分布式能源系统光伏出力单元功率预测方法、系统及设备与流程

本发明涉及一种功率数据处理手段，属于数据处理领域，尤其涉及一种分布式能源系统光伏出力单元功率预测方法、系统及设备。

背景技术：

1、在工业园区中，随着近年来风力发电容量的迅速增加，风力发电单元的预测成了工业园区系统中不可缺少的环节，准确的预测结果可以提高风能资源的利用率，为后续的调度策略提供稳定的数据支持，使得整个系统高效、经济的运行。

2、近年来，国内外学者提出了许多光伏发电预测的方法，通过研究表明，将原始的功率序列进行分解可以有效地提升预测的精度，光伏发电功率时间序列的分解方法主要有：经验模态分解法、小波分解法、变分模态分解法，其中经验模态分解法(empirical modedecomposition，简称emd)可以将光伏发电功率时间序列分解成平稳的一系列分量，有助于减少不同的特征信息之间的相互影响。

3、sarima模型是在arima模型的基础上添加了季节项,是经典的时间序列预测方法，能够较好的体现时间序列数据中的线性特征,主要针对具有季节性或周期性变化的时间序列进行建模,已经被广泛应用到金融、气候、医疗等领域，针对周期性数据序列，sarima模型表现出了良好的预测性能，但是在传统的emd-sarima模型中，存在经过emd分解获得的各imf变量周期无法准确确定，进而导致后续的预测精度下降的缺陷，因此，亟需一种可以准确确认变量周期，提高预测模型精准度的手段以解决现有技术中存在的上述问题。

4、公开该背景技术部分的信息仅仅旨在增加对本技术的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。

技术实现思路

1、本发明的目的是克服现有技术中存在的上述缺陷与问题，提供一种可以准确确认变量周期，提高预测模型精准度的分布式能源系统光伏出力单元功率预测方法、系统及设备。

2、为实现以上目的，本发明的技术解决方案是：一种分布式能源系统光伏出力单元功率预测方法，包括：

3、s1、对功率数据的原始时间序列进行emd经验模态数据分解，获得多个imf分量和残差res；

4、s2、对每个imf分量与残差res分别使用傅里叶变换对进行变换计算，获得各自的频率值，从而获得imf分量与残差res的周期值；

5、s3、基于imf分量与残差res的周期值，通过网格搜索算法与aic准则，计算获得sarimam模型的最优参数组合；

6、s4、将步骤s1获得的多个imf分量与残差res分别送入sarimam模型中进行预测，获得每个imf分量与残差res的预测结果；

7、s5、将预测结果进行叠加重构，获得最终预测结果；所述最终预测结果为预测结果与原始时间序列的均方根误差与平均绝对误差。

8、所述步骤s1中，所述原始时间序列的表达式如下：

9、

10、其中：x(t)为原始时间序列，其表示为若干个imf分量和残差res的和；imf为imf分量，r为残差res。

11、所述步骤s1，具体包括：

12、s11、寻找原始时间序列x(t)的局部极值；

13、s12、采用样条插值法确定原始时间序列x(t)的上包络线与下包络线；

14、s13、逐点计算上包络和小包络的均值m(t)；其表达式如下：

15、

16、其中：xup为上包络线，xlow为下包络线；

17、s14、计算原始时间序列与均值的差值，获得候选imfy(t)；其表达式如下：

18、y(t)＝x(t)-m(t)；

19、s15、检查候选imfy(t)的性质，判断其是否满足以下停止标准；

20、条件一：在整个时程内极值点个数与过零点个数相等或最多相差1；

21、条件二：在任意时刻，由局部极大值点形成的上包络线和由局部极小值点形成的下包络线的平均值为零，即上、下包络线相对于时间轴局部对称；

22、若满足，则提取imf分量，并且计算剩余的残差项；其表达式如下：

23、r(t)＝x(t)-y(t)；

24、若不满足，则用候选imfy(t)代替原始时间序列x(t)；

25、s16、重复步骤s11-s15，直至满足停止标准，获得多个imf分量和残差res；其表达式如下：

26、

27、其中：sd为标准偏差值，yi(t)为重复步骤s11-s15时，第i次提出的时间序列。

28、所述步骤s2，具体包括：

29、s21、对快速傅里叶变换公式进行逆变换，获得逆变傅里叶公式；

30、所述快速傅里叶变换公式如下：

31、

32、所述逆变傅里叶公式如下：

33、

34、s22、将快速傅里叶变换公式与逆变傅里叶公式合并，获得傅里叶变换对；其表达式如下：

35、

36、其中：ω为角频率，ω＝2πf[rad/s]；

37、s23、基于傅里叶变换对，对每个imf分量与残差res进行逆变换，获得imf分量与残差res的振幅与频率值，从而获得周期值；其表达式如下：

38、

39、其中：x(f)为由实部和虚部组成的复变函数，x(t)为原始时间序列。

40、所述步骤s3中，所述sarima模型如下：

41、所述sarima模型表达为arima(p，d，q)(p，d，q)s，其中(p，d，q)为sarima模型中的非季节性部分，(p，d，q)为sarima模型中的季节性部分；s为每个imf分量与残差res经过傅里叶变换对进行变换后获得的周期值；

42、所述sarima模型表达式如下：

43、

44、

45、其中：p为非季节性自回归项，d为差分量，q为非季节性移动平均项，p为季节性自回归项，d为季节性差异，q为季节性移动平均项，s为季节长度，即周期性；φ为p阶的自回归运算符，φ为p阶的季节性自回归参数，为差分运算符，为季节差分算子，zt为时间点t的观测值，θ为q阶的移动平均运算符，θ为q阶季节性移动平均参数，at为随机模型的白噪声分量。

