基于EMD-PCA-LSTM的光伏功率回归预测模型论文复现——附代码

目录

摘要：

研究背景：

研究思路：

经验模态分解

主成分分析方法

LSTM 神经网络

实现步骤：

运行结果：

 本文Matlab代码

---

摘要：

        提高光伏功率预测精度，对于保证电力系统的安全调度和稳定运行具有重要意义。本文提出一种经验模态分解（EMD）、主成分分析（PCA）和长短期记忆神经网络（LSTM）相结合的光伏功率预测模型。充分考虑制约光伏输出功率的5种环境因素，首先利用EMD将环境因素序列进行分解，得到数据信号在不同时间尺度上的变化情况，降低环境因素序列的非平稳性；其次利用PCA提取特征序列的关键影响因子，消除原始序列的相关性和冗余性，降低模型输入的维度；最终利用LSTM网络对多变量特征序列进行动态时间建模，实现对光伏发电功率的预测。北半球的8个月实测数据进行验证，实验结果表明，该预测模型较传统光伏功率预测方法有更高的精确度。

研究背景：

        光伏功率的准确预测关乎电网的合理调度、安全运行和系统稳定。随着电厂规模的不断扩增，电厂的数据量也呈爆炸式的增长，传统的神经网络光伏功率预测模型一方面受电厂来源数据的制约，忽略了部分环境因素对光伏功率的影响，缺乏对多元环境序列信息的有效利用；另一方面，由于光伏功率与多元环境序列信息呈非线性变化，随着网络输入变量的增多，会导致模型收敛速度减慢，并出现过拟合问题；同时因欠缺对光伏功率随时间变化这一特性的考量，限制了预测精度的提升。因此，要提高光伏功率预测模型的准确性，不仅要充分利用影响光伏功率的关键环境因素，也要进一步挖掘光伏功率预测与关键环境因素随时间变化的本质特征。

研究思路：

        本文在充分考虑制约光伏发电功率的 5 个主要环境因素即太阳辐照度、组件温度、空气温度、相对湿度和大气压力的前提下，针对光伏发电功率具有不稳定性和明显的间歇波动的特点，提出一种基于 EMD-PCA-LSTM 的光伏输出功率预测模型。

经验模态分解

        利用经验模态分解（empirical mode