[發明專利]基于改進EMD-LSTM組合模型的光伏電站發電分頻段預測方法

在審

• 申請號: 202011521533.6
• 申請日: 2020-12-21
• 公開（公告）號: CN112580876A
• 公開（公告）日: 2021-03-30
• 發明（設計）人: 馬明;何斌;呂清泉;沈潤杰;張睿驍;邢瑞敏;高鵬飛;王藝穎;張健美;華丹瓊;張彥琪;王定美;李津;張金平;劉麗娟
• 申請（專利權）人: 國網甘肅省電力公司電力科學研究院;國網甘肅省電力公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/04;G06N3/08
• 代理公司: 北京化育知識產權代理有限公司 11833
• 代理人: 涂琪順

1.基于改進EMD-LSTM組合模型的光伏電站發電分頻段預測方法，其特征在于，基于改進EMD-LSTM組合模型的光伏電站發電分頻段預測方法包括三個階段：

首先對光伏電站出力數據序列進行神經網絡延拓和加窗處理，解決EMD分解中存在的模態混疊和偽分解問題，利用BP神經網絡對電站出力序列的端信號進行學習，合理地預測出序列極值點，將出力曲線向左右兩端各延拓若干個數據點，達到抑制端點發散的目的，進一步對延拓部分的信號加余弦窗函數處理，將延拓序列與余弦窗函數信號相乘，減少信號泄漏，通過延拓與窗函數結合共同抑制端點效應；

接下來對延拓加窗后的新出力數據進行EMD分解，得到若干個IMF分量和一個剩余分量，截取分量中與原始數據對應的數據段，采用游程判定法計算各分量游程數，以此代表出力曲線的波動程度，將變化趨勢相近的分量進行組合，劃分為高、中、低頻三個頻段，解決分解后分量數量不確定、模型數量過多的問題；

最后，對三個頻段的分量分別建立長短期記憶網絡LSTM模型進行時序預測，將三個頻段的預測值進行疊加重構，得到最終的光伏電站出力預測結果。

2.根據權利要求1所述的基于改進EMD-LSTM組合模型的光伏電站發電分頻段預測方法，其特征在于，基于神經網絡的光伏電站出力數據延拓方法；

為了抑制端點效應，需要對原始出力數據進行雙向延拓，由于EMD分解的原理基于上下包絡線的求取，包絡線擬合的優劣直接影響到IMF分量的提取質量，因此根據已有數據變化規律得出端點之外極值點的位置和幅值，即可避免包絡線端點的扭曲現象，而無需得到原始數據之外的其他準確數據，BP神經網絡通過對端信號進行學習，預測出極值序列的變化規律，實現數據延拓；

BP算法即誤差逆向傳播算法，多用于訓練多層前饋神經網絡，單向傳播信息，輸入層的輸出等于其輸入，隱層和輸出層節點的輸入是前一層節點輸出的加權和，每一層的激勵程度由它的激勵函數來決定，BP神經網絡最為顯著的特點是信號正向傳播，誤差反向傳遞，如果輸出層沒有得到期望輸出，則將誤差反向傳播，根據偏差調整網絡權值和閾值，使得預測結果不斷逼近期望輸出，直到誤差減小到可接受范圍內或達到學習次數的上限為止；

該方法首先利用原始電站出力數據的端信號訓練BP神經網絡，然后通過訓練好的網絡模型對原始序列之外的極值點進行預測，延長上下包絡線，從而實現數據的延拓；

由于光伏電站出力數據具有非平穩性，若將整個序列作為訓練樣本會增大網絡誤差，同時會增加訓練時間，延拓的目的是抑制端點處的極值點不確定問題，因此選取距離端點處最近的第三個極值點至信號端點間的數據段作為訓練樣本來源，單個訓練樣本為其中規定長度的連續小段信號，訓練預期輸出為輸入信號段的下一個采樣點的值，若假設樣本來源長度為N，單個訓練樣本長度為M，則BP模型的輸入層節點數為M，輸出層節點數為1，訓練樣本總數為N-M；

使用上述方法得到X個極大值和極小值后停止計算，將預測結果與原始信號右端進行拼接，對于左端需倒序排列后進行拼接，實現信號的延拓。

3.根據權利要求1所述的基于改進EMD-LSTM組合模型的光伏電站發電分頻段預測方法，其特征在于，基于余弦窗函數的加窗方法；

為了更好的解決電站出力序列的端點效應，減少信號泄漏，在序列延拓的基礎上，對延拓部分進行加窗處理，選取的窗函數為余弦窗函數，中間部分幅值為1，兩端從1到0逐漸平滑衰減；

加窗的主要步驟是將余弦窗函數幅值為1的中間段與原始數據段相乘，兩端的延拓數據段與窗函數衰減部分相乘，得到延拓加窗后的新數據序列；將該序列作為EMD分解的對象，得到若干IMF分量和一個剩余分量，并截取各分量中與原始序列對應的中間數據段，得到最終分解結果，與原始時序數據相比，處理后的序列在EMD分解中能有效減輕端點處的發散現象，解決模態混疊和偽分解問題。