br>[0100] A = diag(a〇,ai, ··· ,〇ν)
[0101] 為了確定模型權值，首先需要得到超參數的最佳值，可以通過迭代算法求得，即
[0102]
[0103]
[0104]式中：μL為第i個后驗平均權，Wi,i為后驗協方差矩陣中的第i個對角元素，Ν為樣 本數據個數。
[0105]若給定新的輸入值/，則相應的輸出概率分布服從高斯分布，其相應的預測值為：
[0106]
[01 07 ] 為評價預測效果的好壞，采用相對誤差(re1ativeerror，RE)和平均絕對值百分 誤差(meanabsolutepercenterror,MAPE)這2個誤差指標對預測結果進行誤差分析。其 值越小，效果越好。指標的表達式為：
[0108]
[0109]
[0110] 式中，y_表示真實值，ypre表示預測值，N表示數據總數。
[0111] 本發明的預測模型框圖如2所示。
[0112] 為了說明本發明的預測效果，分別對四種天氣類型下的光伏輸出功率進行了短期 預測，其預測效果如圖4-圖7所示，預測結果及指標分析如表2-表5所示。
[0113] 表2晴天預測誤差統計
[0114]
[0121] 表2雨天預測誤差統計
[0122]
[0123]由圖4-圖7所不的餓測效采和表2-表5所不的指標分析卩」以明Μ友現，本發明方法 預測結果的趨勢更貼近實際光伏功率，預測誤差明顯較小。因此，本發明采用的基于EEMD和 組合核RVM的光伏功率短期預測方法可較高的實現短期光伏功率預測，具有較高的工程應 用價值。
【主權項】
1. 一種基于EEMD和組合核RVM的光伏功率短期預測方法，其特征在于，包括以下步驟： SI: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4種類型，并分別建 模； S2:采用EEMD將非平穩的光伏功率數據分解為一系列初步平穩且具有不同特征尺度的 余量和IMF分量； S3:選擇與待預測日相同天氣類型的前5天每時刻光伏功率的余量和頂F分量分別構造 樣本輸入，分析并選取光伏功率預測的影響因素的歷史數據和預測數據作為補充輸入，以 所對應的待預測日的余量和IMF分量數據作為輸出，構造出訓練樣本和預測樣本并進行樣 本歸一化； S4:設定組合核RVM預測模型的迭代初值與模型參數搜索范圍，在使用訓練樣本對組合 核RVM預測模型進行訓練的過程中采用網格搜索優化參數，通過訓練誤差的迭代替換得到 最優核寬和組合核權重參數； S5:將預測樣本的輸入導入訓練好的組合核RVM模型，模型輸出即為待預測日的光伏功 率余量和IMF分量的預測結果； S6:將余量和各IMF分量的預測結果進行疊加求和，得到待預測日光伏輸出功率的預測 值。2. 根據權利要求1所述的基于EEMD和組合核RVM的光伏功率短期預測方法，其特征在 于:所述步驟S2包括如下的子步驟： S2.1:設定白噪聲的幅值k和進行EMD分解的總次數M; S2.2:在光伏功率數據序列中加入高斯白噪聲； S2.3:按照EMD分解流程將步驟S2.2得到的數據序列進行分解得到一系列的余量和頂F 分量； S2.4:重復M次步驟S2.2至S2.3，重復所述步驟S2.2時每次加入的為相同幅值的不同高 斯白噪聲序列，對M次EMD分解得到的各個IMF及剩余分量計算均值其中，Ci, m( t)為第m次EMD分解得到的第i個IMF分量;rn, m( t)為第m次EMD分解得到的第η 個余量;t表示第t個數據； S2.5:輸出e,(?)(/ = l，·，·，《:》和r"(/)分別作為EEMD分解的IMF分量和剩余分量。3. 根據權利要求2所述的基于EEMD和組合核RVM的光伏功率短期預測方法，其特征在 于:步驟S2.3中所述的EMD分解流程包括如下的子步驟： S2.3.1: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； 32.3.2:初始化循環變量」=1，71(1:)=叉1(1:); S2.3.3: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.原始信號與包絡均值的差值 S2.3.4: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); S2.3.5: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4. 