CN106803135A - 一种光伏发电***输出功率的预测方法及装置 - Google Patents

Abstract

本发明实施例公开了一种光伏发电***输出功率的预测方法，通过对预设时间段内光伏发电***的历史输出功率数据进行变分模态分解，根据分解所得的多个分解分量与相应的气象数据建立极限学习机预测模型，并根据极限学习机预测模型计算各个分解分量的预测结果，将各个预测结果的和作为光伏发电***输出功率的预测结果。变分模态分解算法具有良好的噪声鲁棒性和非递归性，选取合理的参数可有效避免模态混叠现象，从而获得准确高的分解信号，有利于提高预测精度；极限学习机良好的泛化性能以及学习速度快的特点，可进一步提高预测精度与预测效率。此外，本发明实施例还提供了相应的实现装置，进一步使得所述方法更具有实用性，所述装置具有相应的优点。

Description

一种光伏发电***输出功率的预测方法及装置

技术领域

本发明实施例涉及光伏发电技术领域，特别是涉及一种光伏发电***输出功率的预测方法及装置。

背景技术

随着常规能源(例如石油、煤等化石能源)的消耗越来越多，常规能源的消耗带来环境污染问题也越来越严峻，且常规能源的储量是有限的，这就促使了新能源(例如太阳能、风能、海洋能等)的大力研究与开发。而太阳能作为环境友好型、安全性、广泛性与充足性的可再生新能源是最具有发展前景的绿色能源。

光伏发电是利用半导体界面的光生伏特效应将光能直接转变为电能的一种技术。光伏发电***主要由太阳能电池板(组件)、控制器和逆变器三部分组成。由于太阳辐照强度和环境温度具有明显的间歇性、波动性和随机性等特性，导致光伏***输出功率的不确定，而输出功率的不确定性会直接影响电力***的稳定运行，增大电力***的运行成本。因此，对未来一段时间内光伏***的输出功率进行准确的预测是非常重要的。

针对光伏输出功率的非平稳性和非线性特性，通常可采用信号分解方法有效减弱信号的非平稳程度，从而提高预测精度。现有技术一般采用经验模态分解法对光伏发电***输出功率进行分解。尽管经验模态分解方法可实现对非线性、非平稳信号进行平稳化处理，但是，经验模态分解方法缺乏严格的数学基础、算法效率低、存在模态混叠、抗噪性差以及端点效应问题。由于经验模态分解方法的这些劣势，导致由其分解得到的一系列分量再重新构建预测模型后，仍然存在很大的预测误差。

因此，如何提高光伏发电***输出功率预测的准确度，有效的降低大规模光伏发电***对电力***的影响，是本领域技术人员亟待解决的问题。

发明内容

本发明实施例的目的是提供一种光伏发电***输出功率的预测方法及装置，以提高光伏发电***输出功率预测的准确度，有效的降低大规模光伏发电***对电力***的影响，获得较高的社会效益和经济效益。

