基于机器学习的自适应光伏超短期出力预测模型

摘要：

由于当前国内对太阳辐射强度和云量信息的预报能力较低，气象数据的引入对光伏直接预测法的预测精度提高有限。为解决此问题，基于历史出力数据自身特征的挖掘来提高预测精度，提出一种具有自适应能力的光伏超短期出力预测模型。该模型首先利用已有历史出力数据的小波分析和特征分析结果训练支持向量机(support vector machine，SVM)分类器，通过已建立的SVM分类器利用前30 min的光伏出力数据预测之后15 min的出力曲线类型，最后结合曲线类型从自回归与滑动平均模型(auto-regressive and moving average model，ARMA)和神经网络模型(artificial neural network mode，ANN)中选取出合适的方法对光伏出力进行预测。对ARMA、ANN和自适应模型进行了对比实验，结果表明：所提的自适应预测模型在均方根误差(root mean square error，RMSE)、平均绝对百分比误差(mean absolute percentage error，MAPE)和希尔不等系数(Theil inequality coefficient，TIC)上性能最好。

关键词：自适应预测、自回归和滑动平均模型、神经网络、小波分析、超短期光伏出力预测

分类号：TM721(输配电工程、电力网及电力系统)

资助基金：北京邮电大学青年科研创新计划专项2013RC100。

在线出版日期：2015-03-30（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：307-311