证[23]东北电力大学兰华等利用自回归滑动平均模型（ARMA）对东北某光伏电站的输出功率进行预测研究，具有一定的代表性和可行性，但在没有考虑气象因素的复杂多变性，模型的预测实用性也有待检验。华北电力大学栗然等人建立光伏组件数学模型，根据保定地区气象资料，利用光伏发电系统仿真建模软件Homer模拟仿真了30MW光伏电站输出功率数据，利用支持向量机回归分析方法，进行输出功率预测。但该方法无实际光伏电站的实况发电量资料，缺乏实验验证，对实际光伏电站输出功率预报的指导意义也有限。
经过长期的学习和研究,目前国内外已经提出很多用于光伏系统发电功率预测的算法常用的光伏发电功率预测的方法分两种:第一种是不预测周围的环境因素而直接进行预测,例如ANN模型、马尔可夫链模型、灰度模型和统计模型等;另一种是通过相关因素的情况,间接的预测输出功率,相关因素包括福照强度、温度、风速等。灰度预测模型适用于信息不完整、不确定的情况,其优点是可以用较少的数据对未知系统作出判断。使用灰度模型可以简化光伏发电功率预测过程,但预测精度不高[12]，所以一般不采用。
1.5预测方法概述
光伏功率预测从预测方法上可以分为统计方法和物理方法两类。统计方法对历史数据进行统计分析，找出其内在规律并用于预测；物理方法则将气象预测数据作为输入值，采用物理方程进行预测。而从时间尺度上可以把光伏发电功率预测分为超短期功率预测和短期功率预测。光伏发电系统输出功率预测方法根据预测的物理量可以分为两类：第一类为对太阳辐照量的预测，然后根据预测的太阳辐照量估算光伏发电系统的功率输出；第二类为直接对光伏发电系统的输出功率进行预测。而根据所运用的数学模型不同可分为时间序列预测法、自回归滑动平均模型法、神经网络法和智能方法等。
时间序列法：时间序列模型是最经典、最系统、最被广泛采用的一类预测法
[ 7 ?8]
。随机时间序列方法只需单一时间序列即可预测，实现比较简单。
回归分析方法：回归预测技术是通过回归分析，寻找预测对象与影响因素之间的相关关系，建立回归模型进行预测；根据给定的预测对象和影响因素数据，研究预测对象和影响因素之间的关系，形成回归方程；根据回归方程，给定各自变量数值，即可求出因变量值即预测对象预测值。
人工神经网络方法：运用神经网络技术进行电力负荷预测，是一种新的研究方法，由于它可以模仿人脑的智能化处理，对大量非结构、非精确性规律具有自适应功能，具有信息记忆、自主学习、知识推理和优化计算的特点，特别是其自学习和自适应功能较好的解决了天气和温度等因素与负荷的对应关系。所以，
人工神经网络得到了许多中外学者的赞誉，预测的人工神经网络的最具潜力的应用领域之一。
支持向量机方法：支持向量机(Support Vector Machines, SVM)是由贝尔实验室的 Vapnik 等提出的一种机器学习算法，它与传统的神经网络学习方法不同实现了结构风险最小化原理(SRM)，它同时最小化经验风险与 VC 维的界，这就取得了较小的实际风险即对未来样本有较好的泛化性能。
小波分析方法：小波分析在时域和频域都有良好的局部化性质，能够比较容易地捕捉和分析微弱信号，聚焦到信号的任意细节部分。小波分析可以用于数据的分析、处理、存储和传递[13-15]。
组合预测方法：是对多种预测方法得到的预测结果，选取适当的权重进行加权平均的一种预测方法。组合预测法与前面介绍的各种方法结合进行预测的方式不同，它是几种方法分别预测后，再对多种结果进行分析处理。组合预测[14]有两类方法：一种是指将几种预测方法所得的结果进行比较，选取误差最小的模型进行预测；另外一种是将几种结果按一定的权重进行加权平均，该方法建立在最大信息利用的基础上，优化组合了多种模型所包含的信息。其主要目的在于消除单一预测方法可能存在的较大偏差，提高预测的准确性。
