【摘要】为提供微网经济运行与优化控制所需的光伏微源功率信息，为减少光伏微源的 波动对电网的影响，文中建立了数据挖掘技术和支持向量机相结合的光伏微源功率预测 模型。根据光伏微源出力与太阳辐照强度、环境温度、云量等因素密切相关的特点，引 入数据挖掘技术，通过日类型模糊分类器与灰色相关度分析法对大量历史数据进行处 理，消除冗余信息；建立支持向量机预测模型，实现了与数据挖掘信息的对接。基于某 地小型光伏电站实测数据进行功率预测，实例表明该预测模型预测速度快，预测精度较 高。 【关键词】微网；光伏；功率预测；数据挖掘；支持向量机
1 引言
太阳能是无污染、可再生的清洁能源，安 装方便并可普遍推广，因此得到国内外大力推 崇[1]。但光伏发电具有波动性和间歇性的缺点， 大规模光伏电站并网会影响电力系统的安全稳 定，为了减少对大电网的冲击，系统往往采取 限制与隔离的方式来处置光伏站点，如： IEEE1547 规定：当电力系统发生故障时DG（分 布式能源主要指光伏和风电）必须马上退出运 行，大大限制了光伏发电系统效能的充分发挥 [2,3]。在本世纪初，众多学者提出了微网 (Microgrid)的概念，微电网将发电、负荷、储能 装置及控制装置等结合，形成一个单一可控的
单元，同时向用户供给电能和热能[4]。微网中发 电装置包括光伏微源在内的分布式能源，这样 不仅解决了 DG 高渗透率并网问题，还充分发 挥了 DG 为用户和电网所带来的潜在价值和经 济效益。微网作为大电网的有效补充与 DG 的 有效利用形式，受到世界各国越来越多的关注 和支持，微网的发展潜力无疑是巨大的。 功率预测从时间尺度上可以分为超短期 功率预测和短期功率预测。超短期功率预测的 时间尺度为 30min~6h，短期功率预测的时间 尺度一般为 1~2d[8]，由于光伏发电时段的特殊 性，根据本文实例将预测时段选为 9:00 到 18:00，预测时间尺度 30min，一天共计 19 个
预测点。 目前微网研究热点集中于：微网控制策略 [5]、微网经济运行[6]、微网孤网判据[7]等方面。 目前对微网内不可控微源的功率预测研究较 少，但其重要作用是不能被忽视的。微网中光 伏微源容量小，对预测准确度提出了更高要 求；同时超短期预测，对预测速度有较高的要 求。为解决上述问题本文提出了数据挖掘技术 与支持向量机（SVM）结合的方法对微网中光 伏功率进行超短期预测。 2 微网中光伏发电系统 2.1 光伏微源的基本结构
微网是由负荷和多种微型电源共同组成 的系统，它可同时提供电能和热量；内部微源 主要由电力电子器件负责能量的转换，并提供 必需的控制；微电网相对于外部大电网表现为 单一的受控单元，并可同时满足用户对电能质 量和供电安全等的要求。光伏微源是微网中一 种间歇性微源，光伏微源基本结构如图 1 所 示。
Figure 1.The basic structure of PV in Microgrid 图 1. 光伏微源基本结构
光伏微源与并网光伏电站不同：光伏微源 容量一般较小，一般为几兆瓦至几十兆瓦；光 伏微源出力受到微网控制策略的约束，为了达 到微网的经济运行，光伏微源在微网中一般都 满发状态；微网中光伏微源与燃料电池、超级 电容等储能装置结合紧密，并网运行时能量高 效平稳，孤岛运行时充分利用储能系统的快速 充放电功能，可持续可靠地对微网内重要用户 供能[9]。
2.2 光伏微源的环境影响因素
影响光伏微源功率的环境因素很多，如微 网所在经纬度、海拔高度，当地太阳高度角、 大气透明度、大气压、温度、湿度、日照时间 等。对某地区光伏微源而言，可归纳总结为三 个主要影响因素： 光照强度对光伏微源的影响 光伏微源功率与光照强度基本成正比。研 究 表 明 在 温 度 固 定 的 条 件 下 ， 光 强 在
100~1000W/m2 范围内，光电流始终随光强的 增长而线性增长，光照强度与光伏组件的光电 流成正比关系；当光照强度在 400~1000W/m2 范围内变化，光伏组件的开路电压基本保持恒 定，光照强度对光电压的影响很小。 云量对光伏微源的影响 云量对太阳辐射具有较强的削弱作用，云 量较大时将减少光伏微源的输出功率。云量是 表征天空遮蔽程度的气象因子，云量值越大， 表示大气的透明度越低，太阳辐射被削弱的越 多；云量很小，表示大气透明度高，到达地面 的太阳辐射就多。天空中风沙、灰尘和云雾都 是影响云量的重要指标，对于干燥地区，削弱 太阳直接辐射的主要因子是悬浮在大气中的 固体微粒；而对于湿润地区，直接辐射的削弱 主要与大气中的水汽和气溶胶中的液态微粒 有关。 温度对光伏微源的影响 当温度变化时，光伏微源的输出功率将发
V
光伏电 池组
升压电 路
电压型逆 变器
L-C滤波器 交流母 线
微网公 共母线蓄电池
生变化。对一般的晶体硅光伏电池来说，随着 温度的升高，短路电流会略有上升，而开路电 压要下降且下降较多，因此总的输出功率要下 降。在规定的试验条件下，温度每变化 1℃， 光伏电池输出功率的变化值称为功率温度系 数，通常用攘表示。对于一般的晶体硅光伏电 池，温度每上升 1℃，攘下降0.35~0.5个百分 点。 3 数据挖掘与支持向量机预测
