一种基于EMD-AO-DELM的光伏功率计算方法技术

本发明专利技术公开了一种基于EMD

【技术实现步骤摘要】
一种基于EMD
‑
AO
‑
DELM的光伏功率计算方法


[0001]本专利技术属于光伏功率计算
，尤其涉及一种基于EMD
‑
AO
‑
DELM的光伏功率计算方法。

技术介绍

[0002]光伏发电作为一种新能源发电，目前被广泛应用。然而，光伏发电的电力输出受到多种因素的影响，包括太阳辐射强度、温度、湿度和云量等环境因素。这些因素的变化可能导致光伏电力系统的电力输出产生波动，从而对电力系统的安全性和稳定性产生不利影响，同时也给光伏并网调度过程带来挑战。
[0003]针对光伏发电功率的预测技术，主要分为直接预测方法和间接预测方法。前者是对光伏历史数据信息进行训练学习，通过预测算法进行未来功率预测。后者则采用分步预测的方式，可分为对未来日照辐射以及未来功率预测两个部分。对比文件公开了一种基于EMD与ELM的光伏电站短期功率预测，提出一种基于经验模态分解(EMD)与极限学习机(ELM)组合功率预测方法，但未能充分考虑光伏电站输出功率的环境影响因素。现有技术提出了一种基于烟花算法(FWA)的改进BP神经网络光伏预测方法，该方法对于短期的光伏数据预测具有良好的精确度。但BP神经网络存在收敛速度慢和易陷入局部极值的问题。现有技术公开了一种基于CNN
‑
BiLSTM的光伏功率预测方法，提出一种将卷积神经网络(CNN)和双向长短时记忆网络(BILSTM)结合的预测算法，但该方法测试样本类型过于单一，未能测试不同季度及天气下的预测精度。r/>[0004]光伏发电效率影响因素众多，主要分为主观因素和客观因素。其中，主观因素包括光伏阵列板型号参数、光伏板倾角与朝向等；客观因素包括气温、湿度、云量、降水量、光照辐射度等不可控的气象因素，往往起到决定性作用的是气象因素。输入样本因素过多会降低预测精度且使得预测模型复杂和冗余。

