基于云计算和智能优化 SVＲ 的光伏发电功率预测

为提高光伏发电功率的预测精度，针对支持向量机回归( Support Vector Ｒegression，SVＲ) 模型的预测结果易受其惩罚系数 C、敏感损失函数的最大误差系数 ε 和核函数 g 影响的问题，提出一种基于新型智能算法 － 蝗虫算法优化 SVＲ 模型参数的光伏发电功率预测模型。由于光伏发电功率数据存在随机性和间隙性的特征，Multi － Agent 和分布式思想被引入蝗虫算法优化 SVＲ 模型，通过将云计算的 MapＲeduce 框架和 GOA － SVＲ 结合，提出一种基于 MapＲeduce 和 GOA － SVＲ 并行化的光伏发电功率预测模型( MapＲeduce and GOA － SVＲ，MＲ － GOA － SVＲ) ，从而提高海量高维光伏发电数据的处理能力。将影响光伏输出功率的 11 个气象因素作为 GOA － SVＲ 的输入向量，光伏输出功率作为 GOA － SVＲ 的输出向量，建立 GOA － SVＲ 的光伏发电功率预测模型。研究结果表明: MＲ － GOA － SVＲ 可以有效提高不同天气类型下的光伏发电功率的预测精度，具有很强的现实性和指导意义。与 PSO － SVＲ、GA － SVＲ、GOA － SVＲ 和 SVＲ 相比，MＲ － GOA － SVＲ在晴天、阴天和雨天均可以提高预测精度，且具有优异的并行性能。