一种基于ICSO-SVM模型的光伏发电功率预测方法与流程
技术特征：
1.一种基于icso-svm模型的光伏发电功率预测方法，包括如下步骤：
2.根据权利要求1所述的一种基于icso-svm模型的光伏发电功率预测方法，其特征在于，步骤s1中，获取原始数据并对数据进行预处理；原始数据集中可能存在因为数据采集设备或传感器异常导致的缺失值和异常值等不良数据，需要对数据进行预处理；在此基础上，对数据进行归一化处理，避免因量纲不同导致机器学习模型预测精度降低；所述步骤s1中数据预处理方法主要包括对缺失值的填充以及对异常数据的处理，采用em算法对缺失值进行填充，采用箱线图法对异常数据进行处理，具体包括：
3.根据权利要求1、2所述的一种基于icso-svm模型的光伏发电功率预测方法，其特征在于，步骤s1，进一步的，对数据进行归一化处理，避免因量纲不同导致机器学习模型预测精度降低；需要对数据进行归一化处理至[0,1]区间；采用min-max法对数据进行归一化，计算公式为：
4.根据权利要求1所述的一种基于icso-svm模型的光伏发电功率预测方法，其特征在于，所述步骤s2中，对原始特征进行相关性分析并剔除相关性系数较低的特征；光伏板出力情况主要受气象因子的变化影响，例如太阳辐照度、气温、湿度、气压等；为在众多气象因素中筛选出影响光伏出力的主要特征，减少关联性小的因素对结果的负面影响，需要先对气象因素进行相关性分析；
5.根据权利要求1所述的一种基于icso-svm模型的光伏发电功率预测方法，其特征在于，所述步骤s3中，对标准竞争粒子群算法进行改进；设种群大小为m，在解空间内随机地初始化种群，在每一次迭代过程中首先将种群随机均分为2组，两组粒子两两进行竞争比较，根据适应值的大小分别为胜利者(winner)与失败者(loser)，胜利者直接进入下一次迭代，失败者根据下式向胜利者学习并更新自身位置和速度；
6.根据权利要求1所述的一种基于icso-svm模型的光伏发电功率预测方法，其特征在于，所述步骤s4中，基于改进cso算法对svm的超参数进行寻优，建立icso-svm预测模型对光伏发电功率进行预测；
7.根据权利要求1所述的一种基于icso-svm模型的光伏发电功率预测方法，其特征在于，所述步骤s4，数据反归一化及模型预测效果评价；对预测得到的光伏发电功率数据进行反归一化处理，使其具有物理意义，计算公式为：
技术总结
本发明涉及一种基于ICSO‑SVM模型的光伏发电功率预测方法，包括如下内容：首先，获取某光伏电站历史发电数据和数值天气预报（NWP）数据，构成原始光伏发电预测数据集，随后对数据进行预处理；然后，采用斯皮尔曼相关系数法对特征进行相关性分析，并筛选与光伏发电功率相关性较大的特征作为模型训练的输入特征；为了进一步竞争粒子群（CSO）算法在对SVM超参数寻优过程中的搜索和收敛性能，对其进行改进；在此基础上，利用改进CSO算法（ICSO）对SVM的超参数进行寻优，从而构建ICSO‑SVM光伏发电功率预测模型；随后，将数据集按照8:2划分为训练集和测试集，利用训练集对预测模型进行充分训练，将测试集输入到训练好的最佳模型中进行光伏发电功率预测，并利用均方根误差（R<subgt;MSE</subgt;）、平均绝对百分比误差（M<subgt;APE</subgt;）对模型预测效果进行评价。通过实施例分析，验证所提方法的有效性和优越性。
技术研发人员：苗桂喜,李环召,元亮,张景超,王鑫,陈上吉,于昊正,朱全胜,席晟哲,郑晨,郑月松,崔哲芳,钟士华,杨磊,孙浩然,万迪明,马辉,薛飞,吴博,王振邦
受保护的技术使用者：国网河南省电力公司安阳供电公司
技术研发日：
技术公布日：2024/12/10
技术研发人员：苗桂喜,李环召,元亮,张景超,王鑫,陈上吉,于昊正,朱全胜,席晟哲,郑晨,郑月松,崔哲芳,钟士华,杨磊,孙浩然,万迪明,马辉,薛飞,吴博,王振邦
技术所有人：国网河南省电力公司安阳供电公司
备 注：该技术已申请专利，仅供学习研究，如用于商业用途，请联系技术所有人。
声 明 ：此信息收集于网络，如果你是此专利的发明人不想本网站收录此信息请联系我们，我们会在第一时间删除