CN105589998A - 一种光伏输出功率超短期预测方法 - Google Patents

Abstract

一种光伏输出功率超短期预测方法，包括下述步骤：A、使用经验模态分解法对光伏输出功率历史数据进行分解，得到本征模函数和剩余分量；B、对所有本征模函数和剩余分量分别建立最小二乘支持向量机预测模型，进行光伏输出功率超短期预测，得到预测值；C、将步骤B最后所得所有预测值相加，得到最终预测结果。利用本发明的光伏输出功率超短期预测方法，能够充分利用支持向量机良好的回归特性、小样本适用性、不易陷入局部最优特性、计算速度快特性以及经验模态分解法对非线性数据良好的平稳化处理能力。

Description

一种光伏输出功率超短期预测方法

技术领域

本发明涉及电力系统分析技术领域，尤其涉及一种新能源电力系统分析技术。

背景技术

能源和环境问题促使以光伏为代表的清洁能源获得了广泛关注。由于光照和光伏发电的自身特性，使得光伏发电呈现波动性和间歇性的特点。光伏大规模并网后会对电网的安全、经济和可靠运行产生多方面影响，因此必须获得光伏出力的超短期预测数值，从而调节常规电源实时出力曲线，达到优化调度。

但是，现有技术中，对于光伏出力超短期预测的技术方案较少，技术效果也具有较大局限，例如使用统计学原理的模型精度较低。造成此结果的一个原因是光伏输出功率具有强烈的随机波动特性，规律难以把握。

发明内容

鉴于此，本发明的目的在于克服现有技术的缺点，提出一种光伏输出功率超短期预测方法，首先使用经验模态分解法对光伏出力历史序列进行平稳化预处理，使得序列规律更容易被学习，然后使用具有良好回归特性的最小二乘支持向量机进行预测，从而获得更高预测精度。

为了实现此目的，本发明采取的技术方案为如下。

一种光伏输出功率超短期预测方法，包括下述步骤：

A、使用经验模态分解法对光伏输出功率历史数据进行分解，得到本征模函数和剩余分量；

B、对所有本征模函数和剩余分量分别建立最小二乘支持向量机预测模型，进行光伏输出功率超短期预测，得到预测值；

C、将步骤B最后所得所有预测值相加，得到最终预测结果。

步骤A中使用经验模态分解法进行分解包括：

A1、识别光伏输出功率历史数据序列x(t)中所有极大值点并使用三次样条插值法拟合，得到上包络线e_up(t)，

A2、识别光伏输出功率历史数据序列x(t)中所有极小值点并使用三次样条插值法拟合，得到下包络线e_low(t)，

A3、根据计算均值包络线即上下包络线的平均值m₁(t)，

A4、根据h₁(t)＝x(t)-m₁(t)计算h₁(t)，判断h₁(t)是否满足筛分终止条件，若满足，则h₁(t)为第一个本征模函数，记为c₁(t)＝h₁(t)，若h₁(t)不满足筛分终止条件，则将h₁(t)视为新的序列x(t)，从步骤A1开始重新筛分，直到选出满足筛分终止条件的本征模函数，记为c₁(t)＝h₁(t)，

A5、根据r₁(t)＝x(t)-c₁(t)计算r₁(t)，若r₁(t)极值点数目大于等于2个，则将r₁(t)作为新的序列x(t)，从步骤A1开始重新筛分，若r₁(t)极值点数目不足2个，则停止分解，r₁(t)作为剩余分量予以保留，

最终，光伏输出功率历史数据序列被分解为本征模函数和剩余分量，表示如下：

$x\left(t\right)=\underset{i=1}{\overset{N}{\Σ}}{c}_i\left(t\right)+r_N\left(t\right),$

其中c_i(t)为第i个本征模函数，r_N(t)为剩余分量。

步骤B所述的最小二乘支持向量机预测模型，它的回归方式为：

$f\left(\hat{x}\right)={\mathrm{\ω}}^T\mathrm{\φ}\left(\hat{x}\right)+b,\mathrm{\ω}\∈R^n,$

其中：为模型输出的出力预测值，ω为权向量，为映射函数，为训练样本和测试样本，b为偏置，最小二乘支持向量机中使用径向基核函数，共包含两个未知参数需要进行寻优：正则化参数γ和平方带宽σ²；

