基于EMD与ELM的光伏电站短期功率预测

作者:李多;董海鹰;杨立霞 刊名:可再生能源 上传者:赵娟

【摘要】针对传统光伏电站功率预测方法精度不高的问题,提出一种基于经验模态分解(EMD)与极限学习机(ELM)组合功率预测方法。该方法中,首先利用EMD分解分辨率为15 min的功率序列,得到一组相对平稳的分量,减少不同功率影响因素间的相互影响;然后针对各分量的不同特性,考虑相应气象因素作为输入,利用ELM神经网络建立不同的预测模型,分别预测各分量值;最后对ELM预测的各分量值求和,从而得到最终预测结果。算例仿真表明,该方法比传统的预测方法具有更高的预测准确度。

全文阅读

第 34卷 第 2期 2016年 2月 可 再 生 能 Renewable Energy Resources Vo1.34 No.2 Feb. 2016 基 于 EMD 与 ELM 的 光 伏 电 站 短 期 功 率 预 测 李 多,董海鹰 ,杨立霞 (兰州交通大学 自动化与电气工程学院 ,甘肃 兰州 730070) 摘 要 :针对传统光伏电站功率预测方法精度不高的问题 ,提出一种基于经验模态分解(EMD)与极限学习机 (ELM)组合功率预测方法。该方法中,首先利用 EMD分解分辨率为 15 min的功率序列,得到一组相对平稳的分 量,减少不同功率影响因素间的相互影响;然后针对各分量的不同特性 ,考虑相应气象因素作为输入,利用 ELM 神经网络建立不同的预测模型,分别预测各分量值 ;最后对 ELM预测的各分量值求和,从而得到最终预测结 果。算例仿真表明,该方法比传统的预测方法具有更高的预测准确度。 关键词:光伏电站;功率预测;经验模态分解;极限学习机 中图分类号:TM615 文献标志码:A 文章编号 :1671—5292(2016)02—0173—05 0 前 言 光伏电站输出功率受温度、太阳辐照度等多 种气象因素的影响,具有一定的时变性 、周期性 , 增加了电网调度 的难度 。为解决光伏 电站发电量 不确定性 问题 ,需对光伏 电站发电量进行预测 ,以 便电力调度部门统筹安排常规能源发电量与光伏 发电量 ,及时调整发 电计划 ,为电网调度运行提供 可靠依据【jj。因此,对光伏电站输出功率预测的研 究至关重要 。 目前 ,国内对于光伏电站功率预测的研究还 处于起步阶段,其预测方法大致分为以下几种:物 理模型法 、时间序列法和人工神经网络等智能方 法闭。物理模型法以物理发电原理为基础 .不需要 光伏 电站历史运行数据 .但需要详细的电站地形 图、坐标和其他相关光电转换参数等数据 .准确预 测所建立 的模型极其复杂。时间序列法预测模型 简单 ,运算量较小 ,对发电量与影响因子有较好线 性关系的序列预测精度较高,但无法适应天气的 非线性变化 ,总体预测能力较差 。而人工神经网络 具有 自学 习、自组织和极强的非线性映射能力 ,适 用于如复杂天气状况下因果关系复杂的非线性预 测问题,近期在光伏电站功率预测中应用较多。其 中文献[3】建立 ARMA、神经网络预测模型对光伏 电站 的出力进行预测 ,文献『4]按季节建立 4个子 模型 。通过 3层 BP神经 网络进行功率预测 ,文献 『51通过选取相似 日,建立广义 回归神经 网络预测 模型。提前 1天对光伏电站输出功率进行预测。但 神经网络存在选择网络拓扑结构时依赖设计者经 验、易陷入局部最优解等缺点阎。 极 限学习机(ELM)为近期提出的一种新型神 经网络 ,在分类 、预测等方面 ,该预测方法简单易 行 、计算速度快、预测精度比传统神经网络高[71。 但 ELM无法准确反映功率构成 以及其各分量与 影 响 因素之 间 的非 线 性关 系 。经 验模 态 分解 (EMD)方法能够以自适应方式提取信号的各分 量及变化趋势 ,吸取 了小波分解的多分辨优势 ,克 服了小波分解 中需要选取小波基的困难[81。 组合预测法可 以有效地利用多种预测方法的 优点 ,在光伏功率预测 中已经被证明是一种可以 提高预测精度的有效方法 【9J. 。本文综合不同算 法的优点建立了基于 EMD和 ELM的光伏电站功 率短期组合预测模型.运用 EMD分解非平稳的 功率时间序列为具有不 同特征尺度的平稳分量 , 将每个 IMF分量建立

参考文献

引证文献

问答

我要提问