基于VMD-SE-LSSVM和迭代误差修正的光伏发电功率预测

发布时间：2020-06-10 16:32

【摘要】：根据光伏发电功率的变化是非稳定和随机的特点,为进一步提高光伏功率预测精度,该文提出一种基于VMD-SE-LSSVM和迭代误差修正的预测方法。该方法首先采用变分模态分解(VMD)技术将历史光伏发电功率分解成一系列有限带宽的子模态,避免模态混叠和噪声冲击的影响;然后用最小二乘支持向量机分别预测光伏发电功率和误差,将误差补偿后的功率值作为最终的预测结果。此外,该文还采用样本熵(SE)原理将天气类型量化作为特征向量输入支持向量机(SVM)参与预测,兼顾了天气因素和时间维度对预测值的影响。经过仿真和与传统方法的预测结果比对,该文所提出的方法在不同天气类型中均提高了准确性,在光伏电站功率预测中具有一定的理论与实用价值。
【图文】：

从历史数据中选取包含q个数据点的训练集D，从起始端按时间先后选取a个数据点对第a+1个光伏发电功率点进行预测。本文采用数据时间窗滚动预测法，当对第a+2个点进行预测时，第a+1个点的真实数据已经包含在训练数据里，同时剔除时间上最远点的数据，重新训练模型进行预测，直到得到q-a个预测的光伏发电功率值，与真实值比较后，得到对应的q-a个1级误差。同样从1级误差序列中选取a个数据点，采取滚动预测，对之后1级误差进行预测，与真实1级误差进行比较，得到数据点数量为q-2a的2级误差序列。以此类推，得到p级误差序列。最终我们获得我们预测所需的完整的p+1组数据序列（图2虚线框内），X.(1）表示历史光伏发电功率序列，X.(e1)～X.(ep）依次为1级～p级误差序列，具体流程如图2。误差中的遗失的光伏发电功率值可以被预测出来，但过多的误差迭代次数对精度没有明显增益，反而会导致结果发散。设定误差计算终止条件为，在实际操作中发现当计算到三级误差，大多满足终止条件，故p取值为1～3，对于计算不足3次的误差，以0补齐。见表3为最终构造的初始训练样本。

由表3的初始训练样本，对测试集进行预测。光伏发电功率值是模型的目标输出，受到众多不确定因素的影响而呈现出非平稳波动，所以只分解光伏发电功率序列。根据各模态与原始信号的相关度分析，本文将训练集的光伏发电功率序列分成了6(k=6）个模态，分别为IMF(u1）、IMF(u2）、IMF(u3）、IMF(u4）、IMF(u5）、IMF(u6），每个IMF分量都保持了原始序列的特征又抑制了模态混叠，降低原始序列复杂度的同时又提高了预测精度，，图3为本文所构造的初始训练样本的分解结果。对每个IMF分量结合历史太阳辐照度、风速、温度、湿度、天气类型和下一时刻t的天气类型分别建立LSSVM模型预测下一时刻t的光伏发电功率分量，将预测的6个分量IMF1、IMF2、IMF3、IMF4、IMF5、IMF6合成后的值记作y1，然后用误差序列X.(u1)～X.(u3）结合气象数据预测下一时刻t的1级～3级误差，预测结果分别表示为e1、e2、e3，最后得到t时刻的预测值y=y1+e1+e2+e3（若最终预测值为负，默认为0），逆归一化后就是t时刻的功率预测值。接着对下一个时刻t+1进行预测，即已知t时刻的真实功率和各级误差，将其添入训练样本中，同时剔除最远点的数据，在一直保持数据长度不变的情况下滚动更新训练集的光伏发电功率序列和各级误差序列，重新训练LSSVM模型继续预测，本文选取预测点前20天的数据对预测点进行预测，具体流程见图4。