2
光伏发电系统特性概述
2.1 光伏系统组成
（1）光伏电池：光伏电池是光电转换的最小基本单元，尺寸一般为 4平方厘米到100平方厘米不等。单体光伏电池的工作电压约为 0.5V，工作电流约为20到25mA/c㎡，由于单体光伏电池容量有限，一般不能单独使用。将光伏电池独立的光伏发电系统由光伏电池阵列、控制器、蓄电池组、直流/交流逆变器等部分组成，其系统组成如图 2.2 所示[26-28]。
单体进行串并联封装后，就成为光伏电池组件，其功一般为几瓦至几十瓦，是可以单独电源使用的最小单元。光伏电池组件再经过串并联组合安装在支架上，就构成了光伏方阵，可以满足负载所要求的输出功率。
（2）控制器：控制器是能自动防止蓄电池组过充电和过放电并具有简单测量功能的电子设备。由于蓄电池组被过充电或过放电后将严重影响其性能和寿命，充放电控制器在独立光伏发电系统中一般是必不可少的。
（3）逆变器：逆变器是将直流电变换成交流电的电子设备。由于光伏电池和蓄电池发出的是直流电，当负载是交流负载时，逆变器是不可缺少的。逆变器按运行方式，可分为独立运行逆变器和并网逆变器。独立运行逆变器用于独立运行的光伏电池发电系统，为独立负载供电。
（4）蓄电池组件：蓄电池组件作用是储存光伏电池方阵受光照时所发出的电能并可随时向负载供电。目前我国与光伏电池发电系统配套使用的蓄电池主要是铅酸蓄电池和镉镍蓄电池。
2.2光伏电池的特性
在无光的环境下,光伏电池的输出伏安特性与二极管相似。根据光伏电池的输出特性和内部结构,光伏电池单元可以等效为如图2-2所示的电路。等效电路由一个二极管、一个电流源、一个阻抗较高的电阻Rsh和一个阻抗较低的电阻Rs相串联组成。图中,Iph为电池产生的电流,Id为经过二极管的电流,I为电池的输出电流。在电路模型中,电流源产生的屯流Iph与入射到电池上的光强强度成正比关系,受温度的影响比较少;串联电阻Rs是为了使模型更加准确的表征从电池最大功率点到开路电压这个范围内的伏安特性,并联电阻Rsh为了使模型更加准确的表征从电池的最大功率点到零工作电压这个范围内的伏安特性。
由单体光伏电池等效电路可得出: Iph - Id = Ish，其中Iph是光伏电池的光电流,Id是通过二极管的电流,U是通过并联电阻的电流,I是光伏电池的输出电流。
2.3 影响光伏系统输出功率的因素
由于受很多气象因素影响,太阳能发电系统的输出功率是不稳定和难以控制的。影响太阳能光伏系统功率输出的因素很多,关系很复杂,有些文献甚至列举了修正系数来使模型更好的反映这些因素。实际上现场条件和运行情况变化无常,既无法事先确定各因素大小,也完全没有必要作如此细致的区分。因此,本文只考虑如下几个主要因素:太阳福照强度、组件温度和太阳能光伏电池的转换效率。
1.太阳福照强度
发电功率随着太阳辐照强度的波动而变化,太阳福射强度是影响输出功率的
主要因素。当太阳电池的面积确定时,其输出电流与太阳福照强度成正比,因此,当太阳福照强度增加时,光伏系统输出功率也会随之增加。而太阳福照强度是由许多不确定因素决定,如季节和地理位置等。此外,天气情况、太阳照射角度、观测円期、时间和云量都会对太阳福照度造成很大影响。由于受太阳辐射度的影响,光伏输出功率有很强的周期性,包括日周期和年周期。光伏发电系统通常在上午8:00和下午5:00之间产生输出,因此在并网时会对电网产生周期性的不稳定影响。因为太阳福照强度具有随机性,使得确定光伏系统各方阵面上各个时段太阳福照量的确切值变得相当困难,只能参考气象台的历史资料记录,但是通常气象台站提供的是水平面上的太阳福照量,若要使用其进行预测,需要转换为倾斜方阵面上的福照量。太阳福照强度可定义为照射到单位时间单位面积上的太阳光能量(单位:w/㎡)。太阳福射经过大气,其中部分到达地面,称为直接太阳福射;另一部分被大气分子及大气中的水汽、尘埃等反射、散射和吸收。被散射的太阳光包括返回宇宙空间的部分和到达地面的部分,到达地面的部分太阳光称为散射太阳福射。直接太阳福射和散射太阳福射之和称为总福射,为太阳能光伏发电系统所利用。影响太阳总辐射强度的因素可归纳总结如下：
