Xi) + (l_w)G(x，Xi)，G(x，Xi) =exp(-||x_xi ||2/σ2)，Ρ(χ，χ?) = [(χ ·Xi) +1]2，
[0040]其中，K(X，Xl)表示模型組合后的核函數(shù);G(X，X1)表示高斯核;G(X，X1)表示多項式 核;X表示相關向量;Xi表示歸一化后的輸入?yún)⒘?σ表示高斯核的核寬;W表示組合核的核函 數(shù)權重系數(shù)。
[0041] 有益效果：
[0042] 1、本發(fā)明采用的EEMD克服了小波分析、EMD以及LMD的不足，避免了經(jīng)驗模態(tài)分解 易出現(xiàn)模態(tài)混疊的問題，具有更高的分辨率與很強的非線性處理能力，能很好的運用于光 伏輸出功率的數(shù)據(jù)預處理;EEMD降低了數(shù)據(jù)的復雜度，效果優(yōu)異，結果準確，有效提高了預 測精度；
[0043] 2、本發(fā)明采用基于貝葉斯理論的RVM方法進行短期光伏功率預測，不僅很好的保 留了SVM出色的預測能力，還改善了ANN、SVM的不足之處，具有模型高度稀疏、待優(yōu)化參數(shù) 少、核函數(shù)選擇靈活、泛化能力強、預測精度高的優(yōu)點；
[0044] 3、使用組合核函數(shù)進一步提升了模型對突變天氣下光伏功率預測的精度，提高了 模型的普遍適應性與泛化性能。
【附圖說明】
[0045]圖1為本發(fā)明的方法流程圖；
[0046]圖2為集合經(jīng)驗模態(tài)分解步驟流程圖；
[0047]圖3為集合經(jīng)驗模態(tài)分解效果示意圖；
[0048]圖4為晴天光伏輸出功率短期預測結果；
[0049]圖5為多云天光伏輸出功率短期預測結果；
[0050]圖6為陰天光伏輸出功率短期預測結果；
[0051]圖7為雨天光伏輸出功率短期預測結果；
【具體實施方式】
[0052]下面結合附圖和具體實例對本發(fā)明的技術方案進行詳細說明。需要說明的是，該 實例僅用于說明本發(fā)明而不用于限制本發(fā)明的范圍，本領域技術人員對本發(fā)明的各種等價 形式的修改均落于本申請所附權利要求所限定的范圍。
[0053]如圖1所示，針對光伏輸出功率的預測精度影響系統(tǒng)安全調(diào)度和穩(wěn)定運行的問題， 本發(fā)明提出了一種基于EEMD和組合核RVM的光伏功率短期預測方法。首先按照天氣狀況將 光伏功率數(shù)據(jù)分成晴天、陰天、雨天和多云天四種類型，并分別建模，保證了樣本數(shù)據(jù)的一 致性;并采用EEMD將以上四種光伏功率數(shù)據(jù)分解為一系列初步平穩(wěn)但具有不同特征尺度的 IMF(IntrinsicModeFunction，固有模態(tài)函數(shù))分量和余量，降低了數(shù)據(jù)的復雜度;然后采 用高斯核和多項式核的組合構成RVM的核函數(shù)，對余量和各MF分量采用組合核RVM分別建 立預測模型，提升了預測模型的預測性能;最后將余量和IMF分量的預測結果進行疊加求和 得到總體的預測結果。本發(fā)明方法從數(shù)據(jù)預處理和模型優(yōu)化兩個方面進行處理，有效的提 高了模型的預測精度和泛化能力，可較好的運用于工程實際問題。
[0054]首先，考慮到各季節(jié)的日出、日落時間不同，為保證數(shù)據(jù)均有值，只取每天8:00-17:00共10小時的數(shù)據(jù)進行訓練和預測。其次，不同天氣類型下的光照強度存在較大差異， 光伏輸出功率也存在明顯差別。因此為了更準確的對光伏功率進行預測，將光伏功率數(shù)據(jù) 按照天氣類型分為晴天、陰天、多云天和雨天這四種情況，并分別建模。
[0055]再者，為避免突變數(shù)據(jù)或壞數(shù)據(jù)對預測結果的影響，對光伏功率數(shù)據(jù)進行預處理， 本發(fā)明中使用的是數(shù)據(jù)縱向?qū)Ρ确ǎ溆嬎愎饺缦拢?br>[0056]
[0057]其中，L(i，t)為第i天第t時刻的光伏功率數(shù)據(jù);L(i_l，t)為第i-Ι天第t時刻的光 伏功率數(shù)據(jù)，g卩L(i，t)前一天同時刻的光伏功率數(shù)據(jù);L(i+l，t)為第i+Ι天第t時刻的光伏 功率數(shù)據(jù)，g卩L(i，t)后一天同時刻的光伏功率數(shù)據(jù);a(t)和iKt)為預先設定的兩個閾值。
[0058]對已完成壞數(shù)據(jù)剔除的原始光伏功率數(shù)據(jù)進行EEMD，具體步驟如下：
[0059]①設定高斯白噪聲的幅值k和進行EMD分解的總次數(shù)Μ(-般Μ取100，k取0.05~0.5 倍為宜），令m=l;
[0060]②給定光伏小時級功率數(shù)據(jù)L(t)，計算數(shù)據(jù)點數(shù)X，并據(jù)此計算分量的個數(shù)N= log2X-l;再將分量由高頻到低頻序號定為i(其中i= 1，2，…，N)。