使用遗传方法，得到γ和σ²的最佳取值。

其中，所述筛分终止条件为：

设此时进行第k次筛分，则当σ小于给定数值σ_max时，筛分终止：

$\mathrm{\σ}=\underset{j=1}{\overset{n}{\Σ}}\frac{|h_{(j,k-1)}\left(t\right)-h_{(j,k)}\left(t\right){|}^2}{{h^2}_{(j,k-1)}\left(t\right)}$

其中h_(j,k-1)(t)和h_(j,k)(t)是两个连续筛分的结果序列，n为光伏输出功率历史数据序列x(t)样本点个数，

σ_max取值为0.1。

通过采用本发明的光伏输出功率超短期预测方法，能够获得以下有益技术效果：首先采用经验模态分解法对光伏出力历史序列进行预处理，降低其波动性和随机性，使其分量变得更平稳更容易被学习。然后使用最小二乘支持向量机模型作为主体预测模型，充分利用了支持向量机良好的回归特性、小样本适用性、不易陷入局部最优特性、计算速度快特性等。以上特性使本发明所提模型适宜应用于光伏超短期预测领域，并且实际算例证明，该模型具有较高精度以及相对其他模型而言的较大优势。

附图说明

图1为本发明具体实施方式中光伏输出功率超短期预测方法的流程示意图。

图2为本发明具体实施方式中光伏出力样本数据经经验模态分解后的结果示意图。

图3本发明具体实施方式中EMD-LSSVM-GA法预测结果示意图。

图4本发明具体实施方式中LSSVM-GA法预测结果示意图。

具体实施方式

下面结合附图，对本发明作详细说明。

以下公开详细的示范实施例。然而，此处公开的具体结构和功能细节仅仅是出于描述示范实施例的目的。

然而，应该理解，本发明不局限于公开的具体示范实施例，而是覆盖落入本公开范围内的所有修改、等同物和替换物。在对全部附图的描述中，相同的附图标记表示相同的元件。

同时应该理解，如在此所用的术语“和/或”包括一个或多个相关的列出项的任意和所有组合。另外应该理解，当部件或单元被称为“连接”或“耦接”到另一部件或单元时，它可以直接连接或耦接到其他部件或单元，或者也可以存在中间部件或单元。此外，用来描述部件或单元之间关系的其他词语应该按照相同的方式理解(例如，“之间”对“直接之间”、“相邻”对“直接相邻”等)。

如图1所示，本发明具体实施方式中公开了一种光伏输出功率超短期预测方法，它包括下述步骤：

使用经验模态分解法对光伏输出功率历史数据进行分解，得到本征模函数和剩余分量；

B、对所有本征模函数和剩余分量分别建立最小二乘支持向量机预测模型，进行光伏输出功率超短期预测，得到预测值；

C、将步骤B最后所得所有预测值相加，得到最终预测结果。

因此，本发明的光伏输出功率超短期预测方法首先采用经验模态分解法对光伏出力历史序列进行预处理，降低其波动性和随机性，使其分量变得更平稳更容易被学习。然后使用最小二乘支持向量机模型作为主体预测模型，充分利用了支持向量机良好的回归特性、小样本适用性、不易陷入局部最优特性、计算速度快特性等。

特别地，在具体实施方式中，步骤A中使用经验模态分解法进行分解包括：

A1、识别光伏输出功率历史数据序列x(t)中所有极大值点并使用三次样条插值法拟合，得到上包络线e_up(t)，

A2、识别光伏输出功率历史数据序列x(t)中所有极小值点并使用三次样条插值法拟合，得到下包络线e_low(t)，

A3、根据计算均值包络线即上下包络线的平均值m₁(t)，

A4、根据h₁(t)＝x(t)-m₁(t)计算h₁(t)，判断h₁(t)是否满足筛分终止条件，若满足，则h₁(t)为第一个本征模函数，记为c₁(t)＝h₁(t)，若h₁(t)不满足筛分终止条件，则将h₁(t)视为新的序列x(t)，从步骤A1开始重新筛分，直到选出满足筛分终止条件的本征模函数，记为c₁(t)＝h₁(t)，

