基于EWT‑KMPMR的短期光伏功率预测方法技术

本发明专利技术涉及一种新能源发电预测技术领域，是一种基于EWT‑KMPMR的短期光伏功率预测方法，包括以下步骤：第一步：筛选出与待预测日相关度高的训练样本；第二步：分解得到经验尺度分量和经验小波分量；第三步：构建各分量的相应预测模型，各分量预测模型的输出即为各分量预测结果；第四步：将各分量预测结果进行叠加，得到待预测日光伏输出功率的预测值；使用发明专利技术对短期光伏功率进行预测能有效减少分解的模态个数，减少计算量，避免出现模态混叠现象，能取得较高的预测精度，对电网电能调度的合理性和经济性具有一定的价值和参考意义。

Prediction method of short-term photovoltaic power EWT based on KMPMR

The invention relates to a new energy technology, is a method to predict the short-term photovoltaic power EWT based on KMPMR, which comprises the following steps: the first step: screening on high correlation of training samples and forecast; the second step: the decomposed scale components experience and experience third steps: the corresponding wavelet components; to establish the forecasting model of each component, each component prediction model output as the components of the prediction results; the fourth step: each component prediction results are superimposed, to obtain the predicted output power of PV value; using the invention can effectively reduce the number of prediction modes on decomposition of short-term photovoltaic power, reduce the amount of calculation avoid, modal aliasing phenomenon, can achieve higher prediction accuracy, has a certain value and reference significance for power dispatching rationality and economy.