(1)太阳光入射角h:入射角越大太阳总福射越大；(2)大气透明度P； 大气透明度低会减少到达地面的太阳福射；(3)大气质量m,m越大,到达地面的太阳总辐射越少。此外,海拔、炜度、云量和坡度坡向等也有直接或间接的影啊；(4)炜度:讳度越尚,太阳光入射角越小,故总福射越低;(5)海拔越高,地面接受的太阳直接福射越强;(6)坡度坡向:南北回归线以南以北地区,明显表现出南坡向阳、北坡背阴,并且冬季比夏季更加显著；(7)云量:一般情况下,云层越厚,云量越大,太阳直接福射越弱,散射福射量增加。
（2）光伏电池的温度观察公式,可以发现温度对太阳能电池的转换效率也有一定的影响,与转换效率成反比。高温会降低光伏电池的转换效率。温度升高1摄氏度晶体娃电池的输出电压就会大约降低0.5%,所以尽量保证安电池板在安装以后上下面的空气流通以达到尽可能低的温度。太阳能电池内部的温度一般会高
于环境温度,实际运行中的太阳能电池的温度由多个参数决定,包括太阳福照强度、地面福射量、环境温度、风向、风速、浮尘等,很难准确计算得出。为了简化预测过程,也可以假设电池内部的温度与外部环境温度相等。
2.4 光伏电池组件的出力模型
太阳能电池是太阳能光伏发电系统中最基本的元件,主要分为多晶娃、非晶硅、薄膜电池和单品娃等。目前,单晶电池及多晶电池的用量是最大的,而非晶电池主要用于部分较小系统,如计算器辅助电源等。国产晶体娃电池效率在10%-13%左右,国外同类产品效率约12%-14%。设P时刻的温度是Tp,那么光伏电池的转换效率可以用公式表示: η=η0[1-r(Tp-Tr)]。其中,r表示参考温度(298K) , η0表示在参考温度下光伏电池的转换效率;r表示光伏电池的温度系数,值通常取0.005。光伏系统输出功率和太阳福照度成正比,而每块电池组件的输出通常是由功率计量,因此t时刻的功率输出可进一步表示为:P =I*A*η，其中:A表示光伏电池的面积,单位为平方米；η表示光伏电池转换效率;I表示光伏板斜面上受到的太阳辖照强度,单位为千瓦每平方米。如果t时刻有n块光伏板工作,总功率输出则为nP。
3功率预测基本方法及特点
3.1 基于支持向量机回归的预测方法
3.1.1 支持向量机方法及其特点
支持向量机是最先进的机器学习理论之一在各领域得到广泛应用。支持向
量机将数据点由输入空间映射到更揚分类的特征空间,并且使分隔超平面之间的距离最远,而每个类别中各点的距离最近。映射由核函数隐式的决定,核函数用来计算特征空间内数据点之间的内积。正是由于使用了 “核技术”,SVM避免了维数灾难,即特征空间的维度不影响SVM训练和测试的计算复杂度。然而,考虑到核函数是输入空间中的二维函数,训练和测试的计算复杂度依赖于输入空间的维度。支持向量机是一个统计学和计算机科学中的概念,为一些能够进行分析数据和模式识别的监督式学习方法而提出,用于进行分类和回归分析。
支持向量机在高维或无限维的空间构造一个或一组超平面,这些超平面可以用来进行分类、回归或其他工作。直观地讲,一个好的划分是通过使超平面与各分类最近的训练数据点之间距离最大来实现的,因此,通常距离越远,分类器产生的误差就越小。然而,初始问题可能是一个有限的多维空间,在这个空间内,通常集合不是线性可分的。因此,提出了将初始有限多维空间映射到更高维空间的方