[发明专利]基于EMD-FE-LSTM及迭代误差修正的光伏功率短期预测方法

权利要求书

1.一种基于EMD-FE-LSTM及迭代误差修正的光伏功率短期预测方法，其特征在于，该方法包括以下内容；

确定待预测日的相似日，以相似日的光伏发电功率计算模糊熵FE，将所有相似日的光伏发电功率按照时间顺序合成一个基于相似日的光伏发电序列X(1)；

以基于相似日的光伏发电序列X(1)作为训练样本，以X(1)中的光伏点和待预测日的模糊熵作为输入，以一级误差序列X(e₁)作为输出，训练一级误差LSTM网络模型；一级误差为每个对应时刻点的预测发电功率值与真实值的差；

以一级误差序列X(e₁)作为训练样本，以X(e₁)中的一级误差和待预测日的模糊熵作为输入，以二级误差序列X(e₂)作为输出，训练二级误差LSTM网络模型；二级误差为每个对应时刻点的预测误差值与一级误差序列X(e₁)中的一级误差的差；

以基于相似日的光伏发电序列X(1)进行经验模态分解EMD获得多个IMF分量，

再以IMF分量和待预测日的模糊熵FE作为输入，训练相应分量的光伏预测LSTM网络模型；

将所有分量的预测值相加后获得待预测日的预测输出序列y1；

预测输出y1加上对应时刻获得的一级误差和二级误差作为迭代误差修正后的待预测日的光伏功率预测值y，即y＝y1+X(e₁)+X(e₂)。

2.根据权利要求1所述的预测方法，其特征在于，所述相似日为选择天气类型相近的3-4个临近日。

3.根据权利要求1所述的预测方法，其特征在于，一级误差LSTM网络模型的训练过程是：从基于相似日的光伏功率序列X(1)起始端选取3个连续时刻数据点对下一时刻的光伏发电功率进行预测，直到预测得到最后一个时刻点的发电功率值，将每个对应时刻点的预测值与真实值进行比较后，得到一级误差序列X(e₁)。

4.根据权利要求1所述的预测方法，其特征在于，以基于相似日的光伏发电序列X(1)进行经验模态分解EMD获得多个IMF分量后，若IMF分量的个数大于3，需要进行多尺度重构，计算出每个IMF分量的Hurst指数，将Hurst指数小于0.5的IMF分量叠加重构为微尺度子序列，将Hurst指数大于0.5且小于0.99的IMF分量叠加重构为中尺度子序列，将Hurst指数接不小于0.99的IMF分量叠加重构为宏尺度子序列；

此时，将模糊熵分别与重构后的三种子序列分别输入到三个光伏预测LSTM网络模型中进行训练，获得三个子序列的相应预测值；将所有子序列的预测值相加后获得待预测日的预测输出序列y1。