基于PSO混合核函数SVM对光伏最大功率点的预测研究.pdf

《基于PSO混合核函数SVM对光伏最大功率点的预测研究.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、能源发电控制技术皇皇!!!!竺兰竺!TheNewEnergyPowerControITechnoloqy基于PSO混合核函数SVM对光伏最大功率点的预测研究林亚芹。程轶平，安景(北京交通大学电子信息工程学院，北京100044)摘要：针对传统的光伏最大功率点跟踪算法存在成本高，精度低的问题，进而采用混合核支持向量机算法尝试解决这一难题。通过研究分析高斯核函数与多项式核函数的特性，线性加权高斯核函数与多项式核函数，构造混合形式的支持向量机模型，并使用粒子群算法优化模型参数，对光伏最大功率点电压进行预测。实验分析表明，混合核函数结合了两个单核的优点，兼顾支

2、持向量机全局拟合能力与局部拟合能力。非线性函数预测精度优于单核模型，泛化能力高，训练时间少，平稳性好。关键词：支持向量机；高斯核；多项式核；混合核；粒子群；最大功率点DOI：10．3969／j·issn．1000-3886．2014．05．015[中图分类号]TP181[文献标志码]A[文章编号]1000—3886(2014)05—0041—03AStudyOnMPPTPredictionBasedonPS0Mixed—kernelFunctionSVMLINYa—qin，CHENGYi-ping，ANJing(ElectronicandInform

3、ationEngineeringCollegeofBengJiaotongUniversity，Belling100044，China)Abstract：Inviewofhighcostandlowprecisionofthetraditionalphotovoltaicmaximumpowerpointtrackingalgorithm，thispaperpresentsaschemeforadoptingmixedkernelsupportvectormachinealgorithmtosolvetheproblem．Thispaperusesl

4、inearweightedGaussiankernelfunctionandpolynomialkernelfunctiontobuildamixedsupportvectormachine，andusesparticleswarmalgorithmtooptimizemodelparametersandpredictthevoltageatthephotovoltaicmax．powerpoint．Experimentalanalysisshowsthatthemixedkernelfunctioncombinestheadvantagesoftw

5、osinglekernels-andconsidersboththeoverallandlocalfittingabilitiesofthesupportvectormachine．Ithasabetternon-linearfunctionpredictionprecisionthanthesinglekernelmodel，withstronggeneralizationability。shorttrainingperiodandgoodstability．Keywords：supportvectormachine；Gaussiankernel；

6、polynomialkernel；particleswarln；maximumpowerpointO引言基于VC维理论和结构风险最小化(SRM)原则，较好地解决非线性，高维数等实际复杂的数学问题。其基本思想是通过非线性映随着新能源领域的发展，太阳能发电得到了越来越多的应射，将原空间的输入向量映射到高维特征空间，并在此空间中构用。由于太阳能发电成本居高不下，如何提高太阳能电池的利用造最优超平面。考虑样本集，D={(。，Y)，(，Y2)，⋯，效率是当前光伏发电研究的热点。太阳能电池阵列的开路电压(，Y)}称为训练样本集合，z为样本点数，输入∈R，输出Y和

7、短路电流在很大程度上受日照强度和温度的影响，必然导致系R。函数F()可由此方法确定：将每一个样本点用非线性函统效率的降低。为此，太阳能电池阵列须实现最大功率点跟踪控数映射到高维特征空间，此时的训练样本点(，Y)在高维空制，以便阵列在当前日照下不断获得最大功率输出。文献[1]采间的坐标(()，Y)，然后对映射后的集合做线性回归，构造用神经网络法，与传统方法相比而言，使MPPT(最大功率点跟F()表达式，对Y进行预测：踪)得到较好提升，但神经网络过于强调学习错误。文献[2]采f(x)=tO‘·()+b用FSVM模型，在预测精度上得到提升，但在样本训练阶段

8、的复选择s一不敏感损失函数：杂度很高。文献[3]采用支持向量机单核径向基核函数法，由于lY—F()l=max