CN113761777A - 一种基于hp-ovmd的超短期光伏功率预测方法 - Google Patents

一种基于hp-ovmd的超短期光伏功率预测方法 Download PDF

Info

Publication number
CN113761777A
CN113761777A CN202110990019.5A CN202110990019A CN113761777A CN 113761777 A CN113761777 A CN 113761777A CN 202110990019 A CN202110990019 A CN 202110990019A CN 113761777 A CN113761777 A CN 113761777A
Authority
CN
China
Prior art keywords
photovoltaic power
sequence
ovmd
power prediction
phase space
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110990019.5A
Other languages
English (en)
Other versions
CN113761777B (zh
Inventor
王育飞
杨启星
薛花
张宇华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Electric Power University
Original Assignee
Shanghai Electric Power University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Electric Power University filed Critical Shanghai Electric Power University
Priority to CN202110990019.5A priority Critical patent/CN113761777B/zh
Publication of CN113761777A publication Critical patent/CN113761777A/zh
Application granted granted Critical
Publication of CN113761777B publication Critical patent/CN113761777B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/25—Design optimisation, verification or simulation using particle-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/06—Power analysis or power optimisation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Medical Informatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及一种基于HP‑OVMD的超短期光伏功率预测方法，包括：采用HP滤波方式，从数据归一化后的历史光伏数据序列中筛选得到趋势序列和波动序列；针对波动序列，利用中心频率法确定VMD分解的模态分量，再基于残差分量最小化原则，采用粒子群算法确定OVMD的惩罚因子α及保真度系数τ，以将波动分量分解成一系列相对平稳的限带内禀模态函数；分别对趋势序列以及一系列限带内禀模态函数进行相空间重构，结合粒子群算法对情绪神经网络内部关键参数进行寻优，以构建得到光伏功率预测模型；获取当前实际光伏功率时间序列，将对应的相空间重构矩阵输入光伏功率预测模型中，得到光伏功率预测值。与现有技术相比，本发明能够有效提高光伏功率预测的精度及稳定性。

