CN105205572A - 基于EMD分解和Elman算法的光伏出力预测方法 - Google Patents

Abstract

本发明公开了一种基于EMD分解和Elman算法的光伏出力预测方法，利用区域环境数据采集进行区域内光伏发电功率预测，将其预测结果与实际发电实时功率进行比对，同时利用区域内各公共连接点实时监测数据进行数据挖掘，从技术和管理两个角度封堵分布式光伏发电的计量漏洞，实现对分布式光伏发电用户的上网电量的有效监管，对发电量明显高于应发电量的分布式光伏用户进行核查，避免部分用户通过不法手段获取高额补贴，具有良好的应用前景。

Description

基于EMD分解和Elman算法的光伏出力预测方法

技术领域

本发明属于新能源出力预测技术领域，具体涉及一种基于EMD分解和Elman算法的光伏出力预测方法。

背景技术

目前，由于分布式光伏发电享受的补贴主要取决于与自身发电量，因此，存在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。根据国网公司《分布式光伏接入系统典型设计》的规定，采用380V接入的分布式光伏发电仅需向电网公司上传电量信息，缺乏有效的辅助测量信息，会使得分布式发电上网电量的监管变得极为困难，而部分缺乏诚信用的分布式光伏发电用户由于采取不合法的手段获得更多的补贴，将扰乱分布式光伏发电补贴政策的落实，影响光伏发电行业的正常发展。

为此，亟需开展分布式光伏上网电量预测技术的研究，通过对分布式光伏发电上网电量监测，实现对分布式光伏发电用户的上网电量的有效监管，对发电量明显高于应发电量的分布式光伏用户进行核查，避免部分用户通过不法手段获取高额补贴，是当前急需解决的问题。

发明内容

本发明所解决的技术问题是克服现有技术中的部分缺乏诚信用的分布式光伏发电用户采取不合法的手段获得更多的补贴，影响光伏发电行业的正常发展的问题。本发明的基于EMD分解和Elman算法的光伏出力预测方法，利用区域环境数据采集进行区域内光伏发电功率预测，将其预测结果与实际发电实时功率进行比对，同时利用区域内各公共连接点实时监测数据进行数据挖掘，从技术和管理两个角度封堵分布式光伏发电的计量漏洞，具有良好的应用前景。

为了解决达到上述目的，本发明所采用的技术方案是：

一种基于EMD分解和Elman算法的光伏出力预测方法，其特征在于：包括以下步骤，

步骤(A)，根据区域历史辐照量数据及环境数据，分析辐照强度主气象因子的相关性，并选取主气象因子；

步骤(B)，选取相似性的考量指标，相似性的考量指标包括遍历历史数据中的环境因素数值、相似日时间序列，所述相似日时间序列为日变化趋势均与待预测日相似的日期；

步骤(C)，将步骤(B)中得到的相似日时间序列进行EMD时域分解，分解成波动强度逐一减弱的多个信号量及一个表征趋势的信号量；

步骤(D)，将分解后的信号量逐一代入Elman模型进行训练，并将预测分量相加，得到待预测日各时刻的光伏出力预测。

前述的基于EMD分解和Elman算法的光伏出力预测方法，其特征在于：步骤(A)，分析辐照强度主气象因子的相关性，并选取主气象因子，包括以下步骤，

(A1)，将气象因子及辐照强度归一化，气象因子为X_m＝[x₁,x₂,...,x_i,...,x_n-1,x_n]与辐照强度为Y＝[y₁,y₂,...,y_i,...,y_n-1,y_n]，其中x₁,x₂,...,x_i,...,x_n-1,x_n为气象因子X_m的各时刻序列值、y₁,y₂,...,y_i,...,y_n-1,y_n为辐照强度Y的各时刻序列值；

(A2)根据公式(1)，计算各气象因子X_m与辐照强度Y的对应的相关系数

$\begin{array}{c}{r}_{X_{m}Y}=\frac{\underset{i=1}{\overset{n}{\Σ}}(x_i-\stackrel{\‾}{x})(y_i-\stackrel{\‾}{y})}{\sqrt{\underset{i=1}{\overset{n}{\Σ}}{(x_i-\stackrel{\‾}{x})}^2}\sqrt{\underset{i=1}{\overset{n}{\Σ}}{(y_i-\stackrel{\‾}{y})}^2}}\\ =\frac{n\Σxy-\Σx\Σy}{\sqrt{n\Σx^2-{(\Σx)}^2}\sqrt{n\Σy^2-{(\Σy)}^2}}\end{array}---\left(1\right)$