为解决上述技术问题，本发明实施例提供以下技术方案：

本发明实施例一方面提供了一种光伏发电***输出功率的预测方法，包括：

获取预设时间段内光伏发电***的历史输出功率数据与相应的气象数据；

将所述历史输出功率数据根据变分模态分解算法分解为多个分解分量；

根据多个所述分解分量与相应的气象数据建立极限学习机预测模型，并根据所述极限学习机预测模型计算各个所述分解分量的预测结果；

将各个所述预测结果进行求和，以得到所述光伏发电***输出功率的预测结果。

可选的，所述将所述历史输出功率数据根据变分模态分解算法分解为多个分解分量包括：

根据所述气象数据将所述历史输出功率数据进行归类；

将同一天气类型下的历史输出功率数据根据所述变分模态分解算法分解为多个分解分量。

可选的，所述根据所述气象数据将所述历史输出功率数据进行归类包括：

建立自组织竞争神经网络模型，将所述历史输出功率数据作为自组织竞争神经网络的输入样本数据；

选取预设天气类型下的历史输出功率数据作为所述自组织竞争神经网络模型的测试样本；

根据所述输入样本数据对所述自组织竞争神经网络模型的网络权值进行初始化，根据下述公式对所述网络权值进行调整：

根据所述测试样本对所述输入样本数据进行归类；

其中，x_i(i＝1，2，…，m)为输入样本，w_ij为第i个输入节点与第j个输出神经元之间的权值，a为权重系数。

可选的，所述将所述历史输出功率数据根据变分模态分解算法分解为多个分解分量包括：

S1：将所述历史输出功率数据根据所述变分模态分解算法分解为多个分解分量{y_k}，并计算相应的中心频率{w_k}；

S2：对{w_k}、拉格朗日乘子进行初始化；

S3：对每一个所述分解分量y_k、相应的中心频率w_k、根据下述公式进行更新：

S4：当判定下式成立时，分解结束；当判定下式不成立时，则返回S3，

其中，和分别表示y(t)、λⁿ(t)和的傅里叶变换，n为迭代次数，α为平衡参数，τ为更新参数，ε为给定的判别精度，且ε＞0。

可选的，在所述将所述历史输出功率数据根据变分模态分解算法分解为多个分解分量之后还包括：

将多个所述分解分量根据下列公式进行归一化处理：

其中，y_min、y_max为预设的下界与上界，d_min、d_max为原始数据中的最小值与最大值，d_j为原始数据，j为原始数据的个数(j＝1，2，3，…，n)，d_j ^*为原始数据归一化后的对应的数据，且

可选的，在所述将各个所述预测结果进行求和，以得到所述光伏发电***输出功率的预测结果之后包括：

获取已知时间段内的实测输出功率值与相应输出功率的预测值；

根据所述实测输出功率值与相应输出功率的预测值，对所述光伏发电***输出功率的预测结果进行调整。

可选的，所述根据所述实测输出功率值与相应输出功率的预测值，对所述光伏发电***输出功率的预测结果进行调整包括：

根据下述公式计算平均绝对百分比误差：

根据所述平均绝对百分比误差对所述光伏发电***输出功率的预测结果进行调整；

其中，MAPE为所述平均绝对百分比误差，Y_i为所述实测输出功率值，为相应的输出功率的预测值，N为预测的样本数。

可选的，所述根据所述实测输出功率值与相应输出功率的预测值，对所述光伏发电***输出功率的预测结果进行调整包括：

根据下述公式计算均方根误差：

根据所述均方根误差对所述光伏发电***输出功率的预测结果进行调整；

其中，RMSE为所述均方根误差，Y_i为所述实测输出功率值，为相应的输出功率的预测值，N为预测的样本数。

可选的，所述气象数据包括：

平均辐照强度以及平均温度。

本发明实施例另一方面提供了一种光伏发电***输出功率的预测装置，包括：

获取数据模块，用于获取预设时间段内光伏发电***的历史输出功率数据与相应的气象数据；

分解模块，用于将所述历史输出功率数据根据变分模态分解算法分解成多个分解分量；

模型建立模块，用于根据多个所述分解分量与相应的气象数据建立极限学习机预测模型，并根据所述极限学习机预测模型计算各个所述分解分量的预测结果；

预测功率模块，用于将各个所述预测结果进行求和，以得到光伏发电***输出功率的预测结果。

本发明实施例提供了一种光伏发电***输出功率的预测方法，通过对预设时间段内光伏发电***的历史输出功率数据进行变分模态分解，根据分解所得的多个分解分量与相应的气象数据建立极限学习机预测模型，并根据极限学习机预测模型计算各个分解分量的预测结果，将各个预测结果的和作为光伏发电***输出功率的预测结果。

本申请提供的技术方案采用变分模态分解算法，相比经验模态分解算法，具有良好的噪声鲁棒性和非递归性，有利于减弱光伏***输出功率信号的非平稳性，选取合理的参数可有效的避免模态混叠现象，从而可获得更加准确的分解信号，有利于提高预测精度；且该算法是在频域进行的，因而运算效率高，从而有利于提高整个***的预测效率。此外，利用极限学习机良好的泛化性能以及学习速度快的特点，可进一步提高预测精度与预测效率。

提高光伏发电***输出功率预测的准确度，可有效的降低大规模光伏发电***对电力***的影响，提高电网对光伏的接纳能力；还能够充分利用太阳能资源，获得较高的社会效益和经济效益。提前进行准确的光伏***输出功率预测，可确定传统电网与光伏发电微网的电流流动方向，制定电力***的调度方案并降低电力***运行成本；同时，还能提前制定能源储备规划，减小光伏发电的不可控性和间歇性对大电网造成不利影响，增强光伏发电的市场竞争优势。此外，本发明实施例还针对光伏发电***输出功率的预测方法提供了相应的实现装置，进一步使得所述方法更具有实用性，所述装置具有相应的优点。

