Page 60 - 电力与能源2023年第二期

154 许鸣吉，等：基于 PSO-SVR 模型的光伏功率预测研究

=0.9；ω min=0.5；φ =1；K max=500；SVR 的 参 数 可以看出当日午前天气为晴天，午后转为多云天
σ
ε
10
-10
（C，，）的搜索范围设置为［1 ，1 ］区间。 气。PSO-SVR 方法较 BP 神经网络方法和常规
3.2 评价指标 SVR 方法，能更好地跟踪实测曲线，SVR 方法次
为了避免气象变量的数量级差异而造成的模 之，BP 方法较弱。本文所提方法对光伏功率的预
型误差，对输入量 X 作归一化处理： 测结果更接近于实测值，误差更小，能提前反映出
当天的光伏功率水平。
X i - X min
X = （13）
X max - X min
为考察本文所提方法对光伏功率的预测精
度，选择平均绝对误差 R MAE、平均相对误差 R MRE、

均方根误差 R RMSE 和决定系数 R 等 4 个指标对模
2
型预测精度进行评价，分别表示如下：
1 n
R MAE = ∑| y i - y | （14）
n i = 1
n | | | y i - y | | |
1
R MRE = ∑| | | |× 100% （15）
n i = 1| y |
ê ê é 1 n 2 ù ú ú ) ú ú 图 6 3 种方法下的光伏日功率预测曲线与实测曲线
R RMSE = ê ê ∑( y i - y û （16） 3 种方法下预测值与实测值的相对误差曲线
n
ë
i = 1
( n ∑ yy i - ∑ ∑ y i ) 2 如图 7 所示。由图 7 可见，PSO-SVR 方法在傍晚
n
n
n
y
2
R = i = 1 i = 1 i = 1 （17） 时误差稍有增大，总体预测水平较实测值相对误
é ê ê n ( ) 2 ù é ê n ( ) 2 ù ú ú 差较小，SVR 方法其次，BP 神经网络方法的相对
ú ú ê
n
n
ê
ê ên ∑ y - ∑ y ú ú ên ∑ y i - ∑ y i ú ú
2
2
ê ê
ê ê
ë i = 1 i = 1 û ë i = 1 i = 1 û 误差较大。
3.3 结果分析
σ
ε
运用 PSO 对 SVR 的参数（C，，）进行寻优，迭
代曲线如图 5所示。由图 5可见，初始最佳适应度较
低，为 66.75%；在迭代至第 295 次时，良好收敛于
σ
ε
76.25%，此时最优的（C，，）为（3.67，.000 4，.26）。
0
1
图 7 3 种方法下预测值与实测值的相对误差曲线
3 种方法的 4 个评价指标对比结果如表 3 所
示。由表 3 可见，BP 神经网络方法由于神经网络
参数多，训练时难以保证鲁棒性，容易产生过拟合
现象。SVR 方法与 BP 神经网络方法相比，R MAE，
图 5 PSO-SVR 方法迭代曲线 R MRE 和 R 指 标 都 较 出 色 ，说 明 鲁 棒 性 和 精 度 较
2
为验证本文所提方法对光伏功率的预测精 高。PSO-SVR 方法的 4 个评价指标均为最佳，较
度，将该方法与 BP 神经网络方法和常规 SVR 方 SVR 方 法 分 别 改 善 了 24.12%，39.60%，25.00%
法进行对比。3 种方法下的光伏日功率预测曲线 和 4.65%，可见运用 PSO 算法对 SVR 的参数（C，
与实测曲线如图 6 所示。由图 6 可见，从实测曲线 ε，σ）进 行 优 选 ，能 明 显 增 强 SVR 方 法 的 预 测 精