Description

一种基于HP-OVMD的超短期光伏功率预测方法
技术领域
本发明涉及光伏发电功率预测技术领域，尤其是涉及一种基于HP-OVMD的超短期光伏功率预测方法。
背景技术
近年来，我国光伏装机容量稳步提升，光伏发电作为一种清洁、可再生能源迅速发展，受各种外界因素影响，光伏发电功率呈现出高度的复杂性和随机性，大规模的光伏发电并网会对电网安全稳定运行产生诸多不利影响。因此，准确、及时地预测光伏发电功率是保障电力系统稳定运行的重要手段。
目前，国内外学者已针对光伏出力预测问题提出如混沌系统分析、神经网络、降维聚类等诸多方法，与数学模型相比，人工智能模型的显著特点是出色的学习能力。人工智能模型通过观察历史和预测数值，建立映射关系的学习行为，较传统的回归模型有更好的预测效果，但由于光伏功率数据的非平稳性和波动性，单一的预测模型往往不能得到较高的预测准确度。相关研究者通过结合小波变换、经验模态分解等数据分解技术在一定程度上降低数据的不稳定性，以提高后续预测准确度，其中，VMD(Variational ModeDecomposition，变分模态分解)方法可较好地实现信号分频，但其分解结果限制于其内部参数的选择，且通常无法直接分离信号的趋势成分，导致最终的预测精度较差。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于HP-OVMD(Optimized Variational Mode Decomposition，最优变分模态分解)的超短期光伏功率预测方法，以提高光伏功率预测精度。
本发明的目的可以通过以下技术方案来实现：一种基于HP-OVMD的超短期光伏功率预测方法，包括以下步骤：
S1、获取历史光伏功率时间序列，并对历史光伏功率时间序列进行数据归一化处理；
S2、采用HP滤波方式，从数据归一化后的历史光伏数据序列中筛选得到趋势序列和波动序列；
S3、针对波动序列，利用中心频率法确定VMD分解的模态分量，再基于残差分量最小化原则，采用粒子群算法确定OVMD的惩罚因子α及保真度系数τ，以将波动分量分解成一系列相对平稳的限带内禀模态函数；
S4、分别对趋势序列以及一系列限带内禀模态函数进行相空间重构，得到对应的相空间重构矩阵，结合粒子群算法对情绪神经网络内部关键参数进行寻优，以构建得到光伏功率预测模型；
S5、获取当前实际光伏功率时间序列，对该序列数据依次进行数据归一化、HP滤波、OVMD以及相空间重构处理，得到对应的当前相空间重构矩阵，将该当前相空间重构矩阵输入光伏功率预测模型中，得到对应的光伏功率预测值。
进一步地，所述步骤S2中采用HP滤波方式对应的最小化问题最优解具体为：
Figure BDA0003232152500000021
其中，y(t)为需处理的时间序列，s(t)为提取的趋势序列成分，φ为平滑参数，N为时间点总数量。
进一步地，所述步骤S3具体包括以下步骤：
S31、利用中心频率法，以确定波动序列的模态数K，得到变分约束表达式；
S32、采用VMD将变分约束表达式转化为变分非约束表达式，基于残差分量最小化原则，采用粒子群算法对惩罚因子α和保真度系数τ进行寻优；
采用交替方向乘子算法迭代求取变分非约束表达式的鞍点，以得到K个限带内禀模态函数。
进一步地，所述变分约束表达式具体为：
Figure BDA0003232152500000022
其中，uk为分解后的第k种分量调幅调频信号，δ(t)为脉冲函数，ωk为第k种分量调幅调频信号的中心频率。
进一步地，所述残差分量最小化原则具体为：
Figure BDA0003232152500000031
Figure BDA0003232152500000032
其中，e(t)为重构分量与原始序列间的残差分量；
所述变分非约束表达式具体为：
Figure BDA0003232152500000033
其中，λ(t)为拉格朗日乘法算子。
进一步地，所述步骤S32中在迭代求取变分非约束表达式的鞍点过程中，对uk、ωk和λ进行相应更新：
Figure BDA0003232152500000034
Figure BDA0003232152500000035
Figure BDA0003232152500000036
其中，n为当前迭代次数，ε为收敛精度，
Figure BDA0003232152500000037
和
Figure BDA0003232152500000038
分别为f(t)、
Figure BDA0003232152500000039
λ(t)和u(t)的傅里叶变换结果。
进一步地，所述步骤S4具体包括以下步骤：
S41、根据嵌入维数和时间延迟，对趋势序列以及一系列限带内禀模态函数分别进行混沌相空间重构，得到对应的混沌相空间矩阵；
S42、根据混沌相空间矩阵，划分训练集和测试集，以训练并测试情绪神经网络模型，并采用粒子群算法优化情绪神经网络模型的权值和阈值，得到光伏功率预测模型。
进一步地，所述混沌相空间矩阵具体为：
Figure BDA0003232152500000041
M＝N-md+d
