基于TVF-EMD-ELM的超短期光伏功率预测方法

本发明涉及绿色能源功率预测，具体涉及一种基于tvf-emd-elm的超短期光伏功率预测方法。

背景技术：

1、目前学者已对光伏功率预测做出了大量研究。早期学者用经验分解方法(emd)将历史实际功率分解为多个本征模函数(imf)分量，并建立最小二乘支持向量机(leastsquares support vector machine，lssvm)预测模型来预测每个分量的各种矩，最后重构每个预测分量以获得预测功率。有学者应用变分模态分解(variational modedecomposition，vmd)将光伏功率分解为不同的动态分量，然后利用深度信念网络和自回归移动平均对漂移分量进行预测，但是需要通过决策来设置vmd模式数和惩罚因子。基于此部分学者提出一种基于经验小波变换(empirical wavelet transform，ewt)和回声状态网络(echo state network，esn)的短期风电功率组合预测方法，但是esn在处理复杂动态结构时存在一定局限性，其对于复杂时序的预测能力有一定欠缺。近年来又有学者提出一种基于频域分解的短期负荷预测方法，使用频域分解将原始数据分解为高频和低频，应用基于孤立森林和长短期记忆神经网络，预测短期光伏发电功率。国外部分学者采用离散小波变换将光伏输出功率分解为近似分量和详细分量，将分解后的光伏功率输出输入自适应神经模糊推理系统(anfis)的输入模型中，预测短期光伏功率输出，但存在一些局限性，在数据的基本模式复杂或非线性的情况下，会存在规律的误差分量。

技术实现思路

1、本发明所要解决的技术问题是提供一种基于tvf-emd-elm的超短期光伏功率预测方法，能够更加精准的光伏预测方法。

2、为解决上述技术问题，本发明所采用的技术方案是：

3、基于tvf-emd-elm的超短期光伏功率预测方法，包括如下步骤：step1、对光伏功率历史功率数据采用时变滤波经验模态分解方法tvf-emd分解为若干个不同的imf分量，改善数据的非线性与非平稳性；

4、step2、建立极限学习机elm模型；将setp1所得数据分为两个部分，包括训练集和测试集，采用训练集对elm模型进行搭建，测试集对其开展算例分析；

5、step3、分别对各imf分量建立elm预测模型，确定输入与输出节点个数，以及elm模型的最优隐含层节点个数；

6、step4、对各分量进行模型预测，并对各模型的输出结果叠加重构得到最终功率的预测值。

7、上述的时变滤波经验模态分解方法tvf-emd根据收敛准则，采用自适应方式确定分解层数，用局部窄带信号代替固有模态分量imf，筛选过程是通过时变滤波来实现的，给定信号x(t)被分解成有限数量的imf和残差r(t),公式如下：

8、

9、其中，imfii(t)表示第i个imf。

10、上述的step1的具体步骤为：

11、step1.1、求出x(t)的极大值，表示为ui，i＝1,2,3···；

12、step1.2、求出间断点ej，j＝1,2,3···；存在阈值ρ满足公式(2)，此时间断点ei＝ui：

13、

14、其中表示二等分频率，ρ是两个连续最大值之间频率变化率的预设阈值；若则间断点ej位于上升沿，是最小值；若则间断点ej位于下降沿，是最小值；的其余部分可视为峰值；

15、step1.3、求出局部截止频率，在峰值之间进行插值得到调整改善模态混叠；

16、step1.4、重构得到新信号h(t):

17、

18、step1.5、用近似滤波器b-spline对输入信号x(t)进行滤波，得到局部均值函数；step1.6、计算准则值θ(t)，判断残留信号是否符合截止标准：

19、

20、其中bloughlin(t)表示loughlin瞬时带宽，表示加权平均瞬时频率，存在一个带宽阈值ε，如果θ(t)≤ε，则该信号为局部窄带信号，即一个分量信号imf。

21、上述的step2中，极限学习机elm模型的计算表达式如下：

22、

23、其中，k表示样本个数，l表示隐藏层节点的个数；wi＝[wi1,wi2,···,wil]t表示输入节点与第i个隐层节点相连的权重向量；βi表示输出节点与第i个隐层节点相连的权重向量；wi·xj表示权重向量wi与第j个输入向量xj的内积；bi第i个隐层节点对应的偏置；g(x)表示隐藏层对应的激活函数；oj为第j个输入向量xj对应的输入向量。