【参考文献】

相关期刊论文 前6条

1 朱红路;李旭;姚建曦;张凡;;基于小波分析与神经网络的光伏电站功率预测方法[J];太阳能学报;2015年11期

2 黄磊;舒杰;姜桂秀;张继元;;基于多维时间序列局部支持向量回归的微网光伏发电预测[J];电力系统自动化;2014年05期

3 唐舟进;任峰;彭涛;王文博;;基于迭代误差补偿的混沌时间序列最小二乘支持向量机预测算法[J];物理学报;2014年05期

4 丁明;王伟胜;王秀丽;宋云亭;陈得治;孙鸣;;大规模光伏发电对电力系统影响综述[J];中国电机工程学报;2014年01期

5 蒋浩;洪丽;张国江;;主成分分析结合神经网络的光伏发电量预测[J];电力系统及其自动化学报;2013年06期

6 茆美琴;龚文剑;张榴晨;曹雨;徐海波;;基于EEMD-SVM方法的光伏电站短期出力预测[J];中国电机工程学报;2013年34期

【共引文献】

相关期刊论文 前10条

1 司传涛;肖静;张阁;肖园园;;光伏发电系统无功支撑能力评估分析[J];广西电力;2015年06期

2 徐东东;张海宁;刘卫亮;王印松;吴延群;;小型光伏发电实验平台的设计与实现[J];国网技术学院学报;2015年06期

3 魏刚;范雪峰;张中丹;宋汶秦;夏懿;姚天亮;;风电和光伏发展对甘肃电网规划协调性的影响及对策建议[J];电力系统保护与控制;2015年24期

4 马草原;孙富华;朱蓓蓓;尹志超;;神经网络算法的改进及其在有源电力滤波器中的应用[J];电力系统保护与控制;2015年24期

5 胡春花;朱德志;欧阳菲菲;徐峰;王宏林;;基于工程用光伏组件参数估算优化设计[J];电源技术;2015年12期

6 李富春;傅旭;王昭;杨攀峰;苗淼;;抽水蓄能电站对海西地区光伏接纳能力的影响研究[J];陕西电力;2015年12期

7 丁恒春;杨晓波;钱吉红;殷庆铎;陈颖;;基于dSPACE的光伏并网系统实时仿真[J];陕西电力;2015年12期

8 宋晴宇;逯沙鸥;;光伏逆变器LC型滤波器对暂态过电压影响研究[J];黑龙江科技信息;2015年35期

9 支新;陈翔雁;郑飞飞;;我国太阳能发电行业的前景分析与思考[J];科技风;2015年23期

10 韦立坤;赵波;吴红斌;张雪松;;虚拟电厂下计及大规模分布式光伏的储能系统配置优化模型[J];电力系统自动化;2015年23期

【二级参考文献】

相关期刊论文 前10条

1 陈志宝;李秋水;程序;周海;丁杰;;基于地基云图的光伏功率超短期预测模型[J];电力系统自动化;2013年19期

2 杨明;周林;张东霞;张密;;考虑电网阻抗影响的大型光伏电站并网稳定性分析[J];电工技术学报;2013年09期

3 曾正;赵荣祥;汤胜清;杨欢;吕志鹏;;可再生能源分散接入用先进并网逆变器研究综述[J];中国电机工程学报;2013年24期

4 韩敏;许美玲;;一种基于误差补偿的多元混沌时间序列混合预测模型[J];物理学报;2013年12期

5 徐瑞;滕贤亮;张小白;庞涛;丁茂生;马军;;大规模光伏有功综合控制系统设计[J];电力系统自动化;2013年13期

6 蒋平;严栋;吴熙;;考虑风光互补的间歇性能源准入功率极限研究[J];电网技术;2013年07期

7 董伟杰;白晓民;朱宁辉;周子冠;李慧玲;;间歇式电源并网环境下电能质量问题研究[J];电网技术;2013年05期

8 李斌;袁越;;光伏并网发电对保护及重合闸的影响与对策[J];电力自动化设备;2013年04期

9 丁明;刘盛;;基于遗传算法的多个光伏电源极限功率计算[J];电网技术;2013年04期

10 陈权;李令冬;王群京;段晓波;叶金根;曾野;;光伏发电并网系统的仿真建模及对配电网电压稳定性影响[J];电工技术学报;2013年03期

【相似文献】

相关期刊论文 前10条

1 张岚;张艳霞;郭嫦敏;赵杰;;基于神经网络的光伏系统发电功率预测[J];中国电力;2010年09期

2 王振旗;姚晓斌;;基于GA-BP算法的光伏系统发电功率预测[J];计算机系统应用;2016年02期

3 孙志强;李东阳;;基于时频熵和神经网络的光伏发电功率预测模型[J];中南大学学报(自然科学版);2020年01期