其中，G为相空间矩阵，m为嵌入维数，d为时间延迟，M为延迟向量个数。
进一步地，所述步骤S42中粒子群算法的初始化粒子为：
Particle＝[v1,v2,...,vm,vm+1,w1,w2,...,wm,ba,bo]
其中，wI为感官皮质和眶额皮质间的各节点权值系数，vI为杏仁核层的权重系数，I＝1,2,...,m，ba为眶额皮质层偏差系数，bo为杏仁核层偏差系数；
粒子群算法通过适应度函数计算个体适应度值，以实际值与预测值的平均绝对误差作为适应度，通过粒子相互间的信息交流使适应度值最小化，从而建立准确的数据映射关系。
进一步地，所述光伏功率预测模型的具体工作过程为：
刺激输入信号TI进入丘脑，杏仁核接收来自感觉皮层的输入信号AI，并且接收来自丘脑的扩展信号Tm+1：
Tm+1＝max(TI)
其中，I为输入重构矩阵的列数，1≤I≤m，TI为光伏发电功率相空间重构后作为模型的信号输入；
之后分别得到杏仁核和眶额皮质环节的输出：
Figure BDA0003232152500000042
Figure BDA0003232152500000043
其中，Ea和Eo分别为杏仁核和眶额皮质环节的输出；
最终输出得到：
E＝Ea-Eo
其中，E为光伏功率预测值。
与现有技术相比，本发明具有以下优点：
一、本发明利用HP滤波与OVMD相结合的数据预处理方法，以分离光伏发电功率的趋势分量与波动分量，解决了VMD无法直接分离趋势分量的问题，能够有效降低原始光伏发电功率序列波动性问题对预测精度的影响，从而保证后续光伏功率的预测精度。
二、本发明采用OVMD法将波动序列分量分解为不同频率的分量、并分别进行建模单独预测，以此有效分析光伏发电功率序列的局部变化特点，进一步降低波动序列的非平稳性，有助于提高后续模型的预测性能，并且无需人为设定VMD参数，提高了其分解效果。
三、本发明基于人脑的生理情绪反应行为而提出的情绪神经网络模型，具有模型建立简单，预测耗时时间少等优势，结合粒子群算法对模型进行参数优化，可准确反映非线性复杂系统中的映射关系，更有利于进行超短期光伏发电功率的预测。
附图说明
图1为本发明的方法流程示意图；
图2为实施例的应用过程示意图；
图3为情绪神经网络模型的结构示意图；
图4为实施例中采用本发明HP-OVMD数据预处理后的数据分解示意图；
图5a为实施例中采用本发明方法进行光伏功率预测后的预测值与实际值的对比示意图；
图5b为实施例中采用本发明方法进行光伏功率预测的误差曲线示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例
如图1所示，一种基于HP-OVMD的超短期光伏功率预测方法，包括以下步骤：
S1、获取历史光伏功率时间序列，并对历史光伏功率时间序列进行数据归一化处理；
S2、采用HP滤波方式，从数据归一化后的历史光伏数据序列中筛选得到趋势序列和波动序列，其中，采用HP滤波方式对应的最小化问题最优解具体为：
Figure BDA0003232152500000051
其中，y(t)为需处理的时间序列，s(t)为提取的趋势序列成分，φ为平滑参数，N为时间点总数量；
S3、针对波动序列，利用中心频率法确定VMD分解的模态分量，再基于残差分量最小化原则，采用粒子群算法确定OVMD的惩罚因子α及保真度系数τ，以将波动分量分解成一系列相对平稳的限带内禀模态函数，具体的：
首先利用中心频率法，以确定波动序列的模态数K，得到变分约束表达式：
Figure BDA0003232152500000061
其中，uk为分解后的第k种分量调幅调频信号，δ(t)为脉冲函数，ωk为第k种分量调幅调频信号的中心频率；
之后采用VMD将变分约束表达式转化为变分非约束表达式，基于残差分量最小化原则，采用粒子群算法对惩罚因子α和保真度系数τ进行寻优，其中，残差分量最小化原则具体为：
Figure BDA0003232152500000062
Figure BDA0003232152500000063
其中，e(t)为重构分量与原始序列间的残差分量；
变分非约束表达式具体为：
Figure BDA0003232152500000064
其中，λ(t)为拉格朗日乘法算子；
最后采用交替方向乘子算法迭代求取变分非约束表达式的鞍点，以得到K个限带内禀模态函数，在迭代求取变分非约束表达式的鞍点过程中，对uk、ωk和λ进行相应更新：
Figure BDA0003232152500000065
Figure BDA0003232152500000071
Figure BDA0003232152500000072
其中，n为当前迭代次数，ε为收敛精度，
Figure BDA0003232152500000073
和
Figure BDA0003232152500000074
分别为f(t)、
Figure BDA0003232152500000075
λ(t)和u(t)的傅里叶变换结果；
S4、分别对趋势序列以及一系列限带内禀模态函数进行相空间重构，得到对应的相空间重构矩阵，结合粒子群算法对情绪神经网络内部关键参数进行寻优，以构建得到光伏功率预测模型，具体的：