其中，n、x_i、y_i、分别为时刻的总个数、气象因子X_m第i时刻的数值、气象因子X_m各时刻的平均值、辐照强度Y在第i时刻的数值、辐照强度Y各时刻的平均值；

(A3)选取取值范围在(-1,1)之间的相关系数若该气象因子与辐照强度Y的相关度为完全不相关；若该气象因子与辐照强度Y的相关度为微弱相关；若该气象因子与辐照强度Y的相关度为低度相关；若该气象因子与辐照强度Y的相关度为显著相关；若该气象因子与辐照强度Y的相关度为高度相关；若该气象因子与辐照强度Y的相关度为完全相关；

(A4)选取相关系数的绝对值大的气象因子作为主气象因子。

前述的基于EMD分解和Elman算法的光伏出力预测方法，其特征在于：步骤(B)，选取相似性的考量指标中相似日时间序列的方法，包括以下步骤，

(B1)根据历史辐照量数据及环境数据采用聚类分析法确定相似日的天数N；

(B2)采用余弦欧式变形公式(2)，计算N天相似日的Sim_ij,Sim_ij表征两个时间序列变量的波动相似程度和总体差异程度，

Sim_ij＝αD_ij+(1-α)Dcos_ij(2)

其中， $D_{ij}=\cos (\frac{\mathrm{\π}}{2}\×\frac{d_{ij}}{\max \left(d_{ij}\right)}),{\mathrm{Dcos}}_{ij}=\frac{\underset{k=1}{\overset{m}{\Σ}}{X}_{ik}{X}_{jk}}{\sqrt{\underset{k=1}{\overset{m}{\Σ}}{X}_{ik}^2\underset{k=1}{\overset{m}{\Σ}}{X}_{jk}^2}},$ $d_{ij}=\sqrt{\underset{k=1}{\overset{m}{\Σ}}{(X_{ik}-X_{jk})}^2},$

X_ik为第i天的特征量k的值；X_jk为待预测日的特征量k的值；m为特征量个数，通过主气象因子特征量的个数决定；α为权重系数，由天气状况决定；D_ij、Dcos_ij、d_ij均为中间系数；

(B3)设定待选取的相似日天数N，选取Sim_ij值最大的相似日构成相似日辐照强度时间序列。

前述的基于EMD分解和Elman算法的光伏出力预测方法，其特征在于：步骤(C)，对相似日时间序列进行EMD时域分解，分解成波动强度逐一减弱的多个信号量及一个表征趋势的信号量，包括以下步骤，

(C1)通过三次样条差值找到相似日辐照量序列x(t)的极大值点和极小值点，连线，形成上、下包络线，取包络线的均值为序列m(t)；

(C2)将相似日辐照量序列与包络线的均值的差值h(t)＝x(t)-m(t)作为新序列；

(C3)重复(C1)-(C2)，直到新序列为本征态函数IMF，记为序列c₁(t)；

(C4)将相似日辐照量序列x(t)减去序列c₁(t)后，得到剩余本征函数序列g(t)，重复(C1)-(C3)，直到剩余本征函数序列r(t)表征趋势；

(C5)，波动强度逐一减弱的多个信号量及一个表征趋势的信号量为(C1)-(C4)中每次分解出的c₁(t)及最后的剩余本征函数序列r(t)。

前述的基于EMD分解和Elman算法的光伏出力预测方法，其特征在于：步骤(D)，将分解后的信号量逐一代入Elman模型进行训练，并将预测分量相加，得到待预测日各时刻的光伏出力预测，包括以下步骤，

