括气象数据、辐射数据和其他数据，直接预测法的难度相对较大。间接预测法则是先对光伏接收板或者地面太阳辐射程度，再对光伏功率进行预测，这也导致间接预测法相对较复杂。（2）根据预测时间分类根据预测时间不同，光伏效率预测方法可以分为超短期功率预测、短期功率预测和中长期功率预测。超短期光伏功率预测时间小于四小时，主要将统计与物理相混合，根据地球同步卫星拍摄实时传输来的卫星云图来推测云层运动情况并以此推断出辐射强度对光伏功率进行预测。超短期预测可以提供瞬间功率变化信息。常用的超短期预测方法大致可分为线性预测法与非线性预测法和综合预测法。1、线性预测法：线性预算法是将采集到的天气数据与光伏电站的历史发电数据结合以预测出光伏发电功率。目前大多采用外源自回归滑动平均（ARMAX）、自回归滑动（ARMA）、自回归积分滑动平均（ARIMA）三种方法[1]。2、非线性预测法:光伏发电功率受自然天气因素影响较强，采用非线性预测算法可以提高预测精准度。非线性预测法建造外部影响因素与光伏光伏功率的非线性预测模型进行光伏功率预测。目前大多采用的算法有卡尔曼滤波算法、神经网络算法、马尔科夫链算法、支持向量机（SVM）算法。3、综合预测法是将非线性预测法与线性预测法相结合产生的预测方法，综合预测法预测精准度有所提高，但其复杂程度也要高于线性预测法和非线性预测法。短期光伏功率预测时间小于四十八小时，以数值天气预报信息（NWP）数据为主导，创造历史光伏效率映射关系对光伏效率进行预测。短期预测主要运用于发电计划制定、跟踪电力负荷等方面；中长期光伏效率预测时间大于一周，可用于光力发电资源评估，对新电站选址也起着重要指导作用[2]。（3）根据预测区域分类根据预测区域的大小可以分为单场光伏功率预测和区域光伏功率预测。单场光伏功率预测是对单一的一个光伏电站的功率进行预测，单场预测多数运用在运行优化以及运行控制上。区域光伏功率预测则是对整个区域内的多个光伏电站综合起来进行预测，区域预测可以看出区域内的光伏发电电力值、对电力部门的电力调度和光伏电站与电网的对接起着重要作用。在光伏功率预测的精准度上区域光伏预测要远远高于单场光伏功率预测。三、影响光伏发电效率的因素 1.太阳辐射强弱程度光伏发电中最重要的便是光照强度也就是太阳辐射强度，从早到晚辐射强度有所不同这就导致光伏电厂每阶段发电量的变化。影响太阳辐射强度大致包括六个方面的因素：1.地理纬度，纬度越低的地区阳光入射角就越大，辐射强度越大。2.云层厚度，云层越厚光照就越难透过辐射强度越小。3.大气透明度，大气透明度越低辐射强度越小。4.海拔高低，海拔高的地区其辐射强度越大。5.坡向与坡度：坡向坡度不同太阳辐射强度不同。6.光线倾斜角，光线倾斜角越大，辐射强度就越大。 2.光伏电池板光伏电池板是整个光伏电站最重要的发电部件，光伏电站要进行合理的电池板布局，让其最大程度地接受光照，这样电站发电效率才能达到最理想效果。 3.季节变化季节不同光照强度也有所不同，光伏电站的发电量也会随着季节的变化而变化。相比冬季来说，夏季的光照强度要高于冬季光照强度，因此正常情况下夏季电站发电量要高于冬季电站发电量。四、光伏功率预测精准度提高方法光伏功率预测的关键问题便是提高预测的精准度，光伏数据是光伏功率预测的基础，因此光伏数据的处理成为研究的主要突破口。光

光伏理论发电功率及受阻电量计算方法

光伏理论发电功率及受阻电量计算方法（试行）第一章总则第一条为规光伏理论发电功率及受阻电量等指标的统计分析，依据《光伏发电站太阳能资源实时监测技术要求》（GB/T 30153-2013）、《光伏发电功率预测气象要素监测技术规》（Q/GDW 1996-2013）的有关要求，制定本方法。第二条本方法所称的光伏电站，是指按照公共电站要求已签订《并网调度协议》、集中并入电网的光伏发电站，不包括分布式光伏发电系统。第三条本方法适用于国家电网公司各级电力调度机构和调管围并网光伏电站开展理论发电功率及受阻电量统计计算工作。第二章术语和定义第四条光伏电站发电功率指标包括理论发电功率和可用发电功率。光伏电站理论发电功率指在某时刻光资源情况下站所有逆变器及相关设备均正常运行时可发出的功率，其积分电量为某时段的光伏电站理论发电量。光伏电站可用发电功率指扣除站设备故障、缺陷或检修等原因引起受阻后可发出的功率，其积分电量为某时段的光伏电站可用发电量。

