一種基于改進EMD算法及Elman算法的短期光伏功率預測方法
【技術領域】
[0001]本發(fā)明涉及一種基于改進EMD算法及Elman算法的短期光伏功率預測方法，屬于新 能源發(fā)電預測技術。
【背景技術】
[0002] 太陽能作為一種綠色環(huán)保的清潔能源，已經(jīng)受到公眾的廣泛關注。為了推廣太陽 能的使用，我國對分布式光伏發(fā)電推行電量補貼政策。由于分布式光伏發(fā)電享受的補貼主 要取決于自身發(fā)電量，不免存在某些投機的用戶通過一定的技術手段使得分布式光伏上網(wǎng) 電表多計量發(fā)電量，進而獲取高額補貼的風險。為此，亟需開展分布式光伏上網(wǎng)電量預測技 術的相關研究，以實現(xiàn)對分布式光伏發(fā)電用戶的上網(wǎng)電量的有效監(jiān)管。
[0003] 目前國內(nèi)外對光伏出力預測的研究主要從以下兩方面入手：1、基于歷史數(shù)據(jù)的直 接預測法;2、基于歷史統(tǒng)計規(guī)律，建立與氣象條件相關的光伏出力模型的間接預測法。

【發(fā)明內(nèi)容】

[0004] 發(fā)明目的：為了克服現(xiàn)有技術中存在的不足，本發(fā)明提供一種基于改進EMD算法及 Elman算法的短期光伏功率預測方法，該方法結合輻照強度與光伏出力之間的關系，基于待 預測區(qū)域歷史數(shù)據(jù)的聚類分析及同類型相似日的選取，利用改進后的EMD算法及Elman神經(jīng) 網(wǎng)絡進行日輻照強度的逐時預測，以實現(xiàn)不同類型日的輻照強度預測，改善弱輻照情況下 預測精度差的問題。該方法適應了不同類型日的輻照強度預測，實現(xiàn)了更快速、準確的預 測 。
[0005] 技術方案:為實現(xiàn)上述目的，本發(fā)明采用的技術方案為：
[0006] 一種基于改進EMD算法及Elman算法的短期光伏功率預測方法，包括如下步驟：
[0007] (1)對若干年歷史數(shù)據(jù)進行聚類分析，確定待預測日的所屬類別和待預測時間點；
[0008] (2)根據(jù)主環(huán)境特征量在待預測日所屬類別中選取同類型相似日，構造同類型相 似日的輻照強度時間序列；
[0009] (3)首先利用中值濾波方法去除同類型相似日的輻照強度時間序列中的噪聲，然 后通過EMD分解法對去噪后的信號進行模態(tài)分解，以獲得不同波動情況的本征模態(tài)分解量， 最后將同類型模態(tài)劃歸為一類，作為Elman模型的訓練集數(shù)據(jù)；
[0010] (4)采用Elman模型對各類型模態(tài)進行輻照強度預測，進而得到光伏逐時發(fā)電功率 值。
[0011]所述步驟(1)中，對若干年歷史數(shù)據(jù)進行聚類分析的具體過程為:首先根據(jù)待預測 區(qū)域的季節(jié)特點將歷史數(shù)據(jù)按日輻照時長進行聚類并劃分成夏季段、春秋段和冬季段，再 根據(jù)待預測區(qū)域的天空遮蓋特點將每個季節(jié)段數(shù)據(jù)按天空遮蓋程度進行聚類并劃分成A 類、B類和C類，其中A類表示無云的強日照情況，B類表示多云的弱日照情況，C類表示無日照 情況;確定待預測日的所屬類別，即確定待預測日屬于哪個季節(jié)段的哪個類;根據(jù)待預測日 的所屬類別確定待預測時間點。
[0012] 所述步驟(2)中，通過積差法選取環(huán)境特征量中與輻照強度最相關的若干環(huán)境特 征量作為主環(huán)境特征量，具體過程為：
[0013] 從若干年歷史數(shù)據(jù)中選取某一年歷史數(shù)據(jù)作為典型年數(shù)據(jù)，對該典型年數(shù)據(jù)進行 歸一化，得到環(huán)境特征量X的時間序列Ex=[ exl，ex2，H_，exk，…，exK]和輻照強度的時間序列 RI = [ri，K，…，rk，…，γκ]，計算環(huán)境特征量X與福照強度的相關性wx:
[0014]
[0015]其中：l<k<K，k表示典型年中的第k個時間點，K為典型年的有效時間序列長度； exk表示典型年的環(huán)境特征量X中第k個時間點的數(shù)值：
；
[0016] 對所有環(huán)境特征量進行式（1)的計算，選取相關性最大的q個環(huán)境特征量作為主環(huán) 境特征量。
[0017] 所述步驟⑵中，根據(jù)主環(huán)境特征量在待預測日所屬類別中選取同類型相似日，即 在待預測日所屬類別的歷史數(shù)據(jù)中，選取出與待預測日的各時間點主環(huán)境特征量變化趨勢 和取值最相近的η天作為η個同類型相似日，具體過程為：
[0018] 對待預測日數(shù)據(jù)進行歸一化，得到主環(huán)境特征量i的時間序列 eik,…，eit]和所有q個主環(huán)境特征量的時間序列Ε= [Ει，E2，…，Ei，…，Eq];其中：1 < k < t，k 表示第k個待預測時間點，t為當前待預測時間點；elk表示待預測日的主環(huán)境特征量x中第k 個時間點的數(shù)值；