【技术实现步骤摘要】
基于EWT-KMPMR的短期光伏功率预测方法
本专利技术涉及一种新能源发电预测
，是一种基于EWT-KMPMR的短期光伏功率预测方法。
技术介绍
光伏发电已逐渐成为仅次于风力发电的可再生清洁能源，由于其受光照昼夜交替和气象多变等不可控因素的直接影响，具有难以避免的间歇性特点。然而，随着光伏发电装机容量的逐年增长，大规模的光伏并网对电网安全稳定运行造成了很大的冲击，因此，准确的光伏出力预测对电力系统调度部门合理分配火电等常规能源与光伏发电的比例具有极其重要的意义。短期光伏功率预测方法目前主要包括基于光伏功率和天气信息而建立预测模型的直接预测方法，如采用神经网络和SVM等计算智能方法建立预测模型，以及以预测太阳辐照强度为基础进而得到光伏功率的间接预测方法。相比而言，直接预测法对气象信息的依赖程度和建模复杂度小于间接预测，因此，其在光伏功率预测领域的应用较为广泛，由于受天气信息的多变性和历史光伏功率本身间歇性和高频波动性的影响，基于神经网络建立预测模型的单一预测方法已经很难满足电力系统对预测精度的需求，因此，以经验模态分解即EMD方式分解为主的各种信号预处理方法被成功的应用在了光伏功率预处理中，可实现对初始光伏功率序列的平稳化处理，进而为智能预测方法提供有利的输入数据。但以EMD为主的光伏功率预侧方法的计算量大，分解的模态个数多，易出现模态混叠现象，进而产生虚假的本征模态分量。
技术实现思路
本专利技术提供了一种基于EWT-KMPMR的短期光伏功率预测方法，克服了上述现有技术之不足，其能有效解决现有短期光伏功率预测方法存在的计算量大，分解的模态个数多，易出现模态混叠现象的问题。本专利技术的技术方案是通过以下措施来实现的：一种基于EWT-KMPMR的短期光伏功率预测方法，包括以下步骤：第一步：使用Corrcoef(X,Y)函数对每隔15min采集的日光伏功率历史序列进行筛选，筛选出与待预测日相关度高的序列为训练样本，训练样本包括晴天光伏功率序列和阴天光伏功率序列；第二步：采用EWT方法对筛选出的晴天光伏功率序列和阴天光伏功率序列分别进行分解,得到经验尺度分量F0和经验小波分量F1至FN-1；第三步：采用KMPMR方法对经验尺度分量F0和经验小波分量F1至FN-1构建相应预测模型，各分量预测模型的输出即为各分量预测结果；第四步：将各分量预测结果进行叠加，得到待预测日光伏输出功率的预测值。下面是对上述专利技术技术方案的进一步优化或/和改进：上述第二步中：采用EWT方式对筛选出的晴天光伏功率序列和阴天光伏功率序列分别进行分解，即将原信号f(t)的频段进行傅里叶分割，分解成为N+1个固有模态函数fk(t)，fk(t)函数如式(1)所示：分解过程如下：Step1：根据信号中包含的傅里叶频谱特性自适应地选择小波滤波器组，即对傅里叶频谱特性自适应分割，其中各个分割片段可以表示为Λn＝[ωn-1,ωn]，当确定好Λn后，经验小波定义为在每一个Λn上的带通滤波器，根据Meyer小波确定经验尺度函数和经验小波函数分别如式(2)和式(3)所示：其中：τn＝γωn(0＜γ＜1)Step2：在构建好一组小波后，定义信号f(t)经验小波变换的细节系数和近似系数过程如下：(1)定义细节系数细节系数由经验小波函数与信号内积产生：(2)定义近似系数近似系数通过尺度函数与信号内积产生：其中，F[·]和F-1[·]分别表示傅里叶变换和逆变换，则和φ1(ω)分别为经验小波函数和经验尺度函数φ1(t)的傅里叶变换形式，分别为ψn(t)，φ1(t)的复共轭；Step3：原始信号f(t)被重构如式(6)所示：其中：和分别为和的傅里叶变换形式；Step4：计算经验尺度分量f0(t)和经验小波分量fk(t)，如式(7)和式(8)所示：上述第三步中：建立预测模型包括以下步骤：Step1：设定回归数学模型为：y＝f(x)+ρ(9)其中，服从于某种有界分布Λ，噪声项为ρ，E[ρ]＝0，Var[ρ]＝δ2，δ为有限值；Step2：给定l组训练样本Γ＝{(x1,y1),...,(xl,yl)}；其中，服从于分布Λ，Step3：根据给定的训练集Γ获得f(x)的近似回归函数，如下式(10)所示：Step4：使式(10)逼近式(9)，最大化其模型输出位于真实输出值y±ε管道内的最小概率下界，即其中，ε＜0；Step5：基于引入核函数的最小最大概率分类MPMC建立预测模型，预测模型如下式(12)所示：其中，η表示预测样本点的个数，xt为由历史光伏功率值(yt-1,yt-2,...,yt-M)构成的多维输入向量，M为嵌入维数。上述第三步中：采用KMPMR方法对经验尺度分量和经验小波分量构建相应预测模型及各分量预测模型输出进行计算的步骤如下：Step1：采用KMPMR方法对经验尺度分量和经验小波分量构建相应预测模型，预测模型如式(12)所示：其中，η表示预测样本点的个数，xt为由历史光伏功率值(yt-1,yt-2,...,yt-M)构成的多维输入向量，M为嵌入维数；Step2：将训练样本集转换为特定的二分类问题，如式(13)所示，即实现对未知数据正确分类的概率的一种最大化：其中ui,vi∈Rm(m＝d+1)；将两类样本通过非线性映射函数映射至高维特征空间，核函数为即：其中，与分别为特征空间中两类样本的均值与协方差矩阵；二分类器的形式表示如下：其中:c＝-1表示第一类，c＝1表示第二类；Step3：通过式(16)和式(17)计算参数γ和bc：其中，Nu＝Nv＝l，1l为K维全为1的列向量，分别由定义，Ku为Gram矩阵K所对应的前l行元素，Kv为Gram矩阵K所对应的后l行元素，K为由元素Kij＝Kc(zi,zj)构成的方阵；其中：Step4：通过参数γ和bc得ui,vi之间的MPM分界面为:将任意服从有界分布Λ的点x代入式(18)，通过求解可得回归模型的输出同时，为了避免使用非线性优化问题求解值，通常限定核函数满足式(19)：其中，为满足Mercer条件的核函数,并有：zi＝ui,y'i＝yi+ε,i＝1,...,lzi＝vi,y'i＝yi-ε,i＝l+1,...,2l将式(19)所示的核函数代入式(18)，通过求解y可得式(20)的回归方法：Step5：通过参数γ和bc和式(20)计算得到参数β0和βi：βi＝-2ε(γi+γi+l)β0＝-2εbc其中，ε＝2；Step6：根据参数β0和βi通过式(12)计算经验尺度分量模型和经验小波分量模型的输出。本专利技术在EWT-KMPMR的基础上，首先利用EWT方法将相似日光伏功率时间序列分解为包含原光伏功率序列中不同波动尺度局部特征信息的AM-FM分量，然后通过KMPMR方法根据各分量自身特性建立相应的预测模型并分别进行预测模型的输出，叠加各分量预测模型的输出得到最终的预测结果。使用本专利技术对短期光伏功率进行预测能有效减少分解的模态个数，减少计算量，避免出现模态混叠现象，能取得较高的预测精度，对电网电能调度的合理性和经济性具有一定的价值和参考意义。附图说明附图1为实施例1的流程图。附图2为实施例2的EWT分解结果图。附图3为实施例2的EWT-KMPMR方法光伏功率预测结果图。附图4为实施例2的EMD分解结果图。附图5为实施例2的EWT-K本文档来自技高网...

