在上述回歸模型中加入適當的相似度λi，用來控制誤差項方差不同所造成的影 響，同時引入松弛變量和懲罰系數C，則函數擬合問題可描述為求解如下：
[0082] 約束最優(yōu)化問題
[0083] 約束條件?
[0084] 其中Φ(χ)是核空間映射函數，w是權值向量，b為偏置。
[0085] 通過Lagrange乘子法求解上述具有線性不等式約束的二次規(guī)劃問題，得到相應 的對偶問題模型：
[0086]
[0087]
[0088] 引入高斯基RBF核函數K(Xl，x)，采用粒子群算法來確定參數值C、δ和ε，可以 解出α占α丨的值，求得非線性回歸函數：
[0089]
[0090]根據ΚΚΤ條件有：ε -yi+f(Χι)彡〇(〇〈a 'C λ J和ε -yi+f(Χι)彡〇(0 < < < CVy
[0091] 可以根據兩式求得b的值，在確定回歸函數表達式后，輻照度預測值就可以通過 訓練好的向量％和新增樣本x1+1計算得到待預測時間段內天氣的輻照度，表達式如 下：
[0092] ?=\
[0093] 其中，給定的訓練樣本為：yj(i= 1，2,…1j= 1，2, ···]!)，以為η維 輸入向量，y#R為目標輸出，1為訓練樣本數；b為偏置，Κ(χ1+1，χ)為核函數，本文采用高 斯基核函數
為Lagrange乘子。
[0094] 本發(fā)明采用熵權法對訓練樣本集進行加權處理，然后利用加權支持向量機建立預 測模型，作為其他實施方式也可以采用其他的模式識別方法建立預測模型，并預測待測時 間段內天氣的輻照度值。
[0095] 在本發(fā)明給出的思路下，采用對本領域技術人員而言容易想到的方式對上述實施 例中的技術手段進行變換、替換、修改，并且起到的作用與本發(fā)明中的相應技術手段基本相 同、實現的發(fā)明目的也基本相同，這樣形成的技術方案是對上述實施例進行微調形成的，這 種技術方案仍落入本發(fā)明的保護范圍內。
【主權項】
1. 一種光伏電站福照度預測方法，其特征在于，步驟如下： 步驟1，獲取光伏電站所在地區(qū)的歷史福照度數據，并代入到所建立的福照度模型中， 計算得到光伏發(fā)電站所在地區(qū)的理論福照度值；根據理論福照度值，對采集的歷史福照數 據進行優(yōu)化，進而得到福照度的原始數據值Xi(t)(i= 1，2,…，m)，其中，m為數據集數目； 步驟2,選取原始數據Xi(t)的氣象特征向量Vi,并對Vi進行歸一化處理得到V1,;然后 根據不同天氣類型的福照度的差異，根據標準差建立類別目標價值函數，并結合歐式距離 將天氣類型相同的原始數據組成具有高度相似特征的聚類數據子集，所得到的數據子集作 為樣本數據； 步驟3,建立光伏電站所在地的福照度預測模型，確定該預測模型的輸入和輸出參數， 根據輸入參數的影響因素不同，對每個樣本數據設定權值，形成新的加權樣本集； 步驟4,選取與待測天氣類型相同的加權樣本集作為訓練樣本集，將所述的訓練樣本集 代入到福照度預測模型，進而得出待預測時間段內天氣的福照度。2. 根據權利要求1所述的一種光伏電站福照度預測方法，其特征在于，步驟1中所述的 福照度模型為：其中，E為地外福照度值；Ew為太陽常數，取值為1367W/m2;(re/r)2為日地距離修正系 數；O為太陽赤締角；Et為時差；0為日角；N為積日；AN為積日的訂正值；Y為年份；INT 為取括號內數字的整數部分；T為該點所求時刻的太陽時角；Sd是該點的地方時；^^為該 點的地理締度；丫為該點的地理經度；S是該點地方標準時的小時數；F是該點地方標準時 的分鐘數。3. 根據權利要求1所述的一種光伏電站福照度預測方法，其特征在于，步驟1中通 過理論福照度值采集的歷史福照數據進行優(yōu)化為：從歷史福照度數據庫中選取每日從從 早6點到晚6點之間的福照度數據組成連續(xù)的時間序列X(t)，若X(t)中的數據不滿足 0《X(t)《E(t)，即定位該數據異常并刪除該數據所對應當日的所有數據；若X(t)中存在 遺失的數據，則利用線性差值的算法補全該遺失的數據，其中，E(t)為t時刻該光伏電站所 在地區(qū)的地外福照度理論值。4. 