首先根据嵌入维数和时间延迟，对趋势序列以及一系列限带内禀模态函数分别进行混沌相空间重构，得到对应的混沌相空间矩阵：
Figure BDA0003232152500000076
M＝N-md+d
其中，G为相空间矩阵，m为嵌入维数，d为时间延迟，M为延迟向量个数；
之后根据混沌相空间矩阵，划分训练集和测试集，以训练并测试情绪神经网络模型，并采用粒子群算法优化情绪神经网络模型的权值和阈值，得到光伏功率预测模型，其中，粒子群算法的初始化粒子为：
Particle＝[v1,v2,...,vm,vm+1,w1,w2,...,wm,ba,bo]
其中，wI为感官皮质和眶额皮质间的各节点权值系数，vI为杏仁核层的权重系数，I＝1,2,...,m，ba为眶额皮质层偏差系数，bo为杏仁核层偏差系数；
粒子群算法通过适应度函数计算个体适应度值，以实际值与预测值的平均绝对误差作为适应度，通过粒子相互间的信息交流使适应度值最小化，从而建立准确的数据映射关系；
S5、获取当前实际光伏功率时间序列，对该序列数据依次进行数据归一化、HP滤波、OVMD以及相空间重构处理，得到对应的当前相空间重构矩阵，将该当前相空间重构矩阵输入光伏功率预测模型中，得到对应的光伏功率预测值。
本发明构建的光伏功率预测模型，其具体工作过程为：
刺激输入信号TI进入丘脑，杏仁核接收来自感觉皮层的输入信号AI，并且接收来自丘脑的扩展信号Tm+1：
Tm+1＝max(TI)
其中，I为输入重构矩阵的列数，1≤I≤m，TI为光伏发电功率相空间重构后作为模型的信号输入；
之后分别得到杏仁核和眶额皮质环节的输出：
Figure BDA0003232152500000081
Figure BDA0003232152500000082
其中，Ea和Eo分别为杏仁核和眶额皮质环节的输出；
最终输出得到：
E＝Ea-Eo
其中，E为光伏功率预测值。
为验证本发明方法的有效性，本实施例应用上述方法，以构建出一种光伏功率预测模型，如图2所示，主要包括步骤：通过HP滤波作为前置环节筛选出光伏信号的趋势分量及波动分量；利用最优变分模态分解(Optimal Variational Mode Decomposition，OVMD)将剩余信号分解成一系列相对平稳的限带内禀模态函数；对各子模态函数分别建立采用粒子群算法优化的大脑情绪神经网络(Emotional Neural Network，ENN)模型，并将各序列预测结果叠加得到最终预测值，具体为：
1)利用HP滤波作为前置环节，以筛选出光伏发电功率时间序列的趋势分量及波动分量，利用HP滤波问题提取时间趋势序列，对应的最小化问题最优解求解式为：
Figure BDA0003232152500000083
式中，y(t)为需处理的时间序列；s(t)为提取的趋势序列成分；φ为平滑参数，决定趋势项对实际序列的跟踪程度和趋势项光滑程度。
2)根据步骤1)光伏发电功率波动分量，利用中心频率法确定VMD分解的模态分量，基于残差分量最小化原则，采用粒子群算法确定OVMD的惩罚因子α及保真度系数τ，将波动信号分解成一系列相对平稳的限带内禀模态函数，具体步骤为：
2.1)根据中心频率法将波动序列信号f(t)分解为K个分量，确保分解序列是有限带宽、有限中心频率的模态分量，利用中心频率法确定模态数K，则变分约束表达式为：
Figure BDA0003232152500000091
式中，uk为分解后的第k种分量调幅调频信号；δ(t)为脉冲函数，ωk为第k种分量调幅调频信号的中心频率。
2.2)VMD在K值确定之后，将约束性的变分问题转化为非约束性的变分问题时，引入了惩罚因子α，寻优过程中采用不同的保真度系数τ，基于残差分量最小化原则，利用粒子群算法对惩罚因子α和保真度系数τ进行寻优。其中残差最小化原则为：
Figure BDA0003232152500000092
式中，e(t)为重构分量与原始序列间的残差分量。
2.3)引入拉格朗日乘法算子λ(t)和惩罚因子α转化为无约束优化问题，可得
Figure BDA0003232152500000093
2.4)利用交替方向乘子算法进行迭代计算获得式(4)的鞍点，更新uk、ωk和λ分别为：
Figure BDA0003232152500000094
Figure BDA0003232152500000095
Figure BDA0003232152500000096
式中，n为当前迭代次数；ε为收敛精度；
Figure BDA0003232152500000097
和
Figure BDA0003232152500000098
分别为f(t)、
Figure BDA0003232152500000101
λ(t)和u(t)的傅里叶变换。
3)根据步骤1)和步骤2)所得到的相对平稳的子序列分量，根据光伏功率时间序列相空间，采用粒子群算法对大脑情绪神经网路内部关键参数进行寻优，构建大脑情绪神经网络预测模型，具体步骤为：
3.1)对一维光伏发电功率时间序列g(t)(t＝1,2,...,N)进行混沌相空间重构，根据嵌入维数m和时间延迟d，可求得混沌相空间矩阵表达式如下：
