Xi) + (l_w)G(x，Xi)，G(x，Xi) =exp(-||x_xi ||2/σ2)，Ρ(χ，χ?) = [(χ ·Xi) +1]2，
[0040]其中，K(X，Xl)表示模型組合后的核函數;G(X，X1)表示高斯核;G(X，X1)表示多項式 核;X表示相關向量;Xi表示歸一化后的輸入參量;σ表示高斯核的核寬;W表示組合核的核函 數權重系數。
[0041] 有益效果：
[0042] 1、本發明采用的EEMD克服了小波分析、EMD以及LMD的不足，避免了經驗模態分解 易出現模態混疊的問題，具有更高的分辨率與很強的非線性處理能力，能很好的運用于光 伏輸出功率的數據預處理;EEMD降低了數據的復雜度，效果優異，結果準確，有效提高了預 測精度；
[0043] 2、本發明采用基于貝葉斯理論的RVM方法進行短期光伏功率預測，不僅很好的保 留了SVM出色的預測能力，還改善了ANN、SVM的不足之處，具有模型高度稀疏、待優化參數 少、核函數選擇靈活、泛化能力強、預測精度高的優點；
[0044] 3、使用組合核函數進一步提升了模型對突變天氣下光伏功率預測的精度，提高了 模型的普遍適應性與泛化性能。
【附圖說明】
[0045]圖1為本發明的方法流程圖；
[0046]圖2為集合經驗模態分解步驟流程圖；
[0047]圖3為集合經驗模態分解效果示意圖；
[0048]圖4為晴天光伏輸出功率短期預測結果；
[0049]圖5為多云天光伏輸出功率短期預測結果；
[0050]圖6為陰天光伏輸出功率短期預測結果；
[0051]圖7為雨天光伏輸出功率短期預測結果；
【具體實施方式】
[0052]下面結合附圖和具體實例對本發明的技術方案進行詳細說明。需要說明的是，該 實例僅用于說明本發明而不用于限制本發明的范圍，本領域技術人員對本發明的各種等價 形式的修改均落于本申請所附權利要求所限定的范圍。
[0053]如圖1所示，針對光伏輸出功率的預測精度影響系統安全調度和穩定運行的問題， 本發明提出了一種基于EEMD和組合核RVM的光伏功率短期預測方法。首先按照天氣狀況將 光伏功率數據分成晴天、陰天、雨天和多云天四種類型，并分別建模，保證了樣本數據的一 致性;并采用EEMD將以上四種光伏功率數據分解為一系列初步平穩但具有不同特征尺度的 IMF(IntrinsicModeFunction，固有模態函數)分量和余量，降低了數據的復雜度;然后采 用高斯核和多項式核的組合構成RVM的核函數，對余量和各MF分量采用組合核RVM分別建 立預測模型，提升了預測模型的預測性能;最后將余量和IMF分量的預測結果進行疊加求和 得到總體的預測結果。本發明方法從數據預處理和模型優化兩個方面進行處理，有效的提 高了模型的預測精度和泛化能力，可較好的運用于工程實際問題。
[0054]首先，考慮到各季節的日出、日落時間不同，為保證數據均有值，只取每天8:00-17:00共10小時的數據進行訓練和預測。其次，不同天氣類型下的光照強度存在較大差異， 光伏輸出功率也存在明顯差別。因此為了更準確的對光伏功率進行預測，將光伏功率數據 按照天氣類型分為晴天、陰天、多云天和雨天這四種情況，并分別建模。
[0055]再者，為避免突變數據或壞數據對預測結果的影響，對光伏功率數據進行預處理， 本發明中使用的是數據縱向對比法，其計算公式如下：
[0056]
[0057]其中，L(i，t)為第i天第t時刻的光伏功率數據;L(i_l，t)為第i-Ι天第t時刻的光 伏功率數據，g卩L(i，t)前一天同時刻的光伏功率數據;L(i+l，t)為第i+Ι天第t時刻的光伏 功率數據，g卩L(i，t)后一天同時刻的光伏功率數據;a(t)和iKt)為預先設定的兩個閾值。
[0058]對已完成壞數據剔除的原始光伏功率數據進行EEMD，具體步驟如下：
[0059]①設定高斯白噪聲的幅值k和進行EMD分解的總次數Μ(-般Μ取100，k取0.05~0.5 倍為宜），令m=l;
[0060]②給定光伏小時級功率數據L(t)，計算數據點數X，并據此計算分量的個數N= log2X-l;再將分量由高頻到低頻序號定為i(其中i= 1，2，…，N)。
[0061]③進行第m次EMD分解時，在光伏功率數據L(t)上加入高斯白噪聲nm(t)，該高斯白 噪聲可通過MATLAB中的randn函數獲得隨機的高斯白噪聲，后續多次重復本步驟時加入的 噪聲幅值為提前設定好的相同幅值k。得到待處理的加噪光伏數據：