第五条光伏电站受阻电力分为站受阻电力和站外受阻电力两部分。站受阻电力指光伏电站理论发电功率与可用发电功率之差，其积分电量为站受阻电量。站外受阻电力指光伏电站可用发电功率与实发功率之差，其积分电量为站外受阻电量。第六条全网理论发电功率指所有光伏电站理论发电功率之和；全网可用发电功率指考虑断面约束的光伏电站可用发电功率之和；可参与市场交易的光伏富余电力指全网可用发电功率与实发功率之差。第七条全受阻电力指所有光伏电站站受阻电力之和；全网断面受阻电力为因通道稳定极限、电网设备检修、电网故障等情况导致的光伏受阻；全网调峰受阻电力指全网可用发电功率与实发功率之差。第三章数据准备第八条计算理论发电功率和受阻电力需准备的实时数据包括光伏电站实际发电功率、逆变器运行数据和状态信息、气象监测数据、开机容量；非实时数据包括光伏电站基本参数(格式见附表)、样板逆变器型号及其数量、全站逆变器型号及其数量等。第九条所有光伏电站应配备气象监测设备，并向调度机

(完整版)支持向量回归机

3.3 支持向量回归机 SVM 本身是针对经典的二分类问题提出的，支持向量回归机（Support Vector Regression ，SVR ）是支持向量在函数回归领域的应用。SVR 与SVM 分类有以下不同：SVM 回归的样本点只有一类，所寻求的最优超平面不是使两类样本点分得“最开”，而是使所有样本点离超平面的“总偏差”最小。这时样本点都在两条边界线之间，求最优回归超平面同样等价于求最大间隔。 3.3.1 SVR 基本模型对于线性情况，支持向量机函数拟合首先考虑用线性回归函数 b x x f +?=ω)(拟合n i y x i i ,...,2,1),,(=，n i R x ∈为输入量，R y i ∈为输出量，即需要确定ω和b 。图3-3a SVR 结构图图3-3b ε不灵敏度函数惩罚函数是学习模型在学习过程中对误差的一种度量，一般在模型学习前己经选定，不同的学习问题对应的损失函数一般也不同，同一学习问题选取不同的损失函数得到的模型也不一样。常用的惩罚函数形式及密度函数如表3-1。表3-1 常用的损失函数和相应的密度函数损失函数名称损失函数表达式()i c ξ% 噪声密度 ()i p ξ ε -不敏感 i εξ 1 exp()2(1) i εξε-+ 拉普拉斯 i ξ 1 exp()2 i ξ- 高斯 212 i ξ 21 exp()22i ξπ -

标准支持向量机采用ε-不灵敏度函数，即假设所有训练数据在精度ε下用线性函数拟合如图（3-3a ）所示， ** ()()1,2,...,,0 i i i i i i i i y f x f x y i n εξεξξξ-≤+??-≤+=??≥? （3.11）式中，*,i i ξξ是松弛因子，当划分有误差时，ξ，*i ξ都大于0，误差不存在取0。这时，该问题转化为求优化目标函数最小化问题： ∑=++?=n i i i C R 1 ** )(21 ),,(ξξωωξξω （3.12）式（3.12）中第一项使拟合函数更为平坦，从而提高泛化能力；第二项为减小误差；常数0>C 表示对超出误差ε的样本的惩罚程度。求解式（3.11）和式（3.12）可看出，这是一个凸二次优化问题，所以引入Lagrange 函数： * 11 ****1 1 1()[()] 2[()]() n n i i i i i i i i n n i i i i i i i i i i L C y f x y f x ωωξξαξεαξεξγξγ=====?++-+-+-+-+-+∑∑∑∑ （3.13）式中，α，0*≥i α，i γ，0*≥i γ，为Lagrange 乘数，n i ,...,2,1=。求函数L 对ω， b ，i ξ，*i ξ的最小化，对i α，*i α，i γ，*i γ的最大化，代入Lagrange 函数得到对偶形式，最大化函数：

