本發(fā)明涉及一種新能源發(fā)電預(yù)測
技術(shù)領(lǐng)域：
，是一種基于EWT-KMPMR的短期光伏功率預(yù)測方法。
背景技術(shù)：
：光伏發(fā)電已逐漸成為僅次于風(fēng)力發(fā)電的可再生清潔能源，由于其受光照晝夜交替和氣象多變等不可控因素的直接影響，具有難以避免的間歇性特點(diǎn)。然而，隨著光伏發(fā)電裝機(jī)容量的逐年增長，大規(guī)模的光伏并網(wǎng)對電網(wǎng)安全穩(wěn)定運(yùn)行造成了很大的沖擊，因此，準(zhǔn)確的光伏出力預(yù)測對電力系統(tǒng)調(diào)度部門合理分配火電等常規(guī)能源與光伏發(fā)電的比例具有極其重要的意義。短期光伏功率預(yù)測方法目前主要包括基于光伏功率和天氣信息而建立預(yù)測模型的直接預(yù)測方法，如采用神經(jīng)網(wǎng)絡(luò)和SVM等計(jì)算智能方法建立預(yù)測模型，以及以預(yù)測太陽輻照強(qiáng)度為基礎(chǔ)進(jìn)而得到光伏功率的間接預(yù)測方法。相比而言，直接預(yù)測法對氣象信息的依賴程度和建模復(fù)雜度小于間接預(yù)測，因此，其在光伏功率預(yù)測領(lǐng)域的應(yīng)用較為廣泛，由于受天氣信息的多變性和歷史光伏功率本身間歇性和高頻波動性的影響，基于神經(jīng)網(wǎng)絡(luò)建立預(yù)測模型的單一預(yù)測方法已經(jīng)很難滿足電力系統(tǒng)對預(yù)測精度的需求，因此，以經(jīng)驗(yàn)?zāi)B(tài)分解即EMD方式分解為主的各種信號預(yù)處理方法被成功的應(yīng)用在了光伏功率預(yù)處理中，可實(shí)現(xiàn)對初始光伏功率序列的平穩(wěn)化處理，進(jìn)而為智能預(yù)測方法提供有利的輸入數(shù)據(jù)。但以EMD為主的光伏功率預(yù)側(cè)方法的計(jì)算量大，分解的模態(tài)個數(shù)多，易出現(xiàn)模態(tài)混疊現(xiàn)象，進(jìn)而產(chǎn)生虛假的本征模態(tài)分量。技術(shù)實(shí)現(xiàn)要素：本發(fā)明提供了一種基于EWT-KMPMR的短期光伏功率預(yù)測方法，克服了上述現(xiàn)有技術(shù)之不足，其能有效解決現(xiàn)有短期光伏功率預(yù)測方法存在的計(jì)算量大，分解的模態(tài)個數(shù)多，易出現(xiàn)模態(tài)混疊現(xiàn)象的問題。本發(fā)明的技術(shù)方案是通過以下措施來實(shí)現(xiàn)的：一種基于EWT-KMPMR的短期光伏功率預(yù)測方法，包括以下步驟：第一步：使用Corrcoef(X,Y)函數(shù)對每隔15min采集的日光伏功率歷史序列進(jìn)行篩選，篩選出與待預(yù)測日相關(guān)度高的序列為訓(xùn)練樣本，訓(xùn)練樣本包括晴天光伏功率序列和陰天光伏功率序列；第二步：采用EWT方法對篩選出的晴天光伏功率序列和陰天光伏功率序列分別進(jìn)行分解,得到經(jīng)驗(yàn)尺度分量F0和經(jīng)驗(yàn)小波分量F1至FN-1；第三步：采用KMPMR方法對經(jīng)驗(yàn)尺度分量F0和經(jīng)驗(yàn)小波分量F1至FN-1構(gòu)建相應(yīng)預(yù)測模型，各分量預(yù)測模型的輸出即為各分量預(yù)測結(jié)果；第四步：將各分量預(yù)測結(jié)果進(jìn)行疊加，得到待預(yù)測日光伏輸出功率的預(yù)測值。