[0019] 從待預測日所屬類別的歷史數(shù)據(jù)中選取若干候選日，對候選日數(shù)據(jù)進行歸一化， 得到主環(huán)境特征量i的時間序列Ci= [cu，Ci2，…，Cik,…，Cit]和所有q個主環(huán)境特征量的時 間序列C= [&，&，··· A，…，Cq];其中：clk表示候選日的主環(huán)境特征量X中第k個時間點的數(shù) 值；
[0020] 計筧候詵日與待預測日的相似度Me. c:
[0021]
[0022]其中：α、β為權重系數(shù)，受天氣情況影響，且滿足α+β= 1，一般取經(jīng)驗值;Me, C的取值 在0~1之間，Me,c值越大表示候選日與待預測日的相似程度越高;在若該候選日中選取Me,c 值最大的η天作為η個同類型相似日。
[0023]所述步驟(3)中的具體實現(xiàn)過程為：
[0024] (31)記η個同類型相似日的輻照強度時間序列為1 = =
[]^,1山,2，"，]^,1;，"_，]^,1']，]^表不第：[個同類型相似日的福照強度時間序列，]^,1;表不第1 個同類型相似日在t時刻的輻照強度值；
[0025] (32)對η個同類型相似日的輻照強度時間序列1 =山山，…山，…^]進行中值 濾波得到 i ' Η?'ι,ι^,.?,Η.,ι'η?υ?Η?'ι,ι,ι'υ,.?,?,.?,τ]，ii表不中值 濾波后第i個同類型相似日的輻照強度時間序列，I、t表示中值濾波后第i個同類型相似日 在t時刻的輻照強度值；
[0026] (33)對η 個 I/i=[I/i,1，I/i,2，…，I /i,t，…，I/i,τ]分別進行EMD分解，得到n個本征 模態(tài)分解量_々咕,1，_/.2，...，&〃/,?;_和對應的趨勢項ri，其中Ui為f i的本征模態(tài)分解量解的 個數(shù)；
[0027] (34)111=11^1^，1 = 1，2，"，11;取每個本征模態(tài)分解量的第口個解構成口模態(tài)集]^1) = [imfi,P，imf2,P，···，imfn,P]，p = l，2，···，m;將m個模態(tài)集作為Elman模型的m個訓練數(shù)據(jù)集。 [0028]所述步驟(4)中的具體實現(xiàn)過程為：
[0029] (41)待預測時間點1，2,3的輻照強度預測:對所有η個同類型相似日在待預測時間 點1，2，3的輻照強度加和取平均作為待預測日在待預測時間點1，2，3的輻照強度預測；
[0030] (42)待預測時間點4，5，6，…，t，…，Τ的福照強度預測：由待預測時間點t-2，t-1，t 的輻照強度預測待預測時間點t+1的輻照強度，具體方法如下：
[0031]以P模態(tài)集IMFP= [imfl,P，imf2,P，…，imfn,P]作為Elman模型的訓練數(shù)據(jù)集，對待預 測時間點t+1的輻照強度進行預測，輸出預測結果I(t+1),P;將所有m個模態(tài)集對待預測時間 點t + Ι的輻照強度的預測結果進行疊加，得到待預測時間點t + Ι的輻照強度預測值
[0032] 預測結果可選取絕對百分比誤差MAPE進行評估：
[0033]
[0034]其中：1ε, (t+Ι)表示待預測時間點t+Ι的實際福照強度；
[0035] 鮮雨》IR計問占 t+1的I件該R計勞由執(zhí)鑾雨遍估
[0036]
[0037] 其中：為光伏板串并聯(lián)數(shù);η為總的工作效率;S為光伏板面積;It+Ι為待 預測時間點t+Ι的輻照強度預測值;β為光伏板的斜面傾角;T。為光伏板的板溫；γ為溫度與 功率之間的相關系數(shù)。
[0038]有益效果：本發(fā)明提供的基于改進EMD算法及Elman算法的短期光伏功率預測方 法，結合輻照強度與光伏出力之間的關系，基于待預測區(qū)域歷史數(shù)據(jù)的聚類分析及同類型 相似日的選取，并利用改進后的EMD算法及Elman神經(jīng)網(wǎng)絡進行日輻照強度的逐時預測，以 實現(xiàn)不同類型日的輻照強度預測，改善弱輻照情況下預測精度差的問題;本方法能夠適應 不同類型日的輻照強度預測，可實現(xiàn)更快速、更準確的預測。
【附圖說明】
[0039] 圖1為本發(fā)明方法的實施流程圖；
[0040] 圖2為本發(fā)明中歷史數(shù)據(jù)聚類流程圖；
[0041 ]圖3為本發(fā)明中光伏預測模型算法流程圖；
[0042]圖4為實施例的待預測區(qū)域典型年日升日落及日輻照時長統(tǒng)計圖；
[0043]圖5為實施例中的夏季類A類型日（5月2日）三種模型預測結果比較圖；
[0044] 圖6為實施例中的冬季段B類型日（1月13日）三種模型預測結果比較圖。
【具體實施方式】
[0045] 下面結合附圖對本發(fā)明作更進一步的說明，首先對改進EMD算法和Elamn算法進行 簡單說明。
[0046] 改進EMD算法
[0047] 經(jīng)驗模態(tài)分解(Empirical Mode Decom