一种基于EMD-AO-DELM的光伏功率计算方法

一种基于emd-ao-delm的光伏功率计算方法
技术领域
1.本发明属于光伏功率计算技术领域，尤其涉及一种基于emd-ao-delm的光伏功率计算方法。


背景技术：

2.光伏发电作为一种新能源发电，目前被广泛应用。然而，光伏发电的电力输出受到多种因素的影响，包括太阳辐射强度、温度、湿度和云量等环境因素。这些因素的变化可能导致光伏电力系统的电力输出产生波动，从而对电力系统的安全性和稳定性产生不利影响，同时也给光伏并网调度过程带来挑战。
3.针对光伏发电功率的预测技术，主要分为直接预测方法和间接预测方法。前者是对光伏历史数据信息进行训练学习，通过预测算法进行未来功率预测。后者则采用分步预测的方式，可分为对未来日照辐射以及未来功率预测两个部分。对比文件公开了一种基于emd与elm的光伏电站短期功率预测，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，但未能充分考虑光伏电站输出功率的环境影响因素。现有技术提出了一种基于烟花算法(fwa)的改进bp神经网络光伏预测方法，该方法对于短期的光伏数据预测具有良好的精确度。但bp神经网络存在收敛速度慢和易陷入局部极值的问题。现有技术公开了一种基于cnn-bilstm的光伏功率预测方法，提出一种将卷积神经网络(cnn)和双向长短时记忆网络(bilstm)结合的预测算法，但该方法测试样本类型过于单一，未能测试不同季度及天气下的预测精度。
4.光伏发电效率影响因素众多，主要分为主观因素和客观因素。其中，主观因素包括光伏阵列板型号参数、光伏板倾角与朝向等；客观因素包括气温、湿度、云量、降水量、光照辐射度等不可控的气象因素，往往起到决定性作用的是气象因素。输入样本因素过多会降低预测精度且使得预测模型复杂和冗余。


技术实现要素：

5.本发明的目的就在于为了解决现有的光伏功率预测方法输入样本因素过多会降低预测精度且使得预测模型复杂和冗余等问题而提供一种基于emd-ao-delm的光伏功率计算方法。
6.本发明通过以下技术方案来实现上述目的：包括以下步骤：
7.s1：获取气象因素，气象因素包括云量、气温、气压、湿度和总辐射，计算出总辐射和云量与光伏功率呈现高度正相关，相对湿度和大气压呈现负相关，因此选取云量和总辐射这两项作为delm初始输入数据；
8.s2：建立ao-delm的计算模型，将delm初始输入权重作为ao算法的初始种群位置，并将适应度函数设置为训练集和测试集的均方误差之和；
9.s3：建立emd-ao-delm的计算模型，采用emd对光伏发电功率曲线进行分解，从而将原始环境信号中存在的不同尺度波动或趋势逐级分解出来，对分解后的imf分量分别进行
ao-delm建模分析，再将各imf分量预测结果进行叠加求和得到最终的预测值；
10.s4：验证计算模型的有效性和准确性。
11.进一步的，所述步骤s1中包括：s11：引入pearson(皮尔逊相关系数)相关系数，通过公式计算出用来衡量两个数据集合是否在一条线上面，用来衡量定距变量间的线性关系，其中，r》1表示两者之间表示呈正相关，r《1表示两者之间表示呈负相关；xi与yi分别代表两个因素第i个的值；和分别表示2个因素的平均值。
12.进一步的，所述步骤s2中包括：计算公式为fitness＝mse(train)+mse(test)。
13.进一步的，所述步骤s2中包括：s21：进行数据清洗，将历史光伏功率数据中一些采样时发生错误导致的异常值进行提出；s22：对清洗后的样本数据进行归一化处理；s23：初始化ao算法参数，包括种群规模，最大迭代次数t，探索和开发参数
ɑ