(D1)待预测日的各时刻光伏出力预测值由前三时刻的实际值预测得到，为滚动预测；

(D2)各分量的Elman模型的训练集为经EMD分解后的相似日辐照序列对应的信号量；输入值为前三时刻的实际出力值分量；输出值为待预测日各时刻的预测出力值分量；

(D3)待预测日各时刻的预测出力值采用该时刻预测出力值分量叠加得到。

本发明的有益效果是：本发明的基于EMD分解和Elman算法的光伏出力预测方法，利用区域环境数据采集进行区域内光伏发电功率预测，将其预测结果与实际发电实时功率进行比对，同时利用区域内各公共连接点实时监测数据进行数据挖掘，从技术和管理两个角度封堵分布式光伏发电的计量漏洞，实现对分布式光伏发电用户的上网电量的有效监管，对发电量明显高于应发电量的分布式光伏用户进行核查，避免部分用户通过不法手段获取高额补贴，具有良好的应用前景。

附图说明

图1是本发明的基于EMD分解和Elman算法的光伏出力预测方法的流程图。

图2是本发明的基于EMD分解和Elman算法的光伏出力预测方法的系统示意图。

图3是本发明的EMD分解相似日时间序列的流程图。

图4是本发明的EM分解后各信号量的示意图。

图5是本发明的采用Elman算法预测的流程图

图6是本发明的三种模型预测结果与实际值的比较的示意图。

具体实施方式

下面将结合说明书附图，对本发明作进一步的说明。

本发明的基于EMD分解和Elman算法的光伏出力预测方法，利用区域环境数据采集进行区域内光伏发电功率预测，将其预测结果与实际发电实时功率进行比对，同时利用区域内各公共连接点实时监测数据进行数据挖掘，从技术和管理两个角度封堵分布式光伏发电的计量漏洞，实现对分布式光伏发电用户的上网电量的有效监管，如图1及图2所示，包括以下步骤，

步骤(A)，根据区域历史辐照量数据及环境数据，分析辐照强度主气象因子的相关性，并选取主气象因子，包括以下步骤，

(A1)，将气象因子及辐照强度归一化，气象因子为X_m＝[x₁,x₂,...,x_i,...,x_n-1,x_n]与辐照强度为Y＝[y₁,y₂,...,y_i,...,y_n-1,y_n]，其中，x₁,x₂,...,x_i,...,x_n-1,x_n为气象因子X_m各时刻的序列值、y₁,y₂,...,y_i,...,y_n-1,y_n为辐照强度Y各时刻的序列值；

(A2)根据公式(1)，计算各气象因子X_m与辐照强度Y的对应的相关系数

$\begin{array}{c}{r}_{X_{m}Y}=\frac{\underset{i=1}{\overset{n}{\Σ}}(x_i-\stackrel{\‾}{x})(y_i-\stackrel{\‾}{y})}{\sqrt{\underset{i=1}{\overset{n}{\Σ}}{(x_i-\stackrel{\‾}{x})}^2}\sqrt{\underset{i=1}{\overset{n}{\Σ}}{(y_i-\stackrel{\‾}{y})}^2}}\\ =\frac{n\Σxy-\Σx\Σy}{\sqrt{n\Σx^2-{(\Σx)}^2}\sqrt{n\Σy^2-{(\Σy)}^2}}\end{array}---\left(1\right)$

其中，n、x_i、y_i、分别为时刻的总个数、气象因子X_m第i时刻数值、气象因子X_m各时刻平均值、辐照强度Y的第i时刻数值,辐照强度Y的各时刻平均值；

(A3)选取取值范围在(-1,1)之间的相关系数若该气象因子与辐照强度Y的相关度为完全不相关；若该气象因子与辐照强度Y的相关度为微弱相关；若该气象因子与辐照强度Y的相关度为低度相关；若该气象因子与辐照强度Y的相关度为显著相关；若该气象因子与辐照强度Y的相关度为高度相关；若该气象因子与辐照强度Y的相关度为完全相关；

(A4)选取相关系数的绝对值大的气象因子作为主气象因子；

步骤(B)，选取相似性的考量指标，相似性的考量指标包括遍历历史数据中的环境因素数值、相似日时间序列，所述相似日时间序列为日变化趋势均与待预测日相似的日期，选取相似性的考量指标中相似日时间序列的方法，如图3所示，包括以下步骤，