A5、根据r₁(t)＝x(t)-c₁(t)计算r₁(t)，若r₁(t)极值点数目大于等于2个，则将r₁(t)作为新的序列x(t)，从步骤A1开始重新筛分，若r₁(t)极值点数目不足2个，则停止分解，r₁(t)作为剩余分量予以保留，

最终，光伏输出功率历史数据序列被分解为本征模函数和剩余分量，表示如下：

$x\left(t\right)=\underset{i=1}{\overset{N}{\Σ}}{c}_i\left(t\right)+r_N\left(t\right),$

其中c_i(t)为第i个本征模函数，r_N(t)为剩余分量。

另外，步骤B所述的最小二乘支持向量机预测模型，它的回归方式为：

$f\left(\hat{x}\right)={\mathrm{\ω}}^T\mathrm{\φ}\left(\hat{x}\right)+b,\mathrm{\ω}\∈R^n,$

其中：为模型输出的出力预测值，ω为权向量，为映射函数，为训练样本和测试样本，b为偏置，最小二乘支持向量机中使用径向基核函数，共包含两个未知参数需要进行寻优：正则化参数γ和平方带宽σ²；

使用遗传方法，得到γ和σ²的最佳取值。

特别地，所述筛分终止条件为：

设此时进行第k次筛分，则当σ小于给定数值σ_max时，筛分终止：

$\mathrm{\σ}=\underset{j=1}{\overset{n}{\Σ}}\frac{|h_{(j,k-1)}\left(t\right)-h_{(j,k)}\left(t\right)|}{{h^2}_{(j,k-1)}\left(t\right)}$

其中h_(j,k-1)(t)和h_(j,k)(t)是两个连续筛分的结果序列，n为光伏输出功率历史数据序列x(t)样本点个数，

σ_max取值为0.1。

下面结合以一个更加具体的示例对本发明作进一步的描述：

步骤1：获取样本数据。获取中国西南地区某60kW光伏电站2012年的出力历史数据，该数据采样间隔为15min。选取2012年10月1号～3号每日08:00至17:45的出力数据，共计120个。

步骤2：使用经验模态分解法对步骤1获取的样本数据进行分解，得到5个分量：4个本征模函数和1个剩余分量。分解结果见图2。

步骤3：构造训练样本和测试样本。

设序列{x_i1,x_i2,x_i3,...x_in}(n为数据个数)为分解出的l_p个分量中的第i个分量。为满足建模要求，将序列{x_i1,x_i2,x_i3,...x_in}转化为符合LSSVM(最小二乘向量机)输入格式的矩阵形式(X_t，Y_t)，其中X_t＝{x_t-m,x_t-m+1,...,x_t-1}，Y_t＝x_t，t＝1,2,...,n。m为滑动窗口大小，取为3，表示根据前m个出力值推断第m+1个出力值大小。本发明实例中，l_p为5，n为120。此时共得到117组(X_t，Y_t)。将前85组(X_t，Y_t)作为训练样本，后32组(X_t，Y_t)作为测试样本。

步骤4：使用遗传方法进行参数寻优，为5个分量分别建立最小二乘支持向量机预测模型。遗传方法寻优的具体设置为：种群规模为200，最大进化代数为500，交叉概率为0.4，变异概率为0.01，参数γ的搜索范围为[1,20]，σ²的搜索范围为[1,100]。

步骤5：结果合成。使用步骤4寻优得到的参数构建最小二乘支持向量机预测模型，使用步骤3构造的训练样本和测试样本进行预测，每个分量各得到一个预测结果。将5个结果相加，得到最终预测结果，如图2所示。

步骤6：误差评价。以上方法简称为EMD-LSSVM-GA法。将经验模态分解环节去掉后，单纯使用LSSVM-GA法对同样样本进行预测，预测结果见图3。比较两种方法的误差大小。选取均方根误差(Root-mean-squareError,RMSE)作为衡量预测结果的指标。RMSE的计算方法为：

$RMSE=\frac{\sqrt{\frac{1}{s}\underset{j^{\′}=1}{\overset{s}{\Σ}}{(P_{j^{\′}}-P_{j^{\′}}^{\′})}^2}}{Cap}\×100\%$