46、所述步骤s3中，获得sarimam模型的最优参数组合，具体包括：

47、s31、利用自相关系数acf与偏自相关系数pacf来确定sariam模型中参数p和q值，确定其取值范围；其表达式如下：

48、

49、其中：μt代表e(xt)，e为数学期望，d为方差；

50、s32、使用网格搜索算法，遍历参数p和q的所有不同参数组合，并根据每种参数组合得出对时间序列的不同拟合值；

51、s33、通过aic准则计算每个拟合值的aic函数值,并选取令aic函数值最小的参数组合作为sarimam模型的最优参数组合。

52、一种分布式能源系统光伏出力单元功率预测系统，包括：

53、emd分解模块，用于对功率数据的原始时间序列进行emd经验模态数据分解，获得多个imf分量和残差res；

54、周期计算模块，用于对每个imf分量与残差res分别使用傅里叶变换对进行变换计算，获得各自的频率值，从而获得imf分量与残差res的周期值；

55、模型参数确认模块，用于基于imf分量与残差res的周期值，通过网格搜索算法与aic准则，计算获得sarimam模型的最优参数组合；

56、模型预测模块，用于将获得的多个imf分量与残差res分别送入sarimam模型中进行预测，获得每个imf分量与残差res的预测结果；

57、预测结果重构模块，用于将预测结果进行叠加重构，获得最终预测结果。

58、所述emd分解模块，用于根据以下步骤获取多个imf分量和残差res；

59、s11、寻找原始时间序列x(t)的局部极值；

60、s12、采用样条插值法确定原始时间序列x(t)的上包络线与下包络线；

61、s13、逐点计算上包络和小包络的均值m(t)；其表达式如下：

62、

63、其中：xup为上包络线，xlow为下包络线；

64、s14、计算原始时间序列与均值的差值，获得候选imfy(t)；其表达式如下：

65、y(t)＝x(t)-m(t)；

66、s15、检查候选imfy(t)的性质，判断其是否满足以下停止标准；

67、条件一：在整个时程内极值点个数与过零点个数相等或最多相差1；

68、条件二：在任意时刻，由局部极大值点形成的上包络线和由局部极小值点形成的下包络线的平均值为零，即上、下包络线相对于时间轴局部对称；

69、若满足，则提取imf分量，并且计算剩余的残差项；其表达式如下：

70、r(t)＝x(t)-y(t)；

71、若不满足，则用候选imfy(t)代替原始时间序列x(t)；

72、s16、重复步骤s11-s15，直至满足停止标准，获得多个imf分量和残差res；其表达式如下：

73、

74、其中：sd为标准偏差值，yi(t)为重复步骤s11-s15时，第i次提出的时间序列；

75、所述周期计算模块用于根据以下步骤获取周期值；

76、s21、对快速傅里叶变换公式进行逆变换，获得逆变傅里叶公式；

77、所述快速傅里叶变换公式如下：

78、

79、所述逆变傅里叶公式如下：

80、

81、s22、将快速傅里叶变换公式与逆变傅里叶公式合并，获得傅里叶变换对；其表达式如下：

82、

83、其中：ω为角频率，ω＝2πf[rad/s]；

84、s23、基于傅里叶变换对，对每个imf分量与残差res进行逆变换，获得imf分量与残差res的振幅与频率值，从而获得周期值；其表达式如下：

85、

86、其中：x(f)为由实部和虚部组成的复变函数，x(t)为原始时间序列；

87、所述模型参数确认模块用于根据以下步骤获取sarimam模型的最优参数组合；

88、s31、利用自相关系数acf与偏自相关系数pacf来确定sariam模型中参数p和q值，确定其取值范围；其表达式如下：

89、

90、其中：μt代表e(xt)，e为数学期望，d为方差；

91、s32、使用网格搜索算法，遍历参数p和q的所有不同参数组合，并根据每种参数组合得出对时间序列的不同拟合值；

92、s33、通过aic准则计算每个拟合值的aic函数值,并选取令aic函数值最小的参数组合作为sarimam模型的最优参数组合。

93、一种分布式能源系统光伏出力单元功率预测设备，所述设备包括处理器以及存储器；

94、所述存储器用于存储计算机程序代码，并将所述计算机程序代码传输给所述处理器；

95、所述处理器用于根据所述计算机程序代码中的指令执行所述的分布式能源系统光伏出力单元功率预测方法。

96、与现有技术相比，本发明的有益效果为：

97、本发明一种分布式能源系统光伏出力单元功率预测方法、系统及设备中，首先进行emd经验模态数据分解，获得多个imf分量和残差res，然后对每个imf分量与残差res分别使用傅里叶变换对进行变换计算，获得其周期值，并基于周期值，通过网格搜索算法与aic准则，计算获得sarimam模型的最优参数组合，随后将多个imf分量与残差res分别送入sarimam模型中进行预测，获得每个imf分量与残差res的预测结果，并叠加重构，获得最终预测结果；本设计在应用中，对原始分布式能源的功率数据进行emd分解，有效的解决了原始数据中因具有不同特征的数据序列，导致sarima模型预测结果受到影响的问题，并且在其中加入了傅里叶变换的环节，有效的解决了因imf分量周期参数不同而导致sarima模型预测精度降低的问题，从而在整体上提高了预测模型的精准度。