下面是對上述發(fā)明技術(shù)方案的進(jìn)一步優(yōu)化或/和改進(jìn)：上述第二步中：采用EWT方式對篩選出的晴天光伏功率序列和陰天光伏功率序列分別進(jìn)行分解，即將原信號f(t)的頻段進(jìn)行傅里葉分割，分解成為N+1個固有模態(tài)函數(shù)fk(t)，fk(t)函數(shù)如式(1)所示：分解過程如下：Step1：根據(jù)信號中包含的傅里葉頻譜特性自適應(yīng)地選擇小波濾波器組，即對傅里葉頻譜特性自適應(yīng)分割，其中各個分割片段可以表示為Λn＝[ωn-1,ωn]，當(dāng)確定好Λn后，經(jīng)驗(yàn)小波定義為在每一個Λn上的帶通濾波器，根據(jù)Meyer小波確定經(jīng)驗(yàn)尺度函數(shù)和經(jīng)驗(yàn)小波函數(shù)分別如式(2)和式(3)所示：其中：τn＝γωn(0＜γ＜1)Step2：在構(gòu)建好一組小波后，定義信號f(t)經(jīng)驗(yàn)小波變換的細(xì)節(jié)系數(shù)和近似系數(shù)過程如下：(1)定義細(xì)節(jié)系數(shù)細(xì)節(jié)系數(shù)由經(jīng)驗(yàn)小波函數(shù)與信號內(nèi)積產(chǎn)生：(2)定義近似系數(shù)近似系數(shù)通過尺度函數(shù)與信號內(nèi)積產(chǎn)生：其中，F(xiàn)[·]和F-1[·]分別表示傅里葉變換和逆變換，則和φ1(ω)分別為經(jīng)驗(yàn)小波函數(shù)和經(jīng)驗(yàn)尺度函數(shù)φ1(t)的傅里葉變換形式，分別為ψn(t)，φ1(t)的復(fù)共軛；Step3：原始信號f(t)被重構(gòu)如式(6)所示：其中：和分別為和的傅里葉變換形式；Step4：計(jì)算經(jīng)驗(yàn)尺度分量f0(t)和經(jīng)驗(yàn)小波分量fk(t)，如式(7)和式(8)所示：上述第三步中：建立預(yù)測模型包括以下步驟：Step1：設(shè)定回歸數(shù)學(xué)模型為：y＝f(x)+ρ(9)其中，服從于某種有界分布Λ，噪聲項(xiàng)為ρ，E[ρ]＝0，Var[ρ]＝δ2，δ為有限值；Step2：給定l組訓(xùn)練樣本Γ＝{(x1,y1),...,(xl,yl)}；其中，服從于分布Λ，Step3：根據(jù)給定的訓(xùn)練集Γ獲得f(x)的近似回歸函數(shù)，如下式(10)所示：Step4：使式(10)逼近式(9)，最大化其模型輸出位于真實(shí)輸出值y±ε管道內(nèi)的最小概率下界，即其中，ε＜0；Step5：基于引入核函數(shù)的最小最大概率分類MPMC建立預(yù)測模型，預(yù)測模型如下式(12)所示：其中，η表示預(yù)測樣本點(diǎn)的個數(shù)，xt為由歷史光伏功率值(yt-1,yt-2,...,yt-M)構(gòu)成的多維輸入向量，M為嵌入維數(shù)。上述第三步中：采用KMPMR方法對經(jīng)驗(yàn)尺度分量和經(jīng)驗(yàn)小波分量構(gòu)建相應(yīng)預(yù)測模型及各分量預(yù)測模型輸出進(jìn)行計(jì)算的步驟如下：Step1：采用KMPMR方法對經(jīng)驗(yàn)尺度分量和經(jīng)驗(yàn)小波分量構(gòu)建相應(yīng)預(yù)測模型，預(yù)測模型如式(12)所示：其中，η表示預(yù)測樣本點(diǎn)的個數(shù)，xt為由歷史光伏功率值(yt-1,yt-2,...,yt-M)構(gòu)成的多維輸入向量，M為嵌入維數(shù)；Step2：將訓(xùn)練樣本集轉(zhuǎn)換為特定的二分類問題，如式(13)所示，即實(shí)現(xiàn)對未知數(shù)據(jù)正確分類的概率的一種最大化：其中ui,vi∈Rm(m＝d+1)；將兩類樣本通過非線性映射函數(shù)映射至高維特征空間，核函數(shù)為即：其中，與分別為特征空間中兩類樣本的均值與協(xié)方差矩陣；二分類器的形式表示如下：其中:c＝-1表示第一類，c＝1表示第二類；Step3：通過式(16)和式(17)計(jì)算參數(shù)γ和bc：其中，Nu＝Nv＝l，1l為K維全為1的列向量，分別由定義，Ku為Gram矩陣K所對應(yīng)的前l(fā)行元素