(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210901508.3 (22)申请日 2022.07.28 (71)申请人 国网浙江省电力有限公司嘉兴供电 公司 地址 314000 浙江省嘉兴 市城北路9 9号 申请人 嘉兴恒创电力设计 研究院有限公司 (72)发明人 沈中元　朱晔　徐伟明　赵家振　 章思亮　苏丹　王霈霈　张泽宇　 黄竹青　鲍双双　胡杨军　沈梦笑　 姜琪健　 (74)专利代理 机构 深圳国联专利代理事务所 (特殊普通 合伙) 44465 专利代理师 陈丹丹 (51)Int.Cl. G06Q 10/04(2012.01)G06Q 50/06(2012.01) G06F 17/14(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 20/20(2019.01) H02J 3/00(2006.01) (54)发明名称 一种基于EEMD-LS TM微网光伏短期功率区间 预测方法 (57)摘要 本发明涉及功率区间预测技术领域， 具体为 一种基于EEMD ‑LSTM微网光伏短期功率区间预测 方法， 包括以下步骤： S1、 数据输入： 输入光伏发 电相关数据， 包括气象因素、 发电系统参数、 光伏 出力等信息； S2、 数据预处理： 将多 来源数据集成 主要是多文件或数据库中数据进行整合汇总处 理， 以达到分析不同层面的数据特征， 采用KNN算 法是对缺失数据进行检测。 该基于EEMD ‑LSTM微 网光伏短期功率区间预测方法， 通过基于 XGBoost的光伏出力样本特征提取方法， 能够避 免直接利用大量的特征开始进行模 型训练， 能够 更加全面考虑影响光伏功率对因素同时进行因 素筛选， 提高了建模效率。 权利要求书3页 说明书7页 附图1页 CN 115222138 A 2022.10.21 CN 115222138 A 1.一种基于 EEMD‑LSTM微网光伏短期功率区间预测方法， 其特 征在于， 包括以下步骤： S1、 数据输入： 输入光伏发电相关数据， 包括气象因素、 发电系统参数、 光伏出力等信 息； S2、 数据预处理： 将多来源数据集成主要是多文件或数据库中数据进行整合汇总处理， 以达到分析不同层面的数据特征， 采用KNN算法是对缺失数据进行检测， 利用MIC构建一元 线性回归 模型进行缺失数据补全， 然后对数据进行 标准化； S3、 光伏出力样本特征提取： 对光伏发电出力因素进行相关性分析， 采用XGBoost算法 对各因素进行筛 选， 提取光伏发电样本特 征； S4、 EEMD分解： 采用模态分解即EEMD方法处理光伏发电出力序列数据， 分解为多个IMF 分量和剩余分量； S5、 LSTM参数设置及训练： 采用一阶两层结构LSTM， 批大小设定为96， 以15分钟一个点， 基于MIC确定输入变量时间长度， 由选定样 本特征和输入变量时间长度确定LSTM层节点数， 由经验公式确定隐藏层节点数， 利用分解后序列数据进行模型训练； S6、 区间预测： 将分解序列预测结果进行叠加还原， 得到光伏发电出力预测结果， 利用t 分布对预测结果与实际值的误差进行拟合， 得到误差概率密度函数， 用置信区间表示预测 误差可能出现的范围。 2.根据权利 要求1所述的一种基于EEMD ‑LSTM微网光伏短期功率区间预测方法， 其特征 在于： XGBoost算法对各变量进行筛选， 提取光伏发电样 本特征， XGBoost使用决策树作为底 层模型， 输出如公式(1)所示： 其次XGBo ost模型的优化目标为结构风险最小化， 目标函数如下 所示： 其中第一项 是残差， 第二项 是正则项。 简化后的目标函数就是将每 个样本的损失函数值加起 来， 可以得到如下式子： 通过上式改写， 我们可以将目标函数改写为关于叶子节点系数w的一元二 次函数， 可求 得最优的w和目标函数最小值 为： 权　利　要　求　书 1/3 页 2 CN 115222138 A 2利用贪婪算法遍历所有特征的特征划分点， 并按层寻找最大增益节点进行展开， 然后 增加模型中的一个新决策树， 以此自动获取 特征的重要性， 进行 特征筛选。 3.根据权利 要求1所述的一种基于EEMD ‑LSTM微网光伏短期功率区间预测方法， 其特征 在于： 在光伏发电出力序列数据x(t)中加入标准正态 分布白噪声ni(t)， 得到新的序列数据 xi(t)＝x(t)+ni(t)， 其中i表示加入白噪声的次数， i＝1， 2， ...， M， 将含白噪声的新出力序 列数 据xi(t) 依次 进行 E M D分 解 ， 得 到 其 I M F 分 量 和 剩余 分 量的 表示 形式 其中J表示IMF分量数， c(t)表示IMF分量， r(t)表示剩余分量， 计算M次各个IMF分量ci， j(t)的统计平均值为 作为原始出力序列第j个 IMF分量。 采用信噪比(SNR)指标来评价发电出力分解效果。 当SNR值越大表示分解序列与噪声序 列比值大， 分解效果好； 当SNR值越小表示分解序列与噪声序列比值小， 分解效果差， SNR定 义如下： 其中， Sj表示发电出力序列第j个IMF分量的能量， N表示噪声的能量， n表示发电出力序 列长度； 取SNR值最大时M作为E EMD分解次数， 最终完成对原 始出力序列对 模态分解。 4.根据权利 要求1所述的一种基于EEMD ‑LSTM微网光伏短期功率区间预测方法， 其特征 在于： 采用一阶两层的结构， 模型的具体参数设置如下： 训练次数设置为1000次， LSTM层节点数设置为50； 批大小设置为72， 选取平均绝对误差 函数作为损失函数， adam作为优化函数， tanh作为激活函数。 由于数据量较大， 为缓解过拟 合现象,设置Dropout为0.2。 5.根据权利 要求1所述的一种基于EEMD ‑LSTM微网光伏短期功率区间预测方法， 其特征 在于： 将分解序列预测结果进行叠加还原， 得到光伏发电出力预测结果， 利用t分布拟合预 测结果与实际值的误差， 得到误差概 率密度函数； 用置信区间表示预测误差可 能出现的范围， 当显著性水平为α， 置信度为1 ‑α 时， 误差分 布的置信区间可表示为( μ ‑Zα /2σ， μ+Zα /2σ )， 其中 μ表示误差平均值， σ 表示误差标准差， Zα /2为 对应当标准分数(z分数)； 使用预测区间覆盖率及预测区间宽度评价区间预测结果， PICP表示真实值落在预测区权　利　要　求　书 2/3 页 3 CN 115222138 A 3