24、上述的step2中，如果模型的所有输出oj与样本真实标签值tj相等,即式(6)成立:

25、

26、式(6)可简述为：

27、hβ＝t                          (7)

28、其中，β为输出权重，t为目标输出，h为隐藏节点的输出，h可表示为：

29、

30、最优输出权重为可表述为以下优化目标：

31、

32、对线性系统hβ＝t而言，可求解为：

33、

34、其中h+为输出矩阵h的广义逆矩阵。

35、上述的step4完成后，为了评价tvf-emd-elm组合预测模型对于超短期光伏功率预测的性能，设定相关系数r、均方根误差rmse、归一化均方根误差nrmse、平均绝对误差mabe以及标准平均绝对误差nmae5个评价指标，具体计算方式如下：

36、

37、

38、

39、

40、

41、其中，yi和分别是实测和预测的光伏功率序列，yave和分别是光伏功率序列实测值和预测值的平均值，n是参数值个数，r表示预测值和实测值之间的差异，r越大，预测值与实测值越接近；rmse表示预测值和实测值之间的误差，nrmse可表示误差波动情况；mabe是绝对误差的平均值，它表示预测值和真实值之间的一致程度，nmae表示模型整体精度。

42、本发明提供的一种基于tvf-emd-elm的超短期光伏功率预测方法，通过运用tvf-emd方法对历史数据分解，改善了传统方法应对具有强非平稳性和非线性数据时存在的模态混叠及端点效应问题，提高了数据分解的质量。

技术特征：

1.基于tvf-emd-elm的超短期光伏功率预测方法，其特征是，包括如下步骤：step1、对光伏功率历史功率数据采用时变滤波经验模态分解方法tvf-emd分解为若干个不同的imf分量，改善数据的非线性与非平稳性；

2.根据权利要求1所述的基于tvf-emd-elm的超短期光伏功率预测方法，其特征在于，所述的时变滤波经验模态分解方法tvf-emd根据收敛准则，采用自适应方式确定分解层数，用局部窄带信号代替固有模态分量imf，筛选过程是通过时变滤波来实现的，给定信号x(t)被分解成有限数量的imf和残差r(t),公式如下：

3.根据权利要求2所述的基于tvf-emd-elm的超短期光伏功率预测方法，其特征在于，所述的step1的具体步骤为：

4.根据权利要求3所述的基于tvf-emd-elm的超短期光伏功率预测方法，其特征在于，所述的step2中，极限学习机elm模型的计算表达式如下：

5.根据权利要求4所述的基于tvf-emd-elm的超短期光伏功率预测方法，其特征在于，所述的step2中，如果模型的所有输出oj与样本真实标签值tj相等,即式(6)成立:

6.根据权利要求5所述的基于tvf-emd-elm的超短期光伏功率预测方法，其特征在于，所述的step4完成后，为了评价tvf-emd-elm组合预测模型对于超短期光伏功率预测的性能，设定相关系数r、均方根误差rmse、归一化均方根误差nrmse、平均绝对误差mabe以及标准平均绝对误差nmae5个评价指标，具体计算方式如下：

技术总结
基于TVF‑EMD‑ELM的超短期光伏功率预测方法，包括如下步骤：Step1、对光伏功率历史功率数据采用时变滤波经验模态分解方法TVF‑EMD分解为若干个不同的IMF分量，改善数据的非线性与非平稳性；Step2、建立极限学习机ELM模型；将Setp1所得数据分为两个部分，包括训练集和测试集，采用训练集对ELM模型进行搭建，测试集对其开展算例分析；Step3、分别对各IMF分量建立ELM预测模型，确定输入与输出节点个数，以及ELM模型的最优隐含层节点个数；Step4、对各分量进行模型预测，并对各模型的输出结果叠加重构得到最终功率的预测值。通过运用TVF‑EMD方法对历史数据分解，改善了传统方法应对具有强非平稳性和非线性数据时存在的模态混叠及端点效应问题，提高了数据分解的质量。

技术研发人员：魏业文,李威臻,刘杰,李明,白文静,宁鑫淼
受保护的技术使用者：三峡大学
技术研发日：
技术公布日：2024/1/16