Figure BDA0003232152500000102
式中，M为延迟向量个数，M＝N-md+d。
3.2)划分模型训练和测试的样本集，将相空间矩阵G作为ENN模型输入矩阵，采用粒子群算法优化大脑情绪神经网络的权值和阈值。在如图3所示的情绪神经网络结构中，初始化的粒子可表示为：
Particle＝[v1,v2,...,vm,vm+1,w1,w2,...,wm,ba,bo] (9)
式中，wI为感官皮质和眶额皮质间的各节点权值系数，vI为杏仁核层的权重系数，I＝1,2,...,m，ba为眶额皮质层偏差系数，bo为杏仁核层偏差系数。
3.3)粒子群算法通过适应度函数计算个体适应度值，以实际值与预测值的平均绝对误差作为适应度，通过粒子相互间的信息交流使适应度值最小化，从而建立准确的数据映射关系。
4)根据步骤3)得到的基于HP-OVMD的大脑情绪神经网络预测模型，利用网络训练后的模型实现光伏功率超短期预测，具体步骤为：
4.1)刺激输入信号TI(I表示输入重构矩阵的列数，1≤I≤m)进入丘脑，杏仁核接收来自感觉皮层的输入信号AI，并且接收来自丘脑的扩展信号Tm+1。其中Tm+1计算方法为：
Tm+1＝max(TI) (10)
4.2)最终输出值按以下公式计算：
E＝Ea-Eo (11)
其中Ea和Eo是杏仁核和眶额皮质环节的输出。它们的定义如下：
Figure BDA0003232152500000103
Figure BDA0003232152500000111
本实施例将构建的光伏功率预测模型与实际值进行对比，以某光伏发电系统历史发电数据为依据，选取澳大利亚昆士兰大学在其官方网站上提供丰富的光伏输出功率数据进行算例仿真分析，选择时间段为每日6:00到19:00的数据，每日选择157个预测点。
首先按照步骤1)采用HP滤波方法提取光伏发电功率原始序列的趋势成分，再根据步骤2)对光伏功率波动序列分量进行OVMD分解，分解结果如图4所示。不同模态数量下的中心频率如表1所示。由表1中的模态中心频率可以看出，当K＝7时，中心频率出现了53.50和89.65两个相近的模态，模态出现过分解现象；当K＝8时，u3和u4及u5和u6的中心频率相近，因此确定模态分解数为K＝6。
表1
模态数 模态1 模态2 模态3 模态4 模态5 模态6 模态7 模态8
3 0.5224 33.2741 84.2952
4 0.5129 32.4466 79.7264 129.5340
5 0.5111 32.2938 79.1106 127.1689 258.6834
6 0.5081 32.0291 77.9647 122.394 231.3032 359.2439
7 0.3955 22.5045 53.5054 89.6513 175.4660 267.2980 405.0869
8 0.3871 21.8648 51.7276 83.2789 149.5848 214.6368 324.6502 410.4641
再构建基于HP-OVMD的ENN(Emotional Neural Network，情绪神经网络)预测模型，算例关键参数设置如下：设置网络输入层节点数为5，输出神经元为1，隐含层节点数目为13。在粒子群算法设计中，取种群大小为50，最大迭代次数为100，搜索维数为13，惯性因子q＝0.9，学习因子c1＝0.5，c2＝2.5。采用粒子群算法寻优确定VMD的惩罚因子和保真度系数，进而对波动序列进行分解，结果如表2所示。
表2
参数 α τ 残差指标
默认VMD 2000 0 1.103e-10
HPSO寻优 1027.502 2.117 9.913e-18
从表2可以看出，基于PSO(Particle swarm optimization，粒子群优化)寻优的VMD分解模型对应的残差分量指标远小于VMD默认分解的残差指标，本发明提出的利用中心频率法来确定VMD的模态个数K和基于残差指标来确定惩罚因子和保真度系数的OVMD，实现了对光伏发电波动序列的优化分解。
之后选择其中前55天的历史数据作为训练集，后6天作为训练集进行单步(提前5min)循环滚动预测。通过加入最新实测数据，剔出最远实测数据的循环预测思想，不断更新光伏输出功率时间序列，利用训练集和预测集进行模型输入输出映射关系学习，实现对光伏输出功率预测，预测结果如图5a、5b所示。
为了客观评价模型预测效果，采用平均绝对百分比误差EMAPE、均方根误差ERMSE和相关系数ER对预测精度进行评估，结果如表3所示。
表3
Figure BDA0003232152500000121
由图5a、5b可知，本发明提出的方法未出现明显误差波动，具有一定稳定性和适应性。通过表3可看出，本发明方法与PSO-ENN预测法相比，经数据预处理之后具有更高的预测准确度，在波动较小天气下取得了较好预测结果，且在功率波动剧烈的天气下，明显地提高了预测准确度。通过以上的算例分析，可知本发明提出的基于HP-OVMD以及情绪神经网络的超短期光伏功率预测模型能够获得很好的预测效果，具有较高的预测准确度和稳定性。