【技术保护点】
一种基于EWT‑KMPMR的短期光伏功率预测方法，其特征在于包括以下步骤：第一步：使用Corrcoef(X,Y)函数对每隔15min采集的日光伏功率历史序列进行筛选，筛选出与待预测日相关度高的序列为训练样本，训练样本包括晴天光伏功率序列和阴天光伏功率序列；第二步：采用EWT方法对筛选出的晴天光伏功率序列和阴天光伏功率序列分别进行分解,得到经验尺度分量F

【技术特征摘要】
1.一种基于EWT-KMPMR的短期光伏功率预测方法，其特征在于包括以下步骤：第一步：使用Corrcoef(X,Y)函数对每隔15min采集的日光伏功率历史序列进行筛选，筛选出与待预测日相关度高的序列为训练样本，训练样本包括晴天光伏功率序列和阴天光伏功率序列；第二步：采用EWT方法对筛选出的晴天光伏功率序列和阴天光伏功率序列分别进行分解,得到经验尺度分量F0和经验小波分量F1至FN-1；第三步：采用KMPMR方法对经验尺度分量F0和经验小波分量F1至FN-1构建相应预测模型，各分量预测模型的输出即为各分量预测结果；第四步：将各分量预测结果进行叠加，得到待预测日光伏输出功率的预测值。2.根据权利要求1所述的一种基于EWT-KMPMR的短期光伏功率预测方法，其特征在于第二步中：所述的采用EWT方法对筛选出的晴天光伏功率序列和阴天光伏功率序列分别进行分解，即将原信号f(t)的频段进行傅里叶分割，分解成为N+1个固有模态函数fk(t)，fk(t)函数如式(1)所示：分解过程如下：Step1：根据信号中包含的傅里叶频谱特性自适应地选择小波滤波器组，即对傅里叶频谱特性自适应分割，其中各个分割片段可以表示为Λn＝[ωn-1,ωn]，当确定好Λn后，经验小波定义为在每一个Λn上的带通滤波器，根据Meyer小波确定经验尺度函数和经验小波函数分别如式(2)和式(3)所示：其中：τn＝γωn(0＜γ＜1)Step2：在构建好一组小波后，定义信号f(t)经验小波变换的细节系数和近似系数过程如下：(1)定义细节系数细节系数由经验小波函数与信号内积产生：(2)定义近似系数近似系数通过尺度函数与信号内积产生：其中，F[·]和F-1[·]分别表示傅里叶变换和逆变换，则和φ1(ω)分别为经验小波函数和经验尺度函数φ1(t)的傅里叶变换形式，分别为ψn(t)，φ1(t)的复共轭；Step3：原始信号f(t)被重构如式(6)所示：其中：和分别为和的傅里叶变换形式；Step4：计算经验尺度分量f0(t)和经验小波分量fk(t)，如式(7)和式(8)所示：3.根据权利要求1或2所述的一种基于EWT-KMPMR的短期光伏功率预测方法，其特征在于第三步中：建立预测模型包括以下步骤：Step1：设定回归数学模型为：y＝f(x)+ρ(9)其中，服从于某种有界分布Λ，噪声项为ρ，E[ρ]＝0，Var[ρ]＝δ2，δ为有限值；Step2：给定l组训练样本Γ＝{(x1,y1),...,(xl,yl)}；其中，服从于分布Λ，Step3：根据给定的训练集Γ获得f(x)的近似回归函数，如下式(10)所示：Step4：使式(10)逼近式(9)，最大化其模型输出位于真实输出值y±ε管道内的最小概率下界，即其中，ε＜0；Step5：基于引入核函数的最小最大概率分类MPMC建立预测模型，预测模型如下式(12)所示：其中，η表示预测样本点的个数，xt为由历史光伏功率值(yt-1,yt-2,...,yt-M)构成的多维输入向量，M为嵌入维数。4.根据权利要求1或2所述的一种基于EWT-KMPMR的短期光伏功率预测方法，其特征在于第三步中：采用KMPMR方法对经验尺度分量和经验小波分量构建相应预测模型及各分量预测模型输出进行计算的步骤如下：Step1：采用KMPMR方法对经验尺度分量和经验小波分量构建相应预测模型，预测模型如式(12)所示：其中，η表示预测样本点的个数，xt为由历史光伏功率值(yt-1,yt-2,...,yt-M)构成的多维输入向量，M为嵌入维数；Step2：将训练样本集转换为特定的二分类问题，如式(13)所示，即实现对未知数据正确分类的概率的一种最大化：其中ui,vi∈Rm...

【专利技术属性】
技术研发人员：李青，孙谊媊，于永军，马天娇，王琛，郑少鹏，钱准立，朱鹏，王新友，祁晓笑，陈龙，
申请(专利权)人：国网新疆电力公司电力科学研究院，国家电网公司，新疆铁道职业技术学院，甘肃广播电视大学，
类型：发明
国别省市：新疆,65