(B1)根据历史辐照量数据及环境数据采用聚类分析法确定相似日的天数N；

(B2)采用余弦欧式变形公式(2)，计算N天相似日的Sim_ij,Sim_ij表征两个时间序列变量的波动相似程度和总体差异程度，

Sim_ij＝αD_ij+(1-α)Dcos_ij

(2)

其中， $D_{ij}=\cos (\frac{\mathrm{\π}}{2}\×\frac{d_{ij}}{\max \left(d_{ij}\right)}),{\mathrm{Dcos}}_{ij}=\frac{\underset{k=1}{\overset{m}{\Σ}}{X}_{ik}{X}_{jk}}{\sqrt{\underset{k=1}{\overset{m}{\Σ}}{X}_{ik}^2\underset{k=1}{\overset{m}{\Σ}}{X}_{jk}^2}},$ $d_{ij}=\sqrt{\underset{k=1}{\overset{m}{\Σ}}{(X_{ik}-X_{jk})}^2},$

X_ik为第i天的特征量k的值；X_jk为待预测日的特征量k的值；m为特征量个数，通过主气象因子特征量的个数决定；α为权重系数，由天气状况决定；D_ij、Dcos_ij、d_ij均为中间系数；

(B3)设定待选取的相似日天数N，选取Sim_ij值最大的相似日构成相似日辐照强度时间序列。

步骤(C)，将步骤(B)中得到的相似日时间序列进行EMD时域分解，分解成波动强度逐一减弱的多个信号量及一个表征趋势的信号量，包括以下步骤，

(C1)通过三次样条差值找到相似日辐照量序列x(t)的极大值点和极小值点，连线，形成上、下包络线，取包络线的均值为序列m(t)；

(C2)将相似日辐照量序列与包络线的均值的差值h(t)＝x(t)-m(t)作为新序列；

(C3)重复(C1)-(C2)，直到新序列为本征态函数IMF，记为序列c₁(t)；

(C4)将相似日辐照量序列x(t)减去序列c₁(t)后，得到剩余本征函数序列g(t)，重复(C1)-(C3)，直到剩余本征函数序列r(t)表征趋势。

(C5)，波动强度逐一减弱的多个信号量及一个表征趋势的信号量为(C1)-(C4)中每次分解出的c₁(t)及最后的剩余本征函数序列r(t)，分解后各信号量的示意图，如图4所示；

步骤(D)，将分解后的信号量逐一代入Elman模型进行训练，并将预测分量相加，得到待预测日各时刻的光伏出力预测，包括以下步骤，

(D1)待预测日的各时刻光伏出力预测值由前三时刻的实际值预测得到，为滚动预测；

(D2)各分量的Elman模型的训练集为经EMD分解后的相似日辐照序列对应的信号量；输入值为前三时刻的实际出力值分量；输出值为待预测日各时刻的预测出力值分量，其中，各信号量经过对应的Elman模型预测的流程图，如图5所示；

(1)构建合适的Elman模型；

(2)初始化构建的Elman模型的各权值；

(3)将输入样本归一化；

(4)计算输入层神经元输出；

(5)计算隐含层神经元输出；

(6)计算输出层神经元输出，并反馈给(5)承接层神经元输出；

(7)计算误差函数；

(8)进行权值替换，判断训练是否结束，若不结束返回(2)重新计算，直到训练结束，输出值为待预测日各时刻的预测出力值分量。

(D3)待预测日各时刻的预测出力值采用该时刻预测出力值分量叠加得到。

下面建立三个模型比较说明上述方法对提高预测精度的作用。

模型1为传统预测模型，根据预测日前20天的数据构建Elman模型进行预测。模型的输入包括辐照量数据及云量、风速及湿度等气象信息，以及待预测时刻的气象信息，输出为待预测时刻的光伏出力信息。

模型2根据环境因素构建相似日时间序列后通过Elman模型进行预测，Elman神经网络的输入为预测时间点前3时刻的光伏出力值，输出为预测时刻光伏出力值。

模型3为本发明所采用的预测方法，选取相似日并将相似日时间序列进行EMD分解，然后对各分解量进行Elman预测，输入为预测时刻前三小时的光伏出力值分量，最后将预测分量叠加得到待预测时刻的光伏出力预测值。

