基于VMD-DESN-MSGP模型的超短期光伏功率预测

摘要：

光伏功率时间序列受到多种因素影响,呈现出高度的随机性和波动性.针对光伏功率时间序列可预测性低的问题,提出了一种结合变分模态分解(variational modal decomposition,VMD)、深度回声状态网络(deep echo state network,DESN)和稀疏高斯混合过程专家模型(mixture of sparse gaussian process experts model,MSGP)的超短期光伏功率预测方法.首先采用VMD将光伏功率时间序列分解为不同的模态,降低数据的非平稳性;为提高模型在超短尺度时序的预测能力,对各模态分别建立DESN预测模型,将各模态预测结果进行求和重构;为进一步提高模型预测精度,对误差的特性进行分析,采用MSGP对预测误差进行补偿;最后将误差的预测值与原功率的预测值相叠加作为最终预测结果.仿真结果表明,该方法在光伏功率时序预测中的效果比传统预测模型更好,有效提高了超短期光伏功率时间序列预测的准确性.

关键词：光伏功率预测、时间序列、变分模态分解、深度回声状态网络、稀疏高斯混合过程专家模型

所属期刊栏目：44

分类号：TM721(输配电工程、电力网及电力系统)

资助基金：国家自然科学基金;国家自然科学基金;湖北工业大学博士科研启动基金

在线出版日期：2020-03-28（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：917-925,中插6