，Kv為Gram矩陣K所對應(yīng)的后l行元素，K為由元素Kij＝Kc(zi,zj)構(gòu)成的方陣；其中：Step4：通過參數(shù)γ和bc得ui,vi之間的MPM分界面為:將任意服從有界分布Λ的點(diǎn)x代入式(18)，通過求解可得回歸模型的輸出同時，為了避免使用非線性優(yōu)化問題求解值，通常限定核函數(shù)滿足式(19)：其中，為滿足Mercer條件的核函數(shù),并有：zi＝ui,y'i＝y(tǒng)i+ε,i＝1,...,lzi＝vi,y'i＝y(tǒng)i-ε,i＝l+1,...,2l將式(19)所示的核函數(shù)代入式(18)，通過求解y可得式(20)的回歸方法：Step5：通過參數(shù)γ和bc和式(20)計(jì)算得到參數(shù)β0和βi：βi＝-2ε(γi+γi+l)β0＝-2εbc其中，ε＝2；Step6：根據(jù)參數(shù)β0和βi通過式(12)計(jì)算經(jīng)驗(yàn)尺度分量模型和經(jīng)驗(yàn)小波分量模型的輸出。本發(fā)明在EWT-KMPMR的基礎(chǔ)上，首先利用EWT方法將相似日光伏功率時間序列分解為包含原光伏功率序列中不同波動尺度局部特征信息的AM-FM分量，然后通過KMPMR方法根據(jù)各分量自身特性建立相應(yīng)的預(yù)測模型并分別進(jìn)行預(yù)測模型的輸出，疊加各分量預(yù)測模型的輸出得到最終的預(yù)測結(jié)果。使用本發(fā)明對短期光伏功率進(jìn)行預(yù)測能有效減少分解的模態(tài)個數(shù)，減少計(jì)算量，避免出現(xiàn)模態(tài)混疊現(xiàn)象，能取得較高的預(yù)測精度，對電網(wǎng)電能調(diào)度的合理性和經(jīng)濟(jì)性具有一定的價值和參考意義。附圖說明附圖1為實(shí)施例1的流程圖。附圖2為實(shí)施例2的EWT分解結(jié)果圖。附圖3為實(shí)施例2的EWT-KMPMR方法光伏功率預(yù)測結(jié)果圖。附圖4為實(shí)施例2的EMD分解結(jié)果圖。附圖5為實(shí)施例2的EWT-KMPMR方法和EMD和KMPMR方法光伏功率預(yù)測結(jié)果對比圖。附圖6為實(shí)施例2的EWT-KMPMR方法和EMD和KMPMR方法光伏功率預(yù)測結(jié)果的絕對誤差對比圖。附圖7為實(shí)施例3的EWT分解結(jié)果圖。附圖8為實(shí)施例3的EWT-KMPMR方法光伏功率預(yù)測結(jié)果圖。附圖9為實(shí)施例3的EMD分解結(jié)果圖。附圖10為實(shí)施例3的EWT-KMPMR方法和EMD和KMPMR方法光伏功率預(yù)測結(jié)果對比圖。附圖11為實(shí)施例3的EWT-KMPMR方法和EMD和KMPMR方法光伏功率預(yù)測結(jié)果的絕對誤差對比圖。具體實(shí)施方式本發(fā)明不受下述實(shí)施例的限制，可根據(jù)本發(fā)明的技術(shù)方案與實(shí)際情況來確定具體的實(shí)施方式。下面結(jié)合實(shí)施例及附圖對本發(fā)明作進(jìn)一步描述：實(shí)施例1：如附圖1所示，該基于EWT-KMPMR的短期光伏功率預(yù)測方法包括以下步驟：第一步：使用Corrcoef(X,Y)函數(shù)對每隔15min采集的日光伏功率歷史序列進(jìn)行篩選，篩選出與待預(yù)測日相關(guān)度高的序列為訓(xùn)練樣本，訓(xùn)練樣本包括晴天光伏功率序列和陰天光伏功率序列；第二步：采用EWT方法對篩選出的晴天光伏功率序列和陰天光伏功率序列分別進(jìn)行分解,得到經(jīng)驗(yàn)尺度分量F0和經(jīng)驗(yàn)小波分量F1至FN-1；第三步：采用KMPMR方法對經(jīng)驗(yàn)尺度分量F0和經(jīng)驗(yàn)小波分量F1至FN-1構(gòu)建相應(yīng)預(yù)測模型，各分量預(yù)測模型的輸出即為各分量預(yù)測結(jié)果；第四步：將各分量預(yù)測結(jié)果進(jìn)行疊加，得到待預(yù)測日光伏輸出功率的預(yù)測值。