4 周同旭;周松林;;光伏发电功率区间概率预测[J];铜陵学院学报;2017年02期

5 张伟;;基于神经网络的光伏发电系统发电功率预测[J];山东工业技术;2017年16期

6 ;技术转让[J];军民两用技术与产品;1989年08期

7 刘士荣;李松峰;宁康红;周啸波;荣延泽;;基于极端学习机的光伏发电功率短期预测[J];控制工程;2013年02期

8 刘士荣;李松峰;宁康红;周啸波;荣延泽;;基于极端学习机的光伏发电功率短期预测[J];控制工程;2013年03期

9 黎嘉明;艾小猛;文劲宇;方家琨;谢海莲;;光伏发电功率持续时间特性的概率分布定量分析[J];电力系统自动化;2017年06期

10 高源;张节潭;孙光友;李永胜;李红涛;;光伏组件发电功率衰减测试标准与方法[J];青海电力;2017年02期

相关会议论文 前7条

1 崔杨;陈正洪;成驰;唐俊;谷春;;光伏发电功率预测预报系统升级方案设计及关键技术实现[A];2014中国环境科学学会学术年会（第十二章）[C];2014年

2 崔杨;陈正洪;孙朋杰;;弃光限电条件下不同纬度地区短期光伏发电功率预测对比分析[A];2016中国环境科学学会学术年会论文集（第四卷）[C];2016年

3 ;龙源内蒙古公司风电场发电功率预测系统获省级科技进步奖[A];《风电技术》2013年08月第4期（总第40期）[C];2013年

4 冯雷;黄宏;张秀坤;张欣;;基于AR模型的风力发电功率预测仿真[A];Proceedings of 14th Chinese Conference on System Simulation Technology & Application(CCSSTA’2012)[C];2012年

5 常学飞;朴哲勇;吕项羽;刘座铭;;基于BP-ANN神经网络的光伏发电功率超短期预测方法[A];发挥科技支撑作用深入推进创新发展——吉林省第八届科学技术学术年会论文集[C];2014年

6 李胜利;万书春;;TRT发电的工艺与控制[A];中国计量协会冶金分会2009年年会论文集[C];2009年

7 涂仁辉;;利用剩余煤气提高烧结余热发电功率[A];2014年十一省（市）金属（冶金）学会冶金安全环保学术交流会论文集[C];2014年

相关重要报纸文章 前4条

1 薛怡;西北风力发电功率、电量均创新高[N];国家电网报;2012年

2 记者 王震　汪骏原 通讯员 程序;甘肃电网光伏发电功率预测系统投运[N];国家电网报;2011年

3 记者 张剑雯;全省风电发电功率创最高纪录[N];山西经济日报;2012年

4 本报记者 赵冉;光伏发电“站”起来[N];中国电力报;2016年

相关博士学位论文 前3条

1 甄钊;光伏发电功率多时间尺度预测方法研究[D];华北电力大学(北京);2018年

2 邢作霞;大型变速变距风力发电机组的柔性协调控制技术研究[D];北京交通大学;2008年

3 王飞;并网型光伏电站发电功率预测方法与系统[D];华北电力大学;2013年

相关硕士学位论文 前10条

1 邢校萄;支持向量机在短期光伏发电功率预测中的应用[D];华北电力大学;2015年

2 刘兆坤;基于数据驱动的光伏发电超短期预测方法研究[D];杭州电子科技大学;2019年

3 胡然;基于深度学习的新能源电站发电功率预测方法研究[D];华北电力大学(北京);2019年

4 纪棋彬;光伏并网系统短期功率预测方法研究[D];江苏大学;2019年

5 胡俊灵;基于深度学习算法的短期光伏发电功率预测研究[D];广东工业大学;2019年

6 张晋霞;基于LSTM网络的短期风力发电功率预测模型研究[D];北京工业大学;2019年

7 易海燕;基于小波分解和卷积神经网络的光伏发电功率预测方法[D];深圳大学;2018年

8 田义;基于深度学习的光伏发电功率预测技术研究[D];北方工业大学;2019年

9 程港;计及光伏发电功率预测的主动配电系统状态估计[D];广西大学;2019年

10 黄鹏;基于变分模态分解和神经网络的光伏发电功率短期预测[D];广西大学;2019年

本文编号：2706557