附图说明

为了更清楚的说明本发明实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的示例性例子的预测结果示意图；

图2为本发明实施例提供的一种光伏发电***输出功率的预测方法的流程示意图；

图3为本发明实施例提供的另一种光伏发电***输出功率的预测方法的流程示意图；

图4为本发明实施例提供的光伏发电***输出功率的预测装置的一种具体实施方式的结构图；

图5为本发明实施例提供的光伏发电***输出功率的预测装置的另一种具体实施方式的结构图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等是用于区别不同的对象，而不是用于描述特定的顺序。此外术语“包括”和“具有”以及他们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、***、产品或设备没有限定于已列出的步骤或单元，而是可包括没有列出的步骤或单元。

本申请的发明人经过研究发现，现有技术一般采用经验模态分解法对光伏发电***输出功率进行分解。尽管经验模态分解方法可实现对非线性、非平稳信号进行平稳化处理，但是，该方法缺乏严格的数学基础、算法效率低、存在模态混叠、抗噪性差以及端点效应问题，从而导致由其分解得到的一系列分量再重新构建预测模型后，仍然存在很大的预测误差。

变分模态分解是一种新型的自适应、多分辨率信号分解估计方法，其整体框架是变分问题，使得每个模态的估计带宽之和最小，其中假设每个“模态”是具有不同中心频率的有限带宽，为解决这一变分问题，采用了交替方向乘子法，不断更新各模态及其中心频率，逐步将各模态解调到相应的基频带，最终各个模态及相应的中心频率被一同提取出来。相比经验分解方法，变分模态分解将信号分解转化非递归、变分模态分解模式，其实质是多个自适应维纳滤波组，表现出更好的噪声鲁棒性；在模态分离方面，选取合适的参数，可有效的避免模态混叠现象，也就是说可将频率相近的2个纯谐波信号成功分离。

极限学习机(Extreme Learning Machine，ELM)是一种新型的快速学习算法，该算法随机产生输入层与隐含层间的连接权值及隐含层神经元的阈值，且在训练过程中无需调整，只需要设置隐含层神经元的个数，便可以获得唯一的最优解。而传统的神经网络学习算法(如BP算法)需要人为设置大量的网络训练参数，并且很容易产生局部最优解。极限学习机只需要设置网络的隐层节点个数，在算法执行过程中不需要调整网络的输入权值以及隐元的偏置，并且产生唯一的最优解，可见该方法相较传统训练方法，具有学习速度快、泛化性能好等优点。

鉴于此，本申请通过对预设时间段内光伏发电***的历史输出功率数据进行变分模态分解，根据分解所得的多个分解分量与相应的气象数据建立极限学习机预测模型，并根据极限学习机预测模型计算各个分解分量的预测结果，将各个预测结果的和作为光伏发电***输出功率的预测结果，提高了光伏发电***输出功率的预测准确度与预测效率。

基于上述本发明实施例的技术方案，下面首先结合图1对本发明实施例的技术方案涉及的一些可能的应用场景进行举例介绍。

取某一光伏电站2016年8月1日到2016年12月31日的输出功率数据作为历史输出功率数据，预测该光伏电站2016年12月4日的每15min的输出功率。根据对历史输出数据根据变分模态分解算法分解所得的多个分解分量与相应的气象数据建立极限学习机预测模型，并根据极限学习机预测模型计算各个分解分量的预测结果，将各个预测结果的和作为光伏发电***输出功率的预测结果，预测结果如图1所示。

