基于eemd和組合核rvm的光伏功率短期預(yù)測(cè)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于新能源發(fā)電和智能電網(wǎng)的技術(shù)領(lǐng)域，具體涉及一種基于EEMD和組合核 RVM的光伏功率短期預(yù)測(cè)方法。
【背景技術(shù)】
[0002] 20世紀(jì)70年代后，伴隨著工業(yè)化的發(fā)展，化石燃料面臨枯竭，環(huán)境問題也日益突 出。為了解決這一難題，人類開始關(guān)注可再生能源，其中太陽(yáng)能成為大家關(guān)注的焦點(diǎn)。到 2014年年底中國(guó)光伏電站裝機(jī)容量達(dá)14GW，預(yù)計(jì)2030年光伏裝機(jī)容量將達(dá)100-200GW。然而 光伏發(fā)電易受諸多氣候因素的干擾，并網(wǎng)后功率的擾動(dòng)嚴(yán)重時(shí)可能會(huì)影響電網(wǎng)的安全穩(wěn)定 運(yùn)行，因此對(duì)光伏輸出功率的預(yù)測(cè)研究就顯得尤為必要。
[0003]目前，光伏輸出功率預(yù)測(cè)的方法大致可以分為兩類:一類是間接預(yù)測(cè)，另一類是直 接預(yù)測(cè)。間接預(yù)測(cè)是利用日照輻射量的預(yù)測(cè)值估算光伏輸出功率。間接預(yù)測(cè)需要詳細(xì)的氣 象數(shù)據(jù)作為支持，但是我國(guó)目前只有98個(gè)太陽(yáng)輻射觀測(cè)站點(diǎn)，支撐數(shù)據(jù)較少；同時(shí)，天氣預(yù) 報(bào)的準(zhǔn)確度有限，導(dǎo)致間接預(yù)測(cè)的效果不佳;直接預(yù)測(cè)是根據(jù)光伏歷史輸出功率數(shù)據(jù)和天 氣影響因素對(duì)未來(lái)一段時(shí)間內(nèi)的光伏輸出功率進(jìn)行預(yù)測(cè)，數(shù)據(jù)需求相對(duì)較少，是國(guó)內(nèi)光伏 功率預(yù)測(cè)的主流方法，本發(fā)明采用的就是直接預(yù)測(cè)。
[0004]考慮實(shí)際光伏輸出功率的非平穩(wěn)性，直接對(duì)其進(jìn)行預(yù)測(cè)的誤差較大。主流的改進(jìn) 方法是通過(guò)對(duì)原始數(shù)據(jù)的分解，降低數(shù)據(jù)復(fù)雜度，其中比較典型的方法有小波分析、EMD (EmpiricalModeDecomposition，經(jīng)驗(yàn)?zāi)B(tài)分解）、LMD(LocalMean〇6。。115)。8；[1:;[。11，局域 均值分解)等。
[0005] 但小波分析、EMD以及LMD等信息處理方法存在的問題是：需人為設(shè)定、主觀性強(qiáng)、 經(jīng)驗(yàn)?zāi)B(tài)分解易出現(xiàn)模態(tài)混疊。
[0006] 傳統(tǒng)的負(fù)荷預(yù)測(cè)方法有很多，諸如時(shí)間序列、ANN(ArtificialNeuralNetworks, 人工神經(jīng)網(wǎng)絡(luò)）、SVM(SupportVectorMachines,支持向量機(jī)）等都已經(jīng)得到了廣泛的使 用。然而在實(shí)際應(yīng)用過(guò)程中，時(shí)間序列由于暫不考慮外界因素影響，當(dāng)外界環(huán)境發(fā)生較大變 化時(shí)，預(yù)測(cè)誤差往往較大;ANN方法在訓(xùn)練中容易導(dǎo)致學(xué)習(xí)不足或過(guò)擬合的問題；
[0007]SVM等機(jī)器學(xué)習(xí)算法雖能有效避免陷入局部最小的風(fēng)險(xiǎn)，能實(shí)現(xiàn)較為精確的預(yù)測(cè)， 但是仍存在以下不足:①核函數(shù)必須滿足Mercer條件，可選核函數(shù)較少;②參數(shù)較多，且支 持向量隨著訓(xùn)練樣本的增加而線性增長(zhǎng)，計(jì)算量較大;③當(dāng)輸入影響因素較多時(shí)，將會(huì)導(dǎo)致 預(yù)測(cè)模型結(jié)構(gòu)過(guò)于復(fù)雜，訓(xùn)練效率低。

【發(fā)明內(nèi)容】