[0061]③進行第m次EMD分解時，在光伏功率數(shù)據(jù)L(t)上加入高斯白噪聲nm(t)，該高斯白 噪聲可通過MATLAB中的randn函數(shù)獲得隨機的高斯白噪聲，后續(xù)多次重復本步驟時加入的 噪聲幅值為提前設定好的相同幅值k。得到待處理的加噪光伏數(shù)據(jù)：
[0062] Lm(t)=L(t)+knm(t)
[0063] ④對Lm(t)進行EMD分解，得到N個頂F分量Ci,m(t)和一個剩余分量rn,m(t);
[0064] ⑤若m<M，m=m+l，返回③，否則繼續(xù)向下執(zhí)行；
[0065]⑥對Μ次EMD分解得到的各個IMF分量及剩余分量計算均值為：
[0066]
[0067]⑦輸出EEMD分解得到的N個頂F分量和剩余余量匕，分解結束。EEMD的步驟框圖和 分解效果分別如圖2、圖3所示。
[0068]其中，所述的EMD分解包括如下的子步驟：
[0069] (1)初始化循環(huán)變量i=l，xi(t)=x(t)，其中x(t)為待分解的原始數(shù)據(jù)序列；
[0070] (2)初始化循環(huán)變量」=1，丫1(1:)=叉1(1:);
[0071](4)找出序列yj(t)中所有局部極大值并擬合成上包絡線Uj(t)，找出yj(t)中所有 局部極小值并擬合成下包絡線巧（t)，使得Uj(t)和Vj(t)包絡所有的數(shù)據(jù)點；求得 (t)的平均值》;，⑴原始信號與包絡均值的差值
[0072](5)判斷hj(t)是否滿足IMF分量的兩個條件，不滿足，則j=j+l，yj(t)=hj-i(t)，返 回步驟S2.3.3;滿足，則可得第i個IMF分量ci(t)=hj(t)，剩余分量ri(t) =xi(t)-ci(t);
[0073](6)判斷ri(t)是否滿足終止條件，不滿足，則Xi+i(t) =ri(t)，i=i+l，重復步驟S2.3.2至S2.3.4;滿足，則分解結束；由此共可分解出η個MF分量Ci(t)和一個剩余分量仏 (t)，EMD對x(t)的分解過程結束;x(t)表示為祕).=。 ι-\
[0074] 選擇與預測日同天氣類型前5天每時刻光伏功率構造樣本輸入，對余量和各IMF分 量采用相同方法進行處理，分析并選取光伏功率預測的影響因素(溫度、光照強度等）的歷 史數(shù)據(jù)和預測數(shù)據(jù)作為補充輸入變量，以所對應預測日的余量和IMF分量數(shù)據(jù)作為輸出，構 造出訓練樣本和預測樣本并歸一化;樣本輸入影響因素的構成如表1所示。
[0075]表1樣本輸入影響因素構成
[0076]
[0077]由此樣本的輸入向量表示為：
[0078] X(i，t) = [L(i-l，t)，L(i-2，t)，L(i-3，t)，L(i-4，t)，L(i-5，t)，T(i，t)，T(i_l， t),
[0079] T(i-2，t)，T(i-3，t)，T(i-4，t)，T(i-5，t)，S(i，t)，S(i-l，t)，S(i-2，t)，S(i-3， t)，S(i-4，t)，S(i-5，t)]，i>5，j = l, ···，]?，輸出向量為y(i，t)=L(i, t);歸一化公式為：
[0080] x(：i) ~ ~ %i" )! (xrnm~ *miii)
[0081 ]采用組合核RVM模型對EEMD得到的分量分別建立預測模型。
[0082]對于給定的訓練樣本輸入集和對應的輸出集彳αι *RVM回歸模型可定義為：
[0083]
[0084]其中ε為服從Ν(0,σ2)分布的各獨立樣本誤差，wi為權系數(shù)，K(x,xi)為核函數(shù)，Ν為 樣本數(shù)量。
[0085]對于相互獨立的輸出集，整個樣本的似然函數(shù)為：
[0086] ^1
[0087]其中：t = (ti，t2，…，tN)，w= [w0，wi，…，WN]T，? = ?心1:?). ,夂(1，Λ-' it(Λ-" ,Λ'γ )] '。.
[0088] 枏抿概鑾預涮公忒，所龍的備件概鑾為，
[0089]
[0090]若直接使用最大似然的方法來求解w和σ2,結果通常會導致嚴重的過適應，為避免 這種現(xiàn)象，對w加上先決條件。根據(jù)貝葉斯理論，w為分布為零的標準正態(tài)分布，同時引入超 參數(shù)a = ，…，αΝ]τ，可得
[0091：
[0092:
[0093:
[0094]對每個權值限定先決條件的方法，是RVM的一個重要特征。α為權值w對應的超參 數(shù)，符合伽馬分布。經(jīng)過足夠的更新次數(shù)后，大部分^會趨近無限大，其對應的權值趨于〇， 而其他的cti會穩(wěn)定地趨近有限值。而與之對應的^稱之為相關向量，實現(xiàn)RVM稀疏特性。
[0095]在定義了先驗概率分布及似然分布以后，根據(jù)貝葉斯原理，就可以求得所有未知 參數(shù)的后驗概率分布為：
[0096]
[0097]其中，后驗協(xié)方差矩陣為：
[0098] ψ = (σ-2φτφ+Α)-1
[0099] μ = σ-2ψφ\<