根据当天实测输出功率值计算得到均方根误差和平均绝对百分比误差分别为RMSE＝434.92、MAPE＝9.39％。

由图1以及误差值可知，本申请提供的技术方案预测的输出功率与实测输出功率值的误差较小，有利于提高光伏发电***的输出功率预测精度以及准确度。

需要注意的是，上述应用场景仅是为了便于理解本申请的思想和原理而示出，本申请的实施方式在此方面不受任何限制。相反，本申请的实施方式可以应用于适用的任何场景。

在介绍了本发明实施例的技术方案后，下面详细的说明本申请的各种非限制性实施方式。

首先参见图2，图2为本发明实施例提供的一种光伏发电***输出功率的预测方法的流程示意图，本发明实施例可包括以下内容：

S201：获取预设时间段内光伏发电***的历史输出功率数据与相应的气象数据。

预设时间段为选取的历史输出功率数据对应的时间，可为某一天若干个时间段对应的输出功率，也可为某个月中若干天的输出功率，当然，也可选取其他任何时间的输出功率，这均不影响本申请的实现。可选的，可选取任意光伏电站6:00-18:00每隔15min的光伏输出功率。

气象数据为选取历史功率数据时间段的气象数据。气象数据可包括平均辐照强度以及平均温度，当然，也可包括其他气象因素，例如湿度等。

历史输出功率数据与气象数据可以以表格、文档、图片等任何一种格式进行保存。

S202：将所述历史输出功率数据根据变分模态分解算法分解为多个分解分量。

具体的分解方法可如下述过程：

S2021：将所述历史输出功率数据根据所述变分模态分解算法分解为多个分解分量{y_k}，并计算相应的中心频率{w_k}；

S2022：对{w_k}、拉格朗日乘子进行初始化；

S2023：对每一个所述分解分量y_k、相应的中心频率w_k、根据下述公式进行更新：

S2024：当判定下式成立时，分解结束；当判定下式不成立时，则返回S2023，

其中，和分别表示y(t)、λⁿ(t)和的傅里叶变换，n为迭代次数，α为平衡参数，τ为更新参数，ε为给定的判别精度，且ε＞0。

其中，对于α与τ的取值，本领域技术人员可根据具体的实际情况与自身经验进行选取，可选的，α＝2000，τ＝0，当然，也可选取其他值。

需要说明的是，n在初始化时，默认n＝1，即n也可认为分解次数。

还需要说明的是，更新操作是为了得到最佳的中心频率w_k和最佳的分解分量，既可以更好的接近原始数据，又可以更好消除原始数据的波动性。

在一些具体实施方式中，为了进一步的提高预测精度，可在分解之前进行归类，即将历史输出功率数据按照天气类型进行归类，然后将同一天气类型下的历史输出功率数据进行变分模态分解。归类的方法有k-means聚类算法、层次聚类算法、FCM聚类算法(模糊C聚类)等，可选的，可采用聚类方法进行归类，具体过程如下：

A1：建立自组织竞争神经网络模型，将历史输出功率数据作为自组织竞争神经网络的输入样本数据；

自组织竞争神经网络是一种以无教师施教的方式进行的网络训练，具有自组织功能的神经网络，通过自身的训练，能自动对输入模式进行分类。在网络结构上，自组织竞争人工神经网络一般是由输入层和竞争层构成的两层网络，两层之间各神经元实现双向连接，有时竞争层各神经元之间还存在横向连接。在学习算法上，它模拟生物神经***依靠神经元之间的兴奋、协调与抑制、竞争的作用来进行信息处理的动力学原理，指导网络的学习与工作。

该类模型的基本思想是网络竞争层各神经元竞争对输入模式的响应机会，最后只有一个神经元成为竞争的胜利者。并对那些与获胜神经元有关的各连接权一同朝着更有利于它竞争的方向调整，这一获胜的神经元就表示对输入模式的分类。因此，自组织竞争神经网络自组织适应学习的能力进一步拓宽了神经网络在模式识别、分类方面的应用。

A2：选取预设天气类型下的历史输出功率数据作为自组织竞争神经网络模型的测试样本；

从辐照强度以及温度的角度考虑，可选的，天气类型可选取晴天、阴天、雨天这三类天气类型，即测试样本数据可为这三类天气下的输出功率数据。当然，也可选取其他类型的天气或天气的组合与对应的输出功率作为测试样本，这均不影响本申请的实现。

A3：根据输入样本数据对自组织竞争神经网络模型的网络权值进行初始化，根据下述公式对所述网络权值进行调整：

其中，x_i(i＝1，2，…，m)为输入样本，w_ij为第i个输入节点与第j个输出神经元之间的权值，a为权重系数。

网络权值的初始化为给网络权值赋予任意一个大于零的小数，例如0.1。权重系数a为具体的某一个影响因素在整体影响因素中对结果的影响程度，可选的，a取值可为0.5，当然，也可选取其他任意数值。

