技術(shù)特征：

1.一種基于EWT-KMPMR的短期光伏功率預(yù)測方法，其特征在于包括以下步驟：

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行篩選，篩選出與待預(yù)測日相關(guān)度高的序列為訓練樣本，訓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行分解,得到經(jīng)驗尺度分量F₀和經(jīng)驗小波分量F₁至F_N-1；

第三步：采用KMPMR方法對經(jīng)驗尺度分量F₀和經(jīng)驗小波分量F₁至F_N-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)果進行疊加，得到待預(yù)測日光伏輸出功率的預(yù)測值。

2.根據(jù)權(quán)利要求1所述的一種基于EWT-KMPMR的短期光伏功率預(yù)測方法，其特征在于第二步中：所述的采用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行分解，即將原信號f(t)的頻段進行傅里葉分割，分解成為N+1個固有模態(tài)函數(shù)f_k(t)，f_k(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Λ_n＝[ω_n-1,ω_n]，當確定好Λ_n后，經(jīng)驗小波定義為在每一個Λ_n上的帶通濾波器，根據(jù)Meyer小波確定經(jīng)驗尺度函數(shù)和經(jīng)驗小波函數(shù)分別如式(2)和式(3)所示：

其中：τ_n＝γω_n(0＜γ＜1)

$\mathrm{\γ}\<{\min }_n\left(\frac{{\mathrm{\ω}}_{n+1}-{\mathrm{\ω}}_n}{{\mathrm{\ω}}_{n+1}+{\mathrm{\ω}}_n}\right);$

Step2：在構(gòu)建好一組小波后，定義信號f(t)經(jīng)驗小波變換的細節(jié)系數(shù)和近似系數(shù)過程如下：

(1)定義細節(jié)系數(shù)細節(jié)系數(shù)由經(jīng)驗小波函數(shù)與信號內(nèi)積產(chǎn)生：

$\begin{array}{c}{W}_f^{\mathrm{\ϵ}}(n,t)=\<f,{\mathrm{\ψ}}_n\left(t\right)\>=\∫f\left(\mathrm{\τ}\right)\stackrel{\‾}{{\mathrm{\ψ}}_n(\mathrm{\τ}-t)}d\mathrm{\τ}\\ =F^{-1}\left(\hat{f}\left(\mathrm{\ω}\right)\stackrel{\‾}{{\widehat{\mathrm{\ψ}}}_n\left(\mathrm{\ω}\right)}\right)\end{array}---\left(4\right)$

(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：

$\begin{array}{c}{W}_f^{\mathrm{\ϵ}}(0,t)=\<f,{\mathrm{\φ}}_1\>=\∫f\left(\mathrm{\τ}\right)\stackrel{\‾}{{\mathrm{\φ}}_1\left(\mathrm{\τ}-t\right)}d\mathrm{\τ}\\ =F^{-1}\left(\hat{f}\left(\mathrm{\ω}\right)\stackrel{\‾}{{\widehat{\mathrm{\φ}}}_1\left(\mathrm{\ω}\right)}\right)\end{array}---\left(5\right)$

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)驗小波函數(shù)和經(jīng)驗尺度函數(shù)φ₁(t)的傅里葉變換形式，分別為ψ_n(t)，φ₁(t)的復(fù)共軛；

Step3：原始信號f(t)被重構(gòu)如式(6)所示：

$\begin{array}{c}f\left(t\right)=W_f^{\mathrm{\ϵ}}\left(0,t\right)*{\mathrm{\φ}}_1\left(t\right)+\underset{n=1}{\overset{N}{\Σ}}{W}_f^{\mathrm{\ϵ}}\left(n,t\right)*{\mathrm{\ψ}}_n\left(t\right)\\ =F^{-1}\[{\hat{W}}_f^{\mathrm{\ϵ}}\left(0,\mathrm{\ω}\right)*{\widehat{\mathrm{\φ}}}_1\left(\mathrm{\ω}\right)+\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{\hat{W}}_f^{\mathrm{\ϵ}}\left(n,\mathrm{\ω}\right)*{\widehat{\mathrm{\ψ}}}_n\left(\mathrm{\ω}\right)\]\end{array}---\left(6\right)$

