基于最小二乘法和SVM从天气预报中预测太阳能发电量（Matlab代码实现）

欢迎来到本博客️️️

                      个人主页：电力系统科研室

                    专栏目录：电力系统与算法之美

                           

【现在公众号名字改为：荔枝科研社】

本文目录如下：️️️

​

目录

1 概述

2 展望

3 Matlab运行结果

4 Matlab代码+数据+文章详细讲解

5 写在最后

1 概述

智能电网计划的一个关键目标是显著提高可再生能源在电网能源中所占的比例。将可再生能源纳入电网的一个挑战是，它们的发电是间歇性的和不可控的。因此，预测未来的可再生能源发电非常重要，因为随着发电量的变化，电网必须调度发电机以满足需求。虽然手动开发复杂的预测模型对于大型太阳能发电场可能是可行的，但将其开发用于整个电网中数百万家庭的分布式发电是一个具有挑战性的问题。为了解决这个问题，在本文中，我们探索使用机器学习技术从国家气象局（NWS）天气预报中自动创建特定于站点的太阳能发电预测模型。我们比较了用于生成预测模型的多元回归技术，包括线性最小二乘法和使用多个核函数的支持向量机。我们使用历史NWS预报和来自气象站部署近一年的太阳强度读数来评估每个模型的准确性。我们的结果表明，使用七个不同的天气预报指标构建的基于 SVM 的预测模型比现有的基于预测的模型准确 27%。

2 展望

为了促进更好的规划并降低增加电网中可再生能源比例的障碍，我们专注于自动生成模型的问题，这些模型使用国家气象局（NWS）天气预报准确预测可再生能源发电。具体来说，我们试验了各种机器学习技术，以使用历史NWS预测数据开发预测模型，并将其与太阳能电池板的发电数据相关联。一旦根据历史预测和生成数据进行训练，我们的预测模型就会使用小区域的 NWS 预测来预测多个时间范围内的下一代。我们在本文中的实验使用太阳强度作为太阳能发电的代理，因为它与太阳能收集成正比[4]。重要的是，由于我们从历史站点特定的观测发电数据生成模型，因此它们固有地结合了局部特征对每个站点发电能力的影响，例如周围树木的阴影。由于局部特征会影响发电，因此各个站点必须针对站点特定特征调整预测模型。我们认为自动模型生成对于将分布式发电从可再生能源扩展到整个电网中的数百万个家庭至关重要。

我们的目标是为包括现场可再生能源在内的智能家居自动生成预测模型。电网和个人智能家居都可以使用这些预测模型来提前规划发电和用电。电网可以使用这些模型提前计划发电机调度计划，因为电网中可再生能源的比例增加。智能家居可以使用这些模型来潜在地规划其消费模式，以更好地匹配它们在现场产生的电力。在这两种情况下，更好的预测模型都是提高效率和鼓励在电网和智能家居中更广泛地采用可再生能源分布式发电的先决条件。

3 Matlab运行结果

 

4 Matlab代码+数据+文章详细讲解

本文仅展现部分代码，全部代码见：正在为您运送作品详情

figure(2)
subplot(1,3,1);
plot(day_data(1:20),expected_value_validation_mvn(1:20),'g',day_data(1:20),solar_data(1:20),'b')
legend('预测光照强度值（MVN）','实际测量光照强度值（MVN）')
xlabel('天数')
ylabel('光照强度(w/sq.m)')

subplot(1,3,2);
plot(day_data(1:20),expected_value_validation_ecm(1:20),'g',day_data(1:20),solar_data(1:20),'b')
legend('预测光照强度值（ECN）','实际光照强度值（ECN）')
xlabel('天数')
ylabel('光照强度(w/sq.m)')

subplot(1,3,3);
plot(day_data(1:20),expected_value_validation_cwls(1:20),'g',day_data(1:20),solar_data(1:20),'b')
legend('预测光照强度值(CWLS)','实际光照强度值')
xlabel('天数')
ylabel('光照强度(w/sq.m)')

 5 写在最后

部分理论引用网络文献，若有侵权请联系博主删除。