光伏功率预测方法一般分为物理方法和 统计方法。物理方法的不需要历史运行数据， 光伏电站投产就可以进行预测，但是需要光伏 电站详细的地形图、光伏电站布置坐标和光伏 电站功率曲线等数据。统计方法基于光伏电站 历史运行数据，对光伏电站具体布置资料没有 要求，并且程序简明。本文数据挖掘与支持向 量机结合预测方法属于统计学方法。
3.1 数据挖掘处理模型
数据挖掘技术指使用模式识别技术、统计 和数学技术，在大量的数据中发现有意义的新 关系、模式和趋势的过程，也就是从海量数据 中挖掘出可能有潜在价值的信息技术[10]。充分 考虑光伏微源功率影响因素和近邻相关度特 点，对已有的数据样本进行数据挖掘。 1) 日类型模糊分类器 光伏功率受光照强度、云量和温度主要因 素影响，设日类型用 Y 表示，其包含指标： 最高光照强度、平均光照强度、最高气温、平 均气温、云量。用 X1、X2、X3、X4、X5分别 代表最高光照强度、平均光照强度、最高气温、 平均气温、云量，得 Y={X1、X2、X3、X4、 X5}。由于各地光照强度、气温和云量的低、 中、高标准不同，因此可按本地区的实际情况 制定一个模糊化标准，将指标的低、中、高， 分别取值 1、2、3。各类指标模糊值选定后， 当日的日类型也初步确定。如某日 Yn={2、2、 2、1、3}代表该日最高光照强度、平均光照强 度和最高气温为该地区中等水平，平均气温相 对较低，云量较大。 将每日光伏微源功率曲线和当日的日类 型输入数据库，形成历史数据。根据气象预报 得到预测日日类型，如该日日类型为 Y={2、 2、 2、1、3}，则从历史数据库中反向抽取该日类 型的所有功率曲线，形成一个同日类型模糊分
类库，这个库中的所有日类型都为{2、2、2、 1、3}。 2) 灰色相关度分析法精选样本数 据 灰色相关分析法是一种分析系统中各因 素关联程度的方法，其基本思想是根据曲线间 相似程度来判断相关程度。采用该方法在已形 成的同日类型模糊分类库中，选取与预测日最 相关的若干日期，以这些日期的功率信息作为 SVM 模型的输入数据。灰色相关度分析法步 骤如下： ○ 1 构造序列矩阵。利用预测日的同日类 型模糊分类库中每天的气象特征构造序列矩 阵。预测日气象预报相关指标准确值为：最高 光照强度 1031W/m2；平均光照强度 341W/m2； 最高气温 34℃；平均气温 19℃；云量 0.5，预 测日气象特征（用 Q0 表示）为：Q0=[1031、 341、34、19、0.5]T。同理，同日类型模糊分 类库中每日的气象特征为 Q1、Q2、Q3…Qn。 这 n+1 个序列构成序列矩阵表示如下：
○ 2 无量纲化处理。由于各因素有不同的 计量单位，因而原始数据存在量纲和数量级上 的差异，不同的量纲和数量级不便于比较。在 计算关联度之前，通常要对原始数据进行无量 纲化处理。考虑指标数值差距较大，本文采用 极值处理法进行无量纲化：
式中 i=0,1,2,…n；j=1,2,3,4,5。无量纲化处 理后矩阵如下：
○ 3 相关度计算。计算公式（3）中 与 相似系数，计算公式如下：
式中 i=1,2,…n；j=1,2,3,4,5。是分辨系数， ，通常 取 0.5。得到关联系数矩阵如 下：
由公式（5）计算 与 的相关度，公式 如下：
○ 4 确定微源功率预测所需历史序列 根据预测日气象特征 与同日类型模糊 分类库每日气象特征序列[ ]相比较，得出相 关度 ，按照相关度从大到小的顺序排列，取 前 6 组序列，并将这 6 组序列按时间顺序排列
作为 SVM 预测的样本数据。
3.2 支持向量回归预测模型
支持向量机(SVM)方法基于结构风险最 小化原则，可提高学习机的泛化能力；此外 SVM 算法是一个凸二次优化问题，能够保证 找到的极值解也就是全局最优解。它在解决小 样本、非线性及高维模式识别中表现出许多特 有的优势[11]。 用 SVM 处理回归问题，基本思想是通过 一个非线性映射 ，把输入空间的数据 x 映射 到一个高维特征空间中去，然后在这一高维空 间中作线性回归，也称之为 SVR（Support Vector Regression）。如给定样本容量{xi, yi}( i=1, 2 n),n 为样本容量； xi为输入向量； yi 为目标函数输出数据。高维特征空间内函数 f：
式中：w 为权值向量；b 为常数。对每一 个样本 和 yi 的差值都很小，则 能从 x 准确地预测 y。寻找最优函数 需要，满足下面公式：
其中 ，用来表示 SVM 预测值与实际 值最大的差距。由于噪声、误差等原因，在 选 定合理状态下，有一些样本点会落到 之外， 需要引入松弛变量 和惩罚因子 C，处 理该问题，公式（8）做如下修改：
上面公式实质是一个凸集二次规划问题。 引入拉格朗日乘子 ，并引入核函数，公 式（7）改写成系数为 的函数：