、δ；s24:初始化种群位置x，初始的种群适应度，最佳个体；s25：按序进行扩大探索阶段、缩小探索阶段、扩大开发阶段、缩小开发阶段，并不断更新种群位置；s26：计算更新种群的适应度，得到当前最佳个体位置和适应度，并比较当前最佳个体与到第t代找到的最佳个体适应度，保留较优的个体位置；s27：判断是否达到最大迭代次数或者求解条件，若是，则输出最优值，若不是，则返回步骤s25；s28：将最后优化后的权重值结果输入到delm模型中。
14.进一步的，所述s3步骤中包括：s31：采用emd对光伏历史数据进行分解，得到一组imf分量；s32：将各imf分量分别建立ao-delm模型，对各个分量进行预测；s33：叠加各子序列的预测结果并验证模型预测的准确性。
15.进一步的，所述s4步骤中包括：采用mape与rmse两者作为误差指标，mape计算公式为rmse计算公式为其中，yoi是样本中第i个真实值，ypi是样本中第i个预测值，两者数值越小，精度越高。
16.有益效果：本发明设计合理，结构简单稳定，实用性强，具有以下有益效果：
17.1、在光伏发电影响因素当中，光照总辐射和云量与光伏功率呈现正相关，对最后的预测结果起到关键性作用；气压和湿度与光伏功率呈现负相关，在实际功率预测中，不宜作为输入数据；
18.2、针对光伏功率具有波动性和随机性的特点，对历史光伏功率数据进行了emd分解，各分量之间相互独立，分别进行预测，最后进行叠加求和，实验证明，采用emd分解方法后的预测效果更好；
19.3、本文方法在一年四个季度中的预测表现均优于ao-delm及delm模型，其中，在s2和s3两个季度中预测精度最高，这与当地的天气状况有关，天气较为稳定，晴天占比高的季度预测精度更高。
附图说明
20.图1为本发明elm结构示意图；
21.图2为本发明elm-ae结构示意图；
22.图3为本发明delm结构示意图；
23.图4为本发明ao-delm结构流程图；
24.图5为本发明第一季度功率emd分解序列示意图；
25.图6为本发明emd与ao-delm组合预测流程图；
26.图7为本发明不同季度功率预测结果；
27.图8为本发明第一季度各算法预测误差；
28.图9为本发明流程图。
具体实施方式
29.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，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。
30.实施例一：
31.经验模态分解(emd)是一种基于信号局部特征的信号分解方法。
32.其吸收了小波变换多分辨率的优点，克服了小波变换中选择小波基和确定分解尺度的困难，因此更适用于非线性非平稳信号的分析，是一种自适应的信号分解方法。emd假定任何复杂信号都是由简单的特征模态函数(imf)组成的。并且每个imf分量是相互独立的。emd可以分解不同规模或趋势的时间序列数据，一步步分解成其组成部分，并将一系列具有相同规模特征的数据序列产生具有相同尺度特征的数据序列，通过这些数据序列，非平稳的非线性数据被转化为平稳的线性数据。与原始数据序列相比，分解后的序列具有更高的规律性。这对识别隐藏的关系有很大的帮助，可以提高预测的准确性。
33.其具体分解步骤如下：
34.对于初始时间序列x(t)，取其所有极大值与极小值点，所有极大值相连作为上包络线，所有极小值点相连作为下包络线，记m(t)为上下包络线的均值。令原始序列x(t)与均值m(t)相减，得到首个分量h1(t)＝x(t)-m(t)；
35.将h1(t)视作初始时间序列，记m1(t)为h1(t)的上下包络线的均值，重复步骤(1)，得到第二个分量h2(t)；
36.将上述步骤不断重复n次，直到hn(t)是一个本征模态函数或剩余分量rn(t)呈现单调性，终止分解过程；
37.至此，初始时间序列x(t)可通过n个本征模分量hi(t)与一个剩余分量rn(t)之和来表示，公式为：
38.天鹰算法原理：该数学模型简要描述如下：
39.第1步：扩大探索
40.在这种方法中，aquila鸟在地面上高飞，广泛探索捕猎空间，一旦aquila鸟确定了猎物的区域，就会采取垂直俯冲的方式。这种行为的数学表示方法写为：
