第2章 预测模型的关键技术

季节更迭和天气变化的分析研究对于短期功率预测尤为关键，本章以气象数据分析为出发点，介绍了本部分所采用的光伏发电功率预测方法中的关键技术。针对传统聚类算法不易选取初始聚类中心、对噪声值较敏感、收敛速度慢及易陷入局部最优等问题，本部分考虑气象特征因素的复性多样性，提出一种基于密度峰值的层次聚类算法对天气类型进行聚类。然后，阐述了统计学习理论的基本原理，分析了支持向量机（Support Vector Machines，SVM）的原理和特点，具备了良好的分类和识别能力，非常适合用于天气类型标签的定义，并介绍了径向基函数（RBF）神经网络具有的良好泛化能力和收敛速度。

针对风电预测模型可调参数的选取，提出了一种改进型果蝇优化算法，证明该算法能够提高搜索时间，具有较少的可调参数，实现了网络参数的优化，与改进前算法相比，扩大了搜索范围，缩短了搜索路径，避免了易陷入局部极值的可能，能够达到提高模型预测精度的要求。考虑风速的不平稳特性，介绍了经验模态分解（EMD）的原理，并采用集合经验模态分解（EEMD）消除了可能出现的模态混叠现象，有利于风速时序波形的分解。为建立光伏和风电短期功率预测模型做了基础理论工作。