其中，s为预测样本数，P_j‘为第j’个预测样本的实测值，P’_j’为第j’个预测样本的预测值，Cap为光伏电站容量。

经计算，EMD-LSSVM-GA法的RMSE为2.38％，LSSVM-GA法的RMSE为3.34％。因此，本发明提出的方法具有较高预测精度。同时观察图形也可看出，EMD-LSSVM-GA法的预测结果能很好地跟踪出力变化趋势，在平缓和拐角处都有较好的拟合能力。LSSVM-GA模型在拐点处出现几次较大误差，容易导致决策人员的错误判断，且滞后现象较严重。因此EMD-LSSVM-GA法有较高应用价值。

需要说明的是，上述实施方式仅为本发明较佳的实施方案，不能将其理解为对本发明保护范围的限制，在未脱离本发明构思前提下，对本发明所做的任何微小变化与修饰均属于本发明的保护范围。

Claims (4)

1.一种光伏输出功率超短期预测方法，包括下述步骤：

A、使用经验模态分解法对光伏输出功率历史数据进行分解，得到本征模函数和剩余分量；

B、对所有本征模函数和剩余分量分别建立最小二乘支持向量机预测模型，进行光伏输出功率超短期预测，得到预测值；

C、将步骤B最后所得所有预测值相加，得到最终预测结果。

2.根据权利要求1中所述的光伏输出功率超短期预期方法，其特征在于，步骤A中使用经验模态分解法进行分解包括：

A1、识别光伏输出功率历史数据序列x(t)中所有极大值点并使用三次样条插值法拟合，得到上包络线e_up(t)，

A2、识别光伏输出功率历史数据序列x(t)中所有极小值点并使用三次样条插值法拟合，得到下包络线e_low(t)，

A3、根据计算均值包络线即上下包络线的平均值m₁(t)，

A4、根据h₁(t)＝x(t)-m₁(t)计算h₁(t)，判断h₁(t)是否满足筛分终止条件，若满足，则h₁(t)为第一个本征模函数，记为c₁(t)＝h₁(t)，若h₁(t)不满足筛分终止条件，则将h₁(t)视为新的序列x(t)，从步骤A1开始重新筛分，直到选出满足筛分终止条件的本征模函数，记为c₁(t)＝h₁(t)，

A5、根据r₁(t)＝x(t)-c₁(t)计算r₁(t)，若r₁(t)极值点数目大于等于2个，则将r₁(t)作为新的序列x(t)，从步骤A1开始重新筛分，若r₁(t)极值点数目不足2个，则停止分解，r₁(t)作为剩余分量予以保留，

最终，光伏输出功率历史数据序列被分解为本征模函数和剩余分量，表示如下：

$x\left(t\right)=\underset{i=1}{\overset{N}{\Σ}}{c}_i\left(t\right)+r_N\left(t\right),$

其中c_i(t)为第i个本征模函数，r_N(t)为剩余分量。

3.根据权利要求1中所述的光伏输出功率超短期预测方法，其特征在于，步骤B所述的最小二乘支持向量机预测模型，它的回归方式为：

$f\left(\hat{x}\right)={\mathrm{\ω}}^T\mathrm{\φ}\left(\hat{x}\right)+b,$ ω∈Rⁿ，

其中：为模型输出的出力预测值，ω为权向量，为映射函数，为训练样本和测试样本，b为偏置，最小二乘支持向量机中使用径向基核函数，共包含两个未知参数需要进行寻优：正则化参数γ和平方带宽σ²；

使用遗传方法，得到γ和σ²的最佳取值。

4.根据权利要求2中所述的光伏输出功率超短期预测方法，其特征在于，所述筛分终止条件为：

设此时进行第k次筛分，则当σ小于给定数值σ_max时，筛分终止：

$\mathrm{\σ}=\underset{j=1}{\overset{n}{\Σ}}\frac{|h_{(j,k-1)}\left(t\right)-h_{(j,k)}\left(t\right){|}^2}{{h^2}_{(j,k-1)}\left(t\right)}$

其中h_(j,k-1)(t)和h_(j,k)(t)是两个连续筛分的结果序列，n为光伏输出功率历史数据序列x(t)样本点个数，

σ_max取值为0.1。