[0041][0042]
其中，xbest(t)代表迄今为止获得的最佳位置，xm(t)表示当前迭代中所有aquila鸟的平均位置，t和t分别为当前迭代和最大迭代次数。n是种群大小，rand是0到1之间的随
机数。
[0043]
第2步：缩小探索阶段
[0044]
这是aquila鸟最常用的捕猎方法。它在选定的区域内下降并围绕猎物飞行后，采用短距离滑翔的方式来攻击猎物。位置更新公式表示为：
[0045]
x(t+1)＝x
best
(t)
×
lf(d)+xr(t)+(y-x)
×
rand
[0046]
其中，xr(t)代表aquila鸟的随机位置，d是维度大小，lf(d)代表levy飞行函数，其表现如下：
[0047]
其中，s和β是分别等于0.01和1.5的常数，u和v是0和1之间的随机数。y和x用于呈现搜索中的螺旋形，其计算方法如下：
[0048]
其中，r1指的是1到20之间的搜索周期数，d1是由从1到维度大小d的整数组成，且ω等于0.005。
[0049]
第3步：扩大开发阶段
[0050]
在第三阶段中，当猎物的区域被大致确定后，aquila鸟垂直下降，进行初步攻击。ao利用选定的区域来接近和攻击猎物。这种行为表现如下：
[0051]
x(t+1)＝(x
best
(t)-xm(t))
×
α-rand+((u
b-lb)
×
rand+lb)
×
δ
[0052]
其中α和δ是固定为0.1的开发调整参数，ub和lb是上界和下界。
[0053]
第4步：缩小开发阶段
[0054]
在这种方法中，aquila鸟根据猎物逃跑的轨迹追逐猎物，然后攻击地面上的猎物。该行为的数学表示如下：
[0055]
其中，x(t)是当前位置，qf(t)表示用于平衡搜索策略的质量函数值。g1表示天鹰在跟踪猎物过程中的运动参数，是[-1，1]之间的随机数。g2表示追逐猎物时的飞行斜率，从2到0线性递减。
[0056]
elm:
[0057]
极限学习机(extreme learning machine,elm)的模型由三部分组成，分别为：输入层、隐含层和输出层，是一个典型的(single-hidden layer feed-forward neural network，slfn)单隐含层的前馈神经网络，其网络具有学习速度快、泛化能力强等优点。
[0058]
elm的模型结构如图1所示，其中，输入层含q个节点，隐含层含n个节点，输出层含e个节点，隐含层激活函数为g(x)，常用的函数有sigmoid、hard-lim、sin等。
[0059]
假设样本为xi∈rn
×
rq，yi∈rn
×
re(i＝1,2,...,n)，其中，隐含层的输出为式
(10)，隐含层输出矩阵和elm网络输出之间的关系可由式(11)表示。
[0060]
h＝g(ax+b)
[0061]
h(xi)v＝yi，i＝1,2,...,n
[0062]
其中，
[0063]
其中，ai＝[a
i1
,a
i2
,
…
,a
in
]
t
是连接第i个输入节点和隐含层的权重，bj是第j个隐藏节点的阈值，vj＝[v
j1
,v
j2
,
…vjn
]
t
是连接第j个隐藏节点和输出层的权重。h是神经网络的隐含层输出矩阵。输入权重aij和隐含层的阈值bj随机选取；输出权重v可以通过解方程组的方式得到。
[0064]
使用elm获得输出权重可以分为三个步骤。
[0065]
随机选择0和1之间的数值来设置输入权重aij和隐含层的阈值bj；
[0066]
计算隐含层输出矩阵h；计算输出权重v＝h
+
y。
[0067]
其中h+表示输出矩阵h的广义逆矩阵。
[0068]
与传统的基于梯度的前馈神经网络算法不同，极限学习机网络隐含层在训练过程中随机产生输入权重和阈值。因此，计算输出权重只能采用广义逆矩阵理论。而elm是一种单隐层结构，在面对数据量大且维度较高的输入数据时，其捕捉数据的有效特征的能力不足。因此，更多学者采用delm算法，作为elm的一种衍生算法，解决了只有一个隐含层的极限学习机无法捕捉数据的有效特征的问题。
