基于EMD分解和Elman算法的光伏出力预测方法
【技术领域】
[0001] 本发明属于新能源出力预测技术领域，具体涉及一种基于EMD分解和Elman算法 的光伏出力预测方法。
【背景技术】
[0002] 目前，由于分布式光伏发电享受的补贴主要取决于与自身发电量，因此，存在用户 通过一定的技术手段使得分布式光伏上网电表多计量发电量，进而获取高额补贴的风险。 根据国网公司《分布式光伏接入系统典型设计》的规定，采用380V接入的分布式光伏发电 仅需向电网公司上传电量信息，缺乏有效的辅助测量信息，会使得分布式发电上网电量的 监管变得极为困难，而部分缺乏诚信用的分布式光伏发电用户由于采取不合法的手段获得 更多的补贴，将扰乱分布式光伏发电补贴政策的落实，影响光伏发电行业的正常发展。
[0003] 为此，亟需开展分布式光伏上网电量预测技术的研究，通过对分布式光伏发电上 网电量监测，实现对分布式光伏发电用户的上网电量的有效监管，对发电量明显高于应发 电量的分布式光伏用户进行核查，避免部分用户通过不法手段获取高额补贴，是当前急需 解决的问题。
【发明内容】
[0004] 本发明所解决的技术问题是克服现有技术中的部分缺乏诚信用的分布式光伏发 电用户采取不合法的手段获得更多的补贴，影响光伏发电行业的正常发展的问题。本发明 的基于EMD分解和Elman算法的光伏出力预测方法，利用区域环境数据采集进行区域内光 伏发电功率预测，将其预测结果与实际发电实时功率进行比对，同时利用区域内各公共连 接点实时监测数据进行数据挖掘，从技术和管理两个角度封堵分布式光伏发电的计量漏 洞，具有良好的应用前景。
[0005] 为了解决达到上述目的，本发明所采用的技术方案是：
[0006] 一种基于EMD分解和Elman算法的光伏出力预测方法，其特征在于：包括以下步 骤，
[0007] 步骤（A)，根据区域历史辐照量数据及环境数据，分析辐照强度主气象因子的相关 性，并选取主气象因子；
[0008] 步骤（B)，选取相似性的考量指标，相似性的考量指标包括遍历历史数据中的环 境因素数值、相似日时间序列，所述相似日时间序列为日变化趋势均与待预测日相似的日 期；
[0009] 步骤（C)，将步骤（B)中得到的相似日时间序列进行EMD时域分解，分解成波动强 度逐一减弱的多个信号量及一个表征趋势的信号量；
[0010] 步骤（D)，将分解后的信号量逐一代入Elman模型进行训练，并将预测分量相加， 得到待预测日各时刻的光伏出力预测。
[0011] 前述的基于EMD分解和Elman算法的光伏出力预测方法，其特征在于：步骤（A)， 分析辐照强度主气象因子的相关性，并选取主气象因子，包括以下步骤，
[0012](A1)，将气象因子及福照强度归一化，气象因子为Xm=[Xi,x2,. . .，X;，. ..，xnxn] 与辐照强度为Y= [y:，y2, . . .，y;，. . .，ynyn]，其中Xi,x2, . . .，Xi, . ? .，xnxn为气象因子 Xm的各时刻序列值、ydy2,...，yi，...，ynuyn为辐照强度Y的各时刻序列值；
[0013] (A2)根据公式（1)，计算各气象因子Xm与辐照强度Y的对应的相关系数，
[0014]
[0015] 其中，n、Xl、I、yi、分别为时刻的总个数、气象因子X"^i时刻的数值、气象因 子乂"各时刻的平均值、辐照强度Y在第i时刻的数值、辐照强度Y各时刻的平均值；
[0016] (A3)选取取值范围在（-1，1)之间的相关系数^>,,/，若| 卜〇,该气象因子与 辐照强度Y的相关度为完全不相关；若G<| l^OJ，该气象因子与辐照强度Y的相关 度为微弱相关；若〇,；2<| 该气象因子与福照强度Y的相关度为低度相关；若 0,5叫|<0,8,该气象因子与辐照强度Y的相关度为显著相关；若0.8<| |<1,该 气象因子与辐照强度Y的相关度为高度相关；若丨1^# |=1，该气象因子与辐照强度Y的相 关度为完全相关；
[0017] (A4)选取相关系数的绝对值大的气象因子作为主气象因子。
[0018]前述的基于EMD分解和Elman算法的光伏出力预测方法，其特征在于：步骤（B)， 选取相似性的考量指标中相似日时间序列的方法，包括以下步骤，
[0019] (B1)根据历史辐照量数据及环境数据采用聚类分析法确定相似日的天数N;
[0020](B2)采用余弦欧式变形公式（2)，计算N天相似日的Shj，Sin^廣征两个时间序 列变量的波动相似程度和总体差异程度，
[0021] 81111^= a D；j+(1-a )DcoSij (2) m-
[0022]
[0023] Xlk为第i天的特征量k的值；Xjk为待预测日的特征量k的值;m为特征量个数，通 过主气象因子特征量的个数决定；a为权重系数，由天气状况决定；DlPDc〇Slj、牝均为中 间系数；
[0024] (B3)设定待选取的相似日天数N，选取Sinii^最大的相似日构成相似日辐照强度 时间序列。
[0025]前述的基于EMD分解和Elman算法的光伏出力预测方法，其特征在于：步骤（C)， 对相似日时间序列进行EMD时域分解，分解成波动强度逐一减弱的多个信号量及一个表征 趋势的信号量，包括以下步骤，
[0026] (C1)通过三次样条差值找到相似日辐照量序列x(t)的极大值点和极小值点，连 线，形成上、下包络线，取包络线的均值为序列m(t);