第一步中篩選出與待預(yù)測日相關(guān)度高的訓(xùn)練樣本，相關(guān)度高即為通過Corrcoef(X,Y)函數(shù)計(jì)算，結(jié)果越靠近1的相關(guān)度越高。這里的Corrcoef(X,Y)為現(xiàn)有公知的MATLAB工具中的相關(guān)函數(shù)，這里是用于對歷史數(shù)據(jù)進(jìn)行篩選。本發(fā)明中EWT(empiricalwavelettransform)是一種以小波分析為理論基礎(chǔ)同時結(jié)合EMD自適應(yīng)性特點(diǎn)的非線性信號時頻分析方法，通過對被分解信號的頻段進(jìn)行傅里葉分割，然后根據(jù)信號中包含的傅里葉頻譜特性自適應(yīng)地選擇小波濾波器組來提取不同AM-FM分量，相比于EMD方法，EWT方法具有理論性強(qiáng)，計(jì)算量小、分解的模態(tài)個數(shù)少、不存在難以解釋的虛假模態(tài)分量的優(yōu)點(diǎn)。KMPMC(kernelminimaxprobabilitymachineclassification)是核最小最大概率回歸，是通過引進(jìn)核函數(shù)在高維空間實(shí)現(xiàn)非線性分類，是一種基于高階統(tǒng)計(jì)信息的特征提取模型；核最小最大概率回歸機(jī)(KMPMR)建立在MPMC的基礎(chǔ)上，將回歸建模問題看作概率建模的一種形式，對模型的分布不作具體假設(shè)，僅需給定模型數(shù)據(jù)分布的均值與協(xié)方差矩陣，能夠最大化模型的預(yù)測輸出位于其真實(shí)值邊界內(nèi)的最小概率，有著更好的預(yù)測性能的優(yōu)點(diǎn)。本發(fā)明EWT-KMPMR的基礎(chǔ)上，首先利用EWT將相似日光伏功率時間序列分解為包含原光伏功率序列中不同波動尺度局部特征信息的AM-FM分量，然后根據(jù)各分量自身特性建立相應(yīng)的KMPMR預(yù)測模型分別進(jìn)行預(yù)測，疊加各分量預(yù)測值以得到最終的預(yù)測結(jié)果。從而使用本方法對短期光伏功率進(jìn)行預(yù)測能有效減少分解的模態(tài)個數(shù)，減少計(jì)算量，避免出現(xiàn)模態(tài)混疊現(xiàn)象，能取得較高的預(yù)測精度，對電網(wǎng)電能調(diào)度的合理性和經(jīng)濟(jì)性具有一定的價值和參考意義。下面是對上述發(fā)明技術(shù)方案的進(jìn)一步優(yōu)化或/和改進(jìn)：如附圖1所示，第二步中：所述的采用EWT方式對篩選出的晴天光伏功率序列和陰天光伏功率序列分別進(jìn)行分解，即將原信號f(t)的頻段進(jìn)行傅里葉分割，分解成為N+1個固有模態(tài)函數(shù)fk(t)，fk(t)函數(shù)如式(1)所示：分解過程如下：Step1：根據(jù)信號中包含的傅里葉頻譜特性自適應(yīng)地選擇小波濾波器組，即對傅里葉頻譜特性自適應(yīng)分割，其中各個分割片段可以表示為Λn＝[ωn-1,ωn]，當(dāng)確定好Λn后，經(jīng)驗(yàn)小波定義為在每一個Λn上的帶通濾波器，根據(jù)Meyer小波確定經(jīng)驗(yàn)尺度函數(shù)和經(jīng)驗(yàn)小波函數(shù)分別如式(2)和式(3)所示：其中：τn＝γωn(0＜γ＜1)Step2：在構(gòu)建好一組小波后，定義信號f(t)經(jīng)驗(yàn)小波變換的細(xì)節(jié)系數(shù)和近似系數(shù)過程如下：(1)定義細(xì)節(jié)系數(shù)細(xì)節(jié)系數(shù)由經(jīng)驗(yàn)小波函數(shù)與信號內(nèi)積