[0069]
极限学习机-自动编码器(elm-ae)：
[0070]
自动编码器(elm-ae)是一个人工的神经网络模块，在深度学习领域中普遍得到使用，是一种无监督的方式学习样本的结构。它的主要特点在于网络的输出和输入结果一致。elm-ae的模型如同elm，同样由一个输入层，一个隐含层和一个输出层三部分组成。其模型结构如图2所示，构建的elm-ae在训练过程中隐含层节点的权重和阈值随机产生，并具有正交性，从而使得elm-ae的泛化能力得到了一定程度的优化。为进一步提高模型的泛化能力和鲁棒性，在求解权重系数的过程中引入正则化参数。目标函数被设定为：
[0071][0072]
假设给定n个不同的样本，xi∈rn
×
rq(i＝1，2，n)，elm-ae隐含层的输出可以表示为式h＝g(ax+b)，那么隐含层的输出矩阵与输出层的输出之间的数学关系可以表示为其中，i＝1,2,...,n，对于等维度elm-ae表示，输出权重v的计算方法是：v＝h-1
x其中，h是elm-ae隐含层输出矩阵，x是elm-ae的输入和输出矩阵。
[0073]
深度极限学习机(delm)通过叠加极限学习机-自动编码器(elm-ae)构建多层网络结构来提高网络的表达能力。是极限学习机和自动编码器的结合的新结构。
[0074]
delm应用elm-ae对模型进行逐层训练。i层隐含层的输出与(i-1)层隐含层的输出之间的数值关系可以由以下式子表示：hi＝g((vi)
thi-1
)
[0075]
delm(深度极限学习机)：
[0076]
elm-ae用于构建深度极限学习机delm的基本单元，然后利用elm-ae的输出权值初始化整个delm。delm的理念是通过最小化重建误差使输出无限接近于原始输入，通过层层迭代训练，以此来学习原始数据的高级特征。
[0077]
elm-ae在编码器处将输入映射到隐含层特征向量，在解码器处从特征向量重建原始输入。从结构的角度看，delm相当于连接多个elm。与elm相比，delm能更全面地捕捉样本特征，提高处理高维输入的准确性。delm通过elm-ae逐层进行无监督训练和学习，最后连接到最后一层输出层进行有监督训练。该系统的参数不需要同时调整。delm网络的结构如图3所示。delm各隐含层的输入权重通过elm-ae初始化，并进行分层无监督训练。在这整个过程中，delm不需要反向微调。
[0078]
假设在模型有y个隐含层的情况下，根据上文所述elm-ae理论，通过输入数据x可以得到权重矩阵v1，然后就可以得到隐含层的输出矩阵h1。然后将h1作为下一个elm-ae的输入与目标输出。以此类推逐层训练，可以得到y层的输出权重矩阵vy和隐含层的输出矩阵hy。其中每个elm-ae的输出权重用来初始化整个delm。在elm-ae训练过程中，输入层权重和阈值是随机生成的正交随机矩阵；同时，elm-ae无监督训练过程采用最小二乘法更新参数。在这个过程中，只有输出层权重参数被更新，而输入层权重和阈值保持不变，每个elm-ae的随机输入权重和随机阈值影响都会对delm的预测精度造成影响。由于初始权重对于整个模型的预测结果起到更关键的作用。因此，本文针对delm的输入权重利用ao算法进行优化。
[0079]
本文利用天鹰优化算法的全局优化能力，可以在训练误差较小时找到深度极限学习机的输入权重，从而提高深度极限学习机的泛化能力，提高delm的预测精度。
[0080]
因素选择：
[0081]
结合图4-图9所示的，光伏发电效率影响因素众多，主要分为主观因素和客观因素。其中，主观因素包括光伏阵列板型号参数、光伏板倾角与朝向等；客观因素包括气温、湿度、云量、降水量、光照辐射度等不可控的气象因素，往往起到决定性作用的是气象因素。输入样本因素过多会降低预测精度且使得预测模型复杂和冗余。为探究气象因素与光伏功率的相关性，以便选取最优因素作为输入，此处引入pearson相关系数，其用来衡量两个数据集合是否在一条线上面，它用来衡量定距变量间的线性关系。
