基于數(shù)據(jù)挖掘的光伏發(fā)電預(yù)測

1、基于數(shù)據(jù)挖掘的光伏發(fā)電預(yù)測基于數(shù)據(jù)挖掘的光伏發(fā)電預(yù)測太陽能發(fā)電能夠有效緩解全球能源緊缺問題和傳統(tǒng)能源發(fā)電帶來的環(huán)境問題[1]。太陽能發(fā)電中涉及光伏發(fā)電量預(yù)測，尤其是短期預(yù)測，對光伏電站運(yùn)維具有重要意義。高精確度的發(fā)電量預(yù)測，能夠有效避開光伏電站發(fā)電高峰期，進(jìn)行電站的運(yùn)維、清洗、檢修等工作，同時(shí)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(fā)電量預(yù)測模型，旨在預(yù)測5分鐘超短期光伏發(fā)電量。預(yù)測一個光伏電站的發(fā)電量，可以幫助光伏業(yè)主避開發(fā)

2、電高產(chǎn)時(shí)段，選擇在發(fā)電量較低的時(shí)段進(jìn)行光伏電站維護(hù)和清洗，減少發(fā)電經(jīng)濟(jì)效益的損失。目前已經(jīng)運(yùn)用到光伏發(fā)電量預(yù)測中的方法有線性回歸[2]、神經(jīng)網(wǎng)絡(luò)[3]、支持向量機(jī)[4]等。聞科偉等[5]利用氣象部門提供的預(yù)報(bào)數(shù)據(jù)和小型光伏電站的歷史數(shù)據(jù)建立氣象相似度與發(fā)電量相似度的過渡函數(shù)，分別通過分析三狀態(tài)馬爾科夫鏈和五狀態(tài)馬爾科夫鏈對預(yù)測結(jié)果進(jìn)行修正。利用神經(jīng)網(wǎng)絡(luò)方法進(jìn)行光伏發(fā)電預(yù)測方法。仿真結(jié)果具有較高的預(yù)測精度、實(shí)用性和良好的預(yù)測跟蹤性能。盧冬

3、冬等[6]利用光伏發(fā)電系統(tǒng)歷史發(fā)電數(shù)據(jù)、太陽輻照度數(shù)據(jù)和氣象數(shù)據(jù)建立了多元多項(xiàng)式回歸模型，對相同天氣類型下的輻照度進(jìn)行算術(shù)平均并代入多元多項(xiàng)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(yù)測模型。通過平均絕對百分比誤差對模型進(jìn)行評估，該預(yù)測模型的精度較高，具有一定的可靠性。李洪珠等[7]數(shù)。分別表示為：基于高斯柯西變異算子的量子粒子群（GCQPSO）優(yōu)化最小二乘支持向量機(jī)的具體步驟如下：⑴初始化粒子群，隨機(jī)產(chǎn)生每個粒子的位置；

4、⑵計(jì)算每個粒子的適應(yīng)度值f（Xi），如果小于個體最優(yōu)位置的適應(yīng)度值f（Pi），則更新個體最優(yōu)位置為Pi=Xi；⑶更新全局最優(yōu)位置，若個體最優(yōu)位置適應(yīng)度值低于全局最優(yōu)位置，則更新gBeat=pBeat；⑷計(jì)算平均最優(yōu)位置mBest；⑸對gBest和mBest進(jìn)行高斯柯西算子變異；⑹更新每個粒子的位置；⑺判斷是否滿足停止條件。其中，適應(yīng)度函數(shù)設(shè)為均方根誤差公式：⑼3實(shí)驗(yàn)設(shè)計(jì)3.1數(shù)據(jù)集獲取及特征的選取本實(shí)驗(yàn)的數(shù)據(jù)集為電站真實(shí)數(shù)據(jù)。樣本來源于