[0008]發(fā)明目的：本發(fā)明針對(duì)現(xiàn)有技術(shù)中存在的缺陷，提供一種基于EEMD(Ensemble EmpiricalModeDecomposition,集合經(jīng)驗(yàn)?zāi)B(tài)分解）和組合核RVM(RelevanceVector Machines，相關(guān)向量機(jī))的光伏功率短期預(yù)測(cè)方法。
[0009]技術(shù)方案:一種基于EEMD和組合核RVM的光伏功率短期預(yù)測(cè)方法，包括以下步驟：
[0010]S1:按照天氣狀況將光伏功率數(shù)據(jù)分成晴天、陰天、雨天和多云天4種類型，并分別 建模；
[0011]S2:采用EEMD將非平穩(wěn)的光伏功率數(shù)據(jù)分解為一系列初步平穩(wěn)且具有不同特征尺 度的余量和IMF分量；
[0012]S3:選擇與待預(yù)測(cè)日相同天氣類型的前5天每時(shí)刻光伏功率的余量和IMF分量分別 構(gòu)造樣本輸入，分析并選取光伏功率預(yù)測(cè)的影響因素的歷史數(shù)據(jù)和預(yù)測(cè)數(shù)據(jù)作為補(bǔ)充輸 入，以所對(duì)應(yīng)的待預(yù)測(cè)日的余量和IMF分量數(shù)據(jù)作為輸出，構(gòu)造出訓(xùn)練樣本和預(yù)測(cè)樣本并進(jìn) 行樣本歸一化；
[0013]S4:設(shè)定組合核RVM預(yù)測(cè)模型的迭代初值與模型參數(shù)搜索范圍，在使用訓(xùn)練樣本對(duì) 組合核RVM預(yù)測(cè)模型進(jìn)行訓(xùn)練的過(guò)程中采用網(wǎng)格搜索優(yōu)化參數(shù)，通過(guò)訓(xùn)練誤差的迭代替換 得到最優(yōu)核寬和組合核權(quán)重參數(shù)；
[0014]S5:將預(yù)測(cè)樣本的輸入導(dǎo)入訓(xùn)練好的組合核RVM模型，模型輸出即為待預(yù)測(cè)日的光 伏功率余量和IMF分量的預(yù)測(cè)結(jié)果；
[0015]S6:將余量和各IMF分量的預(yù)測(cè)結(jié)果進(jìn)行疊加求和，得到待預(yù)測(cè)日光伏輸出功率的 預(yù)測(cè)值。
[0016]優(yōu)選的，所述步驟S2包括如下的子步驟：
[0017]S2.1:設(shè)定白噪聲的幅值k和進(jìn)行EMD分解的總次數(shù)M;
[0018]S2.2:在光伏功率數(shù)據(jù)序列中加入高斯白噪聲；
[0019]S2.3:按照EMD分解流程將步驟S2.2得到的數(shù)據(jù)序列進(jìn)行分解得到一系列的余量 和頂F分量；
[0020]S2.4:重復(fù)Μ次步驟S2.2至S2.3，重復(fù)所述步驟S2.2時(shí)每次加入的為相同幅值的不 同白噪聲序列，對(duì)Μ次EMD分解得到的各個(gè)IMF及剩余分量計(jì)算均值
[0021]
[0022]其中，Ci ,m(t)為第m次EMD分解得到的第i個(gè)頂F分量;rn,m(t)為第m次EMD分解得到 的第η個(gè)余量;t表示第t個(gè)數(shù)據(jù)；
[0023] S2·5:輸出c;(i)(/ = 1,…,.h.)_和.；；.(#)分別作為EEMD分解的IMF分量和剩余分量。
[0024]優(yōu)選的，步驟S2.3中所述的EMD分解流程包括如下的子步驟：
[0025]S2.3.1:初始化循環(huán)變量i=l，xi(t)=x(t)，其中x(t)為待分解的原始數(shù)據(jù)序列；
[0026]S2.3.2:初始化循環(huán)變量j=l，yi(t)=xi(t);
[0027]S2.3.3:找出序列yj (t)中所有局部極大值并擬合成上包絡(luò)線Uj(t)，找出yj(t)中 所有局部極小值并擬合成下包絡(luò)線W(t)，使得Uj(t)和Vj(t)包絡(luò)所有的數(shù)據(jù)點(diǎn)；求得Uj(t) 和^⑴的平均值m,(〇=^(f)p(f)，原始信號(hào)與包絡(luò)均值的差值匕⑴二^⑴~⑴；
[0028]S2.3.4:判斷hj(t)是否滿足IMF分量的兩個(gè)條件，不滿足，則j=j+1，yj(t)=hj-i(t)，返回步驟S2.3.3;滿足，則可得第iflMF分量ci(t)=hj(t)，剩余分量ri(t) =xi(t)-ci (t)；