[0062] Lm(t)=L(t)+knm(t)
[0063] ④對Lm(t)進行EMD分解，得到N個頂F分量Ci,m(t)和一個剩余分量rn,m(t);
[0064] ⑤若m<M，m=m+l，返回③，否則繼續向下執行；
[0065]⑥對Μ次EMD分解得到的各個IMF分量及剩余分量計算均值為：
[0066]
[0067]⑦輸出EEMD分解得到的N個頂F分量和剩余余量匕，分解結束。EEMD的步驟框圖和 分解效果分別如圖2、圖3所示。
[0068]其中，所述的EMD分解包括如下的子步驟：
[0069] (1)初始化循環變量i=l，xi(t)=x(t)，其中x(t)為待分解的原始數據序列；
[0070] (2)初始化循環變量」=1，丫1(1:)=叉1(1:);
[0071](4)找出序列yj(t)中所有局部極大值并擬合成上包絡線Uj(t)，找出yj(t)中所有 局部極小值并擬合成下包絡線巧（t)，使得Uj(t)和Vj(t)包絡所有的數據點；求得 (t)的平均值》;，⑴原始信號與包絡均值的差值
[0072](5)判斷hj(t)是否滿足IMF分量的兩個條件，不滿足，則j=j+l，yj(t)=hj-i(t)，返 回步驟S2.3.3;滿足，則可得第i個IMF分量ci(t)=hj(t)，剩余分量ri(t) =xi(t)-ci(t);
[0073](6)判斷ri(t)是否滿足終止條件，不滿足，則Xi+i(t) =ri(t)，i=i+l，重復步驟S2.3.2至S2.3.4;滿足，則分解結束；由此共可分解出η個MF分量Ci(t)和一個剩余分量仏 (t)，EMD對x(t)的分解過程結束;x(t)表示為祕).=。 ι-\
[0074] 選擇與預測日同天氣類型前5天每時刻光伏功率構造樣本輸入，對余量和各IMF分 量采用相同方法進行處理，分析并選取光伏功率預測的影響因素(溫度、光照強度等）的歷 史數據和預測數據作為補充輸入變量，以所對應預測日的余量和IMF分量數據作為輸出，構 造出訓練樣本和預測樣本并歸一化;樣本輸入影響因素的構成如表1所示。
[0075]表1樣本輸入影響因素構成
[0076]
[0077]由此樣本的輸入向量表示為：
[0078] X(i，t) = [L(i-l，t)，L(i-2，t)，L(i-3，t)，L(i-4，t)，L(i-5，t)，T(i，t)，T(i_l， t),
[0079] T(i-2，t)，T(i-3，t)，T(i-4，t)，T(i-5，t)，S(i，t)，S(i-l，t)，S(i-2，t)，S(i-3， t)，S(i-4，t)，S(i-5，t)]，i>5，j = l, ···，]?，輸出向量為y(i，t)=L(i, t);歸一化公式為：
[0080] x(：i) ~ ~ %i" )! (xrnm~ *miii)
[0081 ]采用組合核RVM模型對EEMD得到的分量分別建立預測模型。
[0082]對于給定的訓練樣本輸入集和對應的輸出集彳αι *RVM回歸模型可定義為：
[0083]
[0084]其中ε為服從Ν(0,σ2)分布的各獨立樣本誤差，wi為權系數，K(x,xi)為核函數，Ν為 樣本數量。
[0085]對于相互獨立的輸出集，整個樣本的似然函數為：
[0086] ^1
[0087]其中：t = (ti，t2，…，tN)，w= [w0，wi，…，WN]T，? = ?心1:?). ,夂(1，Λ-' it(Λ-" ,Λ'γ )] '。.
[0088] 枏抿概鑾預涮公忒，所龍的備件概鑾為，
[0089]
[0090]若直接使用最大似然的方法來求解w和σ2,結果通常會導致嚴重的過適應，為避免 這種現象，對w加上先決條件。根據貝葉斯理論，w為分布為零的標準正態分布，同時引入超 參數a = ，…，αΝ]τ，可得
[0091：
[0092:
[0093:
[0094]對每個權值限定先決條件的方法，是RVM的一個重要特征。α為權值w對應的超參 數，符合伽馬分布。經過足夠的更新次數后，大部分^會趨近無限大，其對應的權值趨于〇， 而其他的cti會穩定地趨近有限值。而與之對應的^稱之為相關向量，實現RVM稀疏特性。
[0095]在定義了先驗概率分布及似然分布以后，根據貝葉斯原理，就可以求得所有未知 參數的后驗概率分布為：
[0096]
[0097]其中，后驗協方差矩陣為：
[0098] ψ = (σ-2φτφ+Α)-1
[0099] μ = σ-2ψφ\<