国电南瑞NSF3200光伏发电功率预测系统-技术规范书120904

1总体要求 (2) 2系统功能要求 (3) 2.1技术规范 (3) 2.1功能要求 (4) 3系统功能技术要求 (4) 3.1数据功能技术要求 (4) 3.1.1数据采集功能 (4) 3.1.2 数据统计功能 (4) 3.1.3 数据分析、处理功能 (4) 3.2功率预测功能 (5) 3.2.1 预测的时间 (5) 3.2.2 系统启动 (5) 3.2.3 其它 (5) 3.3 界面要求 (5) 3.3.1展示界面 (5) 3.3.2操作界面 (6) 3.3.3统计查询界面 (6) 3.3.4其他要求 (6) 3.4实时气象数据采集系统 (6) 3.4.1系统功能 (6) 3.4.2采集器单元 (6) 3.4.3测量设备 (7) 1

3.4.4供电系统 (7) 3.4.5通讯系统 (8) 3.4.6数据采集和处理 (8) 4进度要求 (8) 5报价要求 (8) 6预期目标 (8) 7系统技术参数 (9) 7.1短期功率预测功能 (9) 7.2超短期功率预测功能 (9) 7.3人机界面功能 (9) 7.4信息上报功能 (9) 8通信要求 (10) 9质保和售后服务 (10) 9.1质保期 (10) 9.2售后服务 (10) 10交货日期 (11) 1总体要求投标人应具备招标公告所要求的资质，具体资质要求详见招标文件的商务部分。本规范书对光伏发电功率预测系统应用功能、管理、文档资料以及验收等方面提出了技术要求。本技术规范应用范围是光伏电站的光伏发电功率预测系统。 1

本招标文件提出的是最低限度的技术要求，并未对一切技术细节做出规定，也未充分引述有关标准和规范的条文，投标人应提供符合本技术规范引用标准的最新版本标准和本招标文件技术要求的全新产品，如果所引用的标准之间不一致或本招标文件所使用的标准如与投标人所执行的标准不一致时，按要求较高的标准执行如果投标人没有以书面形式对本招标文件技术规范的条文提出差异，则意味着投标人提供的设备完全符合本招标文件的要求。如有与本招标文件要求不一致的地方，必须逐项在“技术差异表”中列出。投标方应熟悉网/省公司光伏发电功率预测系统的技术规范要求，并长期从事光伏发电功率预测相关方向的研究。提供的光伏发电功率预测系统在同类型企业运行1年以上业绩清单。投标人在同类型的系统工程上至少已有2年以上的从业经验，使用的产品应具有自主知识产权且有不少于5个合同业绩和1套的成功运行业绩，且经实践证明是成熟可靠的产品，经过电力行业相关部门的验收，并有验收证明，具有软件产品自主知识产权者优先。投标方应具备自动环境监测站安装、改造及数据实时采集传输的资质和经验，以及超短期光伏发电功率预测系统运行业绩，可根据需要提供自动环境监测站改造及预测系统建设的一揽子解决方案。光伏发电功率预测系统是预测光伏电站未来发电能力的重要手段，是推动光伏行业持续健康发展的必要条件之一。根据网/省光伏发电功率预测系统主站及直调光伏电站功率预测子站，结合我公司所属光伏电站现状，根据网/省公司的要求，光伏电站需要上报自动环境监测站实时采集的数据、光伏发电功率预测结果等内容。为此，光伏电站需要建设如下内容：（1）自动环境监测站的建设。（2）光伏发电功率预测系统的建设：包括中心站的硬件、平台软件、短期光伏发电功率预测软件、超短期光伏发电功率预测软件等。 1

