Page 59 - 电力与能源2023年第二期

许鸣吉，等：基于 PSO-SVR 模型的光伏功率预测研究 153
-
n ——第 i 个粒子的适应度；——种群平均适应度；
f
*
f ( x )= ∑ ( α i - α i ) K ( x，x')+ b （8）
i = 1 f g——种群最佳适应度。
2.2 参数对 SVR 模型预测精度的影响
2.4 PSO-SVR 光伏功率预测模型
SVR 模型可进一步抽象表示为：
基于 PSO-SVR 方法的光伏功率预测模型的
σ
ε
y=f（x|C，，） （9）
预测过程主要包括参数优化和样本训练阶段。图
式中：C——惩罚系数；ε——不敏感损失系数；σ
4 所示为 PSO-SVR 光伏功率预测模型进行预测
——尺度参数。
的具体步骤。
C 取值越小，表示对风险的惩罚减小，风险值增
（1）对输出量和输入量进行归一化和标准化
大，回归函数曲线越平滑，模型的复杂度减小 ［18］ ；C
预处理，划分为训练集和测试集；
取值越大，训练和测试产生的误差都会减小。
ε
（2）确定参数（C，，σ）搜索范围，初始化 PSO
ε 取值越小，表示回归函数精度增强，模型的
各参数；
ε
复杂度增加 ［19］ ；取值越大，表示支持向量的个数
（3）计算各粒子的适应度，寻找个体最优值和
减少，模型的拟合效果减弱。
全局最优值，更新各粒子的速度和位置；
σ 取值越小，表示模型对训练集的拟合效果增
（4）判断迭代是否满足终止条件，若是，转下
σ
强，对测试集的预测效果增强； 取值越大，表示模
一步；若否，转上一步；
型对训练集的拟合效果减弱，对测试集的预测效
ε
（5）输入最优参数（C，，σ）进入 SVR 模型，输
果也同样减弱。
入训练集样本对模型进行训练；
考虑上述分析，运用PSO算法对SVR模型的参
（6）输入测试集样本进入 SVR 模型，输出测
ε
σ
数（C，，）进行优选，用以提高模型的预测精度。
试结果。
2.3 PSO 算法的基本原理
作为智能算法之一，PSO 算法模拟自然界中
鸟 类 觅 食 行 为 ，广 泛 应 用 于 求 解 多 目 标 优 化 问
题 ［20］ 。在 PSO 的种群规模中，初始化产生每个合
法的粒子 x i，t，参数（C，ε，σ）的位置对应速度 v i，t。
粒子根据如下两个公式分别进行速度和位置的
更新 ［21］ ：
k+1 k k k k k
v i，t = ωv i， + c 1ξ （ p i， - x i， ） + c 2μ （ p g， - x i，）
t
t
t
t
t
（10）
k+1 k k+1
x i，t = x i， + φv i， t （11）
t
k
式中 p i，t ——t 时刻第 i 个粒子第 k 代的个体最优
k
位置；p g，t ——t 时刻粒子群第 k 代的全局最优位
置 ；ω —— 自 适 应 权 重 ；c 1，c 2—— 认 知 系 数 ；ξ，μ 图 4 PSO-SVR 光伏功率预测模型进行预测的具体步骤
——［0，1］区间内均匀分布的随机数；φ——约束
3 案例分析
因子。
自适应权重 ω 能平衡粒子的全局和局部寻优 3.1 案例描述
能力 ［22］ ： 选择上海市北电网罗泾灰场光伏电站为案例
进行分析，罗泾灰场光伏电站的样本数据来源于
ω max - ω min
ω = ω max - - （12）
| | | f i - f | | | 市北地调 D5000 系统，上海宝山地区的气象数据
1 + exp| | | | | | | | -
| f g - | f 来源于中国气象局门户网站发布的官方历史数
c
式 中 ω max—— 最 大 权 重 ；ω min—— 最 小 权 重 ；f i 据。设置 PSO 中 popsize 为 100； 1=1；c 2=1；ω max