一种光伏输出功率超短期预测方法
【技术领域】
[0001]本发明涉及电力系统分析技术领域，尤其涉及一种新能源电力系统分析技术。
【背景技术】
[0002] 能源和环境问题促使以光伏为代表的清洁能源获得了广泛关注。由于光照和光伏 发电的自身特性，使得光伏发电呈现波动性和间歇性的特点。光伏大规模并网后会对电网 的安全、经济和可靠运行产生多方面影响，因此必须获得光伏出力的超短期预测数值，从而 调节常规电源实时出力曲线，达到优化调度。
[0003] 但是，现有技术中，对于光伏出力超短期预测的技术方案较少，技术效果也具有较 大局限，例如使用统计学原理的模型精度较低。造成此结果的一个原因是光伏输出功率具 有强烈的随机波动特性，规律难以把握。
【发明内容】
[0004] 鉴于此，本发明的目的在于克服现有技术的缺点，提出一种光伏输出功率超短期 预测方法，首先使用经验模态分解法对光伏出力历史序列进行平稳化预处理，使得序列规 律更容易被学习，然后使用具有良好回归特性的最小二乘支持向量机进行预测，从而获得 更高预测精度。
[0005] 为了实现此目的，本发明采取的技术方案为如下。
[0006] -种光伏输出功率超短期预测方法，包括下述步骤：
[0007] A、使用经验模态分解法对光伏输出功率历史数据进行分解，得到本征模函数和剩 余分量；
[0008] B、对所有本征模函数和剩余分量分别建立最小二乘支持向量机预测模型，进行光 伏输出功率超短期预测，得到预测值；
[0009] C、将步骤B最后所得所有预测值相加，得到最终预测结果。
[0010] 步骤A中使用经验模态分解法进行分解包括：
[0011] A1、识别光伏输出功率历史数据序列x(t)中所有极大值点并使用三次样条插值法 拟合，得到上包络线eup(t)，
[0012] A2、识别光伏输出功率历史数据序列x(t)中所有极小值点并使用三次样条插值法 拟合，得到下包络线elOT(t)，
[0013]
计算均值包络线即上下包络线的平均值nu(t)，
[0014] A4、根据hKOzxUhnuU)计算luU)，判断luU)是否满足筛分终止条件，若满 足，则lu(t)为第一个本征模函数，记为(^(0=^(0,若lu(t)不满足筛分终止条件，则将lu (t)视为新的序列x(t)，从步骤A1开始重新筛分，直到选出满足筛分终止条件的本征模函 数，记为ci(t)=hi(t)，
[0015] A5、根据ri(t) = x(t)-ci(t)计算ri(t)，若ri(t)极值点数目大于等于2个，则将η (t)作为新的序列x(t)，从步骤A1开始重新筛分，若n(t)极值点数目不足2个，则停止分解， n(t)作为剩余分量予以保留，
[0016]最终，光伏输出功率历史数据序列被分解为本征模函数和剩余分量，表示如下：
[0018] 其中Cl(t)为第i个本征模函数，rN(t)为剩余分量。
[0019] 步骤B所述的最小二乘支持向量机预测模型，它的回归方式为：
[0021] 其中：/⑷为模型输出的出力预测值，ω为权向量，外?)为映射函数，i为训练样 本和测试样本，b为偏置，最小二乘支持向量机中使用径向基核函数，共包含两个未知参数 需要进行寻优:正则化参数γ和平方带宽σ 2;
[0022] 使用遗传方法，得到γ和σ2的最佳取值。
[0023]其中，所述筛分终止条件为：
[0024]设此时进行第k次筛分，则当σ小于给定数值，筛分终止：
[0026]其中hak-Wt)和hak)⑴是两个连续筛分的结果序列，η为光伏输出功率历史数 据序列x(t)样本点个数，
[0027] 〇max 取值为0.1。
[0028] 通过采用本发明的光伏输出功率超短期预测方法，能够获得以下有益技术效果： 首先采用经验模态分解法对光伏出力历史序列进行预处理，降低其波动性和随机性，使其 分量变得更平稳更容易被学习。然后使用最小二乘支持向量机模型作为主体预测模型，充 分利用了支持向量机良好的回归特性、小样本适用性、不易陷入局部最优特性、计算速度快 特性等。以上特性使本发明所提模型适宜应用于光伏超短期预测领域，并且实际算例证明， 该模型具有较高精度以及相对其他模型而言的较大优势。
【附图说明】
[0029] 图1为本发明【具体实施方式】中光伏输出功率超短期预测方法的流程示意图。
[0030] 图2为本发明【具体实施方式】中光伏出力样本数据经经验模态分解后的结果示意 图。
[0031] 图3本发明【具体实施方式】中EMD-LSSVM-GA法预测结果示意图。
[0032]图4本发明【具体实施方式】中LSSVM-GA法预测结果示意图。
【具体实施方式】
[0033] 下面结合附图，对本发明作详细说明。
[0034] 以下公开详细的示范实施例。然而，此处公开的具体结构和功能细节仅仅是出于 描述示范实施例的目的。
[0035]然而，应该理解，本发明不局限于公开的具体示范实施例，而是覆盖落入本公开范 围内的所有修改、等同物和替换物。在对全部附图的描述中，相同的附图标记表示相同的元 件。
[0036]同时应该理解，如在此所用的术语"和/或"包括一个或多个相关的列出项的任意 和所有组合。另外应该理解，当部件或单元被称为"连接"或"耦接"到另一部件或单元时，它 可以直接连接或耦接到其他部件或单元，或者也可以存在中间部件或单元。此外，用来描述 部件或单元之间关系的其他词语应该按照相同的方式理解(例如，"之间"对"直接之间"、 "相邻"对"直接相邻"等）。
[0037] 如图1所示，本发明【具体实施方式】中公开了一种光伏输出功率超短期预测方法，它 包括下述步骤：
[0038] 使用经验模态分解法对光伏输出功率历史数据进行分解，得到本征模函数和剩余 分量；
[0039] B、对所有本征模函数和剩余分量分别建立最小二乘支持向量机预测模型，进行光 伏输出功率超短期预测，得到预测值；
[0040] C、将步骤B最后所得所有预测值相加，得到最终预测结果。
[0041] 因此，本发明的光伏输出功率超短期预测方法首先采用经验模态分解法对光伏出 力历史序列进行预处理，降低其波动性和随机性，使其分量变得更平稳更容易被学习。然后 使用最小二乘支持向量机模型作为主体预测模型，充分利用了支持向量机良好的回归特 性、小样本适用性、不易陷入局部最优特性、计算速度快特性等。
[0042] 特别地，在【具体实施方式】中，步骤A中使用经验模态分解法进行分解包括：
[0043] A1、识别光伏输出功率历史数据序列x(t)中所有极大值点并使用三次样条插值法 拟合，得到上包络线eup(t)，
[0044] A2、识别光伏输出功率历史数据序列x(t)中所有极小值点并使用三次样条插值法 拟合，得到下包络线elOT(t)，
[0045]
计算均值包络线即上下包络线的平均值nu(t)，
[0046] A4、根据hi (t) = x(t)-mi (t)计算hi (t)，判断hi (t)是否满足筛分终止条件，若满 足，则hKt)为第一个本征模函数，记为(^(0=^(0,若hKt)不满足筛分终止条件，则将In (t)视为新的序列x(t)，从步骤A1开始重新筛分，直到选出满足筛分终止条件的本征模函 数，记为ci(t)=hi(t)，
[0047] A5、根据ri(t) = x(t)_ci(t)计算