[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

说明书

本发明为基于EMD‑FE‑LSTM及迭代误差修正的光伏功率短期预测方法，该方法首先通过模糊熵(FE)对不同的天气类型进行量化，提取与待预测日相近的相似日，以相似日的光伏序列利用长短期记忆网络进行误差迭代，同时对历史相似日的光伏功率序列进行经验模态分解(EMD)，再利用长短期记忆网络进行预测，再以迭代误差对预测结果进行修正，实现间接预测和直接预测的结合，提高了预测的精度。此外还对经验模态分解后的所有的IMF分量进行Hurst分析，根据Hurst指数的规律性进行多尺度重构，对重构的分量再分别运用长短期记忆网络(LSTM)进行预测，进一步降低了误差，提高了预测的准确性。

技术领域

本发明属于光伏发电领域，具体涉及一种基于EMD-FE-LSTM及迭代误差修正的光伏功率短期预测方法。根据光伏功率的历史数据，应用本文提出的预测方法对未来数小时得到光伏电站功率进行预测。

背景技术

光伏发电已经成为当今中国能源系统重要的一环，如今光伏发电技术已经足够成熟，对光伏功率准确的预测是电网安全调度等的重要依据，对电网安全调度具有重要意义。

光伏发电功率预测主要分为间接预测和直接预测两种方式。间接预测方法是根据光伏发电输入条件构造信息特征来进行预测，如光照强度、太阳辐射强度、风速、温度、天气状态等外部条件。直接预测方式是将历史发电输出功率作为研究对象以建立功率预测模型。但由于受天气状况的影响，当外部条件变化时，功率预测的精度和稳定性将会下降。

文献《阳霜，罗滇生，何洪英，等.基于EMD-LSSVM的光伏发电系统功率预测方法研究[J].太阳能学报，2016，37(6)：1387-1395.》直接使用相似日获得的EMD分解结果，将其作为LSSVM的输入，为直接预测方式，且每一个分解后的IMF分量都会产生一个误差，对IMF分量进行叠加，也会对误差进行一个叠加，准确性有待提高。

发明内容

本发明的目的在于，提出了一种基于EMD-FE-LSTM及迭代误差修正的光伏功率短期预测方法。该方法首先通过模糊熵(FE)对不同的天气类型进行量化，提取与待预测日相近的相似日，以相似日的光伏序列利用长短期记忆网络进行误差迭代，同时对历史相似日的光伏功率序列进行经验模态分解(EMD)，再利用长短期记忆网络进行预测，再以迭代误差对预测结果进行修正，实现间接预测和直接预测的结合，提高了预测的精度。此外还对经验模态分解后的所有的IMF分量进行Hurst分析，根据Hurst指数的规律性进行多尺度重构，对重构的分量再分别运用长短期记忆网络(LSTM)进行预测，进一步降低了误差，提高了预测的准确性。

为实现上述目的，本发明的技术方案是：

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；