技术实现思路

[0005]本专利技术的目的就在于为了解决现有的光伏功率预测方法输入样本因素过多会降低预测精度且使得预测模型复杂和冗余等问题而提供一种基于EMD
‑
AO
‑
DELM的光伏功率计算方法。
[0006]本专利技术通过以下技术方案来实现上述目的：包括以下步骤：
[0007]S1：获取气象因素，气象因素包括云量、气温、气压、湿度和总辐射，计算出总辐射和云量与光伏功率呈现高度正相关，相对湿度和大气压呈现负相关，因此选取云量和总辐射这两项作为DELM初始输入数据；
[0008]S2：建立AO
‑
DELM的计算模型，将DELM初始输入权重作为AO算法的初始种群位置，并将适应度函数设置为训练集和测试集的均方误差之和；
[0009]S3：建立EMD
‑
AO
‑
DELM的计算模型，采用EMD对光伏发电功率曲线进行分解，从而将原始环境信号中存在的不同尺度波动或趋势逐级分解出来，对分解后的IMF分量分别进行
AO
‑
DELM建模分析，再将各IMF分量预测结果进行叠加求和得到最终的预测值；
[0010]S4：验证计算模型的有效性和准确性。
[0011]进一步的，所述步骤S1中包括：S11：引入Pearson(皮尔逊相关系数)相关系数，通过公式计算出用来衡量两个数据集合是否在一条线上面，用来衡量定距变量间的线性关系，其中，r>1表示两者之间表示呈正相关，r<1表示两者之间表示呈负相关；xi与yi分别代表两个因素第i个的值；和分别表示2个因素的平均值。
[0012]进一步的，所述步骤S2中包括：计算公式为fitness＝MSE(train)+MSE(test)。
[0013]进一步的，所述步骤S2中包括：S21：进行数据清洗，将历史光伏功率数据中一些采样时发生错误导致的异常值进行提出；S22：对清洗后的样本数据进行归一化处理；S23：初始化AO算法参数，包括种群规模，最大迭代次数T，探索和开发参数
ɑ
、δ；S24:初始化种群位置X，初始的种群适应度，最佳个体；S25：按序进行扩大探索阶段、缩小探索阶段、扩大开发阶段、缩小开发阶段，并不断更新种群位置；S26：计算更新种群的适应度，得到当前最佳个体位置和适应度，并比较当前最佳个体与到第t代找到的最佳个体适应度，保留较优的个体位置；S27：判断是否达到最大迭代次数或者求解条件，若是，则输出最优值，若不是，则返回步骤S25；S28：将最后优化后的权重值结果输入到DELM模型中。
[0014]进一步的，所述S3步骤中包括：S31：采用EMD对光伏历史数据进行分解，得到一组IMF分量；S32：将各IMF分量分别建立AO
‑
DELM模型，对各个分量进行预测；S33：叠加各子序列的预测结果并验证模型预测的准确性。
[0015]进一步的，所述S4步骤中包括：采用MAPE与RMSE两者作为误差指标，MAPE计算公式为RMSE计算公式为其中，yoi是样本中第i个真实值，ypi是样本中第i个预测值，两者数值越小，精度越高。
[0016]有益效果：本专利技术设计合理，结构简单稳定，实用性强，具有以下有益效果：
[0017]1、在光伏发电影响因素当中，光照总辐射和云量与光伏功率呈现正相关，对最后的预测结果起到关键性作用；气压和湿度与光伏功率呈现负相关，在实际功率预测中，不宜作为输入数据；
[0018]2、针对光伏功率具有波动性和随机性的特点，对历史光伏功率数据进行了EMD分解，各分量之间相互独立，分别进行预测，最后进行叠加求和，实验证明，采用EMD分解方法后的预测效果更好；
[0019]3、本文方法在一年四个季度中的预测表现均优于AO
‑
DELM及DELM模型，其中，在S2和S3两个季度中预测精度最高，这与当地的天气状况有关，天气较为稳定，晴天占比高的季度预测精度更高。
附图说明
[0020]图1为本专利技术ELM结构示意图；
[0021]图2为本专利技术ELM
‑
AE结构示意图；
[0022]图3为本专利技术DELM结构示意图；
[0023]图4为本专利技术AO
‑
DELM结构流程图；
[0024]图5为本专利技术第一季度功率EMD分解序列示意图；
[0025]图6为本专利技术EMD与AO
‑
DELM组合预测流程图；
[0026]图7为本专利技术不同季度功率预测结果；
[0027]图8为本专利技术第一季度各算法预测误差；
[0028]图9为本专利技术流程图。
具体实施方式
[0029]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。
[0030]实施例一：
[0031]经验模态分解(EMD)是一种基于信号局部特征的信本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于EMD
‑
AO
‑
DELM的光伏功率计算方法，其特征在于：包括以下步骤：S1：获取气象因素，气象因素包括云量、气温、气压、湿度和总辐射，计算出总辐射和云量与光伏功率呈现高度正相关，相对湿度和大气压呈现负相关，因此选取云量和总辐射这两项作为DELM初始输入数据；S2：建立AO
‑
DELM的计算模型，将DELM初始输入权重作为AO算法的初始种群位置，并将适应度函数设置为训练集和测试集的均方误差之和；S3：建立EMD
‑
AO
‑
DELM的计算模型，采用EMD对光伏发电功率曲线进行分解，从而将原始环境信号中存在的不同尺度波动或趋势逐级分解出来，对分解后的IMF分量分别进行AO
‑
DELM建模分析，再将各IMF分量预测结果进行叠加求和得到最终的预测值；S4：验证计算模型的有效性和准确性。2.根据权利要求1所述的一种基于EMD
‑
AO
‑
DELM的光伏功率计算方法，其特征在于：所述步骤S1中包括：S11：引入Pearson(皮尔逊相关系数)相关系数，通过公式计算出用来衡量两个数据集合是否在一条线上面，用来衡量定距变量间的线性关系，其中，r>1表示两者之间表示呈正相关，r<1表示两者之间表示呈负相关；xi与yi分别代表两个因素第i个的值；和分别表示2个因素的平均值。3.根据权利要求1所述的一种基于EMD
‑
AO
‑
DELM的光伏功率计算方法，其特征在于：所述步骤S2中包括：计算公式为fitness＝MSE(train)+MSE(te...

【专利技术属性】
技术研发人员：曹哲，赵葵银，林国汉，
申请(专利权)人：湖南工程学院，
类型：发明
国别省市：