基于EMD-KPCA-LSTM的光伏功率预测模型分析.pdf
总第236期现代工业经济和信息化Total236
2024年第2期ModernIndustrialEconomyandInformationizationNo.2,2024
技术创新DOI:10.16525/ki.14-1362/n.2024.02.026
基于EMD-KPCA-LSTM的光伏功率预测模型分析
王宇驰1,赵延阳1,张树军2
(1.辽宁工程技术大学电气与控制工程学院,辽宁葫芦岛125105;
2.葫芦岛八家矿业股份有限公司,辽宁葫芦岛125105)
摘要:为了充分解决光伏预测中预测难度较大、随机性强以及预测时间跨度大的问题,提高光伏功率的预测精度,
提出了一种基于EMD-KPCA-LSTM的光伏功率预测模型。采用EMD及PCA算法,将PCA与核函数融合,进一
步处理非线性数列,并降低数据的维度,提高处理的精准度。依靠LSTM网络,构建多元的动态数字模型,为更加可
靠地预测光伏功率提供了一种新的算法。
关键词:光伏功率预测;经验模态分解;核主成分分析;长短期记忆神经网络
中图分类号:TM615文献标识码:A
0引言2)计算上包络线和下包络线的均值s(t),将原始
目前,太阳能已成为发展速度最快的新型清洁能数据序列y(t)与上包络线和下包络线均值s(t)做差,
源之一,光伏功率预测显得尤为重要,但由于光伏电得到第1个分量hi(t)=y(t)-s(t)。
站中存在多种复合场对其影响,并且发电过程突出的3)第二次筛选:hi(t)作为原始数据序列,si(t)是
随机性,给电力系统的平稳运行带来隐患。更换一种h(t)上下包络线的均值,与步骤(2)类似求出第二个
贴合目前电力系统的新型预测模型,如使用人工鱼群分量h,(t)。以此类推,得到:hk+=hx-Sx
算法以及长短期记忆(longshorttermmemory,LsTM)4)判断n=Zh(o是否不大于给定的
神经网络模型对电力负荷预测进行智能寻优[1-21,能[hk-(t)]?
够有效遏制存在的多种问题。有学者已经开展了有关门限,门限在0.2~0.3之间取值。若n不大于门限,则
光伏功率预测模型的系统性研究,但是,基于LSTM令c=h(t)。否则,令k=k+1后,重复步骤(1),判断余
的光伏发电功率预测领域的研究论文相对于其他核量是否为单调函数。若是,则终止分解。否则,继续执
心算法论文较少。行。第一个特征的EMD分解如图1所示。
第1个特征的EMD分解
因此,本文将以LSTM算法为核心,辅以EMD、ZM
KPCA算法进行混合,该方法相较其他算法具有明显50100150200250
208日
的优势,可以提高预测的准度和精密度。I.INI208
050100150200250
1理论基础