[发明专利]一种基于VMD-SVM-WSA-GM组合模型的光伏电站输出功率预测方法

摘要

本发明属于光伏发电技术领域，具体涉及到一种基VMD‑SVM‑WSA‑GM组合模型的光伏电站输出功率预测方法，作为预测方法的主体结构，本发明提出了一种对光伏电站历史输出功率数据序列做VMD分解之后的各个模态分别建立支持向量机SVM预测模型，然后求和重构的新结构，可以充分发挥支持向量机的学习能力和泛化能力，提高预测精度和收敛速度。

主权项

1.一种基于VMD‑SVM‑WSA‑GM组合模型的光伏电站输出功率预测方法，其特征在于，根据光伏电站历史输出功率数据，预测其在未来时段内的发电功率值，包含以下步骤：步骤1，获取目标光伏电站历史输出功率数据，所述历史输出功率数据以设定时间为单位，按采样时间排列成时间序列；；步骤2，对所述历史输出功率数据序列进行预处理，预处理措施包括等间隔化和一阶累加生成，具体如下：等间隔化用于补全某个输出功率采样点缺失的数据，取采样点前后给定步长内数据的平均值，优选的，所述步长取为3～6；一阶累加生成用于消除光伏电站历史输出功率数据序列中随机因素的影响，所述历史输出功率数据序列为X⁽⁰⁾，其一阶累加生成序列为X⁽¹⁾，如下：X⁽⁰⁾＝(x⁽⁰⁾(1),x⁽⁰⁾(2),…,x⁽⁰⁾(n))X⁽¹⁾＝(x⁽¹⁾(1),x⁽¹⁾(2),…,x⁽¹⁾(n))其中，x⁽⁰⁾(j)为光伏电站历史输出功率数据序列中的元素，j为该元素在历史输出功率数据序列中的序号，j∈[1,n]；x⁽¹⁾(k)为一阶累加生成序列中的元素，k为该元素在一阶累加生成序列中的序号，k∈[1,n]；步骤3，将所述历史输出功率数据的一阶累加生成序列采用变分模态分解方法VMD分解成有限带宽的子序列，每个子序列对应不同的模态，分别为模态1、模态2、…、模态q；优选的，VMD的分解层数q需要外部设定，本发明采用频谱分析方法，通过所述历史输出功率数据的一阶累加生成序列频谱图中主要频率数量的方式，确定VMD的分解层数q；步骤4，对步骤3中由VMD分解出的每一个子序列分别建立支持向量机SVM预测模型，支持向量机的核函数K(x_i,x)类型确定为径向基核函数RBF，如下：其中，x_i和x分别代表空间中任一点和某一中心，σ为径向基核函数的宽度参数；步骤5，应用鲸鱼群优化算法WSA对每一个支持向量机SVM预测模型的参数进行寻优，待优化的SVM参数为惩罚参数C、敏感损失参数ε和径向基核函数的宽度参数σ；步骤6，对各个SVM模型的预测结果进行求和重构，得到光伏电站输出功率一阶累加结果预测值序列，记为如下：步骤7，计算所述历史输出功率数据的一阶累加生成序列X⁽¹⁾和光伏电站输出功率一阶累加结果预测值序列二者的差值，记为误差序列E，如下：E＝(e(1),e(2),…,e(n))步骤8，应用GM(1,N)模型对误差序列E进行预测，得到误差的预测值序列，记为如下：步骤9，计算所述预测的输出功率一阶累加结果和误差的预测值序列二者的差值，并进行累减还原，得到目标光伏电站输出功率的预测值序列Y，如下：Y＝(y(1),y(2),…,y(n))其中，y(1)为目标光伏电站输出功率的预测值序列中的第1个元素，和分别为光伏电站输出功率一阶累加结果预测值序列和误差的预测值序列中的第1个元素；y(k)为目标光伏电站输出功率的预测值序列中的第k个元素，k为序号，和分别为光伏电站输出功率一阶累加结果预测值序列中的第k和k‑1个元素，和分别为误差的预测值序列中的第k和k‑1个元素；步骤10，计算相对误差，检验基于VMD‑SVM‑WSA‑GM组合模型的光伏电站输出功率预测方法的预测精度。