光伏发电功率预测与模型分析

光伏发电功率预测与模型分析摘要近年来，随着对可再生能源需求的日益提高，太阳能光伏发电技术得到了迅速的发展，大规模光伏发电系统的应用也日益广泛起来，但也随之出现了很多问题。由于太阳辐射量与季度、阴晴及昼夜等气象条件密切相关，从而造成了光伏发电系统输出功率的随机性和间歇性的固有缺点，而且考虑到储能技术上的不成熟等因素，当大量的光伏发电系统接入电网时，势必会对电力系统的安全稳定运行和电能质量等带来严峻挑战，从而限制光伏发电产业的发展，所以对光伏发电系统输出功率进行预测对于电力系统运行而言具有非常重要的意义。本文通过对影响光伏发电功率因素进行分析对目前现有的光伏发电功率预测方法进行分类，并根据统计方法和物理方法为依据，对太阳辐照量预测进行预测和直接对光伏发电系统的输出功率预测两种方法进行阐述和细化对比。再根据各自所使用的数学模型不同将预测方法分为时间序列法、神经网络法、支持向量机方法、回归分析方法和智能预测方法[6]。最后对不同分类的预测方法及相应的数学模型进行分析阐述和对比，说明其适用范围及精确度，并对其可行性进行分析，提出在功率预测中需要解决的问题。关键词：光伏系统；功率预测；数学模型；方法 Abstrackt

\ In recent years, with the demand for renewable energy increasing, solar photovoltaic technology has been rapid development of large-scale photovoltaic power generation system applications are increasingly widespread up, but also will be a lot of problems. Since the amount of solar radiation quarter, Teenage and other weather conditions closely related to circadian, resulting in a power output of photovoltaic power generation system and intermittent randomness inherent shortcomings, and taking into account factors such as energy storage technology immaturity, when a large number PV system connected to the grid ,it must have a safe and stable operation of power systems and power quality pose serious challenges, thus limiting the development of photovoltaic power generation industry, so the output power of the photovoltaic power generation system to predict in terms of the power system operation has a very important significance. Based on the impact of photovoltaic power factor analysis on currently available PV power prediction method for classification, and physical methods based on statistical methods and is based on the amount of solar radiation forecasts and projections directly to the output power of photovoltaic systems forecast describes two methods and refined contrast. And then according to their mathematical models used to forecast method is divided into different time series, neural networks, support vector machine, regression analysis and intelligent prediction method. Finally, the prediction of different classification methods and the corresponding mathematical model to analyze and compare elaborated, indicating its scope and accuracy, and its feasibility analysis, forecasting in power need to be resolved. Keywords: PV systerm;Power Prediction;Mathematical model;Method 1前言

光伏理论发电功率及受阻电量计算方法

光伏理论发电功率及受阻电量计算方法第一章总则第一条为进一步完善电网实时平衡能力监视功能，规范日内市场环境下光伏理论发电功率及受阻电量等指标的统计分析，依据《光伏发电站太阳能资源实时监测技术要求》（GB/T 30153-2013）、《光伏发电功率预测气象要素监测技术规范》（Q/GDW 1996-2013）的有关要求，制定本方法。第二条本方法所称的光伏电站，是指按照公共电站要求已签订《并网调度协议》、集中并入电网的光伏发电站，不包括分布式光伏发电系统。第三条本方法适用于国家电网公司各级电力调度机构和调管范围内并网光伏电站开展理论发电功率及受阻电量统计计算工作。第二章术语和定义第四条光伏电站发电功率指标包括理论发电功率和可用发电功率。光伏电站理论发电功率指在当前光资源情况下站内所有逆变器均可正常运行时能够发出的功率，其积分电量为光伏电站理论发电量；光伏电站可用发电功率指考虑站内设备故障、缺陷或检修等原因引起受阻后能够发出的功率，其积分电量为光伏电站可用发电量。第五条光伏电站受阻电力分为站内受阻电力和站外受

阻电力两部分：站内受阻电力指光伏电站理论发电功率与可用发电功率之差，其积分电量为站内受阻电量；站外受阻电力指光伏电站可用发电功率与实发功率之差，其积分电量为站外受阻电量。第六条全网理论发电功率指所有光伏电站理论发电功率之和；全网可用发电功率指考虑断面约束的光伏电站可用发电功率之和；可参与市场交易的光伏富余电力指全网可用发电功率与实发功率之差。第七条全网站内受阻电力指所有光伏电站站内受阻电力之和；全网断面受阻电力为因通道稳定极限、电网设备检修、电网故障等情况导致的光伏受阻；全网调峰受阻电力指全网可用发电功率与实发功率之差。第三章数据准备第八条计算理论发电功率和受阻电力需准备的实时数据包括光伏电站实际发电功率、逆变器运行数据和状态信息、气象监测数据、开机容量；非实时数据包括光伏电站基本参数 (格式见附表)、样板逆变器型号及其数量、全站逆变器型号及其数量等。第九条所有光伏电站应配备气象监测设备，并向调度机构实时上报气象测量数据，气象数据满足以下条件：（一）气象监测设备测量要素

