[发明专利]基于集合经验模态分解与ARMA-Elman混合模型的光伏功率预测方法

说明书

本发明涉及光伏发电功率预测技术领域，公开了一种基于集合经验模态分解与ARMA‑Elman混合模型的光伏功率预测方法，包括：步骤1：获取待预测系统的光伏功率数据，并使用集合经验模态分解将数据分解；步骤2：利用过零率对分解后的信号分类；步骤3：将高频信号、低频信号分别输入Elman和ARMA模型进行训练与预测；步骤4：将预测结果进行叠加，输出最终预测结果。与现有技术相比，本发明通过过零率对信号高频、低频分量进行划分，利用Elman和ARMA模型分别对高频与低频信号特征进行预测，在复杂天气情况下，针对非平稳随机波动的功率信号也有着良好的预测结果，显著地提升了光伏功率预测的准确性。

技术领域

本发明涉及光伏发电功率预测技术领域，具体涉及一种基于集合经验模态分解与ARMA-Elman混合模型的光伏功率预测方法。

背景技术

在政策指引和市场需求的影响下，我国光伏行业发展迅速，发电量逐年上升。然而光伏发电系统发电存在间歇性和输出功率不可控等因素，所以如何准确的预测光伏发电功率是让电网更好调度和控制的重要问题。

近几十年来，主要公开了三类光伏功率预测的方法。第一种，利用回归模型或神经网络对光伏功率预测在稳定天气条件下具有较好性能，但对于快速变化的天气预测结果并不理想；第二种，利用卫星遥感技术对光伏功率预测，但卫星观测数据与地面实际测得气象数据仍有一定偏差；第三种，通过数值天气预报等方法描述大气状态对光伏功率预测，但由于大气状态混沌性强，该方法也较难取得很好的预测结果。

发明内容

发明目的：针对现有技术中存在的问题，本发明提供一种基于集合经验模态分解与ARMA-Elman混合模型的光伏功率预测方法，提升了神经网络光伏功率预测精度。

技术方案：本发明提供了一种基于集合经验模态分解与ARMA-Elman混合模型的光伏功率预测方法，包括如下步骤：

步骤1：获取待预测系统的光伏功率数据，并使用集合经验模态分解将数据分解；

步骤2：利用过零率对分解后的信号分类；

步骤3：将高频信号、低频信号分别输入Elman和ARMA模型进行训练与预测；

步骤4：将预测结果进行叠加，输出最终预测结果。

进一步地，所述步骤1中使用集合经验模态分解EEMD分解光伏功率数据，具体过程为：

步骤1.1：对原光伏功率数据信号添加白噪声；

步骤1.2：将得到的新信号分解为多个本征模态函数（IMF）分量；

步骤1.3：重复上述步骤n次，每次添加一个新的正态分布白噪声序列，n为迭代次数；

步骤1.4：对分解n次后得到的所有IMF分量分别求均值，得到最终结果。

进一步地，所述步骤2中利用过零率将分解后的信号分类的具体操作为：

判断每个信号的过零率，过零率公式如下：

其中，Z_%为过零率，信号数值符号改变记为一次过零，N_Z为被测信号的过零次数，L为信号长度。

进一步地，过零率高于0.01的信号记为高频信号，低于0.01的信号记为低频信号。

进一步地，所述步骤3中将信号分别输入Elman和ARMA模型进行训练与预测，具体为：

步骤3.1：将最近3日历史功率数据训练样本分解所得高频信号输入Elman模型进行训练；

步骤3.2：将最近3日历史功率数据训练样本分解所得低频信号输入ARMA模型进行训练；

步骤3.3：利用已训练后的ARMA-Elman混合模型预测当日光伏发电功率。