式中 。
2
为核函数，一般有多项式核函 数、径向基（RBF）核函数等，式（11）为本 文所选核函数，RBF 核函数。 4 数据挖掘与 SVM 结合预测步骤
数据挖掘技术通过发现数据间的关系，去 除掉数据中的冗余信息，从而大大简化输入信 息的数据空间位数；SVM 具有较好的噪声干 扰抑制能力，且具有良好的泛化能力。两者结 合可以提高运算速度和准确性。预测流程如
下： 1）整理历史数据，得出样本数据。对统 计的历史数据通过本文提到的数据挖掘技术， 形成具有高相似性气象特征的样本数据。 2）样本数据处理，得到输入格式。将样 本数据中与预测时刻点相同的数据作为 SVM 中的 yi值， x i 值为对应时刻点前 4 个时段的功 率值，并作归一化处理，形成[yi, x i ]格式。 3）对 SVM 计算模型参数初始化。将拉格 朗日乘子 和阈值 b 赋予初始值。 4）输入[yi, x i ]样本数据，采用 SVM 计算 工具优化 和 b。 5）将预测数据整理为[ , x ]格式，输入 SVM 模型中，得到预测值 y。
Figure 2. The prediction procedure of PV output 图 2 光伏微源功率预测流程图
5 实例分析
根据微网中光伏微源的特点，选择与其特 性相似的某小型光伏变电站，采用该站实测数 据进行分析。以 2012 年 1 月共计 31 天数据作 为历史数据，对 2012 年 2 月 1 号全天 19 个预 测点进行功率预测。 根据 2 月 1 号的气象预报，该气象日类型 为 y=[3,3,1,1,1]，形成同日类型模糊分类库， 采用灰色相关度分析法确定样本数据日期及 整点功率值如下表 1 所示。
Table 1. The power of integral point in sample data(MW) 表 1 样本数据日期及整点功率值（MW）
开始
结束
数据挖掘
样本数据处理
SVM预测模型初始化
输入训练数据，确定参数
输入预测数据，得预测值
h 0 h
1 h
2 h
3 h
日
. 0 1 1
. 4 0 7
. 8 4 0
. 2 4 0
. 2 9 4
1 日
. 0 1 1
. 5 7 2
. 2 2 9
. 9 1 6
. 1 5 6
2 日
. 0 3 2
. 7 8 5
. 0 6 9
. 9 5 9
. 3 3 2
3 日
. 0 4 3
. 4 3 3
. 7 5 5
. 3 0 9
. 1 6 7
5 日
. 0 5 9
. 0 4 1
. 2 9 8
. 0 7 6
. 4 6 0
1 日
. 1 0 7
. 9 8 7
. 2 8 7
. 0 3 3
. 3 5 3
4 h
5 h
6 h
7 h
8 h
日
. 2 8 9
. 9 9 6
. 5 0 6
. 1 5 6
. 1 3 3
1 日
. 2 2 0
. 1 0 3
. 4 3 7
. 5 3 1
. 3 5 2
2 日
. 4 7 4
. 2 6 1
. 8 1 9
. 5 6 3
. 7 4 1
3 日
. 8 6 3
. 6 4 4
. 4 7 9
. 5 4 5
. 2 9 3
5 日
. 5 2 4
. 7 7 8
. 3 9 9
. 9 2 5
. 2 6 3
1 日
. 3 9 6
. 1 8 3
. 7 1 4
. 8 6 7
. 5 9 1
整理样本数据，利用 SVM 预测模型预测 2 月 1 日功率。预测值与真实值 19 个预测点 拟合曲线如图 3 所示。预测值与真实值整点功 率及相对误差见表 2。
Fig 3. The power curve of predictive value and true value 图 3 预测值与真实值功率拟合曲线
预测点 14：30 相对误差最小为 0.37%， 预测点 18:00 相对误差最大为-28.29%，预测值 与真实值19个预测点平均绝对误差为7.39%。
Table 2 . power value and relative error between predictive value and true value P(MW) 表 2 预测值与真实值整点功率及相对误差 P（MW）
真 实 值
预测值
相对误 差 9h 0.1066 0.1291 -21.11% 10h 1.9874 2.1124 -6.29% 11h 3.2874 3.2672 0.61% 12h 4.0334 3.89207 3.50% 13h 4.3530 4.1474 4.72% 14h 4.3957 4.19877 4.48%
15h 4.1825 4.27181 -2.14% 16h 3.7137 3.96059 -6.65% 17h 2.8665 3.13038 -9.21% 18h 0.5914 0.75872 -28.29%
从相对误差来看，9h 和 18h 误差较大， 主要原因光伏微源功率输出很小，预测稍有偏 差就会导致较大的误差；其余误差绝对值都在 10%以内，中间大部分时间点误差能保持在 5%以内。