產(chǎn)生：(2)定義近似系數(shù)近似系數(shù)通過尺度函數(shù)與信號內(nèi)積產(chǎn)生：其中，F(xiàn)[·]和F-1[·]分別表示傅里葉變換和逆變換，則和φ1(ω)分別為經(jīng)驗(yàn)小波函數(shù)和經(jīng)驗(yàn)尺度函數(shù)φ1(t)的傅里葉變換形式，分別為ψn(t)，φ1(t)的復(fù)共軛；Step3：原始信號f(t)被重構(gòu)如式(6)所示：其中：和分別為和的傅里葉變換形式；Step4：計(jì)算經(jīng)驗(yàn)尺度分量f0(t)和經(jīng)驗(yàn)小波分量fk(t)，如式(7)和式(8)所示：如附圖1所示，第三步中：建立預(yù)測模型包括以下步驟：Step1：設(shè)定回歸數(shù)學(xué)模型為：y＝f(x)+ρ(9)其中，服從于某種有界分布Λ，噪聲項(xiàng)為ρ，E[ρ]＝0，Var[ρ]＝δ2，δ為有限值；Step2：給定l組訓(xùn)練樣本Γ＝{(x1,y1),...,(xl,yl)}；其中，服從于分布Λ，Step3：根據(jù)給定的訓(xùn)練集Γ獲得f(x)的近似回歸函數(shù)，如下式(10)所示：Step4：使式(10)逼近式(9)，最大化其模型輸出位于真實(shí)輸出值y±ε管道內(nèi)的最小概率下界，即其中，ε＜0；Step5：基于引入核函數(shù)的最小最大概率分類MPMC建立預(yù)測模型，預(yù)測模型如下式(12)所示：其中，η表示預(yù)測樣本點(diǎn)的個數(shù)，xt為由歷史光伏功率值(yt-1,yt-2,...,yt-M)構(gòu)成的多維輸入向量，M為嵌入維數(shù)。如附圖1所示，第三步中：采用KMPMR方法對經(jīng)驗(yàn)尺度分量和經(jīng)驗(yàn)小波分量構(gòu)建相應(yīng)預(yù)測模型及各分量預(yù)測模型輸出進(jìn)行計(jì)算的步驟如下：Step1：采用KMPMR方法對經(jīng)驗(yàn)尺度分量和經(jīng)驗(yàn)小波分量構(gòu)建相應(yīng)預(yù)測模型，預(yù)測模型如式(12)所示：其中，η表示預(yù)測樣本點(diǎn)的個數(shù)，xt為由歷史光伏功率值(yt-1,yt-2,...,yt-M)構(gòu)成的多維輸入向量，M為嵌入維數(shù)；Step2：將訓(xùn)練樣本集轉(zhuǎn)換為特定的二分類問題，如式(13)所示，即實(shí)現(xiàn)對未知數(shù)據(jù)正確分類的概率的一種最大化：其中ui,vi∈Rm(m＝d+1)；將兩類樣本通過非線性映射函數(shù)映射至高維特征空間，核函數(shù)為即：其中，與分別為特征空間中兩類樣本的均值與協(xié)方差矩陣；二分類器的形式表示如下：其中:c＝-1表示第一類，c＝1表示第二類；Step3：通過式(16)和式(17)計(jì)算參數(shù)γ和bc：其中，Nu＝Nv＝l，1l為K維全為1的列向量，分別由定義，Ku為Gram矩陣K所對應(yīng)的前l(fā)行元素，Kv為Gram矩陣K所對應(yīng)的后l行元素，K為由元素Kij＝Kc(zi,zj)構(gòu)成的方陣；其中：Step4：通過參數(shù)γ和bc得ui,vi之間的MPM分界面為:將任意服從有界分布Λ的點(diǎn)x代入式(18)，通過求解可得回歸模型的輸出同時，為了避免使用非線性優(yōu)化問題求解值，通常限定核函數(shù)滿足式(19)：其中，為滿足Mercer條件的核函數(shù),并有：zi＝ui,y'i＝y(tǒng)i+ε,i＝1,...,lzi＝vi,y'i＝y(tǒng)i-ε,i＝l+1,...,2l將式(19)所示的核函數(shù)代入式(18)，通過求解y可得式(20)的回歸方法：Step5：通過參數(shù)γ和bc和式(20)計(jì)算得到參數(shù)β0和βi：βi＝-2ε(γi+γi+l)β0＝-2εbc其中，ε＝2；Step6：根據(jù)參數(shù)β0和βi通過式(12)計(jì)算經(jīng)驗(yàn)尺度分量模型和經(jīng)驗(yàn)小波分量模型的輸出。