[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

说明书

本发明提供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，所述方法通过完全经验模态分解，分解光伏功率中的不平稳序列，保留原始特征，可以通过长短期记忆神经网络进行功率预测。首先，通过提取气象特征数据，使用完全经验模态分解将气象因素中的不平稳信号分解为平稳信号，降低环境因素序列的非平稳性，保留环境因素的细节和局部特性，提取有效特征，进而将分解出的信号分别使用长短期记忆神经网络进行动态时间序列建模。如此反复，通过不断输入环境因素进行得到所需时段的光伏功率预测结果，从而对光伏电站发电功率进行精确预测，保证电力网系统的稳定性。

技术领域

本发明涉及新能源功率预测技术领域，尤其涉及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。

背景技术

目前传统光伏功率预测主要依赖于光伏发电系统的物理原理和特性，通过构建数学模型来描述光伏系统的工作过程。在这种情况下构建的功率预测模型需要考虑光伏发电系统的多个物理因素和参数，且难以应对非线性因素和乌云遮挡、设备故障等突发性事件造成的复杂现象，从而影响预测的准确性。随着光伏接入系统的容量增加，光伏功率预测系统对于未知和新环境的适应性较弱，无法提供准确的预测结果。对此，统计学方法是基于历史数据和气象、时间等因素的统计分析，建立预测模型进行预测，相比于物理学方法，统计学方法主要依靠历史数据进行规律挖掘。但该方法通常依赖于大量的历史数据进行建模和预测，因此预测的准确性与所使用的数据质量和数据量有很大关系。若历史数据质量较差、缺失值多或数据量不足，可能会影响预测结果的准确性。且光伏发电系统的输出功率受到多种因素的影响，包括气候、季节、设备性能等。这些因素之间的交互作用可能导致复杂的输出功率变化模式。统计学方法在处理这种复杂数字和时序模式时可能存在局限性。

针对这种情况，在实际应用中传统光伏功率预测方法需要与人工智能方法结合使用，以提高光伏功率预测的准确性和可靠性。人工智能方法具有强大的非线性建模能力，能够自动学习和捕捉光伏功率预测中的复杂非线性变化关系，能够自动提取和学习数据的有效特征，大大简化了模型训练的流程，结合此法可以用于应对不同的预测时域和预测粒度，可以根据实际需求进行模型的调整和优化，对于提高预测性能具有重要意义。而长短期记忆神经网络模型在处理具有周期性变化特征的时间序列效果良好，完全经验模态分解在处理不平稳信号时添加白噪声，具有更好地性能和分解精度，因此在信号处理、机器识别和时间序列预测等领域得到了广泛应用，同样也广泛应用于电力领域。二者组合模型可以改善光伏功率的预测精度。

发明内容

鉴以此，本发明的目的在于提供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，以至少解决以上问题。

本发明采用的技术方案如下：

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，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。

进一步的，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。

进一步的，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：