[发明专利]基于改进EMD-LSTM组合模型的光伏电站发电分频段预测方法

权利要求书

1.基于改进EMD-LSTM组合模型的光伏电站发电分频段预测方法，其特征在于，基于改进EMD-LSTM组合模型的光伏电站发电分频段预测方法包括三个阶段：

首先对光伏电站出力数据序列进行神经网络延拓和加窗处理，解决EMD分解中存在的模态混叠和伪分解问题，利用BP神经网络对电站出力序列的端信号进行学习，合理地预测出序列极值点，将出力曲线向左右两端各延拓若干个数据点，达到抑制端点发散的目的，进一步对延拓部分的信号加余弦窗函数处理，将延拓序列与余弦窗函数信号相乘，减少信号泄漏，通过延拓与窗函数结合共同抑制端点效应；

接下来对延拓加窗后的新出力数据进行EMD分解，得到若干个IMF分量和一个剩余分量，截取分量中与原始数据对应的数据段，采用游程判定法计算各分量游程数，以此代表出力曲线的波动程度，将变化趋势相近的分量进行组合，划分为高、中、低频三个频段，解决分解后分量数量不确定、模型数量过多的问题；

最后，对三个频段的分量分别建立长短期记忆网络LSTM模型进行时序预测，将三个频段的预测值进行叠加重构，得到最终的光伏电站出力预测结果。

2.根据权利要求1所述的基于改进EMD-LSTM组合模型的光伏电站发电分频段预测方法，其特征在于，基于神经网络的光伏电站出力数据延拓方法；

为了抑制端点效应，需要对原始出力数据进行双向延拓，由于EMD分解的原理基于上下包络线的求取，包络线拟合的优劣直接影响到IMF分量的提取质量，因此根据已有数据变化规律得出端点之外极值点的位置和幅值，即可避免包络线端点的扭曲现象，而无需得到原始数据之外的其他准确数据，BP神经网络通过对端信号进行学习，预测出极值序列的变化规律，实现数据延拓；

BP算法即误差逆向传播算法，多用于训练多层前馈神经网络，单向传播信息，输入层的输出等于其输入，隐层和输出层节点的输入是前一层节点输出的加权和，每一层的激励程度由它的激励函数来决定，BP神经网络最为显著的特点是信号正向传播，误差反向传递，如果输出层没有得到期望输出，则将误差反向传播，根据偏差调整网络权值和阈值，使得预测结果不断逼近期望输出，直到误差减小到可接受范围内或达到学习次数的上限为止；

该方法首先利用原始电站出力数据的端信号训练BP神经网络，然后通过训练好的网络模型对原始序列之外的极值点进行预测，延长上下包络线，从而实现数据的延拓；

由于光伏电站出力数据具有非平稳性，若将整个序列作为训练样本会增大网络误差，同时会增加训练时间，延拓的目的是抑制端点处的极值点不确定问题，因此选取距离端点处最近的第三个极值点至信号端点间的数据段作为训练样本来源，单个训练样本为其中规定长度的连续小段信号，训练预期输出为输入信号段的下一个采样点的值，若假设样本来源长度为N，单个训练样本长度为M，则BP模型的输入层节点数为M，输出层节点数为1，训练样本总数为N-M；

使用上述方法得到X个极大值和极小值后停止计算，将预测结果与原始信号右端进行拼接，对于左端需倒序排列后进行拼接，实现信号的延拓。

3.根据权利要求1所述的基于改进EMD-LSTM组合模型的光伏电站发电分频段预测方法，其特征在于，基于余弦窗函数的加窗方法；

为了更好的解决电站出力序列的端点效应，减少信号泄漏，在序列延拓的基础上，对延拓部分进行加窗处理，选取的窗函数为余弦窗函数，中间部分幅值为1，两端从1到0逐渐平滑衰减；

加窗的主要步骤是将余弦窗函数幅值为1的中间段与原始数据段相乘，两端的延拓数据段与窗函数衰减部分相乘，得到延拓加窗后的新数据序列；将该序列作为EMD分解的对象，得到若干IMF分量和一个剩余分量，并截取各分量中与原始序列对应的中间数据段，得到最终分解结果，与原始时序数据相比，处理后的序列在EMD分解中能有效减轻端点处的发散现象，解决模态混叠和伪分解问题。