[发明专利]一种基于变分模态分解和多尺度下采样的光伏功率出力预测方法

说明书

本专利公开了一种基于变分模态分解和多尺度下采样的光伏功率出力预测方法。该方法分别利用基于变分模态分解和多尺度下采样的两种尺度信息，通过变分模态分解获取同一个特征中的不同时间尺度信息，通过下采样获取不同特征的中的相同尺度信息。同时变分模态特征进行模态卷积网络融合，并使用光伏真实值对模态卷积网络进行预训练，对多个尺度信号通过多个尺度卷积网络进行融合，并使用光伏真实值对尺度卷积网络进行预训练，最后通过全连接网络将模态卷积网络和尺度卷积网络进行训练，并采用真实值对整个网络进行训练，从而多尺度信息可以显著提高光伏预测的性能，且具有较强的泛化性能，具有良好的实用性。

技术领域

本发明属于电网运行和调度领域，涉及了一种基于变分模态分解和多尺度下采样的光伏功率出力预测方法。

背景技术

天气、地理位置等外界因素决定了光电具有随机性、间歇性。当光伏发电接入电网后，这种不稳定的特性会给整个电网带来安全隐患、影响电能质量。预测光伏发电功率，提前做好合理的安排与准备，以应对各种随机事件，降低光电并网后带来的不良影响，可以保障电网的安全性、稳定性、和经济性。

目前，可以从物理层面和统计层面进行光伏发电功率预测。站在物理层面主要考虑太阳的辐照时间、辐照强度、气温等气象数据以及地理信息等影响因素，然后根据输出功率曲线计算出光伏电站的输出功率，其过程比较复杂。站在统计层面主要考虑历史数据，基于模型的输入、输出，从数学角度找到内在的统计规律，从而进行预测。其不需要考虑太阳辐照的具体过程和光伏组件的特性原理，简化了预测过程。

利用灰色理论预测光伏发电功率，虽然不需要大量样本、工作量小，但是灰色理论对历史数据依赖性强，而且没有考虑影响因素之间的联系。基于马尔科夫链的光伏并网发电量预测，能够较好的适用光伏发电的随机性和波动性，但是要求历史数据“无后效性”且状态的划分没有完善的理论。采用线性回归模型预测光伏发电功率，能够充分考虑环境等因素的影响而且预测方法简单，在外在环境相对稳定的情况下预测精度比较理想，但是在影响因素波动性较大的时间点预测误差较大。也有采用组合权重相似日、径向基函数神经网络(RBF)、灰色神经网络组合模型等统计法对光伏发电功率进行直接预测，但其过程比较繁琐，而且在预测精度上并没有突出的提高。

以往的研究大多是面向单尺度的光功率预测，本专利从多尺度的角度提升预测精度。事实上，光伏功率在不同的时间尺度上受外界不同时间尺度的因素影响，故多尺度行为对于光伏功率预测至关重要。为了自动学习光伏功率数据中的多尺度信息，本专利提出了一种利用多尺度下采样和模态信息实现光功率预测的方法。该方法分别利用基于变分模态分解和多尺度下采样的两种尺度信息，通过变分模态分解获取同一个特征中的不同时间尺度信息，通过下采样获取不同特征的中的相同尺度信息。同时变分模态特征进行模态卷积网络融合，并使用光伏真实值对模态卷积网络进行预训练，对6个尺度信号通过6个尺度卷积网络进行融合，并使用光伏真实值对尺度卷积网络进行预训练，最后通过全连接网络将模态卷积网络和尺度卷积网络进行训练，并采用真实值对整个网络进行训练，从而多尺度信息可以显著提高光伏预测的性能，且具有较强的泛化性能，具有较好的实用性。

发明内容

有鉴于此，本发明的第一方面的目的是提出一种基于变分模态分解和多尺度下采样的光伏功率出力预测方法，从而提高光伏预测的精度。

本发明的目的是通过以下技术方案实现的：

本发明的一种基于变分模态分解和多尺度下采样的光伏功率出力预测方法，包括以下步骤：

步骤S1:进行数据准备

对某个历史时刻t₀，获取前M个时刻的样本集，M为正整数；其中光伏功率序列为f_power(t),t∈[t_-M+1,…,t_-2,t_-1,t₀]，相应的，所有序列对应的Label均为f_power(t₀+1)，样本序列一共有N个；