基于eemd和组合核rvm的光伏功率短期预测方法
【技术领域】
[0001] 本发明属于新能源发电和智能电网的技术领域，具体涉及一种基于EEMD和组合核 RVM的光伏功率短期预测方法。
【背景技术】
[0002] 20世纪70年代后，伴随着工业化的发展，化石燃料面临枯竭，环境问题也日益突 出。为了解决这一难题，人类开始关注可再生能源，其中太阳能成为大家关注的焦点。到 2014年年底中国光伏电站装机容量达14GW，预计2030年光伏装机容量将达100-200GW。然而 光伏发电易受诸多气候因素的干扰，并网后功率的扰动严重时可能会影响电网的安全稳定 运行，因此对光伏输出功率的预测研究就显得尤为必要。
[0003]目前，光伏输出功率预测的方法大致可以分为两类:一类是间接预测，另一类是直 接预测。间接预测是利用日照辐射量的预测值估算光伏输出功率。间接预测需要详细的气 象数据作为支持，但是我国目前只有98个太阳辐射观测站点，支撑数据较少；同时，天气预 报的准确度有限，导致间接预测的效果不佳;直接预测是根据光伏历史输出功率数据和天 气影响因素对未来一段时间内的光伏输出功率进行预测，数据需求相对较少，是国内光伏 功率预测的主流方法，本发明采用的就是直接预测。
[0004]考虑实际光伏输出功率的非平稳性，直接对其进行预测的误差较大。主流的改进 方法是通过对原始数据的分解，降低数据复杂度，其中比较典型的方法有小波分析、EMD (EmpiricalModeDecomposition，经验模态分解）、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等信息处理方法存在的问题是：需人为设定、主观性强、 经验模态分解易出现模态混叠。
[0006] 传统的负荷预测方法有很多，诸如时间序列、ANN(ArtificialNeuralNetworks, 人工神经网络）、SVM(SupportVectorMachines,支持向量机）等都已经得到了广泛的使 用。然而在实际应用过程中，时间序列由于暂不考虑外界因素影响，当外界环境发生较大变 化时，预测误差往往较大;ANN方法在训练中容易导致学习不足或过拟合的问题；
[0007]SVM等机器学习算法虽能有效避免陷入局部最小的风险，能实现较为精确的预测， 但是仍存在以下不足:①核函数必须满足Mercer条件，可选核函数较少;②参数较多，且支 持向量随着训练样本的增加而线性增长，计算量较大;③当输入影响因素较多时，将会导致 预测模型结构过于复杂，训练效率低。
【发明内容】
[0008]发明目的：本发明针对现有技术中存在的缺陷，提供一种基于EEMD(Ensemble EmpiricalModeDecomposition,集合经验模态分解）和组合核RVM(RelevanceVector Machines，相关向量机)的光伏功率短期预测方法。
[0009]技术方案:一种基于EEMD和组合核RVM的光伏功率短期预测方法，包括以下步骤：
[0010]S1:按照天气状况将光伏功率数据分成晴天、阴天、雨天和多云天4种类型，并分别 建模；
[0011]S2:采用EEMD将非平稳的光伏功率数据分解为一系列初步平稳且具有不同特征尺 度的余量和IMF分量；
[0012]S3:选择与待预测日相同天气类型的前5天每时刻光伏功率的余量和IMF分量分别 构造样本输入，分析并选取光伏功率预测的影响因素的历史数据和预测数据作为补充输 入，以所对应的待预测日的余量和IMF分量数据作为输出，构造出训练样本和预测样本并进 行样本归一化；
[0013]S4:设定组合核RVM预测模型的迭代初值与模型参数搜索范围，在使用训练样本对 组合核RVM预测模型进行训练的过程中采用网格搜索优化参数，通过训练误差的迭代替换 得到最优核宽和组合核权重参数；
[0014]S5:将预测样本的输入导入训练好的组合核RVM模型，模型输出即为待预测日的光 伏功率余量和IMF分量的预测结果；
[0015]S6:将余量和各IMF分量的预测结果进行叠加求和，得到待预测日光伏输出功率的 预测值。
[0016]优选的，所述步骤S2包括如下的子步骤：
[0017]S2.1:设定白噪声的幅值k和进行EMD分解的总次数M;
[0018]S2.2:在光伏功率数据序列中加入高斯白噪声；
[0019]S2.3:按照EMD分解流程将步骤S2.2得到的数据序列进行分解得到一系列的余量 和頂F分量；