根據權利要求1所述的一種光伏電站福照度預測方法，其特征在于，步驟2中所述的 類別目標價值函數的表達式S1為：其中，SI表示第i類的標準差，也即為類別目標價值函數值；聚類個數為k，則k個類別用T,(j=1，2,…，k)表示，|T,|是類別T,中所包含數據對象的個數；為同一類別數據對象的質屯、；Vi表示原始數據Xi(t)中的氣象 特征向量，d(Vi，c(T,))表示Vi與c(T,)的歐式距離值。5. 根據權利要求1所述的一種光伏電站福照度預測方法，其特征在于，步驟2中所述 的氣象特征向量Vi= [Thi，lu，Tai，tii，t2i，Hhi，Hii，Hai，t3i，t4i，Pi，Wi];其中，Tm,Tii,Tai分別 為第i日大氣最高溫度、最低溫度、平均溫度；分別為第i日最高、最低氣溫出現的時 刻化1，恥，山分別為第1日相對濕度的最高、最低、平均值；*31，*41分別為第1日相對濕度 的最高、最低出現時刻；Pi,Wi分別為第i日平均氣壓、平均風速。6. 根據權利要求1或5所述的一種光伏電站福照度預測方法，其特征在于，步驟2中所 述的歐式距離表達式為：其中，Va= (Val，Va2,…，Van)，Vb= (Vbl，Vb^…VJ，分別表示兩個氣象特征向量，n為氣象特征向量的維數。7.根據權利要求1所述的一種光伏電站福照度預測方法，其特征在于，步驟3中所述的 輸入參數為：從待預測日所在數據聚類中選出前7天同一時間段的福照度均值及方差、前 一日該時間段前后2個時間段的均值及方差、前一日的平均氣壓、平均風速、平均氣溫、相 對濕度及當天積日共23維變量；所述的輸出參數為：待預測時間段內天氣的福照度。8. 根據權利要求1所述的一種光伏電站福照度預測方法，其特征在于，步驟3中采用賭 權法計算設定權值，首先計算影響因素的賭值為：其中，E,為第j個影響因素的賭值；P1,為輸入參數的影響因素的出現概率；K= 1/1皿；m為樣本數據數目； 根據所得的賭值，計算影響因素的權值為：其中，D，為第j個影響因素的權值；則樣本數據的權值為與其對應的影響因素的權值。9.根據權利要求1所述的一種光伏電站福照度預測方法，其特征在于，所述的步驟4中 利用加權相似度選取與待測天氣類型相同的加權樣本集作為訓練樣本集，該加權相似度表 達式如下：其中，D，為j個影響因素的權值，rU為所述的樣本數據，r。為將要預測時刻的歸一化 數據；n為輸入參數中影響因素的個數； 將得到相似度Ai按從大到小來排序，選取排在前面的1個作為訓練樣集。10.根據權利要求1所述的一種光伏電站福照度預測方法，其特征在于，所述的步驟4 中利用支持向量機建立預測模型計算待預測時間段內天氣的福照度，表達式如下：其中，給定的訓練樣本為：Ix。，y;}(i= 1，2,…1j= 1，2,???]!)，XyGR"為n維輸入 向量，yiGR為目標輸出，1為訓練樣本數；b為偏置，k(xW，X)為核函數，本文采用高斯基 核函數：ai,-揉,!為Lagrange乘子。
【專利摘要】本發(fā)明涉及一種光伏電站輻照度預測方法，通過獲取光伏電站所在地區(qū)的歷史輻照度數據，代入到所建立的輻照度模型中，獲得輻照度的原始數據。利用歐式距離和所建立的類別目標價值函數，將天氣類型相同的原始數據組成具有高度相似特征的聚類數據子集，并將其作為樣本數據。建立光伏電站所在地的輻照度預測模型，從樣本數據中選取訓練樣本集并代入到輻照度預測模型，進而得出待預測時間段內天氣的輻照度。本發(fā)明充分考慮天氣的各種影響因素并分為多種類別，從而能夠更好地擬合預測日的天氣情況，大幅度提高了所預測輻照度的準確性。
【IPC分類】G06Q50/06, G06Q10/04
【公開號】CN105373857
【申請?zhí)枴緾N201510843259
【發(fā)明人】陶潁軍, 孔波利, 崔麗艷, 沈志廣, 李現偉, 樊鵬, 吳雙惠, 唐宇, 陳斌, 張秀娟, 段太鋼, 高建琨, 胡葉賓, 李燕, 熊焰
【申請人】許昌許繼軟件技術有限公司, 許繼電氣股份有限公司, 許繼集團有限公司, 國家電網公司
【公開日】2016年3月2日
【申請日】2015年11月27日