[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

本發明提供了基于改進EMD?LSTM組合模型的光伏電站發電分頻段預測方法，使用改進的數據分解方法對非平穩、非線性的光伏電站出力數據序列進行預處理，有效改善預測精度，采用神經網絡對光伏電站出力序列進行延拓并加窗，有效分離出力數據中不同波動特征的分量，采用游程判定法將波動性相近的功率分量進行分組，劃分為高中低頻三個頻段，使得特征更加集中，解決了不同發電工況下自適應分解后分量個數不確定的問題，提高預測速度，將數據分解方法與長短期記憶網絡相結合，能夠實現發電數據的長期記憶，避免了傳統神經網絡在預測中的長依賴問題，組合模型更適用于解決長周期、強波動、非線性的光伏電站出力預測問題，具有較好的時序預測效果。

技術領域

本發明主要涉及電力系統中光伏電站發電能力評估及電網調度的技術領域，具體為基于改進EMD-LSTM組合模型的光伏電站發電分頻段預測方法。

背景技術

由于光伏電站需要使用太陽光資源進行發電，受到氣象因素、大氣狀態及自然環境等諸多不確定因素的影響，到達地面的太陽輻照度通常具有強隨機性和波動性的特點，并隨之導致電站出力的波動性和間歇性。當光伏電站的并網發電量超過一定比例時，接入電網的出力波動會對電力系統的穩定安全運行和發電質量帶來很大威脅，研究表明，當光伏裝機容量在電網中占比超過15％時，光伏發電的波動會導致整個電網的癱瘓。電網調度運行中如何充分考慮其不確定性并籌措靈活資源以應對，成為重大的技術挑戰，針對這一問題，光伏電站發電能力的預測評估，成為把握電力系統資源特性和出力特性的重要手段，也是調度輔助決策的核心基礎。

目前已有的光伏電站出力預測方法主要有統計法和物理法兩種，物理法主要通過建立光伏電池的物理模型來進行預測。統計法則依靠大量的歷史數據，通過優化算法實現預測。但由于光伏電站出力具有非線性、非平穩性和時序性的特點，且環境影響因素復雜，直接基于原始數據和單一模型進行預測，結果的準確度較差。因此亟需找到數據分解方法來降低出力序列的復雜性，并在此基礎上選擇合適的時序模型完成預測，滿足電網調度所需的準確率和實時性的要求。

本文研究了一種基于改進EMD與LSTM神經網絡組合模型的分頻段預測方法，通過對傳統的經驗模態分解方法進行神經網絡延拓和加窗改進，解決模態混疊和偽分解問題，降低原始出力序列的非平穩性，并將分解后的各分量根據波動性進行歸類重組，優化模型結構實現快速計算，對分組后的各分量使用LSTM長短期記憶網絡模型實現時序預測，相較于傳統的預測方法，本文提出的組合模型減小了計算量的同時提升了預測精度。

發明內容

本發明主要提供了基于改進EMD-LSTM組合模型的光伏電站發電分頻段預測方法，用以解決上述背景技術中提出的技術問題。

本發明解決上述技術問題采用的技術方案為：

基于改進EMD-LSTM組合模型的光伏電站發電分頻段預測方法，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。

進一步的，基于神經網絡的光伏電站出力數據延拓方法；