[0020]S2.4:重复Μ次步骤S2.2至S2.3，重复所述步骤S2.2时每次加入的为相同幅值的不 同白噪声序列，对Μ次EMD分解得到的各个IMF及剩余分量计算均值
[0021]
[0022]其中，Ci ,m(t)为第m次EMD分解得到的第i个頂F分量;rn,m(t)为第m次EMD分解得到 的第η个余量;t表示第t个数据；
[0023] S2·5:输出c;(i)(/ = 1,…,.h.)_和.；；.(#)分别作为EEMD分解的IMF分量和剩余分量。
[0024]优选的，步骤S2.3中所述的EMD分解流程包括如下的子步骤：
[0025]S2.3.1:初始化循环变量i=l，xi(t)=x(t)，其中x(t)为待分解的原始数据序列；
[0026]S2.3.2:初始化循环变量j=l，yi(t)=xi(t);
[0027]S2.3.3:找出序列yj (t)中所有局部极大值并拟合成上包络线Uj(t)，找出yj(t)中 所有局部极小值并拟合成下包络线W(t)，使得Uj(t)和Vj(t)包络所有的数据点；求得Uj(t) 和^⑴的平均值m,(〇=^(f)p(f)，原始信号与包络均值的差值匕⑴二^⑴~⑴；
[0028]S2.3.4:判断hj(t)是否满足IMF分量的两个条件，不满足，则j=j+1，yj(t)=hj-i(t)，返回步骤S2.3.3;满足，则可得第iflMF分量ci(t)=hj(t)，剩余分量ri(t) =xi(t)-ci (t)；
[0029]S2.3.5:判断ri(t)是否满足终止条件，不满足，则Xi+i(t)=ri(t)，i = i+l，重复步 骤S2.3.2至S2.3.4;满足，则分解结束；由此共可分解出η个頂F分量Ci(t)和一个剩余分量化 (t)，EMD对x(t)的分解过程结束;x(t)表示为Λ., (f) =?]A(Ο(0。 /----I
[0030]优选的，步骤S3中所述的光伏功率预测的影响因素包括温度和光照强度。
[0031]优选的，步骤S3中所述的构造样本输入具体为：
[0032]样本的输入向量为: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，"_，]/[，输出向量为7(;[，1:)=以;[，1:);
[0033] 其中，X(i，t)表示第i个样本输入第t时刻的影响因素;y(i，t)表示第i个样本输入 对应第t时刻的输出；L(i-l，t)表示预测日前一天第i时刻的光伏数据;L(i-2，t)表示预测 日前两天第i时刻的光伏数据;L(i-3，t)表示预测日前三天第i时刻的光伏数据;L(i-4，t) 表示预测日前四天第i时刻的光伏数据;L(i-5，t)表示预测日前五天第i时刻的光伏数据;T (i，t)表示预测日第i时刻的温度预报数据;T(i-l，t)表示预测日前一天第i时刻的温度数 据;T(i-2，t)表示预测日前两天第i时刻的温度数据;T(i-3，t)表示预测日前三天第i时刻 的温度数据;T(i-4，t)表示预测日前四天第i时刻的温度数据;T(i-5，t)表示预测日前五天 第i时刻的温度数据;S(i，t)表示预测日第i时刻的光照预报数据;S(i-l，t)表示预测日前 一天第i时刻的光照数据;S(i-2，t)表示预测日前两天第i时刻的光照数据;S(i-3，t)表示 预测日前三天第i时刻的光照数据;S(i-4，t)表示预测日前四天第i时刻的光照数据;S(i-5，t)表示预测日前五天第i时刻的光照数据。
[0034]优选的，步骤S3中所述的样本归一化具体为：f，
[0035]其中，诉)为归一化后的数据值;x(i)为原始数据;Xmax，Xmin分别为原始数据中的最 大值和最小值。
[0036]优选的，所述步骤S4包括如下的子步骤：
[0037]S4.1:设定组合核RVM预测模型的迭代初值与模型参数搜索范围；
[0038]S4.2:计算组合核RVM模型的核函数，采用网格搜索对模型的核宽参数和组合核权 重参数进行优化，检验当前迭代获得的参数是否满足要求，满足，则此参数为组合核RVM预 测模型最优参数;不满足，则更新参数，直到满足迭代要求或者达到最大迭代次数。
[0039]优选的，步骤S4.2中所述的计算组合核RVM模型的核函数采用局部核-高斯核和全 局核-多项式核的组合，具体为:K(x，xi) =wG(x，