6 结语
本文充分考虑了气象因素对光伏微源出 力的影响，提出了日类型模糊分类和灰色相关 度分析的数据挖掘技术，对训练样本进行了有 效的约简，大大提高了训练速度；采用 SVM 模型进行预测，在光伏微源容量很小，预测相 对困难的情况下，绝对误差平均值为 7.39%， 较为准确，对微网的运行控制与经济运行有一 定的指导作用。
References (参考文献) [1] ZHANG Shu-yang, ZHANG Pei, LIU Shan-shan. Overview of Solar Energy Technology and Its Integration Issues[J].Southern Power System Technology, 2009,3(4):64-67 张抒阳,张沛,刘珊珊.太阳能技术及其并网特性综述 [J].南方电网技术,2009,3(4):64-67 [2] ZHENG Zhi-jie, LI Lei, WANG Kui. Discussions on Some Issues of Large Scale PV Grid Connected System[J]. Power System and Clean Energy, 2010,26(2):74-76 郑志杰,李磊,王葵. 大规模光伏并网电站接入系统 若 干 问 题 的 探 讨 [J]. 电 网 与 清 洁 能 源,2010,26(2):74-76 [3] ZHANG Xing-ke. Power Fluctuations and
Countermeasures of PV Grid-Connected Generation[J]. Power System and Clean Energy, 2011,27(6):55~60 张兴科.光伏并网发电功率波动与对策[J].电网与清 洁能源,2011,27(6):55-60 [4] SHENG Kun, KONG Li, QI Zhi-ping. A survey on research of microgrid –a new power system[J]. RELAY, 2007,35(12):75-80 盛鹍,孔力,齐智平等.新型电网-微电网（Microgrid） 研究综述[J].继电器,2007,35(12):75-80 [5] Song Bin. Agent-based Control Framework for Microgrid [J].Electric Power Science and Engineering,2009,25(9):22-26 宋斌.基于 Agent 的微网控制系统研究[J].电力科学 与工程,2009,25(9):22-26 [6] GUO Jiahuan. Study on Economic Operation Optimization of Microgrid[D]. North China Electric Power University,2010 郭佳欢.微网经济运行优化的研究[D].华北电力大学 硕士学位论文,2010 [7] ZHANG Lan, YIN Gui-liang, HAN Yu. Islanding Detection for Photovoltaic Power Generation System Based on Relevance Judgement between Reactive Power Minor Disturbance and Frequency Deviation[J]. Southern Power System Technology, 2010,4(1):130-134 张岚,殷桂梁,韩郁等.基于无功微扰/频率偏差相关 度的光伏发电系统孤岛检测方法[J].南方电网技术， 2010,4(1):130-134 [8] LU Jing, DI Hai-qing. Study on Statistical Method for Predicting Photovoltaic Generation Power[J]. East China Electric Power, 2010,38(4) 卢静, 翟海青等.光伏发电功率预测统计方法研究 [J]. 华东电力, 2010,38(4) [9] LEI Jin-yong, HAO Mu-kai , ZHANG Xing. The Power Control Strategy of Energy Storage System in Microgrid and Its Dynamic Simulation Test[J]. Southern Power System Technology, 2012,6(3):57-61 雷金勇,郝木凯,张兴.微网中储能系统功率控制策略 及其动模实验[J].南方电网技术，2012,6(3):57-61
