一种基于改进EMD算法及Elman算法的短期光伏功率预测方法
【技术领域】
[0001]本发明涉及一种基于改进EMD算法及Elman算法的短期光伏功率预测方法，属于新 能源发电预测技术。
【背景技术】
[0002] 太阳能作为一种绿色环保的清洁能源，已经受到公众的广泛关注。为了推广太阳 能的使用，我国对分布式光伏发电推行电量补贴政策。由于分布式光伏发电享受的补贴主 要取决于自身发电量，不免存在某些投机的用户通过一定的技术手段使得分布式光伏上网 电表多计量发电量，进而获取高额补贴的风险。为此，亟需开展分布式光伏上网电量预测技 术的相关研究，以实现对分布式光伏发电用户的上网电量的有效监管。
[0003] 目前国内外对光伏出力预测的研究主要从以下两方面入手：1、基于历史数据的直 接预测法;2、基于历史统计规律，建立与气象条件相关的光伏出力模型的间接预测法。
【发明内容】
[0004] 发明目的：为了克服现有技术中存在的不足，本发明提供一种基于改进EMD算法及 Elman算法的短期光伏功率预测方法，该方法结合辐照强度与光伏出力之间的关系，基于待 预测区域历史数据的聚类分析及同类型相似日的选取，利用改进后的EMD算法及Elman神经 网络进行日辐照强度的逐时预测，以实现不同类型日的辐照强度预测，改善弱辐照情况下 预测精度差的问题。该方法适应了不同类型日的辐照强度预测，实现了更快速、准确的预 测 。
[0005] 技术方案:为实现上述目的，本发明采用的技术方案为：
[0006] 一种基于改进EMD算法及Elman算法的短期光伏功率预测方法，包括如下步骤：
[0007] (1)对若干年历史数据进行聚类分析，确定待预测日的所属类别和待预测时间点；
[0008] (2)根据主环境特征量在待预测日所属类别中选取同类型相似日，构造同类型相 似日的辐照强度时间序列；
[0009] (3)首先利用中值滤波方法去除同类型相似日的辐照强度时间序列中的噪声，然 后通过EMD分解法对去噪后的信号进行模态分解，以获得不同波动情况的本征模态分解量， 最后将同类型模态划归为一类，作为Elman模型的训练集数据；
[0010] (4)采用Elman模型对各类型模态进行辐照强度预测，进而得到光伏逐时发电功率 值。
[0011]所述步骤(1)中，对若干年历史数据进行聚类分析的具体过程为:首先根据待预测 区域的季节特点将历史数据按日辐照时长进行聚类并划分成夏季段、春秋段和冬季段，再 根据待预测区域的天空遮盖特点将每个季节段数据按天空遮盖程度进行聚类并划分成A 类、B类和C类，其中A类表示无云的强日照情况，B类表示多云的弱日照情况，C类表示无日照 情况;确定待预测日的所属类别，即确定待预测日属于哪个季节段的哪个类;根据待预测日 的所属类别确定待预测时间点。
[0012] 所述步骤(2)中，通过积差法选取环境特征量中与辐照强度最相关的若干环境特 征量作为主环境特征量，具体过程为：
[0013] 从若干年历史数据中选取某一年历史数据作为典型年数据，对该典型年数据进行 归一化，得到环境特征量X的时间序列Ex=[ exl，ex2，H_，exk，…，exK]和辐照强度的时间序列 RI = [ri，K，…，rk，…，γκ]，计算环境特征量X与福照强度的相关性wx:
[0014]
[0015]其中：l<k<K，k表示典型年中的第k个时间点，K为典型年的有效时间序列长度； exk表示典型年的环境特征量X中第k个时间点的数值：
；
[0016] 对所有环境特征量进行式（1)的计算，选取相关性最大的q个环境特征量作为主环 境特征量。
[0017] 所述步骤⑵中，根据主环境特征量在待预测日所属类别中选取同类型相似日，即 在待预测日所属类别的历史数据中，选取出与待预测日的各时间点主环境特征量变化趋势 和取值最相近的η天作为η个同类型相似日，具体过程为：
[0018] 对待预测日数据进行归一化，得到主环境特征量i的时间序列 eik,…，eit]和所有q个主环境特征量的时间序列Ε= [Ει，E2，…，Ei，…，Eq];其中：1 < k < t，k 表示第k个待预测时间点，t为当前待预测时间点；elk表示待预测日的主环境特征量x中第k 个时间点的数值；
[0019] 从待预测日所属类别的历史数据中选取若干候选日，对候选日数据进行归一化， 得到主环境特征量i的时间序列Ci= [cu，Ci2，…，Cik,…，Cit]和所有q个主环境特征量的时 间序列C= [&，&，··· A，…，Cq];其中：clk表示候选日的主环境特征量X中第k个时间点的数 值；