根據權利要求1所述的基于EEMD和組合核RVM的光伏功率短期預測方法，其特征在 于:步驟S3中所述的光伏功率預測的影響因素包括溫度和光照強度。5. 根據權利要求1所述的基于EEMD和組合核RVM的光伏功率短期預測方法，其特征在 于:步驟S3中所述的構造樣本輸入具體為： 樣本的輸入向量為: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)，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 (;[-3,1:)，5(;[-4,1:)，5(;[-5,1:)]，;[>5，]_ = 1，"_，]/[，輸出向量為7(;[，1:)=以;[，1:); 其中，X(i，t)表示第i個樣本輸入第t時刻的影響因素;y(i，t)表示第i個樣本輸入對應 第t時刻的輸出；L(i_l，t)表示預測日前一天第i時刻的光伏數據;L(i_2，t)表示預測日前 兩天第i時刻的光伏數據;L(i-3，t)表示預測日前三天第i時刻的光伏數據;L(i-4，t)表示 預測日前四天第i時刻的光伏數據;L(i-5，t)表示預測日前五天第i時刻的光伏數據;T(i， t)表示預測日第i時刻的溫度預報數據;T(i-l，t)表示預測日前一天第i時刻的溫度數據;T (i-2，t)表示預測日前兩天第i時刻的溫度數據;T(i-3，t)表示預測日前三天第i時刻的溫 度數據;T(i-4，t)表示預測日前四天第i時刻的溫度數據;T(i-5，t)表示預測日前五天第i 時刻的溫度數據;S(i，t)表示預測日第i時刻的光照預報數據;S(i-l，t)表示預測日前一天 第i時刻的光照數據;S(i-2，t)表示預測日前兩天第i時刻的光照數據;S(i-3，t)表示預測 日前三天第i時刻的光照數據;S(i-4，t)表示預測日前四天第i時刻的光照數據;S(i-5，t) 表示預測日前五天第i時刻的光照數據。6. 根據權利要求1所述的基于EEMD和組合核RVM的光伏功率短期預測方法，其特征在 于:步驟S3中所述的樣本歸一化具體為：其中，?(〇為歸一化后的數據值;x(i)為原始數據;Xmax，Xmin分別為原始數據中的最大值 和最小值。7. 根據權利要求1所述的基于EEMD和組合核RVM的光伏功率短期預測方法，其特征在 于:所述步驟S4包括如下的子步驟： S4.1:設定組合核RVM預測模型的迭代初值與模型參數搜索范圍； S4.2:計算組合核RVM模型的核函數，采用網格搜索對模型的核寬參數和組合核權重參 數進行優化，檢驗當前迭代獲得的參數是否滿足要求，滿足，則此參數為組合核RVM預測模 型最優參數;不滿足，則更新參數，直到滿足迭代要求或者達到最大迭代次數。8. 根據權利要求7所述的基于EEMD和組合核RVM的光伏功率短期預測方法，其特征在 于:步驟S4.2中所述的計算組合核RVM模型的核函數采用局部核-高斯核和全局核-多項式 核的組合，具體為:1((叉，叉〇=?^(叉，叉〇+(11)6(叉，叉〇,6(叉，叉〇=6叉？(-||叉1』2/〇 2)，？(叉，叉〇 = [(x · xi)+l]2， 其中，K(x，xi)表示模型組合后的核函數;G(x，xi)表示高斯核;G(x，xi)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。
【專利摘要】本發明公開了一種基于EEMD和組合核RVM的光伏功率短期預測方法，本發明采用的EEMD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，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，能很好的運用于光伏輸出功率的數據預處理；本發明采用RVM方法進行短期光伏功率預測，具有模型高度稀疏、待優化核參數少、核函數選擇靈活、模型泛化能力強的優點；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。
【IPC分類】G06Q10/04, G06Q50/06
【公開號】CN105426989
【申請號】CN201510747155
【發明人】衛志農, 范磊, 孫永輝, 孫國強, 臧海祥, 朱瑛, 陳通, 宗文婷
【申請人】河海大學
【公開日】2016年3月23日
【申請日】2015年11月3日