基于eemd和組合核rvm的光伏功率短期預測方法
【技術領域】
[0001] 本發明屬于新能源發電和智能電網的技術領域，具體涉及一種基于EEMD和組合核 RVM的光伏功率短期預測方法。
【背景技術】
[0002] 20世紀70年代后，伴隨著工業化的發展，化石燃料面臨枯竭，環境問題也日益突 出。為了解決這一難題，人類開始關注可再生能源，其中太陽能成為大家關注的焦點。到 2014年年底中國光伏電站裝機容量達14GW，預計2030年光伏裝機容量將達100-200GW。然而 光伏發電易受諸多氣候因素的干擾，并網后功率的擾動嚴重時可能會影響電網的安全穩定 運行，因此對光伏輸出功率的預測研究就顯得尤為必要。
[0003]目前，光伏輸出功率預測的方法大致可以分為兩類:一類是間接預測，另一類是直 接預測。間接預測是利用日照輻射量的預測值估算光伏輸出功率。間接預測需要詳細的氣 象數據作為支持，但是我國目前只有98個太陽輻射觀測站點，支撐數據較少；同時，天氣預 報的準確度有限，導致間接預測的效果不佳;直接預測是根據光伏歷史輸出功率數據和天 氣影響因素對未來一段時間內的光伏輸出功率進行預測，數據需求相對較少，是國內光伏 功率預測的主流方法，本發明采用的就是直接預測。
[0004]考慮實際光伏輸出功率的非平穩性，直接對其進行預測的誤差較大。主流的改進 方法是通過對原始數據的分解，降低數據復雜度，其中比較典型的方法有小波分析、EMD (EmpiricalModeDecomposition，經驗模態分解）、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：需人為設定、主觀性強、 經驗模態分解易出現模態混疊。
[0006] 傳統的負荷預測方法有很多，諸如時間序列、ANN(ArtificialNeuralNetworks, 人工神經網絡）、SVM(SupportVectorMachines,支持向量機）等都已經得到了廣泛的使 用。然而在實際應用過程中，時間序列由于暫不考慮外界因素影響，當外界環境發生較大變 化時，預測誤差往往較大;ANN方法在訓練中容易導致學習不足或過擬合的問題；
[0007]SVM等機器學習算法雖能有效避免陷入局部最小的風險，能實現較為精確的預測， 但是仍存在以下不足:①核函數必須滿足Mercer條件，可選核函數較少;②參數較多，且支 持向量隨著訓練樣本的增加而線性增長，計算量較大;③當輸入影響因素較多時，將會導致 預測模型結構過于復雜，訓練效率低。
【發明內容】
[0008]發明目的：本發明針對現有技術中存在的缺陷，提供一種基于EEMD(Ensemble EmpiricalModeDecomposition,集合經驗模態分解）和組合核RVM(RelevanceVector Machines，相關向量機)的光伏功率短期預測方法。
[0009]技術方案:一種基于EEMD和組合核RVM的光伏功率短期預測方法，包括以下步驟：
[0010]S1:按照天氣狀況將光伏功率數據分成晴天、陰天、雨天和多云天4種類型，并分別 建模；
[0011]S2:采用EEMD將非平穩的光伏功率數據分解為一系列初步平穩且具有不同特征尺 度的余量和IMF分量；
[0012]S3:選擇與待預測日相同天氣類型的前5天每時刻光伏功率的余量和IMF分量分別 構造樣本輸入，分析并選取光伏功率預測的影響因素的歷史數據和預測數據作為補充輸 入，以所對應的待預測日的余量和IMF分量數據作為輸出，構造出訓練樣本和預測樣本并進 行樣本歸一化；
[0013]S4:設定組合核RVM預測模型的迭代初值與模型參數搜索范圍，在使用訓練樣本對 組合核RVM預測模型進行訓練的過程中采用網格搜索優化參數，通過訓練誤差的迭代替換 得到最優核寬和組合核權重參數；
[0014]S5:將預測樣本的輸入導入訓練好的組合核RVM模型，模型輸出即為待預測日的光 伏功率余量和IMF分量的預測結果；
[0015]S6:將余量和各IMF分量的預測結果進行疊加求和，得到待預測日光伏輸出功率的 預測值。