选取某地2010年4月27日(晴)作为预测日，分别利用上述三种模型对该天6:00-19:00各时刻辐照强度进行预测。模型1-3得到的4月27日6:00-19:00各时刻的预测值及当天各时刻的实际辐照强度情况如表1所示，通过附图6可以看出通过模型3得到的预测曲线更接近于实际情况。

表1三种模型的预测值与实际辐照强度的比较

选取平均绝对百分比误差MAPE对预测结果进行评估，MAPE计算公式如下：

$MAPE=\frac{1}{T}\underset{t=1}{\overset{T}{\Σ}}\left|\frac{y_t-f_t}{y_t}\right|,$

其中，y_t为t时刻准确值，f_t为t时刻预测值，T为总时刻数。

模型1-3的预测误差如表2所示，

表2三种模型的预测误差比较

从表2结果看出，模型1的预测误差很大，这说明虽然光伏出力值与阴晴、湿度的相关性很大，但单纯通过Elman模型预测的方式，效果并不好，这需要增加大量的参数进行调节，并且很难训练到理想的状况。模型2的预测结果比模型1具有更高的精度，这说明了在预测前期选取相似日时间序列对提升预测精度具有一定的积极意义。模型3的预测结果明显比其它两个模型精确，说明了EMD在提升光伏出力预测精度上的有效性。

综上所述，本发明的基于EMD分解和Elman算法的光伏出力预测方法，利用区域环境数据采集进行区域内光伏发电功率预测，将其预测结果与实际发电实时功率进行比对，同时利用区域内各公共连接点实时监测数据进行数据挖掘，从技术和管理两个角度封堵分布式光伏发电的计量漏洞，实现对分布式光伏发电用户的上网电量的有效监管，对发电量明显高于应发电量的分布式光伏用户进行核查，避免部分用户通过不法手段获取高额补贴，具有良好的应用前景。

以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (5)

1.基于EMD分解和Elman算法的光伏出力预测方法，其特征在于：包括以下步骤，

步骤(A)，根据区域历史辐照量数据及环境数据，分析辐照强度主气象因子的相关性，并选取主气象因子；

步骤(B)，选取相似性的考量指标，相似性的考量指标包括遍历历史数据中的环境因素数值、相似日时间序列，所述相似日时间序列为日变化趋势均与待预测日相似的日期；

步骤(C)，将步骤(B)中得到的相似日时间序列进行EMD时域分解，分解成波动强度逐一减弱的多个信号量及一个表征趋势的信号量；

步骤(D)，将分解后的信号量逐一代入Elman模型进行训练，并将预测分量相加，得到待预测日各时刻的光伏出力预测。

2.根据权利要求1所述的基于EMD分解和Elman算法的光伏出力预测方法，其特征在于：步骤(A)，分析辐照强度主气象因子的相关性，并选取主气象因子，包括以下步骤，

(A1)，将气象因子及辐照强度归一化，气象因子为X_m＝[x₁,x₂,...,x_i,...,x_n-1,x_n]与辐照强度为Y＝[y₁,y₂,...,y_i,...,y_n-1,y_n]，其中x₁,x₂,...,x_i,...,x_n-1,x_n为气象因子X_m的各时刻序列值、y₁,y₂,...,y_i,...,y_n-1,y_n为辐照强度Y的各时刻序列值；

(A2)根据公式(1)，计算各气象因子X_m与辐照强度Y的对应的相关系数

$\begin{array}{c}{r}_{X_{m}Y}=\frac{\underset{i=1}{\overset{n}{\Σ}}\left(x_i-\stackrel{\‾}{x}\right)\left(y_i-\stackrel{\‾}{y}\right)}{\sqrt{\underset{i=1}{\overset{n}{\Σ}}{\left(x_i-\stackrel{\‾}{x}\right)}^2}\sqrt{\underset{i=1}{\overset{n}{\Σ}}{\left(y_i-\stackrel{\‾}{y}\right)}^2}}\\ =\frac{n\mathrm{\Σ}xy-\mathrm{\Σ}x\mathrm{\Σ}y}{\sqrt{{\mathrm{n\Σx}}^2-{\left(\mathrm{\Σ}x\right)}^2}\sqrt{{\mathrm{n\Σy}}^2-{\left(\mathrm{\Σ}y\right)}^2}}\end{array}---\left(1\right)$