這里，通過求解式(16)最下化問題，即求解最優(yōu)化問題得出γ，但為了方便求解，也能轉(zhuǎn)化為為式(21)所示的線性最小二乘問題求解：其中，γ＝γ0+Ft,t∈R2l-1，F(xiàn)∈Rl×(l-1)為正交矩陣，其列向量空間正交于向量的向量子空間。實(shí)施例2：如表1、2及附圖1、2、3、4、5、6所示，以阿克蘇地區(qū)的短期光伏功率預(yù)測為例，阿克蘇地區(qū)的短期光伏功率預(yù)測過程如下：第一步：使用Corrcoef(X,Y)函數(shù)對阿克蘇地區(qū)2015年6月中天氣類型為晴天光伏功率數(shù)據(jù)的歷史數(shù)據(jù)進(jìn)行篩選，以6月23日為基準(zhǔn)，得到如表1所示相關(guān)度計(jì)算結(jié)果，除6月7日個別樣本點(diǎn)外，各相似日的變化趨勢和光伏出力基本一致，因此選取表1中前4天的數(shù)據(jù)作為訓(xùn)練樣本，6月23日的數(shù)據(jù)作為測試樣本；第二步：采用EWT方法對篩選出的5天(每天07:45至21:45間隔為15min的57個樣本點(diǎn)，共285個樣本點(diǎn))的晴天光伏功率序列進(jìn)行分解，得到經(jīng)驗(yàn)尺度分量F0和經(jīng)驗(yàn)小波分量F1、F2，即如圖2所示分解得到3個模態(tài)分量，分別為F0、F1、F2；第三步：采用KMPMR方法對3個模態(tài)分量F0、F1、F2構(gòu)建相應(yīng)預(yù)測模型，通過交叉驗(yàn)證的方法確定分量F0的嵌入維數(shù)Δ＝4，F(xiàn)1和F2中Δ取值均為7，并計(jì)算各分量預(yù)測模型的輸出；第四步：將各分量預(yù)測結(jié)果進(jìn)行疊加，得到如圖3所示的待預(yù)測日光伏輸出功率的預(yù)測值。使用EMD方法對上述篩選出的5天(每天07:45至21:45間隔為15min的57個樣本點(diǎn)，共285個樣本點(diǎn))的晴天光伏功率序列進(jìn)行分解，如圖4所示分解得到5個模態(tài)分量IMF1至IMF5；采用KMPMR方法對5個模態(tài)分量構(gòu)建預(yù)測模型，計(jì)算模型輸出，疊加分量預(yù)測結(jié)果，得出預(yù)測值；把此方法與本發(fā)明進(jìn)行對比，使用EMD方式分解得到的模態(tài)分量數(shù)量多，同時IMF3至IMF5完全可以用一個模態(tài)分量的形式呈現(xiàn)，故產(chǎn)生了虛假模態(tài)分量；而本發(fā)明分解得到的模態(tài)分量明顯減少，并且本發(fā)明各分解分量之間具有明顯的特征差異，F(xiàn)0為平穩(wěn)分量，幾乎可以取得100％的預(yù)測精度；F1的波動較為規(guī)律，與晴天時光伏出力的整個變化趨勢相一致，也可以取得很高的預(yù)測精度，分量F2的變化較為劇烈，會產(chǎn)生一定的預(yù)測誤差，但其幅值很小，不會為最終的預(yù)測結(jié)果帶來太大的累積誤差；如表2、圖5、6所示，通過MAE、RMSE指標(biāo)對兩種方法進(jìn)行分析，本發(fā)明的MAE、RMSE指標(biāo)分別都有提高，從而比較得出本發(fā)明的誤差最小。本發(fā)明有效減少了分解得到的模態(tài)分量，降低了構(gòu)建預(yù)測模型的個數(shù)，降低了組合預(yù)測的計(jì)算規(guī)模，避免了產(chǎn)生虛假本征模態(tài)分量現(xiàn)象的發(fā)生，有效提高了的預(yù)測精度。實(shí)施例3：如表3、4及附圖1、7、8、9、10、11所示，以阿克蘇地區(qū)的短期光伏功率預(yù)測為例，阿克蘇地區(qū)的短期光伏功率預(yù)測過程如下：第一步：使用Corrcoef(X,Y)函數(shù)對阿克蘇地區(qū)2015年7月中天氣類型為陰天光伏功率數(shù)據(jù)的歷史數(shù)據(jù)進(jìn)行篩選，以7月31日為基準(zhǔn)，得到如表3所示相關(guān)度計(jì)算結(jié)果，篩選出與待預(yù)測日相關(guān)度高的訓(xùn)練樣本，故選取26日和28日的數(shù)據(jù)作為訓(xùn)練樣本，即陰天光伏功率序列；第二步：采用EWT方法對篩選出的26日和28日(每天07:45至21:45間隔為15min的57個樣本點(diǎn)，共171個樣本點(diǎn))的陰天光伏功率序列進(jìn)行分解，得到經(jīng)驗(yàn)尺度分量F0和經(jīng)驗(yàn)小波分量F1、F2，即如圖7所示分解得到3個模態(tài)分量，分別為F0、F1、F2；第三步：采用KMPMR方法對3個模態(tài)分量F0、F1、F2構(gòu)建相應(yīng)預(yù)測模型，通過交叉驗(yàn)證的方法確定分量F0的嵌入維數(shù)Δ為2，F(xiàn)1Δ取值均為5，F(xiàn)2中Δ取值均為7，并計(jì)算各分量預(yù)測模型的輸出；第四步：將各分量預(yù)測結(jié)果進(jìn)行疊加，得到如圖8所示的待預(yù)測日光伏輸出功率的預(yù)測值。使用EMD方法對上述篩選出的26日和28日(每天07:45至21:45間隔為15min的57個樣本點(diǎn)，共171個樣本點(diǎn))的陰天光伏功率序列進(jìn)行分解，如圖9所示分解得到6個模態(tài)分量IMF1至IMF6；對6個模態(tài)分量構(gòu)建預(yù)測模型，計(jì)算模型輸出，疊加分量預(yù)測結(jié)果，得出預(yù)測值；把此方法與本發(fā)明進(jìn)行對比，使用EMD方法分解得到的模態(tài)分量數(shù)量多，同時IMF3至IMF6出現(xiàn)了難以解釋的虛化尖銳的樣本點(diǎn)，并產(chǎn)生了虛假模態(tài)分量，故會因此產(chǎn)生一定誤差，相比于EMD方法，本發(fā)明分解得到的模態(tài)分量明顯減少，并且本發(fā)明各分解分量之間具有明顯的特征差異；如表4、圖10、11通過MAE、RMSE指標(biāo)對兩種方法進(jìn)行分析，本發(fā)明的MAE、RMSE指標(biāo)分別提高了38.74％，33.96％。本發(fā)明有效減少了分解得到的模態(tài)分量，降低了構(gòu)建預(yù)測模型的個數(shù)，降低了組合預(yù)測的計(jì)算規(guī)模，避免了產(chǎn)生虛假本征模態(tài)分量現(xiàn)象的發(fā)生，有效提高了的預(yù)測精度。以上技術(shù)特征構(gòu)成了本發(fā)明的最佳實(shí)施例，其具有較強(qiáng)的適應(yīng)性和最佳實(shí)施效果，可根據(jù)實(shí)際需要增減非必要的技術(shù)特征，來滿足不同情況的需求。表1：晴天光伏功率相似度計(jì)算結(jié)果日期6-6日6-7日6-18日6-19日6-23日相關(guān)度0.98630.97780.98720.9871-表2：晴天光伏功率預(yù)測中EWT-KMPMR預(yù)測方法與EMD和KMPMR預(yù)測方法的性能比較預(yù)測方法MAERMSE相關(guān)度EMD和KMPMR0.39380.59940.9951EWT-KMPMR0.35670.54190.9958表3：陰天光伏功率相似度計(jì)算結(jié)果日期7月24日7月26日7月27日7月28日7月31日相關(guān)度0.56570.82030.56070.8602-表4：陰天光伏功率預(yù)測中EWT-KMPMR預(yù)測方法與EMD和KMPMR預(yù)測方法的性能比較預(yù)測方法MAERMSE相關(guān)度EMD和KMPMR1.23701.80480.9214EWT-KMPMR0.75781.19190.9636當(dāng)前第1頁1 2 3