目录
摘要：
提高光伏功率预测精度，对于保证电力系统的安全调度和稳定运行具有重要意义。本文提出一种经验模态分解（EMD）、主成分分析（PCA）和长短期记忆神经网络（LSTM）相结合的光伏功率预测模型。充分考虑制约光伏输出功率的5种环境因素，首先利用EMD将环境因素序列进行分解，得到数据信号在不同时间尺度上的变化情况，降低环境因素序列的非平稳性；其次利用PCA提取特征序列的关键影响因子，消除原始序列的相关性和冗余性，降低模型输入的维度；最终利用LSTM网络对多变量特征序列进行动态时间建模，实现对光伏发电功率的预测。北半球的8个月实测数据进行验证，实验结果表明，该预测模型较传统光伏功率预测方法有更高的精确度。
研究背景：
光伏功率的准确预测关乎电网的合理调度、安全运行和系统稳定。随着电厂规模的不断扩增，电厂的数据量也呈爆炸式的增长，传统的神经网络光伏功率预测模型一方面受电厂来源数据的制约，忽略了部分环境因素对光伏功率的影响，缺乏对多元环境序列信息的有效利用；另一方面，由于光伏功率与多元环境序列信息呈非线性变化，随着网络输入变量的增多，会导致模型收敛速度减慢，并出现过拟合问题；同时因欠缺对光伏功率随时间变化这一特性的考量，限制了预测精度的提升。因此，要提高光伏功率预测模型的准确性，不仅要充分利用影响光伏功率的关键环境因素，也要进一步挖掘光伏功率预测与关键环境因素随时间变化的本质特征。
研究思路：
本文在充分考虑制约光伏发电功率的 5 个主要环境因素即太阳辐照度、组件温度、空气温度、相对湿度和大气压力的前提下，针对光伏发电功率具有不稳定性和明显的间歇波动的特点，提出一种基于 EMD-PCA-LSTM 的光伏输出功率预测模型。
经验模态分解
利用经验模态分解（empirical mode decomposition，EMD）方法首先将 5 种环境序列进行分解，得到不同时间尺度下的本征模态分量和剩余分量，通过将环境序列分解为各种不同的特征波动序列和细节性，从而将原始环境信号中存在的不同尺度波动或趋势逐级分解出来，产生一系列具有不同特征尺度的数据序列，增加特征的多样性。
该方法的关键是经验模式分解，它能使复杂信号分解为有限个本征模函数（Intrinsic Mode Function，简称IMF），所分解出来的各IMF分量包含了原信号的不同时间尺度的局部特征信号。经验模态分解法能使非平稳数据进行平稳化处理，然后进行希尔伯特变换获得时频谱图，得到有物理意义的频率。与短时傅立叶变换、小波分解等方法相比，这种方法是直观的、直接的、后验的和自适应的，因为基函数是由数据本身所分解得到。由于分解是基于信号序列时间尺度的局部特性，因此具有自适应性。
主成分分析方法
然后利用主成分分析方法（principal component analysis，PCA）筛选出影响光伏输出功率的关键因子，降低模型输入参数的维度，消除由 EMD分解得到的不同波动序列的冗余性和相关性。
主成分分析是设法将原来众多具有一定相关性（比如P个指标），重新组合成一组新的互相无关的综合指标来代替原来的指标。主成分分析，是考察多个变量间相关性一种多元统计方法，研究如何通过少数几个主成分来揭示多个变量间的内部结构，即从原始变量中导出少数几个主成分，使它们尽可能多地保留原始变量的信息，且彼此间互不相关.通常数学上的处理就是将原来P个指标作线性组合，作为新的综合指标。
LSTM 神经网络
最后，通过 LSTM 神经网络完成对多变量时间序列和光伏功率序列之间的动态时间建模，构建预测模型，最终实现对光伏输出功率的预测。与传统的 BP 神经网络、机器学习算法模型，以及单一的 LSTM 模型、EMD-LSTM模型进行对比分析，结果表明，本文提出的模型预测精度更高。
LSTM是一种含有LSTM区块（blocks）或其他的一种类神经网络，文献或其他资料中LSTM区块可能被描述成智能网络单元，因为它可以记忆不定时间长度的数值，区块中有一个gate能够决定input是否重要到能被记住及能不能被输出output。图1底下是四个S函数单元，最左边函数依情况可能成为区块的input，右边三个会经过gate决定input是否能传入区块，左边第二个为input gate，如果这里产出近似于零，将把这里的值挡住，不会进到下一层。左边第三个是forget gate，当这产生值近似于零，将把区块里记住的值忘掉。第四个也就是最右边的input为output gate，他可以决定在区块记忆中的input是否能输出 。
实现步骤：
本文构建了 EMD-PCA-LSTM 的光伏输出功率预测模型，在实际预测过程中，首先构建适用于 LSTM 模型训练的数据集，利用 t - 1 时刻的环境因素数据和光伏功率数据，对 t 时刻的光伏功率数据进行预测。
运行结果：
1383
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