[0016]優選的，所述步驟S2包括如下的子步驟：
[0017]S2.1:設定白噪聲的幅值k和進行EMD分解的總次數M;
[0018]S2.2:在光伏功率數據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得到的數據序列進行分解得到一系列的余量 和頂F分量；
[0020]S2.4:重復Μ次步驟S2.2至S2.3，重復所述步驟S2.2時每次加入的為相同幅值的不 同白噪聲序列，對Μ次EMD分解得到的各個IMF及剩余分量計算均值
[0021]
[0022]其中，Ci ,m(t)為第m次EMD分解得到的第i個頂F分量;rn,m(t)為第m次EMD分解得到 的第η個余量;t表示第t個數據；
[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:初始化循環變量i=l，xi(t)=x(t)，其中x(t)為待分解的原始數據序列；
[0026]S2.3.2:初始化循環變量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線Uj(t)，找出yj(t)中 所有局部極小值并擬合成下包絡線W(t)，使得Uj(t)和Vj(t)包絡所有的數據點；求得Uj(t) 和^⑴的平均值m,(〇=^(f)p(f)，原始信號與包絡均值的差值匕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，重復步 驟S2.3.2至S2.3.4;滿足，則分解結束；由此共可分解出η個頂F分量Ci(t)和一個剩余分量化 (t)，EMD對x(t)的分解過程結束;x(t)表示為Λ., (f) =?]A(Ο(0。 /----I
[0030]優選的，步驟S3中所述的光伏功率預測的影響因素包括溫度和光照強度。
[0031]優選的，步驟S3中所述的構造樣本輸入具體為：
[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個樣本輸入第t時刻的影響因素;y(i，t)表示第i個樣本輸入 對應第t時刻的輸出；L(i-l，t)表示預測日前一天第i時刻的光伏數據;L(i-2，t)表示預測 日前兩天第i時刻的光伏數據;L(i-3，t)表示預測日前三天第i時刻的光伏數據;L(i-4，t) 表示預測日前四天第i時刻的光伏數據;L(i-5，t)表示預測日前五天第i時刻的光伏數據;T (i，t)表示預測日第i時刻的溫度預報數據;T(i-l，t)表示預測日前一天第i時刻的溫度數 據;T(i-2，t)表示預測日前兩天第i時刻的溫度數據;T(i-3，t)表示預測日前三天第i時刻 的溫度數據;T(i-4，t)表示預測日前四天第i時刻的溫度數據;T(i-5，t)表示預測日前五天 第i時刻的溫度數據;S(i，t)表示預測日第i時刻的光照預報數據;S(i-l，t)表示預測日前 一天第i時刻的光照數據;S(i-2，t)表示預測日前兩天第i時刻的光照數據;S(i-3，t)表示 預測日前三天第i時刻的光照數據;S(i-4，t)表示預測日前四天第i時刻的光照數據;S(i-5，t)表示預測日前五天第i時刻的光照數據。
[0034]優選的，步驟S3中所述的樣本歸一化具體為：f，
[0035]其中，訴)為歸一化后的數據值;x(i)為原始數據;Xmax，Xmin分別為原始數據中的最 大值和最小值。
[0036]優選的，所述步驟S4包括如下的子步驟：
[0037]S4.1:設定組合核RVM預測模型的迭代初值與模型參數搜索范圍；
[0038]S4.2:計算組合核RVM模型的核函數，采用網格搜索對模型的核寬參數和組合核權 重參數進行優化，檢驗當前迭代獲得的參數是否滿足要求，滿足，則此參數為組合核RVM預 測模型最優參數;不滿足，則更新參數，直到滿足迭代要求或者達到最大迭代次數。
[0039]優選的，步驟S4.2中所述的計算組合核RVM模型的核函數采用局部核-高斯核和全 局核-多項式核的組合，具體為:K(x，xi) =wG(x，