Claims (10)

1.一种基于HP-OVMD的超短期光伏功率预测方法，其特征在于，包括以下步骤：
S1、获取历史光伏功率时间序列，并对历史光伏功率时间序列进行数据归一化处理；
S2、采用HP滤波方式，从数据归一化后的历史光伏数据序列中筛选得到趋势序列和波动序列；
S3、针对波动序列，利用中心频率法确定VMD分解的模态分量，再基于残差分量最小化原则，采用粒子群算法确定OVMD的惩罚因子α及保真度系数τ，以将波动分量分解成一系列相对平稳的限带内禀模态函数；
S4、分别对趋势序列以及一系列限带内禀模态函数进行相空间重构，得到对应的相空间重构矩阵，结合粒子群算法对情绪神经网络内部关键参数进行寻优，以构建得到光伏功率预测模型；
S5、获取当前实际光伏功率时间序列，对该序列数据依次进行数据归一化、HP滤波、OVMD以及相空间重构处理，得到对应的当前相空间重构矩阵，将该当前相空间重构矩阵输入光伏功率预测模型中，得到对应的光伏功率预测值。
2.根据权利要求1所述的一种基于HP-OVMD的超短期光伏功率预测方法，其特征在于，所述步骤S2中采用HP滤波方式对应的最小化问题最优解具体为：
Figure FDA0003232152490000011
其中，y(t)为需处理的时间序列，s(t)为提取的趋势序列成分，φ为平滑参数，N为时间点总数量。
3.根据权利要求2所述的一种基于HP-OVMD的超短期光伏功率预测方法，其特征在于，所述步骤S3具体包括以下步骤：
S31、利用中心频率法，以确定波动序列的模态数K，得到变分约束表达式；
S32、采用VMD将变分约束表达式转化为变分非约束表达式，基于残差分量最小化原则，采用粒子群算法对惩罚因子α和保真度系数τ进行寻优；
采用交替方向乘子算法迭代求取变分非约束表达式的鞍点，以得到K个限带内禀模态函数。
4.根据权利要求3所述的一种基于HP-OVMD的超短期光伏功率预测方法，其特征在于，所述变分约束表达式具体为：
Figure FDA0003232152490000021
其中，uk为分解后的第k种分量调幅调频信号，δ(t)为脉冲函数，ωk为第k种分量调幅调频信号的中心频率。
5.根据权利要求3所述的一种基于HP-OVMD的超短期光伏功率预测方法，其特征在于，所述残差分量最小化原则具体为：
Figure FDA0003232152490000022
Figure FDA0003232152490000023
其中，e(t)为重构分量与原始序列间的残差分量；
所述变分非约束表达式具体为：
Figure FDA0003232152490000024
Figure FDA0003232152490000025
其中，λ(t)为拉格朗日乘法算子。
6.根据权利要求5所述的一种基于HP-OVMD的超短期光伏功率预测方法，其特征在于，所述步骤S32中在迭代求取变分非约束表达式的鞍点过程中，对uk、ωk和λ进行相应更新：
Figure FDA0003232152490000026
Figure FDA0003232152490000027
Figure FDA0003232152490000028
其中，n为当前迭代次数，ε为收敛精度，
Figure FDA0003232152490000029
和
Figure FDA00032321524900000210
分别为f(t)、
Figure FDA0003232152490000031
λ(t)和u(t)的傅里叶变换结果。
7.根据权利要求6所述的一种基于HP-OVMD的超短期光伏功率预测方法，其特征在于，所述步骤S4具体包括以下步骤：
S41、根据嵌入维数和时间延迟，对趋势序列以及一系列限带内禀模态函数分别进行混沌相空间重构，得到对应的混沌相空间矩阵；
S42、根据混沌相空间矩阵，划分训练集和测试集，以训练并测试情绪神经网络模型，并采用粒子群算法优化情绪神经网络模型的权值和阈值，得到光伏功率预测模型。
8.根据权利要求7所述的一种基于HP-OVMD的超短期光伏功率预测方法，其特征在于，所述混沌相空间矩阵具体为：
Figure FDA0003232152490000032
M＝N-md+d
其中，G为相空间矩阵，m为嵌入维数，d为时间延迟，M为延迟向量个数。
9.根据权利要求8所述的一种基于HP-OVMD的超短期光伏功率预测方法，其特征在于，所述步骤S42中粒子群算法的初始化粒子为：
Particle＝[v1,v2,...,vm,vm+1,w1,w2,...,wm,ba,bo]
其中，wI为感官皮质和眶额皮质间的各节点权值系数，vI为杏仁核层的权重系数，I＝1,2,...,m，ba为眶额皮质层偏差系数，bo为杏仁核层偏差系数；
粒子群算法通过适应度函数计算个体适应度值，以实际值与预测值的平均绝对误差作为适应度，通过粒子相互间的信息交流使适应度值最小化，从而建立准确的数据映射关系。
10.根据权利要求9所述的一种基于HP-OVMD的超短期光伏功率预测方法，其特征在于，所述光伏功率预测模型的具体工作过程为：
刺激输入信号TI进入丘脑，杏仁核接收来自感觉皮层的输入信号AI，并且接收来自丘脑的扩展信号Tm+1：
Tm+1＝max(TI)
其中，I为输入重构矩阵的列数，1≤I≤m，TI为光伏发电功率相空间重构后作为模型的信号输入；
之后分别得到杏仁核和眶额皮质环节的输出：
Figure FDA0003232152490000041
Figure FDA0003232152490000042
其中，Ea和Eo分别为杏仁核和眶额皮质环节的输出；
最终输出得到：
E＝Ea-Eo
其中，E为光伏功率预测值。
CN202110990019.5A 2021-08-26 2021-08-26 一种基于hp-ovmd的超短期光伏功率预测方法 Active CN113761777B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110990019.5A CN113761777B (zh) 2021-08-26 2021-08-26 一种基于hp-ovmd的超短期光伏功率预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110990019.5A CN113761777B (zh) 2021-08-26 2021-08-26 一种基于hp-ovmd的超短期光伏功率预测方法