其中：和分別為和的傅里葉變換形式；

Step4：計算經(jīng)驗尺度分量f₀(t)和經(jīng)驗小波分量f_k(t)，如式(7)和式(8)所示：

$f_0\left(t\right)=W_f^{\mathrm{\ϵ}}(0,t)*{\mathrm{\φ}}_1\left(t\right)---\left(7\right)$

$f_k\left(t\right)=W_f^{\mathrm{\ϵ}}(k,t)*{\mathrm{\ψ}}_k\left(t\right)---\left(8\right).$

3.根據(jù)權(quán)利要求1或2所述的一種基于EWT-KMPMR的短期光伏功率預(yù)測方法，其特征在于第三步中：建立預(yù)測模型包括以下步驟：

Step1：設(shè)定回歸數(shù)學模型為：

y＝f(x)+ρ (9)

其中，服從于某種有界分布Λ，噪聲項為ρ，E[ρ]＝0，Var[ρ]＝δ²，δ為有限值；

Step2：給定l組訓練樣本Γ＝{(x₁,y₁),...,(x_l,y_l)}；其中，服從于分布Λ，

Step3：根據(jù)給定的訓練集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輸出值y±ε管道內(nèi)的最小概率下界，即

$\mathrm{\Ω}=\inf \mathrm{Pr}\left\{\right|\hat{y}-y|\<\mathrm{\ϵ}\}---\left(11\right)$

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：

$\begin{array}{c}\hat{y}(t+\mathrm{\η})=f\left(x_t\right)=\underset{i=1}{\overset{l}{\Σ}}{\mathrm{\β}}_{i}k(x_i,x_t)+{\mathrm{\β}}_0\\ \∀t=M\mathrm{...}l\end{array}---\left(12\right)$

其中，η表示預(yù)測樣本點的個數(shù)，x_t為由歷史光伏功率值(y_t-1,y_t-2,...,y_t-M)構(gòu)成的多維輸入向量，M為嵌入維數(shù)。

4.根據(jù)權(quán)利要求1或2所述的一種基于EWT-KMPMR的短期光伏功率預(yù)測方法，其特征在于第三步中：采用KMPMR方法對經(jīng)驗尺度分量和經(jīng)驗小波分量構(gòu)建相應(yīng)預(yù)測模型及各分量預(yù)測模型輸出進行計算的步驟如下：

Step1：采用KMPMR方法對經(jīng)驗尺度分量和經(jīng)驗小波分量構(gòu)建相應(yīng)預(yù)測模型，預(yù)測模型如式(12)所示：

$\begin{array}{c}\hat{y}(t+\mathrm{\η})=f\left(x_t\right)=\underset{i=1}{\overset{l}{\Σ}}{\mathrm{\β}}_{i}k(x_i,x_t)+{\mathrm{\β}}_0\\ \∀t=M\mathrm{...}l\end{array}---\left(12\right)$

其中，η表示預(yù)測樣本點的個數(shù)，x_t為由歷史光伏功率值(y_t-1,y_t-2,...,y_t-M)構(gòu)成的多維輸入向量，M為嵌入維數(shù)；

Step2：將訓練樣本集轉(zhuǎn)換為特定的二分類問題，如式(13)所示，即實現(xiàn)對未知數(shù)據(jù)正確分類的概率的一種最大化：

$\begin{array}{cc}{u}_i=(y_i+\mathrm{\ϵ},x_{i1},x_{i2},...,x_{id})& i=1,...,l\\ v_i=(y_i-\mathrm{\ϵ},x_{i1},x_{i2},...,x_{id})& i=1,...,l\end{array}---\left(13\right)$