[0020] 计筧候诜日与待预测日的相似度Me. c:
[0021]
[0022]其中：α、β为权重系数，受天气情况影响，且满足α+β= 1，一般取经验值;Me, C的取值 在0~1之间，Me,c值越大表示候选日与待预测日的相似程度越高;在若该候选日中选取Me,c 值最大的η天作为η个同类型相似日。
[0023]所述步骤(3)中的具体实现过程为：
[0024] (31)记η个同类型相似日的辐照强度时间序列为1 = =
[]^,1山,2，"，]^,1;，"_，]^,1']，]^表不第：[个同类型相似日的福照强度时间序列，]^,1;表不第1 个同类型相似日在t时刻的辐照强度值；
[0025] (32)对η个同类型相似日的辐照强度时间序列1 =山山，…山，…^]进行中值 滤波得到 i ' Η?'ι,ι^,.?,Η.,ι'η?υ?Η?'ι,ι,ι'υ,.?,?,.?,τ]，ii表不中值 滤波后第i个同类型相似日的辐照强度时间序列，I、t表示中值滤波后第i个同类型相似日 在t时刻的辐照强度值；
[0026] (33)对η 个 I/i=[I/i,1，I/i,2，…，I /i,t，…，I/i,τ]分别进行EMD分解，得到n个本征 模态分解量_々咕,1，_/.2，...，&〃/,?;_和对应的趋势项ri，其中Ui为f i的本征模态分解量解的 个数；
[0027] (34)111=11^1^，1 = 1，2，"，11;取每个本征模态分解量的第口个解构成口模态集]^1) = [imfi,P，imf2,P，···，imfn,P]，p = l，2，···，m;将m个模态集作为Elman模型的m个训练数据集。 [0028]所述步骤(4)中的具体实现过程为：
[0029] (41)待预测时间点1，2,3的辐照强度预测:对所有η个同类型相似日在待预测时间 点1，2，3的辐照强度加和取平均作为待预测日在待预测时间点1，2，3的辐照强度预测；
[0030] (42)待预测时间点4，5，6，…，t，…，Τ的福照强度预测：由待预测时间点t-2，t-1，t 的辐照强度预测待预测时间点t+1的辐照强度，具体方法如下：
[0031]以P模态集IMFP= [imfl,P，imf2,P，…，imfn,P]作为Elman模型的训练数据集，对待预 测时间点t+1的辐照强度进行预测，输出预测结果I(t+1),P;将所有m个模态集对待预测时间 点t + Ι的辐照强度的预测结果进行叠加，得到待预测时间点t + Ι的辐照强度预测值
[0032] 预测结果可选取绝对百分比误差MAPE进行评估：
[0033]
[0034]其中：1ε, (t+Ι)表示待预测时间点t+Ι的实际福照强度；
[0035] 鮮雨》IR计问占 t+1的I件该R计劳由执銮雨遍估
[0036]
[0037] 其中：为光伏板串并联数;η为总的工作效率;S为光伏板面积;It+Ι为待 预测时间点t+Ι的辐照强度预测值;β为光伏板的斜面倾角;T。为光伏板的板温；γ为温度与 功率之间的相关系数。
[0038]有益效果：本发明提供的基于改进EMD算法及Elman算法的短期光伏功率预测方 法，结合辐照强度与光伏出力之间的关系，基于待预测区域历史数据的聚类分析及同类型 相似日的选取，并利用改进后的EMD算法及Elman神经网络进行日辐照强度的逐时预测，以 实现不同类型日的辐照强度预测，改善弱辐照情况下预测精度差的问题;本方法能够适应 不同类型日的辐照强度预测，可实现更快速、更准确的预测。
【附图说明】
[0039] 图1为本发明方法的实施流程图；
[0040] 图2为本发明中历史数据聚类流程图；
[0041 ]图3为本发明中光伏预测模型算法流程图；
[0042]图4为实施例的待预测区域典型年日升日落及日辐照时长统计图；
[0043]图5为实施例中的夏季类A类型日（5月2日）三种模型预测结果比较图；
[0044] 图6为实施例中的冬季段B类型日（1月13日）三种模型预测结果比较图。
【具体实施方式】
[0045] 下面结合附图对本发明作更进一步的说明，首先对改进EMD算法和Elamn算法进行 简单说明。
[0046] 改进EMD算法
[0047] 经验模态分解(Empirical Mode Decom