Publications (2)

Publication Number Publication Date
CN113761777A true CN113761777A (zh) 2021-12-07
CN113761777B CN113761777B (zh) 2023-09-26

Family

ID=78791422

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110990019.5A Active CN113761777B (zh) 2021-08-26 2021-08-26 一种基于hp-ovmd的超短期光伏功率预测方法

Country Status (1)

Country Link
CN (1) CN113761777B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116582134A (zh) * 2023-07-11 2023-08-11 江苏盖亚环境科技股份有限公司 一种钻测一体化装备数据处理方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018120077A1 (zh) * 2016-12-26 2018-07-05 江南大学 一种基于经验模态分解和决策树rvm的三电平逆变器故障诊断方法
CN109255728A (zh) * 2018-09-27 2019-01-22 上海电力学院 混沌相空间优化重构的光伏发电功率神经网络预测法
CN109978283A (zh) * 2019-04-25 2019-07-05 中国人民解放军国防科技大学 一种基于分支进化神经网络的光伏发电功率预测方法
CN112132328A (zh) * 2020-09-04 2020-12-25 国网上海市电力公司 一种光伏输出功率超短期局域情绪重构神经网络预测方法
CN112348271A (zh) * 2020-11-12 2021-02-09 华北电力大学 基于vmd-ipso-gru的短期光伏功率预测方法
AU2020104000A4 (en) * 2020-12-10 2021-02-18 Guangxi University Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model
US11070056B1 (en) * 2020-03-13 2021-07-20 Dalian University Of Technology Short-term interval prediction method for photovoltaic power output