其中u_i,v_i∈R^m(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：

$c=sign\[\underset{i=1}{\overset{2l}{\mathrm{\Σ}}}{\mathrm{\γ}}_i{K}^c(z_i,z)+b_c\]---\left(15\right)$

其中:c＝-1表示第一類，c＝1表示第二類；

Step3：通過式(16)和式(17)計算參數(shù)γ和b_c：

$\begin{array}{c}\underset{\mathrm{\γ}}{\min }\left\{\right|\left|\frac{{\tilde{K}}_u}{\sqrt{N_u}}\mathrm{\γ}\right|{|}_2+\left|\right|\frac{{\tilde{K}}_v}{\sqrt{N_v}}\mathrm{\γ}\left|{|}_2\right\}\\ \begin{array}{cc}s.t.& {\mathrm{\γ}}^T({\tilde{k}}_u-{\tilde{k}}_v)=1\end{array}\end{array}---\left(16\right)$

其中，N_u＝N_v＝l，1_l為K維全為1的列向量，分別由定義，K_u為Gram矩陣K所對應(yīng)的前l(fā)行元素，K_v為Gram矩陣K所對應(yīng)的后l行元素，K為由元素K_ij＝K^c(z_i,z_j)構(gòu)成的方陣；

$b_c={\mathrm{\γ}}^T{\tilde{k}}_u-k\sqrt{\frac{1}{l}{\mathrm{\γ}}^T{\tilde{K}}_u^T{\tilde{K}}_u\mathrm{\γ}}={\mathrm{\γ}}^T{\tilde{k}}_v-k\sqrt{\frac{1}{l}{\mathrm{\γ}}^T{\tilde{K}}_v^T{\tilde{K}}_v\mathrm{\γ}}---\left(17\right)$

其中：

Step4：通過參數(shù)γ和b_c得u_i,v_i之間的MPM分界面為:

$\underset{i=1}{\overset{2l}{\Σ}}{\mathrm{\γ}}_i{K}^c(z_i,z)+b_c=0---\left(18\right)$

將任意服從有界分布Λ的點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)：

$K^c(z_i,z)={y^{\′}}_i\hat{y}+K(x_i,x)---\left(19\right)$

其中，為滿足Mercer條件的核函數(shù),并有：

$z=\left(\hat{y},x_1,...x_d\right)$

z_i＝u_i,y'_i＝y(tǒng)_i+ε,i＝1,...,l

z_i＝v_i,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：

$y=(-2\mathrm{\ϵ})\[\left(\underset{i=1}{\overset{l}{\Σ}}\right({\mathrm{\γ}}_i+{\mathrm{\γ}}_{i+l}\left)K^{\′}\right(x_i,x\left)\right)+b_c\]---\left(20\right)$

Step5：通過參數(shù)γ和b_c和式(20)計算得到參數(shù)β₀和β_i：

β_i＝-2ε(γ_i+γ_i+l)

β₀＝-2εb_c

其中，ε＝2；

Step6：根據(jù)參數(shù)β₀和β_i通過式(12)計算經(jīng)驗尺度分量模型和經(jīng)驗小波分量模型的輸出。

5.根據(jù)權(quán)利要求3所述的一種基于EWT-KMPMR的短期光伏功率預(yù)測方法，其特征在于第三步中：采用KMPMR方法對經(jīng)驗尺度分量和經(jīng)驗小波分量構(gòu)建相應(yīng)預(yù)測模型及各分量預(yù)測模型輸出進行計算的步驟如下：

Step1：采用KMPMR方法對經(jīng)驗尺度分量和經(jīng)驗小波分量構(gòu)建相應(yīng)預(yù)測模型，預(yù)測模型如式(12)所示：

$\begin{array}{c}\hat{y}(t+\mathrm{\η})=f\left(x_t\right)=\underset{i=1}{\overset{l}{\Σ}}{\mathrm{\β}}_{i}k(x_i,x_t)+{\mathrm{\β}}_0\\ \∀t=M\mathrm{...}l\end{array}---\left(12\right)$

其中，η表示預(yù)測樣本點的個數(shù)，x_t為由歷史光伏功率值(y_t-1,y_t-2,...,y_t-M)構(gòu)成的多維輸入向量，M為嵌入維數(shù)；

Step2：將訓練樣本集轉(zhuǎn)換為特定的二分類問題，如式(13)所示，即實現(xiàn)對未知數(shù)據(jù)正確分類的概率的一種最大化：

$\begin{array}{cc}{u}_i=(y_i+\mathrm{\ϵ},x_{i1},x_{i2},...,x_{id})& i=1,...,l\\ v_i=(y_i-\mathrm{\ϵ},x_{i1},x_{i2},...,x_{id})& i=1,...,l\end{array}---\left(13\right)$

其中u_i,v_i∈R^m(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：

$c=sign\[\underset{i=1}{\overset{2l}{\mathrm{\Σ}}}{\mathrm{\γ}}_i{K}^c(z_i,z)+b_c\]---\left(15\right)$

其中:c＝-1表示第一類，c＝1表示第二類；

Step3：通過式(16)和式(17)計算參數(shù)γ和b_c：

$\begin{array}{c}\underset{\mathrm{\γ}}{\min }\left\{\right|\left|\frac{{\tilde{K}}_u}{\sqrt{N_u}}\mathrm{\γ}\right|{|}_2+\left|\right|\frac{{\tilde{K}}_v}{\sqrt{N_v}}\mathrm{\γ}\left|{|}_2\right\}\\ \begin{array}{cc}s.t.& {\mathrm{\γ}}^T({\tilde{k}}_u-{\tilde{k}}_v)=1\end{array}\end{array}---\left(16\right)$

其中，N_u＝N_v＝l，1_l為K維全為1的列向量，分別由定義，K_u為Gram矩陣K所對應(yīng)的前l(fā)行元素，K_v為Gram矩陣K所對應(yīng)的后l行元素，K為由元素K_ij＝K^c(z_i,z_j)構(gòu)成的方陣；

$b_c={\mathrm{\γ}}^T{\tilde{k}}_u-k\sqrt{\frac{1}{l}{\mathrm{\γ}}^T{\tilde{K}}_u^T{\tilde{K}}_u\mathrm{\γ}}={\mathrm{\γ}}^T{\tilde{k}}_v-k\sqrt{\frac{1}{l}{\mathrm{\γ}}^T{\tilde{K}}_v^T{\tilde{K}}_v\mathrm{\γ}}---\left(17\right)$

其中：

Step4：通過參數(shù)γ和b_c得u_i,v_i之間的MPM分界面為:

$\underset{i=1}{\overset{2l}{\Σ}}{\mathrm{\γ}}_i{K}^c(z_i,z)+b_c=0---\left(18\right)$

將任意服從有界分布Λ的點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)：

$K^c(z_i,z)={y^{\′}}_i\hat{y}+K(x_i,x)---\left(19\right)$

其中，為滿足Mercer條件的核函數(shù),并有：

$z=\left(\hat{y},x_1,...x_d\right)$

z_i＝u_i,y'_i＝y(tǒng)_i+ε,i＝1,...,l

z_i＝v_i,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：

$y=(-2\mathrm{\ϵ})\[\left(\underset{i=1}{\overset{l}{\Σ}}\right({\mathrm{\γ}}_i+{\mathrm{\γ}}_{i+l}\left)K^{\′}\right(x_i,x\left)\right)+b_c\]---\left(20\right)$

Step5：通過參數(shù)γ和b_c和式(20)計算得到參數(shù)β₀和β_i：

β_i＝-2ε(γ_i+γ_i+l)

β₀＝-2εb_c

其中，ε＝2；

Step6：根據(jù)參數(shù)β₀和β_i通過式(12)計算經(jīng)驗尺度分量模型和經(jīng)驗小波分量模型的輸出。