[发明专利]基于经验模态分解和神经网络相结合的光伏功率预测方法

权利要求书

1.基于经验模态分解和神经网络相结合的光伏功率预测方法，其特征在于，所述方法包括以下步骤：

S1、判断光伏电站的运行状态，收集相关环境因素数据和功率数据，进行数据预处理，得到时间序列；

S2、对经预处理的序列进行完全经验模态分解，得到分解后的模态分量；

S3、判断分解后的剩余分量的个数，若分量个数小于阈值，则进入步骤3，否则进入步骤2；

S4、将分解后的模态分量分别输入长短期记忆神经网络训练得到训练模型；

S5、模型训练完成后将环境因素输入训练模型，叠加重构后得到光伏电站对应时刻的功率预测值。

2.根据权利要求1所述的基于经验模态分解和神经网络相结合的光伏功率预测方法，其特征在于，在步骤S1中的数据清洗将由限电、检修异常数据样本筛选并剔除以及在采集过程中缺失的数据插值补齐并修正。

3.根据权利要求2所述的基于经验模态分解和神经网络相结合的光伏功率预测方法，其特征在于，在步骤2的序列分解的计算方法如下：

分解后的序列由下式得到：

其中，δ(t)为狄拉克分布，f(t)表示原始信号，y_k(t)(k＝1,2,…,N)是信号分解结果，并且_k是信号分解后信号的中心频率。

4.根据权利要求1所述的基于经验模态分解和神经网络相结合的光伏功率预测方法，其特征在于，在步骤S3中，阈值设定为2。

5.根据权利要求4所述的基于经验模态分解和神经网络相结合的光伏功率预测方法，其特征在于，在步骤S4中，长短期记忆神经网络模型的训练过程中的计算步骤如下：

S41、根据当前输入数据和前一时刻的隐藏状态，计算输入门，遗忘门和输出门的开关状态：

S42、根据输入门的开关状态，计算当前时刻的候选记忆单元；

S43、根据遗忘门的开关状态和前一时刻的记忆单元，计算当前时刻的记忆单元；

S44、根据当前时刻的记忆单元和输出门的开关状态，计算当前时刻的隐藏状态；

其中，长短期记忆神经网络在包含遗忘门、输入门和输出门的门控机制的同时，其单元结构中还具有一个内部存储器。