A4：根据测试样本对输入样本数据进行归类。

利用聚类算法将不同天气类型下的输出功率数据进行归类，归类后的历史输出功率数据具有一定规律性，然后再进行预测，有利于提高预测的精度。

因为历史输出功率数据比较多，而且这些数据彼此间可能没有任何规律，考虑到数据的处理难易程度以及速率，可对数据进行处理。对不同量纲的数据可进行归一化处理，具体的就是对原始数据经过处理(通过某种算法)是其限制在一定范围内，这样有利于后续数据的处理，降低数据处理难度，还可提高数据处理速率。归一化的具体方法如下：

将多个所述分解分量根据下列公式进行归一化处理：

其中，y_min、y_max为预设的下界与上界，d_min、d_max为原始数据中的最小值与最大值，d_j为原始数据，j为原始数据的个数(j＝1，2，3，…，n)，d_j ^*为原始数据归一化后的对应的数据，且

当然，还可采用其他方法，只要实现将大小不一的数据集合到某一个范围内，比如将测试样本数据经过某种算法，各数据的大小在[-1，1]的范围内。

S203：根据多个所述分解分量与相应的气象数据建立极限学习机预测模型，并根据所述极限学习机预测模型计算各个所述分解分量的预测结果。

在与分解分量建立极限学习机预测模型之前，气象数据也可进行归一化处理，具体方法参见上述介绍，此处就不再赘述。

极限学***均辐照强度、平均温度以及预测日当天平均辐照强度、平均温度等气象因素。隐藏层用于权值连接，即将输入层与隐藏层的权值作为隐藏层与输出层的权值，本领域技术人员可根据具体的实际情况与自身经验进行选取权值，可选的，权值可取50。输出层用于输出预测的输出功率。

将每一个分解分量与相应的气象数据作为极限学习机预测模型输入，即可输出该分解分量对应的预测的输出功率结果。

S204：将各个所述预测结果进行求和，以得到所述光伏发电***输出功率的预测结果。

预测结果一般为预测的输出功率的数值，当然，也可为一个范围，或其他任何预测结果，这均不影响本申请的实现。

由上可知，本发明实施例采用变分模态分解算法，具有良好的噪声鲁棒性和非递归性，有利于减弱光伏***输出功率信号的非平稳性，选取合理的参数可有效的避免模态混叠现象，从而可获得更加准确的分解信号，有利于提高预测精度；且该算法是在频域进行的，因而运算效率高，从而有利于提高整个***的预测效率。此外，利用极限学习机良好的泛化性能以及学习速度快的特点，可进一步提高预测精度与预测效率。提高光伏发电***输出功率预测的准确度，可有效的降低大规模光伏发电***对电力***的影响，提高电网对光伏的接纳能力；还能够充分利用太阳能资源，获得较高的社会效益和经济效益，增强光伏发电的市场竞争优势。

因为***、算法、预测模型都存在不可避免的误差，环境的因素、测量历史数据的过程中都会造成一定的误差，为了进一步提高预测精度，基于上述实施例，本申请还提供了另外一实施例，请参见图3，具体的可包括以下内容：

S301-S304：具体的与实施例一的S201-S204所描述一致，此处不再赘述。

S305：获取已知时间段内的实测输出功率值与相应输出功率的预测值。

S306：根据所述实测输出功率值与相应输出功率的预测值，对所述光伏发电***输出功率的预测结果进行调整。

已知时间段是指已经知道实测输出功率的任何时间，也就是当前时间之前的任何时间，举例来说，对于2017年1月9号的光伏电站，在光伏电站每一个时间的输出功率都有记录的前提下，9号之前任何一天的输出功率都是可以获取的实测输出功率。利用本申请提供的技术方案对该时刻的输出功率进行预测，可以得到预测值。

因为***误差、环境误差、测量误差，可以认为在预测过程中几乎是一致的，故可以用之前的实测值与预测值之间的关系，对后续预测结果进行调整。当然，可选的，待测日的气象数据与参考值对应的气象数据应为一样。举例来说，预测日为雨天，那么在选取已知时间段内的实测输出功率值，最好选取雨天的同一时刻的实测输出功率值，这样可降低环境因素导致的误差，从而提高调整精度，有利于提高预测值的准确度。