[0027] (C2)将相似日辐照量序列与包络线的均值的差值h(t) =x(t)_m(t)作为新序 列；
[0028] (C3)重复（C1)_(C2)，直到新序列为本征态函数頂F，记为序列Cl(t);
[0029] (C4)将相似日辐照量序列x(t)减去序列Cl(t)后，得到剩余本征函数序列g(t)， 重复（Cl)_ (C3)，直到剩余本征函数序列r(t)表征趋势；
[0030](C5)，波动强度逐一减弱的多个信号量及一个表征趋势的信号量为（C1)-(C4)中 每次分解出的Cl(t)及最后的剩余本征函数序列r(t)。
[0031] 前述的基于EMD分解和Elman算法的光伏出力预测方法，其特征在于：步骤（D)， 将分解后的信号量逐一代入Elman模型进行训练，并将预测分量相加，得到待预测日各时 刻的光伏出力预测，包括以下步骤，
[0032] (D1)待预测日的各时刻光伏出力预测值由前三时刻的实际值预测得到，为滚动预 测；
[0033](D2)各分量的Elman模型的训练集为经EMD分解后的相似日辐照序列对应的信号 量；输入值为前三时刻的实际出力值分量；输出值为待预测日各时刻的预测出力值分量；
[0034] (D3)待预测日各时刻的预测出力值采用该时刻预测出力值分量叠加得到。
[0035] 本发明的有益效果是：本发明的基于EMD分解和Elman算法的光伏出力预测方法， 利用区域环境数据采集进行区域内光伏发电功率预测，将其预测结果与实际发电实时功 率进行比对，同时利用区域内各公共连接点实时监测数据进行数据挖掘，从技术和管理两 个角度封堵分布式光伏发电的计量漏洞，实现对分布式光伏发电用户的上网电量的有效监 管，对发电量明显高于应发电量的分布式光伏用户进行核查，避免部分用户通过不法手段 获取高额补贴，具有良好的应用前景。
【附图说明】
[0036] 图1是本发明的基于EMD分解和Elman算法的光伏出力预测方法的流程图。
[0037] 图2是本发明的基于EMD分解和Elman算法的光伏出力预测方法的系统示意图。
[0038] 图3是本发明的EMD分解相似日时间序列的流程图。
[0039] 图4是本发明的EM分解后各信号量的示意图。
[0040] 图5是本发明的采用Elman算法预测的流程图
[0041] 图6是本发明的三种模型预测结果与实际值的比较的示意图。
【具体实施方式】
[0042] 下面将结合说明书附图，对本发明作进一步的说明。
[0043] 本发明的基于EMD分解和Elman算法的光伏出力预测方法，利用区域环境数据采 集进行区域内光伏发电功率预测，将其预测结果与实际发电实时功率进行比对，同时利用 区域内各公共连接点实时监测数据进行数据挖掘，从技术和管理两个角度封堵分布式光伏 发电的计量漏洞，实现对分布式光伏发电用户的上网电量的有效监管，如图1及图2所示， 包括以下步骤，
[0044]步骤（A)，根据区域历史辐照量数据及环境数据，分析辐照强度主气象因子的相关 性，并选取主气象因子，包括以下步骤，
[0045](A1)，将气象因子及福照强度归一化，气象因子为Xm=[Xi,x2,. . .，X;，. ..，xnxn] 与福照强度为Y= [y。y2, ? ? ?，y;，? ? ?，ynyj，其中，Xi,x2, ? ? ?，Xi, ? ? ?，xnxn为气象因子 Xm各时刻的序列值、ydy2,...，yi，...，ynuyn为辐照强度Y各时刻的序列值；
[0046](A2)根据公式（1)，计算各气象因子Xm与辐照强度Y的对应的相关系数？.，
[0047]
[0048] 其中，n、Xl、i、yi、^分别为时刻的总个数、气象因子X#i时刻数值、气象因子 Xm各时刻平均值、辐照强度Y的第i时刻数值，辐照强度Y的各时刻平均值；
[0049] (A3)选取取值范围在（-1，1)之间的相关系数若| | =〇,该气象因子与 辐照强度Y的相关度为完全不相关；若〇<| |矣该气象因子与辐照强度Y的相关 度为微弱相关；若(X；2<| 该气象因子与福照强度Y的相关度为低度相关；若 〇.5<| 丨<0.8，该气象因子与辐照强度Y的相关度为显著相关；若0.8<| |<1，该 气象因子与辐照强度Y的相关度为高度相关；若丨|=1，该气象因子与辐照强度Y的相 关度为完全相关；
[0050] (A4)选取相关系数的绝对值大的气象因子作为主气象因子；
[0051]步骤（B)，选取相似性的考量指标，相似性的考量指标包括遍历历史数据中的环境 因素数值、相似日时间序列，所述相似日时间序列为日变化趋势均与待预测日相似的日期， 选取相似性的考量指标中相似日时间序列的方法，如图3所示，包括以下步骤，
[0052] (B1)根据历史辐照量数据及环境数据采用聚类分析法确定相似日的天数N;
[0053](B2)采用余弦欧式变形公式（2)，计算N天相似日的Shj，Sin^廣征两个时间序 列变量的波动相似程度和总体差异程度，
[0054] 81111^= a D；j+(1-a)DcoSij
[0055] (2)
[0056]其c
[0057]Xik为第i天的特征量k的值；X_jk为待预测日的特征量k的值;m为特征量个数，通 过主气象因子特征量的个数决定；a为权重系数，由天气状况决定；DlPDc〇Slj、牝均为中 间系数