[0082][0083]
其中，r》1表示两者之间表示呈正相关，r《1表示两者之间表示呈负相关；xi与yi分别代表两个因素第i个的值；和分别表示2个因素的平均值。
[0084]
根据pearson相关系数，整理出下表。
[0085][0086]
由此表可知，光照总辐射和云量与光伏功率呈现高度正相关，相对湿度和大气压呈现负相关，因此，选取云量和总辐射这两项作为delm初始输入数据。
[0087]
ao-delm模型的建立：
[0088]
ao-delm模型的主要思想是：将delm初始输入权重作为ao算法的初始种群位置；并将适应度函数设置为训练集和测试集的均方误差之和，其表示如下：
[0089]
fitness＝mse(train)+mse(test)
[0090]
ao-delm预测模型流程如下：
[0091]
进行数据清洗，将历史光伏功率数据中一些采样时发生错误导致的异常值进行剔除对清洗后的样本数据进行归一化处理；
[0092]
初始化ao算法参数，包括种群规模，最大迭代次数t，探索和开发参数
ɑ
、δ；
[0093]
初始化种群位置x，初始的种群适应度，最佳个体；
[0094]
按序进行扩大探索阶段、缩小探索阶段、扩大开发阶段、缩小开发阶段，并不断更新种群位置；
[0095]
计算更新种群的适应度，得到当前最佳个体位置和适应度，并比较当前最佳个体与到第t代找到的最佳个体适应度，保留较优的个体位置；
[0096]
判断是否达到最大迭代次数或者求解条件，若是，则输出最优值，若不是，则返回步骤5；
[0097]
将最后优化后的权重值结果输入到delm模型中，其结构流程图如图4所示
[0098]
emd-ao-delm模型的建立
[0099]
光伏功率数据是非线性非平稳的离散数据，传统线性时序模型方法存在较大的局限性，直接对其进行预测建模具有较大的误差。因此，采用emd对光伏发电功率曲线进行分解，从而将原始环境信号中存在的不同尺度波动或趋势逐级分解出来。对分解后的imf分量分别进行ao-delm建模分析，再将各imf分量预测结果进行叠加求和得到最终的预测值。
[0100]
具体步骤为：
[0101]
采用emd对光伏历史数据进行分解，得到一组imf分量；
[0102]
将各imf分量分别建立ao-delm模型，对各个分量进行预测；
[0103]
叠加各子序列的预测结果并验证模型预测的准确性；
[0104]
emd-ao-delm预测模型如图6所示。
[0105]
采用emd方法将光伏历史数据分解为4个不同特征的imf分量以及一个余量res，其中第一季度光伏功率各imf序列如图5所示。imf分量能够体现出原始数据的局部特征，更好
地反映其周期项，随机项以及趋势项，准确反映出原始数据的特性。
[0106]
其中，imf1-imf2呈现不平稳、振荡的曲线，属于随机项；imf3-imf4呈现平滑、频率降低、周期性的趋势，属于趋势项。因此，emd分解可凸显原始光伏发电功率序列局部特征。
[0107]
评价指标：
[0108]
为了验证本预测模型的有效性与准确性，采用mape与rmse两者作为误差指标。
[0109][0110]
其中，yoi是样本中第i个真实值(observed)，ypi是样本中第i个预测值(predicted)，两者数值越小，精度越高。
[0111]
实施例二：该实施例二中一种基于emd-ao-delm的光伏功率计算方法是在上述实施例基础上的改进，上述实施例中公开的技术内容不重复描述，上述实施例中公开的内容也属于该实施例二公开的内容
[0112]
结合图4-9所示，本发明的一个实施例：一种基于emd-ao-delm的光伏功率计算方法，包括以下步骤：s1：异常数据清洗：在光伏电站实际采样过程中，会产生一些异常数据。异常数据会导致预测模型拟合度变差，泛化能力减弱。因此，必须对其进行清洗。
[0113]
对异常数据的检测采用3σ准则原理：其中x表示光伏功率初始数据，表示光伏功率初始数据平均值。在统计学上，3σ准则是在正态分布中，距平均值小于一个标准差、二个标准差、三个标准差以内的百分比，更精确的数字是68.27％、95.45％及99.73％。
[0114]
数据归一化：同数据单位量程不一，这对模型的拟合速度造成影响，且不利于模型训练。为提升模型预测精度，对初始光伏功率数据进行归一化，将归一化后的功率值保持在[0，1]之间。其中，归一化公式下：其中，yi代表归一化后的数据，xi代表原始功率数据值。
[0115]
本实施例中，仿真结果：采用matlab r2022a对所提出控制策略进行仿真分析，在本文所建立的预测模型中，设置delm模型隐含层层数为2；隐含层节点数分别为5，5；ao最大迭代次数为200；种群数量为20；正则化系数设置为无穷大。为公平起见，作为对比的delm模型参数隐含层层为2；隐含层节点数分别为5，5。将全年数据平均划分为四个季度，将每一个季度的数据按19：1分别划分为训练集和测试集，并进行归一化处理。对每一季度分别进行仿真验证，其中测试集取每日8点至19点有日照时间段，步长为1h，其中，第一季度到第四季度预测结果如图7所示。
[0116]
结合图1-4所示的本实施例中：
[0117][0118]
综合图7和上表来看，预测精度在s2和s3两个季度精度最高，主要是该地在s2和s3两个季度日照相对稳定，且晴天居多。但平均日照辐射低于s1季度，导致总体发电功率峰值比s1季度低。s1和s2预测精度相对较差是因为该地这两个季度天气不稳定，阵雨多云天气较多，尤其体现在s2季度上。四个季度光伏功率均呈现典型的正态分布，符合实际功率情况，预测模型准确无误。
[0119]
综上所述，通过仿真图以及图8误差分析，本文提到的emd-ao-delm模型相较于初始delm模型及ao-delm模型，预测精度得到显著提升，模型稳定性更好，各项指标明显优于其余两种算法。能够胜任实际光伏功率预测需求，更好地配合光伏并网调度工作。
[0120]
本实施例中分析了一年四个季度的光伏发电预测情况，对光伏发电影响因素分析进行了相关性分析，并对光伏历史发电功率进行了emd分解，对每个imf分量分别输入ao-delm模型，最后将各分量结果进行求和以得到预测结果。进而提出了一种基于emd-ao-delm的光伏功率预测模型，通过仿真结果分析，得到如下结论：
[0121]
在光伏发电影响因素当中，光照总辐射和云量与光伏功率呈现正相关，对最后的预测结果起到关键性作用；气压和湿度与光伏功率呈现负相关，在实际功率预测中，不宜作为输入数据。
[0122]
针对光伏功率具有波动性和随机性的特点，对历史光伏功率数据进行了emd分解，各分量之间相互独立，分别进行预测，最后进行叠加求和。实验证明，采用emd分解方法后的预测效果更好。
[0123]
本文方法在一年四个季度中的预测表现均优于ao-delm及delm模型。其中，在s2和s3两个季度中预测精度最高，这与当地的天气状况有关。天气较为稳定，晴天占比高的季度预测精度更高。
[0124]
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神.或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所
有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
[0125]
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

技术特征：
1.一种基于emd-ao-delm的光伏功率计算方法，其特征在于：包括以下步骤：s1：获取气象因素，气象因素包括云量、气温、气压、湿度和总辐射，计算出总辐射和云量与光伏功率呈现高度正相关，相对湿度和大气压呈现负相关，因此选取云量和总辐射这两项作为delm初始输入数据；s2：建立ao-delm的计算模型，将delm初始输入权重作为ao算法的初始种群位置，并将适应度函数设置为训练集和测试集的均方误差之和；s3：建立emd-ao-delm的计算模型，采用emd对光伏发电功率曲线进行分解，从而将原始环境信号中存在的不同尺度波动或趋势逐级分解出来，对分解后的imf分量分别进行ao-delm建模分析，再将各imf分量预测结果进行叠加求和得到最终的预测值；s4：验证计算模型的有效性和准确性。2.根据权利要求1所述的一种基于emd-ao-delm的光伏功率计算方法，其特征在于：所述步骤s1中包括：s11：引入pearson(皮尔逊相关系数)相关系数，通过公式计算出用来衡量两个数据集合是否在一条线上面，用来衡量定距变量间的线性关系，其中，r>1表示两者之间表示呈正相关，r<1表示两者之间表示呈负相关；xi与yi分别代表两个因素第i个的值；和分别表示2个因素的平均值。3.根据权利要求1所述的一种基于emd-ao-delm的光伏功率计算方法，其特征在于：所述步骤s2中包括：计算公式为fitness＝mse(train)+mse(test)。4.根据权利要求3所述的一种基于emd-ao-delm的光伏功率计算方法，其特征在于：所述步骤s2中包括：s21：进行数据清洗，将历史光伏功率数据中一些采样时发生错误导致的异常值进行提出；s22：对清洗后的样本数据进行归一化处理；s23：初始化ao算法参数，包括种群规模，最大迭代次数t，探索和开发参数
ɑ
、δ；s24:初始化种群位置x，初始的种群适应度，最佳个体；s25：按序进行扩大探索阶段、缩小探索阶段、扩大开发阶段、缩小开发阶段，并不断更新种群位置；s26：计算更新种群的适应度，得到当前最佳个体位置和适应度，并比较当前最佳个体与到第t代找到的最佳个体适应度，保留较优的个体位置；s27：判断是否达到最大迭代次数或者求解条件，若是，则输出最优值，若不是，则返回步骤s25；s28：将最后优化后的权重值结果输入到delm模型中。5.根据权利要求1所述的一种基于emd-ao-delm的光伏功率计算方法，其特征在于：所述s3步骤中包括：s31：采用emd对光伏历史数据进行分解，得到一组imf分量；s32：将各imf分量分别建立ao-delm模型，对各个分量进行预测；s33：叠加各子序列的预测结果并验证模型预测的准确性。6.根据权利要求1所述的一种基于emd-ao-delm的光伏功率计算方法，其特征在于：所述s4步骤中包括：采用mape与rmse两者作为误差指标，mape计算公式为rmse计算公式为其中，yoi是样本中第i个真实值，ypi是样本中第i个预测值，两者数值越小，精度越高。

技术总结
本发明公开了一种基于EMD-AO-DELM的光伏功率计算方法，包括S1：获取气象因素，气象因素包括云量、气温、气压、湿度和总辐射，计算出总辐射和云量与光伏功率呈现高度正相关，相对湿度和大气压呈现负相关，因此选取云量和总辐射这两项作为DELM初始输入数据；S2：建立AO-DELM的计算模型，将DELM初始输入权重作为AO算法的初始种群位置，并将适应度函数设置为训练集和测试集的均方误差之和；S3：建立EMD-AO-DELM的计算模型，采用EMD对光伏发电功率曲线进行分解，从而将原始环境信号中存在的不同尺度波动或趋势逐级分解出来，对分解后的IMF分量分别进行AO-DELM建模分析；S4：验证计算模型的有效性和准确性；本发明通过输入更少的参数实现了预算光伏功率更精确。预算光伏功率更精确。预算光伏功率更精确。


技术研发人员：曹哲 赵葵银 林国汉
受保护的技术使用者：湖南工程学院
技术研发日：2023.05.08
技术公布日：2023/9/5