Page 61 - 电力与能源2023年第二期
P. 61

许鸣吉，等：基于 PSO-SVR 模型的光伏功率预测研究                                  155

                度，有助于减小预测误差，验证了本文所提方法的                           比，验证了本文所提方法能较好地跟踪光伏功率
                有效性。                                             实测曲线，为电网调度工作开展提供理论依据。
                          表 3 3 种方法的评价指标对比                       参考文献：
                   预测方法      R MAE  R MRE /%  R RMSE   R 2      ［1］  谭显东，刘    俊，徐志成，等 .“双碳”目标下“十四五”电力
                     BP       8.65    5.16     0.68    0.85          供需形势［J］ 中国电力，2021，54（5）：1-6.
                                                                              .
                    SVR       7.96    4.52     0.72    0.86
                                                                ［2］  曾  鸣，王永利，张    硕，等 .“十四五”能源规划与“30·60”
                  PSO‑SVR     6.04    2.73     0.54    0.90
                                                                     双碳目标实现过程中的 12 个关键问题［J］ 中国电力企业
                                                                                                  .
                    为验证本文所提方法对不同天气类型的通用                              管理，2021（1）：41-43.
                                                                ［3］  许鸣吉，沈    磊，李   胜，等 . 计及综合因素的光伏接入配
                性，分别对晴天、多云和雨天等 3 种天气类型下的
                                                                                 .
                                                                     电网优选研究［J］ 电力工程技术，2021，40（2）：46-52.
                光伏功率进行预测。不同天气类型下预测值与实                           ［4］  李安寿，陈    琦，王子才，等 . 光伏发电系统功率预测方法
                测值的相对误差曲线如图 8 所示。由图 8 可见，在                           综述［J］ 电气传动，2016，46（6）：93-96.
                                                                          .
                                                                ［5］  龚莺飞，鲁宗相，乔      颖，等 . 光伏功率预测技术［J］ 电力
                                                                                                        .
                晴天时，由于气象特征相似度较高，预测误差基本
                                                                     系统自动化，2016，40（4）：140-151.

                可以控制在 5% 左右；在雨天时，由于气象因素变                        ［6］  王守相，张    娜 . 基于灰色神经网络组合模型的光伏短期
                化的不确定性，预测误差出现波动，由于本文所提                               出力预测［J］ 电力系统自动化，2012，36（19）：37-41.
                                                                              .
                                                                ［7］  高  阳，张碧玲，毛京丽，等 . 基于机器学习的自适应光伏
                方法具有一定的鲁棒性，误差基本能控制在 10%
                                                                                      .
                                                                     超短期出力预测模型［J］ 电网技术，2015，39（2）：307-311.
                之内。因此，除天气变化较为频繁时，本文所提方
                                                                ［8］  陈昌松，段善旭，殷进军 . 基于神经网络的光伏阵列发电预
                法能够较好地预测当天的光伏功率，可以为电网                                测模型的设计［J］ 电工技术学报，2009，24（9）：153-158.
                                                                                 .
                调度工作开展提供理论依据。                                   ［9］  朱永强，田    军 . 最小二乘支持向量机在光伏功率预测中
                                                                     的应用［J］ 电网技术，2011， 35（7） ：54-59.
                                                                            .
                                                                ［10］ 丁  明，刘   志，毕  锐，等 . 基于灰色系统校正-小波神经
                                                                     网 络 的 光 伏 功 率 预 测［J］ 电 网 技 术 ，2015，39（9）：2438-
                                                                                       .
                                                                     2443.
                                                                ［11］ 贾鹏云 . 基于深度学习算法的短期光伏发电功率预测研究
                                                                        .
                                                                    ［D］ 北京：华北电力大学，2021.
                                                                ［12］ 王  涓，吴旭鸣，王爱凤 . 应用皮尔逊相关系数算法查找异
                                                                                 .
                                                                     常电能表用户［J］ 电力需求侧管理，2014，16（2）：52-54.
                                                                ［13］ 肖  勇，赵   云，涂治东，等 . 基于改进的皮尔逊相关系数
                                                                     的低压配电网拓扑结构校验方法［J］ 电力系统保护与控
                                                                                              .
                                                                     制，2019，47（11）：37-43.
                                                                ［14］ 卜凡鹏，陈俊艺，张琪祁，等 . 一种基于双层迭代聚类分析
                   图 8 不同天气类型下预测值与实测值的相对误差曲线
                                                                     的负荷模式可控精细化识别方法［J］ 电网技术，2018，42
                                                                                               .
                                                                    （3）：903-913.
                4 结语
                                                                ［15］ 张学工 . 关 于 统 计 学 习 理 论 与 支 持 向 量 机［J］ 自 动 化 学
                                                                                                     .
                                                                     报，2000（1）：36-46.
                   “十四五”期间，华东电网预计新增 1 亿 kW 光
                                                                ［16］ 杜树新，吴铁军 . 用于回归估计的支持向量机方法［J］ 系
                                                                                                          .
                伏及风电装机量。以光伏为代表的新能源具有随
                                                                     统仿真学报，2003（11）：1580-1585，1633.
                机性、波动性和间歇性，因此需开展光伏功率预测                          ［17］ 奉国和 .SVM 分类核函数及参数选择比较［J］ 计算机工程
                                                                                                    .
                研究。本文首先分析季节类型、天气类型和气象                                与应用，2011，47（3）：123-124，128.
                                                                ［18］ 郦于杰，梁忠民，唐甜甜 . 基于支持向量回归机的长期径流
                要素等因素对光伏功率的影响，对历史数据进行
                                                                                      .
                                                                     预报及不确定性分析［J］ 南水北调与水利科技，2018，16
                分 类 ，选 择 合 适 的 特 征 作 为 训 练 集 ；其 次 ，设 计              （3）：45-50.
                                              ε
                PSO 算法对 SVR 模型的参数（C，，σ）进行寻优，                    ［19］ 王  迁，杨明祥，雷晓辉，等 . 基于 PSO-SVR 的丹江口年径
                                                                            .
                建 立 了 基 于 PSO-SVR 方 法 的 光 伏 功 率 预 测 模                流预报［J］ 南水北调与水利科技，2018，16（3）：65-71.
                                                                ［20］ 肖晓伟，肖    迪，林锦国，等 . 多目标优化问题的研究概述
                型；最后，通过实际案例，选择 BP 神经网络、SVR
                                                                       .
                                                                    ［J］ 计算机应用研究，2011，28（3）：805-808，827.
                和 PSO-SVR 等 方 法 进 行 光 伏 功 率 预 测 并 作 对           ［21］ 许鸣吉，沈    磊，李   胜，等 . 考虑供给侧和需求侧的公交
   56   57   58   59   60   61   62   63   64   65   66