br>[0100] A = diag(a〇,ai, ··· ,〇ν)
[0101] 为了确定模型权值，首先需要得到超参数的最佳值，可以通过迭代算法求得，即
[0102]
[0103]
[0104]式中：μL为第i个后验平均权，Wi,i为后验协方差矩阵中的第i个对角元素，Ν为样 本数据个数。
[0105]若给定新的输入值/，则相应的输出概率分布服从高斯分布，其相应的预测值为：
[0106]
[01 07 ] 为评价预测效果的好坏，采用相对误差(re1ativeerror，RE)和平均绝对值百分 误差(meanabsolutepercenterror,MAPE)这2个误差指标对预测结果进行误差分析。其 值越小，效果越好。指标的表达式为：
[0108]
[0109]
[0110] 式中，y_表示真实值，ypre表示预测值，N表示数据总数。
[0111] 本发明的预测模型框图如2所示。
[0112] 为了说明本发明的预测效果，分别对四种天气类型下的光伏输出功率进行了短期 预测，其预测效果如图4-图7所示，预测结果及指标分析如表2-表5所示。
[0113] 表2晴天预测误差统计
[0114]
[0121] 表2雨天预测误差统计
[0122]
[0123]由图4-图7所不的饿测效采和表2-表5所不的指标分析卩」以明Μ友现，本发明方法 预测结果的趋势更贴近实际光伏功率，预测误差明显较小。因此，本发明采用的基于EEMD和 组合核RVM的光伏功率短期预测方法可较高的实现短期光伏功率预测，具有较高的工程应 用价值。
【主权项】
1. 一种基于EEMD和组合核RVM的光伏功率短期预测方法，其特征在于，包括以下步骤： SI: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； 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； 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頂F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； 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； 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； 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。2. 根据权利要求1所述的基于EEMD和组合核RVM的光伏功率短期预测方法，其特征在 于:所述步骤S2包括如下的子步骤： S2.1:设定白噪声的幅值k和进行EMD分解的总次数M; S2.2:在光伏功率数据序列中加入高斯白噪声； 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； S2.4:重复M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高 斯白噪声序列，对M次EMD分解得到的各个IMF及剩余分量计算均值其中，Ci, m( t)为第m次EMD分解得到的第i个IMF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； S2.5:输出e,(?)(/ = l，·，·，《:》和r"(/)分别作为EEMD分解的IMF分量和剩余分量。3. 根据权利要求2所述的基于EEMD和组合核RVM的光伏功率短期预测方法，其特征在 于:步骤S2.3中所述的EMD分解流程包括如下的子步骤： 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； 32.3.2:初始化循环变量」=1，71(1:)=叉1(1:); 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巧（t)，使得Uj(t)和Vj(t)包络所有的数据点；求得 (t)的平均值.原始信号与包络均值的差值 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+l，yj(t)=hj-i(t)，返 回步骤S2.3.3;满足，则可得第i个IMF分量ci(t)=hj(t)，剩余分量ri(t) =xi(t)-ci(t); 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MF分量Ci( t)和一个剩余分量仏 (t)，EMD对X(t)的分解过程结束;X(t)表示为4. 根据权利要求1所述的基于EEMD和组合核RVM的光伏功率短期预测方法，其特征在 于: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。5. 根据权利要求1所述的基于EEMD和组合核RVM的光伏功率短期预测方法，其特征在 于:步骤S3中所述的构造样本输入具体为： 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，t)，S (;[-3,1:)，5(;[-4,1:)，5(;[-5,1:)]，;[>5，]_ = 1，"_，]/[，输出向量为7(;[，1:)=以;[，1:); 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。6. 根据权利要求1所述的基于EEMD和组合核RVM的光伏功率短期预测方法，其特征在 于:步骤S3中所述的样本归一化具体为：其中，?(〇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。7. 根据权利要求1所述的基于EEMD和组合核RVM的光伏功率短期预测方法，其特征在 于:所述步骤S4包括如下的子步骤： 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； 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。8. 根据权利要求7所述的基于EEMD和组合核RVM的光伏功率短期预测方法，其特征在 于: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:1((叉，叉〇=?^(叉，叉〇+(11)6(叉，叉〇,6(叉，叉〇=6叉？(-||叉1』2/〇 2)，？(叉，叉〇 = [(x · xi)+l]2， 其中，K(x，xi)表示模型组合后的核函数;G(x，xi)表示高斯核;G(x，xi)表示多项式核;x 表示相关向量;Xi表示归一化后的输入参量;σ表示高斯核的核宽;W表示组合核的核函数权 重系数。
【专利摘要】本发明公开了一种基于EEMD和组合核RVM的光伏功率短期预测方法，本发明采用的EEMD避免了经验模态分解易出现模态混叠的问题，具有更高的分辨率与很强的非线性处理能力，降低了数据的复杂度，效果优异，结果准确，有效提高了预测精度，能很好的运用于光伏输出功率的数据预处理；本发明采用RVM方法进行短期光伏功率预测，具有模型高度稀疏、待优化核参数少、核函数选择灵活、模型泛化能力强的优点；使用组合核函数进一步提升了模型对突变天气下光伏功率预测的精度，提高了模型的普遍适应性与泛化性能。
【IPC分类】G06Q10/04, G06Q50/06
【公开号】CN105426989
【申请号】CN201510747155
【发明人】卫志农, 范磊, 孙永辉, 孙国强, 臧海祥, 朱瑛, 陈通, 宗文婷
【申请人】河海大学
【公开日】2016年3月23日
【申请日】2015年11月3日