可根据下述公式计算平均绝对百分比误差：

然后根据平均绝对百分比误差对所述光伏发电***输出功率的预测结果进行调整；

其中，MAPE为平均绝对百分比误差，Y_i为实测输出功率值，为相应的输出功率的预测值，N为预测的样本数。

也可根据下述公式计算均方根误差：

然后在根据均方根误差对所述光伏发电***输出功率的预测结果进行调整；

其中，RMSE为均方根误差，Y_i为所述实测输出功率值，为相应的输出功率的预测值，N为预测的样本数。

当然，也可采用其他方法进行调整，本发明实施例对此不做任何限定。

举例来说，要测2017年1月10号上午8点的输出功率，待测日的天气为晴天，可选取2017年1月10号之前任何一个晴天8点的历史输出功率数据(实测输出功率)作为调整参考，例如2017年1月8号为晴天，二者的气象数据相差不大，获取该天8点的输出功率为12kw，根据本申请提供的技术方案预测该时刻的功率为11.8kw。那么参考的实测值与预测值的关系可由MAPE(1.69％)或RMSE(0.2)进行表征。

计算出待测日的输出功率的预测值后，可利用MAPE或RMSE进行反演，推导出的实测功率值即可认为是待测日的功率输出值。例如，通过计算待测日的输出功率为10kw，根据MAPE(1.69％)进行反演得到的功率为10.169kw，即可认为待测日的输出功率的预测值为10.169kw；根据RMSE(0.2)进行反演得到的功率为10.2kw，即可认为待测日的输出功率的预测值为10.2kw。

由上可知，本发明实施例通过对光伏***的输出功率的预测结果，根据已有的实测功率数据与预测数据的误差进行了调整，可将原预测结果的误差减小，进一步提高预测精度。

本发明实施例还针对光伏发电***输出功率的预测方法提供了相应的实现装置，进一步使得所述方法更具有实用性。下面对本发明实施例提供的光伏发电***输出功率的预测装置进行介绍，下文描述的光伏发电***输出功率的预测装置与上文描述的光伏发电***输出功率的预测方法可相互对应参照。