其中，n、x_i、y_i、分别为时刻的总个数、气象因子X_m第i时刻的数值、气象因子X_m各时刻的平均值、辐照强度Y在第i时刻的数值、辐照强度Y各时刻的平均值；

(A3)选取取值范围在(-1,1)之间的相关系数若该气象因子与辐照强度Y的相关度为完全不相关；若该气象因子与辐照强度Y的相关度为微弱相关；若该气象因子与辐照强度Y的相关度为低度相关；若该气象因子与辐照强度Y的相关度为显著相关；若该气象因子与辐照强度Y的相关度为高度相关；若该气象因子与辐照强度Y的相关度为完全相关；

(A4)选取相关系数的绝对值大的气象因子作为主气象因子。

3.根据权利要求1所述的基于EMD分解和Elman算法的光伏出力预测方法，其特征在于：步骤(B)，选取相似性的考量指标中相似日时间序列的方法，包括以下步骤，

(B1)根据历史辐照量数据及环境数据采用聚类分析法确定相似日的天数N；

(B2)采用余弦欧式变形公式(2)，计算N天相似日的Sim_ij,Sim_ij表征两个时间序列变量的波动相似程度和总体差异程度，

Sim_ij＝αD_ij+(1-α)Dcos_ij(2)

其中， $D_{ij}=\cos \left(\frac{\mathrm{\π}}{2}\×\frac{d_{ij}}{\max \left(d_{ij}\right)}\right),D{\cos }_{ij}=\frac{\underset{k=1}{\overset{m}{\Σ}}{X}_{ik}{X}_{jk}}{\sqrt{\underset{k=1}{\overset{m}{\Σ}}{X}_{ik}^2\underset{k=1}{\overset{m}{\Σ}}{X}_{jk}^2}},$ $d_{ij}=\sqrt{\underset{k=1}{\overset{m}{\Σ}}{(X_{ik}-X_{jk})}^2},$

X_ik为第i天的特征量k的值；X_jk为待预测日的特征量k的值；m为特征量个数，通过主气象因子特征量的个数决定；α为权重系数，由天气状况决定；D_ij、Dcos_ij、d_ij均为中间系数；

(B3)设定待选取的相似日天数N，选取Sim_ij值最大的相似日构成相似日辐照强度时间序列。

4.根据权利要求1所述的基于EMD分解和Elman算法的光伏出力预测方法，其特征在于：步骤(C)，对相似日时间序列进行EMD时域分解，分解成波动强度逐一减弱的多个信号量及一个表征趋势的信号量，包括以下步骤，

(C1)通过三次样条差值找到相似日辐照量序列x(t)的极大值点和极小值点，连线，形成上、下包络线，取包络线的均值为序列m(t)；

(C2)将相似日辐照量序列与包络线的均值的差值h(t)＝x(t)-m(t)作为新序列；

(C3)重复(C1)-(C2)，直到新序列为本征态函数IMF，记为序列c₁(t)；

(C4)将相似日辐照量序列x(t)减去序列c₁(t)后，得到剩余本征函数序列g(t)，重复(C1)-(C3)，直到剩余本征函数序列r(t)表征趋势；

(C5)，波动强度逐一减弱的多个信号量及一个表征趋势的信号量为(C1)-(C4)中每次分解出的c₁(t)及最后的剩余本征函数序列r(t)。

5.根据权利要求1所述的基于EMD分解和Elman算法的光伏出力预测方法，其特征在于：步骤(D)，将分解后的信号量逐一代入Elman模型进行训练，并将预测分量相加，得到待预测日各时刻的光伏出力预测，包括以下步骤，

(D1)待预测日的各时刻光伏出力预测值由前三时刻的实际值预测得到，为滚动预测；

(D2)各分量的Elman模型的训练集为经EMD分解后的相似日辐照序列对应的信号量；输入值为前三时刻的实际出力值分量；输出值为待预测日各时刻的预测出力值分量；

(D3)待预测日各时刻的预测出力值采用该时刻预测出力值分量叠加得到。