最小二乘支持向量机

最小二乘支持向量机产生训练样本与测试样本，每一列为一个样本 k=125;m=10;n1=ones(5,125);n2=ones(5,10);n3=[120,150,218,2 47、7,56,181,0,57,4、32, 23、51, 24、16, 93、5,96,93,910,20,24, 26、7,220, 33、9, 46、9, 70、2,72,128,139,144,1 59、8,230,679, 15、21, 20、37, 22、1,16,35,73,86,336,82,87,94,121,170,1 72、9,180, 26、6, 70、4,164, 25、1,274,3,14,45,60,72,304, 22、3, 35、1,56,63,68,68,207,236,37,80,82,293,42,220,766,10,

36、2,105,117,240,851,4072,4、6875,0、962,2, 20、443, 18、614,4、0787, 17、187, 17、314, 11、299, 11、31,3、7648,25 87、2,1565, 87、266, 85、865, 84、333, 61、394, 57、983,59,57,6 73、6, 32、2,255,707, 50、11,56,121,1 30、4,300、 44,685,174,111,410,574,127,200,1678,162,334, 48、155, 49、77, 45、703, 39、216,

56、982, 32、597, 26、859, 43、737, 20、385;120,60,1 20、7,1 48、7,78,262,434,77,193, 61、33,2 61、05, 36、7,41,58,1592, 41、9, 27、8, 90、6,230, 36、5,1 61、6, 70、2,442,419,714,754,4 38、7,5 72、4,4992, 61、25, 59、79, 64、1,237,30,520,110,419,81,87,195,69,320,334,97, 22、7,

光伏功率预测系统SPSF-3000

光伏功率预测系统（SPSF-3000） “光伏功率预测系统（SPSF-3000）”是国能日新独立开发的国内第一款光伏并网电站负荷预测系统。系统具备高精度数值天气预报功能、光伏信号数值净化、高性能时空模式分类器、网络化实时通信、通用电力信息数据接口、神经网络模型等高科技模块；可以准确预报太阳能并网电站未来168小时负荷——时间曲线。系统平均预测精度超过85%，完全可以达到电网对太阳能并网电站电力负荷输出的调度要求。 1、总体设计本系统包括硬件终端设施与国能日新自主研发的光伏功率预测软件系统。通过采集数值气象预报数据、实时气象站数据、实时输出功率数据、逆变机组状态等数据，完成对光伏电站的短期功率预测、超短期功率预测工作，并按电网要求上传到调度侧功率预测系统。根据光伏电站以及并网电网公司具体要求，光伏功率预测系统部署在安全II区，部署如下：气象服务器通过接收高精度数值气象预报进行存储、分析、计算，通过反向隔离器传送至安全II区功率预测服务器，功率预测服务器通过接收光伏电站逆变器监控系统和气象站数据，进行核心处理计算。待计算的功率预测结果通过电站调度数据专用网传至电网侧调度中心，同时通过PC工作站方便的查看系统的运行状态及界面展示。 2、系统功能

光伏功率预测系统采用B/S模式，用户登录系统不需要安装其它软件，在系统所在网段任何一台电脑的浏览器上输入功率预测系统的链接，便可以进入系统的登陆界面。所有操作必须在用户成功登陆并授权的情况下进行。系统功能如下： 1）实时监控：预测信息、实时信息、气象信息、状态监控； 2）曲线展示：功率及气象的历史曲线展示、预测曲线展示； 3）上报管理：功率上报管理、气象上报管理； 4）发电计划：发电计划管理（日前、实时）； 5）统计分析：完整性、频率分布、功率误差、辐照度误差、事件、电量； 6）数据报表：功率预测、实际发电、发电申报、辐照度统计（日、月）； 7）系统设置：开机容量、限电、故障、检修设置； 8）用户管理：浏览员、操作员、管理员； 9）系统诊断:实时对系统的运行状况进行分析统计。

光伏发电功率预测方法研究报告综述(成品)