参见图4，图4为本发明实施例提供的一种光伏发电***输出功率的预测装置在一种具体实施方式的结构图，该装置可包括：

获取数据模块401，用于获取预设时间段内光伏发电***的历史输出功率数据与相应的气象数据。

分解模块402，用于将所述历史输出功率数据根据变分模态分解算法分解成多个分解分量。

模型建立模块403，用于根据多个所述分解分量与相应的气象数据建立极限学习机预测模型，并根据所述极限学习机预测模型计算各个所述分解分量的预测结果。

预测功率模块404，用于将各个所述预测结果进行求和，以得到光伏发电***输出功率的预测结果。

在本发明实施例的一些实施方式中，所述分解模块402可包括：

归类单元4021，用于根据所述气象数据将所述历史输出功率数据进行归类；

分解单元4022，用于将同一天气类型下的历史输出功率数据根据所述变分模态分解算法分解为多个分解分量。

其中，归类单元4021还可包括：

建立模型子单元40211，用于建立自组织竞争神经网络模型，将所述历史输出功率数据作为自组织竞争神经网络的输入样本数据；

选取样本子单元40212，用于选取预设天气类型下的历史输出功率数据作为所述自组织竞争神经网络模型的测试样本；

模型设置子单元40213，用于根据所述输入样本数据对所述自组织竞争神经网络模型的网络权值进行初始化，根据下述公式对所述网络权值进行调整：

其中，x_i(i＝1，2，…，m)为输入样本，w_ij为第i个输入节点与第j个输出神经元之间的权值，a为权重系数。

归类子单元40214，用于根据所述测试样本对所述输入样本数据进行归类；

在本发明实施例的另外一些实施方式中，所述分解模块402还包括：

分解子单元4021，用于将所述历史输出功率数据根据所述变分模态分解算法分解为多个分解分量{y_k}，并计算相应的中心频率{w_k}；

初始化子单元4022，用于对{w_k}、拉格朗日乘子进行初始化；

更新子单元4023，用于对每一个所述分解分量y_k、相应的中心频率w_k、根据下述公式进行更新：

判断子单元4024，用于当判定下式成立时，分解结束；当判定下式不成立时，则继续循环执行更新子单元以及判断子单元，直至分解结束，

其中，和分别表示y(t)、λⁿ(t)和的傅里叶变换，n为迭代次数，α为平衡参数，τ为更新参数，ε为给定的判别精度，且ε＞0。

可选的，在本实施例的一些实施方式中，请参阅图5，所述装置例如还可以包括：

归一化模块405，用于将多个所述分解分量根据下列公式进行归一化处理：

其中，y_min、y_max为预设的下界与上界，d_min、d_max为原始数据中的最小值与最大值，d_j为原始数据，j为原始数据的个数(j＝1，2，3，…，n)，d_j ^*为原始数据归一化后的对应的数据，且

可选的，在本实施例的另一些实施方式中，请参阅图5，所述装置例如还可以包括：

调整模块406，用于获取已知时间段内的实测输出功率值与相应输出功率的预测值；根据所述实测输出功率值与相应输出功率的预测值，对所述光伏发电***输出功率的预测结果进行调整。

本发明实施例所述光伏发电***输出功率的预测装置的各功能模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。

由上可知，本发明实施例采用变分模态分解算法，具有良好的噪声鲁棒性和非递归性，有利于减弱光伏***输出功率信号的非平稳性，选取合理的参数可有效的避免模态混叠现象，从而可获得更加准确的分解信号，有利于提高预测精度；且该算法是在频域进行的，因而运算效率高，从而有利于提高整个***的预测效率。此外，利用极限学习机良好的泛化性能以及学习速度快的特点，可进一步提高预测精度与预测效率。此外，在一种具体的实施方式中，通过对光伏***的输出功率的预测结果，根据已有的实测功率数据与预测数据的误差进行了调整，可将原预测结果的误差减小，进一步提高预测精度。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

以上对本发明所提供的一种光伏发电***输出功率的预测方法以及装置进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (10)

1.一种光伏发电***输出功率的预测方法，其特征在于，包括：

获取预设时间段内光伏发电***的历史输出功率数据与相应的气象数据；

将所述历史输出功率数据根据变分模态分解算法分解为多个分解分量；

根据多个所述分解分量与相应的气象数据建立极限学习机预测模型，并根据所述极限学习机预测模型计算各个所述分解分量的预测结果；

将各个所述预测结果进行求和，以得到所述光伏发电***输出功率的预测结果。

2.根据权利要求1所述的方法，其特征在于，所述将所述历史输出功率数据根据变分模态分解算法分解为多个分解分量包括：

根据所述气象数据将所述历史输出功率数据进行归类；

将同一天气类型下的历史输出功率数据根据所述变分模态分解算法分解为多个分解分量。

3.根据权利要求2所述的方法，其特征在于，所述根据所述气象数据将所述历史输出功率数据进行归类包括：

建立自组织竞争神经网络模型，将所述历史输出功率数据作为自组织竞争神经网络的输入样本数据；

选取预设天气类型下的历史输出功率数据作为所述自组织竞争神经网络模型的测试样本；

根据所述输入样本数据对所述自组织竞争神经网络模型的网络权值进行初始化，根据下述公式对所述网络权值进行调整：

$w_{ij}=w_{ij}+a(\frac{x_i}{m}-w_{ij});$

根据所述测试样本对所述输入样本数据进行归类；

其中，x_i(i＝1，2，…，m)为输入样本，w_ij为第i个输入节点与第j个输出神经元之间的权值，a为权重系数。

4.根据权利要求1所述的方法，其特征在于，所述将所述历史输出功率数据根据变分模态分解算法分解为多个分解分量包括：

S1：将所述历史输出功率数据根据所述变分模态分解算法分解为多个分解分量{y_k}，并计算相应的中心频率{w_k}；

S2：对{w_k}、拉格朗日乘子进行初始化；

S3：对每一个所述分解分量y_k、相应的中心频率w_k、根据下述公式进行更新：

${\hat{y}}_k^{n+1}\left(w\right)=\frac{\hat{y}\left(w\right)-\underset{i\≠k}{\Σ}{\hat{y}}_i^n\left(w\right)+\frac{{\widehat{\mathrm{\λ}}}^n\left(w\right)}{2}}{1+2\mathrm{\α}{(w-w_k^n)}^2},$