[0029]S2.3.5:判斷ri(t)是否滿足終止條件，不滿足，則Xi+i(t)=ri(t)，i = i+l，重復(fù)步 驟S2.3.2至S2.3.4;滿足，則分解結(jié)束；由此共可分解出η個(gè)頂F分量Ci(t)和一個(gè)剩余分量化 (t)，EMD對(duì)x(t)的分解過(guò)程結(jié)束;x(t)表示為Λ., (f) =?]A(Ο(0。 /----I
[0030]優(yōu)選的，步驟S3中所述的光伏功率預(yù)測(cè)的影響因素包括溫度和光照強(qiáng)度。
[0031]優(yōu)選的，步驟S3中所述的構(gòu)造樣本輸入具體為：
[0032]樣本的輸入向量為:X(i，t) = [L(i-l，t)，L(i-2，t)，L(i-3，t)，L(i-4，t)，L(i-5， t)，T(i，t)，T(i-l，t)，T(i-2，t)，T(i-3，t)，T(i-4，t)，T(i-5，t)，S(i，t)，S(i-l，t)，S(i-2， 1:)，5(;[-3,1:)，5(;[-4,1:)，5(;[-5,1:)]，;[>5，]_ = 1，"_，]/[，輸出向量為7(;[，1:)=以;[，1:);
[0033] 其中，X(i，t)表示第i個(gè)樣本輸入第t時(shí)刻的影響因素;y(i，t)表示第i個(gè)樣本輸入 對(duì)應(yīng)第t時(shí)刻的輸出；L(i-l，t)表示預(yù)測(cè)日前一天第i時(shí)刻的光伏數(shù)據(jù);L(i-2，t)表示預(yù)測(cè) 日前兩天第i時(shí)刻的光伏數(shù)據(jù);L(i-3，t)表示預(yù)測(cè)日前三天第i時(shí)刻的光伏數(shù)據(jù);L(i-4，t) 表示預(yù)測(cè)日前四天第i時(shí)刻的光伏數(shù)據(jù);L(i-5，t)表示預(yù)測(cè)日前五天第i時(shí)刻的光伏數(shù)據(jù);T (i，t)表示預(yù)測(cè)日第i時(shí)刻的溫度預(yù)報(bào)數(shù)據(jù);T(i-l，t)表示預(yù)測(cè)日前一天第i時(shí)刻的溫度數(shù) 據(jù);T(i-2，t)表示預(yù)測(cè)日前兩天第i時(shí)刻的溫度數(shù)據(jù);T(i-3，t)表示預(yù)測(cè)日前三天第i時(shí)刻 的溫度數(shù)據(jù);T(i-4，t)表示預(yù)測(cè)日前四天第i時(shí)刻的溫度數(shù)據(jù);T(i-5，t)表示預(yù)測(cè)日前五天 第i時(shí)刻的溫度數(shù)據(jù);S(i，t)表示預(yù)測(cè)日第i時(shí)刻的光照預(yù)報(bào)數(shù)據(jù);S(i-l，t)表示預(yù)測(cè)日前 一天第i時(shí)刻的光照數(shù)據(jù);S(i-2，t)表示預(yù)測(cè)日前兩天第i時(shí)刻的光照數(shù)據(jù);S(i-3，t)表示 預(yù)測(cè)日前三天第i時(shí)刻的光照數(shù)據(jù);S(i-4，t)表示預(yù)測(cè)日前四天第i時(shí)刻的光照數(shù)據(jù);S(i-5，t)表示預(yù)測(cè)日前五天第i時(shí)刻的光照數(shù)據(jù)。
[0034]優(yōu)選的，步驟S3中所述的樣本歸一化具體為：f，
[0035]其中，訴)為歸一化后的數(shù)據(jù)值;x(i)為原始數(shù)據(jù);Xmax，Xmin分別為原始數(shù)據(jù)中的最 大值和最小值。
[0036]優(yōu)選的，所述步驟S4包括如下的子步驟：
[0037]S4.1:設(shè)定組合核RVM預(yù)測(cè)模型的迭代初值與模型參數(shù)搜索范圍；
[0038]S4.2:計(jì)算組合核RVM模型的核函數(shù)，采用網(wǎng)格搜索對(duì)模型的核寬參數(shù)和組合核權(quán) 重參數(shù)進(jìn)行優(yōu)化，檢驗(yàn)當(dāng)前迭代獲得的參數(shù)是否滿足要求，滿足，則此參數(shù)為組合核RVM預(yù) 測(cè)模型最優(yōu)參數(shù);不滿足，則更新參數(shù)，直到滿足迭代要求或者達(dá)到最大迭代次數(shù)。
[0039]優(yōu)選的，步驟S4.2中所述的計(jì)算組合核RVM模型的核函數(shù)采用局部核-高斯核和全 局核-多項(xiàng)式核的組合，具體為:K(x，xi) =wG(x，