光伏发电功率预测方法研究综述姓名王森专业班级电气0802 摘要：太阳能光伏发电作为一种重要的分布式电源正逐渐从独立系统向大规模并网方向逐渐被人们所利用。发展光伏电站输出功率预测对于保持电力系统的功率平衡和经济运行有着重要的意义。通过对光伏发电功率预测影响因素进行探讨,分析了太阳辐照、温度、云量等各种气象因素对光伏电站输出功率的影响,并分析比较数学统计方法和人工智能方法的优缺点。关键词：光伏发电、隔离、功率预测、神经网络 1.光伏能源特点及其应用前景 1.1.开展光伏发电的能源预测的目的与意义随着社会经济的快速发展，能源消耗剧增，化石能源日趋枯竭，加之与日俱增的化石燃料燃烧所造成的环境污染，给地球的生态平衡和人类的生活带来了严重的威胁，所以建设大型的光伏电站来满足人类对能源的需求是当前的发展趋势。太阳能作为一种新型的绿色可再生能源，与其他新能源相比是最理想的可再生能源。特别是近几十年来，随着科学技术的不断进步，太阳能及其相关产业成为世界发展最快的行业之一。因为它具有以下的特点： <1）储量丰富。太阳能是取之不尽的可再生能源，可利用量巨大。太阳每秒钟辐射的能量大约是1.6×1023kW，其中到达地球的能量高达8×1013kW相当于燃烧6×109吨标准煤。按此计算，一年内到达地球表面的太阳能总量折合成标准煤约1.892×106亿吨，是目前世界主要能源探明储量的一万倍。相对于常规能源的有限性，太阳能储量是无限的，取之不尽，用之不竭。这就决定了开发利用太阳能将是人类解决常规能源匮乏枯竭的最有效途径。 <2）清洁性和经济性。太阳能像风能、潮汐能等洁净能源一样，其开发利用几乎无任何物质的排放，既不会留下污染物，也不会向大气中排放废气，加之储量的无限性，是人类理想的替代能源。 <3）分布范围广泛。纬度的不同和气候条件的差异造成了太阳能辐射的不均匀，但相对于其他能源来说，太阳能对于绝大多数地区具有存在的普遍性，可就地取用。这就为常规能源缺乏的国家和地区解决能源问题提供了美好前景。太阳能的开发利用主要有光热利用、光伏利用、光化学利用等三种形式。光热利

文献翻译-基于最小二乘支持向量回归的短期混沌时间序列预测

外文文献翻译 Short Term Chaotic Time Series Prediction using Symmetric LS-SVM Regression Abstract—In this article, we illustrate the effect of imposing symmetry as prior knowledge into the modelling stage, within the context of chaotic time series predictions. It is illustrated that using Least-Squares Support Vector Machines with symmetry constraints improves the simulation performance, for the cases of time series generated from the Lorenz attractor, and multi-scroll attractors. Not only accurate forecasts are obtained, but also the forecast horizon for which these predictions are obtained is expanded. 1. Introduction In applied nonlinear time series analysis, the estimation of a nonlinear black-box model in order to produce accurate forecasts starting from a set of observations is common practice. Usually a time series model is estimated based on available data up to time t, and its final assessment is based on the simulation performance from t + 1 onwards. Due to the nature of time series generated by chaotic systems, where the series not only shows nonlinear behavior but also drastic regime changes due to local instability of attractors, this is a very challenging task. For this reason, chaotic time series have been used as benchmark in several time series competitions. The modelling of chaotic time series can be improved by exploiting some of its properties. If the true underlying system is symmetric, this information can be imposed to the model as prior knowledge , in which case it is possible to obtain better forecasts than those obtained with a general model . In this article, short term predictions for chaotic time series are generated using Least-Squares Support Vector Machines (LS-SVM) regression. We show that LS-SVM with symmetry constraints can produce accurate predictions. Not only accurate forecasts are obtained, but also the forecast horizon for which these predictions are obtained is expanded, when compared with the unconstrained LS-SVM formulation. This paper is structured as follows. Section 2 describes the LS-SVM technique for regression, and how symmetry can be imposed in a straightforward way.Section 3 describes the applications for the cases of the x?coordinate of the Lorenz attractor, and the data generated by a nonlinear transformation of multi-scroll attractors. 2. LS-SVM with Symmetry Constraints Least-Squares Support Vector Machines (LS-SVM) is a powerful nonlinear black-box regression method,which builds a linear model in the so-called feature space where the inputs have been transformed by means of a (possibly infinite dimensional) nonlinear mapping . This is converted to the dual space by means of the Mercer’s theorem and the use of a positive definite kernel, without computing explicitly the mapping. The LS-SVM formulation, solves a linear system in dual space under a least-squares cost function , where the sparseness property can be obtained by e.g. sequentially pruning the support value