$w_k^{n+1}=\frac{{\∫}_0^{\mathrm{\∞}}w|{\hat{y}}_k^n\left(w\right){|}^{2}dw}{{\∫}_0^{\mathrm{\∞}}|{\hat{y}}_k^n\left(w\right){|}^{2}dw},$

${\widehat{\mathrm{\λ}}}^{n+1}\left(w\right)={\widehat{\mathrm{\λ}}}^n\left(w\right)+\mathrm{\τ}\left(\hat{y}\right(w)-\underset{k=1}{\overset{K}{\Σ}}{\hat{y}}_k^{n+1}(w\left)\right);$

S4：当判定下式成立时，分解结束；当判定下式不成立时，则返回S3，

$\underset{k=1}{\overset{K}{\&Sigma;}}\left|\right|{\hat{y}}_k^{n+1}-{\hat{y}}_k^n|{|}_2^2/|\left|{\hat{y}}_k^n\right|{|}_2^2<\mathrm{\&epsiv;};$

其中，和分别表示y(t)、λⁿ(t)和的傅里叶变换，n为迭代次数，α为平衡参数，τ为更新参数，ε为给定的判别精度，且ε＞0。

5.根据权利要求1至4任意一项所述的方法，其特征在于，在所述将所述历史输出功率数据根据变分模态分解算法分解为多个分解分量之后还包括：

将多个所述分解分量根据下列公式进行归一化处理：

$d_j^{*}=(y_{max}-y_{\min })\&CenterDot;\frac{d_j-d_{\min }}{d_{\max }-d_{\min }}+y_{\min };$

其中，y_min、y_max为预设的下界与上界，d_min、d_max为原始数据中的最小值与最大值，d_j为原始数据，j为原始数据的个数(j＝1，2，3，…，n)，d_j ^*为原始数据归一化后的对应的数据，且

6.根据权利要求1至4任意一项所述的方法，其特征在于，在所述将各个所述预测结果进行求和，以得到所述光伏发电***输出功率的预测结果之后包括：

获取已知时间段内的实测输出功率值与相应输出功率的预测值；

根据所述实测输出功率值与相应输出功率的预测值，对所述光伏发电***输出功率的预测结果进行调整。

7.根据权利要求6所述的方法，其特征在于，所述根据所述实测输出功率值与相应输出功率的预测值，对所述光伏发电***输出功率的预测结果进行调整包括：

根据下述公式计算平均绝对百分比误差：

$MAPE=\frac{1}{N}\underset{i=1}{\overset{N}{\&Sigma;}}\frac{\left(Y_i-{\hat{Y}}_i\right)}{{\hat{Y}}_i}\&times;100\%;$

根据所述平均绝对百分比误差对所述光伏发电***输出功率的预测结果进行调整；

其中，MAPE为所述平均绝对百分比误差，Y_i为所述实测输出功率值，为相应的输出功率的预测值，N为预测的样本数。

8.根据权利要求6所述的方法，其特征在于，所述根据所述实测输出功率值与相应输出功率的预测值，对所述光伏发电***输出功率的预测结果进行调整包括：

根据下述公式计算均方根误差：

$RMSE=\sqrt{\frac{\underset{i=1}{\overset{N}{\&Sigma;}}{(Y_i-{\hat{Y}}_i)}^2}{N}};$

根据所述均方根误差对所述光伏发电***输出功率的预测结果进行调整；

其中，RMSE为所述均方根误差，Y_i为所述实测输出功率值，为相应的输出功率的预测值，N为预测的样本数。

9.根据权利要求8所述的方法，其特征在于，所述气象数据包括：

平均辐照强度以及平均温度。

10.一种光伏发电***输出功率的预测装置，其特征在于，包括：

获取数据模块，用于获取预设时间段内光伏发电***的历史输出功率数据与相应的气象数据；

分解模块，用于将所述历史输出功率数据根据变分模态分解算法分解成多个分解分量；

模型建立模块，用于根据多个所述分解分量与相应的气象数据建立极限学习机预测模型，并根据所述极限学习机预测模型计算各个所述分解分量的预测结果；

预测功率模块，用于将各个所述预测结果进行求和，以得到光伏发电***输出功率的预测结果。