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018120077A1 (zh) * 2016-12-26 2018-07-05 江南大学 一种基于经验模态分解和决策树rvm的三电平逆变器故障诊断方法
CN109255728A (zh) * 2018-09-27 2019-01-22 上海电力学院 混沌相空间优化重构的光伏发电功率神经网络预测法
CN109978283A (zh) * 2019-04-25 2019-07-05 中国人民解放军国防科技大学 一种基于分支进化神经网络的光伏发电功率预测方法
US11070056B1 (en) * 2020-03-13 2021-07-20 Dalian University Of Technology Short-term interval prediction method for photovoltaic power output
CN112132328A (zh) * 2020-09-04 2020-12-25 国网上海市电力公司 一种光伏输出功率超短期局域情绪重构神经网络预测方法
CN112348271A (zh) * 2020-11-12 2021-02-09 华北电力大学 基于vmd-ipso-gru的短期光伏功率预测方法
AU2020104000A4 (en) * 2020-12-10 2021-02-18 Guangxi University Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
吴长林;陈玉;高文根;: "基于VMD-IPSO-RFR模型的光伏发电功率预测", 四川轻化工大学学报(自然科学版), no. 02 *
武小梅;张琦;田明正;: "基于VMD-SE和优化支持向量机的光伏预测方法", 电力科学与工程, no. 09 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116582134A (zh) * 2023-07-11 2023-08-11 江苏盖亚环境科技股份有限公司 一种钻测一体化装备数据处理方法
CN116582134B (zh) * 2023-07-11 2023-10-13 江苏盖亚环境科技股份有限公司 一种钻测一体化装备数据处理方法

Also Published As

Publication number Publication date
CN113761777B (zh) 2023-09-26

Similar Documents

Publication Publication Date Title
CN111193256A (zh) 基于变分模态分解和门控循环单元的电力负荷预测方法
CN109711609B (zh) 基于小波变换和极限学习机的光伏电站输出功率预测方法
CN110674604A (zh) 基于多维时序帧卷积lstm的变压器dga数据预测方法
CN109884419B (zh) 一种智慧电网电能质量在线故障诊断方法
CN110334580A (zh) 基于集成增量的动态权重组合的设备故障分类方法
CN109886464B (zh) 基于优化奇异值分解生成特征集的低信息损失短期风速预测方法
CN109002917A (zh) 基于lstm神经网络的粮食总产量多维时间序列预测方法
CN112668611B (zh) 一种基于Kmeans和CEEMD-PE-LSTM的短期光伏发电功率预测方法
CN106656357B (zh) 一种工频通信信道状态评估系统和方法
CN112508244B (zh) 一种用户级综合能源系统多元负荷预测方法
CN113688869B (zh) 一种基于生成对抗网络的光伏数据缺失重构方法
CN115689008A (zh) 基于集合经验模态分解的CNN-BiLSTM短期光伏功率预测方法及其系统
CN110991737A (zh) 一种基于深度置信网络的超短期风电功率预测方法
CN104050547A (zh) 一种油田开发规划方案非线性优选决策方法
CN111222689A (zh) 基于多尺度时间特征的lstm负荷预测方法、介质及电子装置
CN114548532A (zh) 一种基于vmd的tgcn-gru超短期负荷预测方法、装置和电子设备
CN107919983B (zh) 一种基于数据挖掘的天基信息网络效能评估系统及方法
CN116451553A (zh) 一种改进的变分模态分解与BiGRU融合的水质预测方法
CN113761777B (zh) 一种基于hp-ovmd的超短期光伏功率预测方法
CN116960978A (zh) 基于风速-功率组合分解重构的海上风电功率预测方法
CN115511657A (zh) 一种基于组合预测模型的风电出力与光伏出力评估的方法
CN112215410B (zh) 基于改进深度学习的电力负荷预测方法
CN117200208A (zh) 基于多尺度分量特征学习的用户级短期负荷预测方法及系统
CN109241996B (zh) 一种基于梯度表征相似性和Searchlight的FMRI脑影像分析方法
CN113449912B (zh) 一种基于人工智能技术的空间负荷态势感知方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant