基于EEMD和BP神经网络的短期光伏功率预测模型

于群，朴在林，胡博

（沈阳农业大学信息与电气工程学院，辽宁沈阳　110866）

基于EEMD和BP神经网络的短期光伏功率预测模型

于群，朴在林，胡博

（沈阳农业大学信息与电气工程学院，辽宁沈阳110866）

为了实现对并网型光伏电站调度，提出了一种基于集合经验模态能分解（EEMD）与BP神经网络的短期光伏出力的组合预测模型。利用集合经验模态分解将光伏出力序列分解，得到本征模函数分量IMF和剩余分量Res，降低序列的非平稳性。采用游程检验法优化因IMF分量数量多造成的建模过程复杂的问题，针对优化后的分量分别建立相应的BP神经网络预测模型。利用该方法对额定容量为40 kW的光伏系统进行预测，并与EMD-BP神经网络和传统的BP神经网络模型进行比较分析。结果表明，所提出的方法有效地提高了预测精度。

光伏功率预测；集合经验模态分解；BP神经网络；游程检验法；组合预测模型

众所周知，光伏电池由于受自然气象条件的影响，光伏发电具有不确定性和间歇性。大规模光伏发电接入电网，会给电力系统运行和调度带来较大影响，成为太阳能光伏利用的最大难题［1］。因此，光伏发电功率的预测对推动太阳能的利用具有重要意义。

近几年来，因为光伏发电系统并网的快速发展，对短期光伏输出功率预测研究已成为学者研究的焦点，并且都在关注预测方法、预测精度以及多种影响因素等。其中最基本的预测理论方法分为直接预测和间接预测法［2］。间接预测法是先利用光伏系统的历史气象数据预测太阳辐照度或光照强度，然后采用人工神经网络算法或工程计算公式预测光伏系统的输出功率；而直接预测法是利用光伏系统输出功率的历史数据及天气预报的天气类型和温度、湿度等数据直接预测光伏系统的输出功率。文献［3］提出EEMD-SVM光伏短期出力预测的模型，还结合将天气类型分为突变天气和非突变天气的新分类方法，建立基于历史数据每个整点时刻的预测模型，预测精度高，但过程稍显繁琐。文献［4］以日期、时刻、历史天气预报中的云层状况和温度为输入量，结合历史发电数据和气象数据建立发电功率的ANFIS预测模型，但相对均方根误差较大。文献［5-8］基于天气类型和BP神经网络的模型，气象因素对输出功率的影响较大，对于气象条件相似的同时输出功率有较强的相关性。文献［9］分析光伏系统输出功率的特性和影响输出功率的因素，利用已有的太阳辐射数据和温度、湿度、气压等模拟出光伏出力，预测误差偏大。

集合经验模态（EEMD）已在风功率短期预测中广泛应用，并趋于成熟，它主要用于降低风功率信号的非平稳性。在光伏出力预测领域，因为各种气象因素的影响使输出功率历史数据是非线性的，要用EEMD将输出功率历史数据平稳化。其用在光伏领域还在不断探索与优化过程中。该方法将数据序列分解出几个不同的序列，以消弱突变数据对预测结果的影响。对于用传统单一的BP神经网络来预测光伏输出功率已很普遍并且由于其算法本身的缺点导致预测效果差，所以本文将EEMD-BP神经网络的组合预测模型应用到光伏输出功率预测研究中，结合两种算法的优点，克服单一模型预测的各类缺陷，进而将游程检验法也应用其中，达到良好的效果。

1　理论基础

1.1EMD

所谓EMD分解法，一种新的非线性方法被Norden E，Huang于1998年提出。是对于信号内的震荡EMD把它看作是局部的，它可自适应地把非平稳非线性信号中不同尺度的波动逐级分解出来，形成一系列具有不同特征尺度的本征模函数分量（intrinsic mode function，IMF）［10-12］。将数据EMD分解后，得IMF必须满足的2个条件：

1）对于整个时间序列来说，极值点和过零点的个数需相等或相差1。

2）在任意一点，连接序列中所有局部极大值点和局部极小值点所形成的上、下包络线的平均值为0。

1.2EEMD

在EMD方法中，信号极值点的分布情况决定了它分解出合理IMF的能力，如果信号极大值或极小值点分布的不够均匀，就会出现模态混叠的情况。模态混叠［13-14］情况的出现是因为EMD算法的不够完善，还受原始信号频率特征的影响。为此，Norden E，Huang将白噪声加入待分解的信号中，利用白噪声频谱的均匀分布，当白噪声加入信号中时，不同时间尺度的信号会自动分布到合适的参考尺度上，并且由于零均值噪声的特性，经过多次取平均后，噪声将相互抵消，叠加均值的结果就可作为最终结果。EEMD具体分解步骤如下：

1）在原序列x（t）中加入白噪声序列e（t）。

即：

2）对x0（t）进行EMD分解，分解出m个IMF分量cj（t）和一个剩余分量r0（t）。

3）给原始序列重新加入不同的白噪声hi（t），再执行步骤2）：

4）对所得的IMF分量求均值。原序列的IMF分量cj（t）可表示为

5）原序列x（t）可分解为

1.3游程检验法

由于当EEMD分解出的IMF分量数量较多时，会使建模过程复杂化，预测难度增加，需对光伏输出功率序列的分量重构。提出游程检验法重新组合光伏输出功率序列分量的方法。重组时，计算每个IMF分量的游程数［15］和最大游程长度。综合考虑序列分量的游程数和最大游程长度，当游程数变化率和最大游程长度变化率同时较大时，取该点对应的游程数（或最大游程长度）为阈值。游程数（最大游程长度）大于阈值的分量为高频分量，小于阈值的分量为中频分量，剩余的分量为低频分量。分别叠加各频分量。

1.4BP神经网络

BP神经网络已广泛应用与电力负荷预测和风力发电预测中，并且较为成熟，是人工神经网络模型中的一种。BP神经网络是一种单向传播的多层前馈神经网络，通过训练使网络具有联想记忆和预测能力。BP神经网络的主要结构有输入层，隐含层，输出层［16-17］。BP神经网络的结构如图1所示。

图1　BP神经网络结构图Fig.1　Structure of BP neural network

输入层和输出层节点数的选择由预测过程中所要预测的数据个数决定。隐含层节点数选择的大小对神经网络的预测性能有一定的影响。在预测过程中，隐含层节点数的选择最先是根据公式来确定节点数的大致区间，再用试凑法决定达到了最佳预测效果的节点数，最合适的隐含层节点数选择可根据如下公式：

式中：l为隐含层节点数；n为输入层节点数；m为输出层节点数；a为1-10之间的调节常数。

2　基于EEMD-BP光伏系统预测模型

2.1预测模型天气分类

提出的基于EEMD-BP神经网络短期光伏功率预测模型主要根据气象数据分出5种天气类型包括晴天、多云、雨天、多云转晴、雾霾。随着近年来天气越来越恶劣，出现PM2.5的测试值。雾霾已多次出现在我们的生活中。因为不同天气对预测影响很大，所以在曾经多种天气已经出现的前提下对新的雾霾天气预测分析也应刻不容缓地被考虑在内。

2.2模型设计

为了验证提出的EEMD-BP神经网络的光伏短期输出功率组合预测模型，采用Matlab软件实现BP神经网络模型的构建，选自辽宁某高校实际运行40 kW光伏系统作为研究对象。采集一天上午8：00到下午16：00的数据，数据每12 min记录一次。对于一年的数据，选6、7、8、9月份的数据进行预测，天气类型为多云的38个相似日的数据作为训练数据，9月22日数据作为测试数据，将多云天气类型下的38天的输出功率序列进行EEMD分解，分解出9个IMF分量和1个剩余分量，多云天气的EEMD分解结果如图2所示。

图2　多云天气的EEMD分解结果Fig.2　EEMD results of the cloudy day

由于分量数目过多，如果分别进行数据建模，不仅预测速度降低还可能增加误差。因此在保证序列平稳性的前提下，可以按照其波动量对各分量进行分类。采用游程判断法对分解结果进行重新组合，计算各IMF分量的游程总数和最大游程长度。综合考虑游程总数和最大游程长度，结果如表1所示。

表1　IMF分量的游程数Tab.1　Runs number of IMG component

根据表1将IMF1-IMF3叠加作为高频分量，代表光伏的波动项；IMF4-IMF7叠加作为中频分量，代表光伏的短期趋势项；IMF8-IMF9和剩余分量叠加作为低频分量，代表光伏的长期趋势项。分别对叠加后的分量加入气象数据，作为BP神经网络模型的输入变量。即x=（x1，x2，…，xn），x1-x40是相似日的历史输出功率由EEMD分解后分量的叠加值，x41-x46是相似日的最高气温，最低气温，平均气温，预测日的最高气温，最低气温，平均气温。输出量是预测日一天的40个输出功率值。图3所示为EEMD-BP神经网络组合预测的流程图。

图3　EEMD-BP神经网络组合预测流程图Fig.3　Flowchart of EEMD-BP neural network combined prediction

3　算例结果分析

为了验证提出的EEMD-BP神经网络模型的优越性，进而说明所提出的方法对预测光伏输出功率精度有很大改善，按照模型设计过程分别采用EEMD-BP神经网络，EMD-BP神经网络和单一的BP神经网络三种模型进行预测。根据气象数据已经分出的天气类型，分别预测了晴天、多云、雨天、雾霾、多云转晴5种天气类型下的光伏系统输出功率。5种不同天气类型下3种模型与实测对比曲线分别如图4—图8所示。

图4　多云天气类型3种预测模型的预测结果曲线Fig.4　Prediction results curve of three prediction models in a cloudy day

图5　雾霾天气类型3种预测模型的预测结果曲线Fig.5　Prediction results curve of three prediction models in a hazy day

图6　多云转晴天气类型3种预测模型的预测结果曲线Fig.6　Prediction results curve of three prediction models in a cloudy to sunny day

图7　晴天天气类型3种预测模型的预测结果曲线Fig.7　Prediction results curve of three prediction models in a sunny day

图8　雨天天气类型3种预测模型的预测结果曲线Fig.8　Prediction results curve of three prediction models in a rainy day

对模型的性能评估选用平均绝对百分比误差（MAPE）和均方根误差（RMSE），对3种模型分析比较，3种预测模型的预测误差结果如表2所示。根据误差对比，EEMD-BP神经网络预测模型比EMDBP神经网络预测模型和单一BP神经网络模型预测的误差更小。5种天气类型下，EEMD方法的平均绝对误差和均方根误差比其他2种模型都有大幅度降低，晴天的预测误差达到了7.45%，其他两种方法分别为8.32%和10.5%，可以看出较未采用EEMD分解的单一BP神经网络模型精度大幅度提升。多云转晴误差为15.4%，较晴天比误差相对偏大，因为天气突变，太阳光照射被遮挡的不确定造成误差值偏高。但较单一BP神经网络的18.4%的误差值，预测精度已大幅度提升。EEMD方法弥补了EMD方法模态混叠的缺点，进而从误差值上也可以看出EEMD和BP神经网络的优越性。说明EEMD分解光伏输出功率历史数据有效缓解因为光伏发电不确定性和间歇性造成预测数据非平稳的现象。

4　结论

对于影响光伏出力预测的因素有很多，在外界因素不断改变的同时，其影响都显现在数据中。本文基于天气类型分类，分出相似的天气再加上温度因素成为预测的主要依据，采用将相似日的历史输出功率数据进行EEMD分解，得到几个不同的本征模函数分量和一个剩余分量，再成功引用游程检验法，将本征模函数分量重新组合，提高预测精度，重组后的分量与温度数据结合作为BP神经网络的输入量，进而建立预测模型。最后，把所有模型的预测结构叠加可得到光伏系统的输出功率预测值。本文实验测试表明：EEMD可以高效地降低光伏系统输出功率序列的非平稳特性，对比EMD，EEMD的预测精度更高。进而EEMD-BP神经网络预测模型优于EMD-BP神经网络预测模型，更优于单一的BP神经网络预测模型。因此，本文提出的预测方法对于深入探索光伏并网系统的经济运行与调度是一种有效的方法，具有工程应用价值。

［1］姚仲敏，潘飞，沈玉会，等.基于GA-BP和POS-BP神经网络的光伏电站出力短期预测［J］.电力系统保护与控制，2015，43（20）：83-89.YAO Zhongmin，PAN Fei，SHEN Yuhui，et al.Shortterm prediction of photovoltaic power generation output based on GA-BP and POS-BP neural network［J］.Power System Protection and Control，2015，43（20）：83-89（in Chinese）.

［2］NORDEN E HUANG，ZHENG Shen，STEVEN R.LONG，et al.The empirical mode decomposition and the hilbert spectrum for nonlinear and-non-stationary time series analysis［J］.Proceedings of the Royal Society Soc Land，1998，454（1971）：903-995.

［3］茆美琴，龚文剑，张榴晨，等.基于EEMD-SVM方法的光伏电站短期出力预测［J］.中国电机工程学报，2013，33（34）：17-24.MAO Meiqin，GONG Wenjian，ZHANG Liuchen，et al.Short-term photovoltaic generation forecasting base on EEMD-SVMcombinedmethod［J］.Proceedingsofthe CSEE，2013，33（34）：17-24（in Chinese）.

［4］郑凌蔚，刘士荣，毛军科，等.一种综合ANFIS和PCA的光伏发电功率预测新方法［J］.太阳能学报，2012，33（6）：993-1001.ZHENG Lingwei，LIU Shirong，MAO Junke，et al.A new PV generation power forecasting method integrating ANFIS and PCA［J］.Acta Energiae Solaris Sinica，2012，33（6）：993-1001（in Chinese）.

［5］陈昌松，段善旭，殷进军.基于神经网络的光伏阵列发电预测模型的设计［J］.电工技术学报，2009，24（9）：153-158.CHEN Changsong，DUAN Shanxu，YIN Jinjun.Design of photovoltaicarraypowerforecastingmodelbasedon neutral network［J］.Transactions of China Electrotechnical Society，2009，24（9）：153-158（in Chinese）.

［6］张岚，张艳霞，郭嫦敏，等.基于神经网络的光伏系统发电功率预测［J］.中国电力，2010，43（9）：75-78.ZHANG Lan，ZHANG Yanxia，GUO Changmin，et al.Photovoltaic system power forecasting based on neutral networks［J］.Electric Power，2010，43（9）：75-78（in Chinese）.

［7］陈昌松，段善旭，蔡涛，等.基于模糊识别的光伏发电短期预测系统［J］.电工技术学报，2011，26（7）：83-89.CHEN Changsong，DUAN Shanxu，CAI Tao，et al.Short-term photovoltaic generation forecasting system based on fuzzy recognition［J］.Transactions of China Electrotechnical Society，2011，26（7）：83-89（in Chinese）.

［8］代倩，段善旭，蔡涛，等.基于天气类型聚类识别的光伏系统短期无辐照度发电预测模型研究［J］.中国电机工程学报，2011，31（34）：28-35.DAI Qian，DUAN Shanxu，CAI Tao，et al.Short-term PV generation system forecasting model without irradiation based on weather type clustering［J］.Proceedings of the CSEE，2011，31（34）：28-35（in Chinese）.

［9］栗然，李广敏.基于支持向量机回归的光伏发电出力预测［J］.中国电力，2008，41（2）：74-78.LI Ran，Ll Guangmin.Photovoltaic power generation forecasting based on support vector machine regression output technique［J］.Electric Power，2008，41（2）：74-78（in Chinese）.

［10］高相铭，杨世凤，潘三博.基于EMD和ABC-SVM的光伏并网系统输出功率预测研究［J］.电力系统保护与控制，2015，43（21）：86-92.GAOXiangming，YANGShifeng，PANSanbo.A forecasting model for output power of grid-connceted photovoltaic generation system based on EMD and ABCSVM［J］.Power System Protection and Control，2015，43（21）：86-92（in Chinese）.

［11］王贺，胡志坚，陈珍，等.基于集合经验模态分解和小波神经网络的短期风功率组合预测［J］.电工技术学报，2013，28（9）：137-144.WANG He，HU Zhijian，CHEN Zhen，et al.A hybrid model for wind power forecasting based on ensemble empirical mode decomposition networks［J］.Transactions of China Electrotechnical Society，2013，28（9）：137-144（in Chinese）.

［12］郑连清，郑艳秋.经验模式分解与人工神经网络的短期电力负荷预测［J］.电力系统保护与控制，2009，37（23）：66-69.ZHENG Lianqing，ZHENG Yanqiu.Short-term power load forecasting based on empirical mode decomposition and ANN［J］.Power System Protection and Control，2009，37（23）：66-69（in Chinese）.

［13］王新，孟玲玲.基于EEMD-LSSVM的超短期负荷预测［J］.电力系统保护与控制，2015，43（1）：61-66.WANGXin，MENGLingling.Ultra-short-termload forecasting based on EEMD-LSSVM［J］.Power System Protection and Control，2015，43（1）：61-66（in Chinese）.

［14］张翌晖，王贺，胡志坚，等.基于集合经验模态分解和改进极限学习机的短期风速组合预测研究［J］.电力系统保护与控制，2014，4（10）：29-34.ZHANG Yihui，WANG He，HU Zhijian，et al.A hybrid short-termwindspeedforecastingmodelbasedon ensemble empirical mode decomposition and improved extreme learning machine［J］.Power System Protection and Control，2014，42（10）：29-34（in Chinese）.

［15］李乐，刘天琪，陈振寰，等.基于EEMD和ARCH的风电功率超短期预测［J］.电测与仪表，2015，52（18）：16-21.LI Le，LIU Tianqi，CHEN Zhenhuan，et al.Ultra-shortterm wind power forecasting based on EEMD and ARCH［J］.Electrical Measurement&Instrumentation，2015，52（18）：16-21（in Chinese）.

［16］朱金大，陈良亮，张卫国.基于BPS神经网络的充放电机故障诊断［J］.电网与清洁能源，2015，31（10）：1-3.ZHU Jinda，CHEN Liangliang，ZHANG Weiguo.Fault diagnosis for charging and discharging machine based on BP neural network［J］.Power System and Clean Energy，2015，31（10）：1-3（in Chinese）.

［17］杨店飞，郭宇杰，沈桂鹏.基于BP神经网络的光伏组件故障类型诊断［J］.陕西电力，2016，44（2）：15-21.YANG Dianfei，GUO Yujie，SHEN Guipeng.Fault types diagnosis of PV module based on BP neural network［J］.Shaanxi Electric Power，2016，44（2）：15-21（in Chinese）.

（编辑徐花荣）

A Hybrid Model for Short-Term Photovoltaic Power Forecasting Based on EEMD-BP Combined Method

YU Qun，PIAO Zailin，HU Bo
（School of Electrical Engineering and Automation，Shenyang Agriculture University，Shenyang 110866，Liaoning，China）

In order to schedule the large-scale gridconnected PV generation，a combined forecasting model for grid-connected photovoltaic generation system output power is proposed based on ensemble empirical mode decomposition（EEMD）and BP neural network.By using the EEMD of the set，the PV output sequence is decomposed，the intrinsic mode function component IMF and the residual component Res are obtained，and the non stationary of the sequence is reduced.The run test method optimization leads to complexity of the modeling process due to the huge number of IMF components，thus corresponding BP neural network prediction models are established respectively for the optimized components.By using this method，the PV system with rated capacity of 40 kW is predicted，and compared with the EMD-BP neural network and the traditional BP neural network model.The results show that the proposed method can effectively improve the prediction accuracy.

photovoltaicpowerforecasting； ensemble empirical mode decomposition；BP neural network；run test；combined forecasting model

1674-3814（2016）07-0132-06

TM615

A

十二五国家科技支撑项目（2012BAJ26B00）。

ProjectSupportedby the National Science and Technology Support Program in the Twelfth Five-Year Plan（2012BAJ26B00）.

2015-12-11。

于群（1993—），女，硕士研究生，研究方向为地方电力系统及其自动化；

朴在林（1955—），男，本科，教授，博士生导师，研究方向为地方电力系统及其自动化理论和技术。