基于EEMD和BP神經(jīng)網(wǎng)絡(luò)的短期光伏功率預(yù)測模型

于群，樸在林，胡博

（沈陽農(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院，遼寧沈陽　110866）

基于EEMD和BP神經(jīng)網(wǎng)絡(luò)的短期光伏功率預(yù)測模型

于群，樸在林，胡博

（沈陽農(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院，遼寧沈陽110866）

為了實(shí)現(xiàn)對并網(wǎng)型光伏電站調(diào)度，提出了一種基于集合經(jīng)驗?zāi)B(tài)能分解（EEMD）與BP神經(jīng)網(wǎng)絡(luò)的短期光伏出力的組合預(yù)測模型。利用集合經(jīng)驗?zāi)B(tài)分解將光伏出力序列分解，得到本征模函數(shù)分量IMF和剩余分量Res，降低序列的非平穩(wěn)性。采用游程檢驗法優(yōu)化因IMF分量數(shù)量多造成的建模過程復(fù)雜的問題，針對優(yōu)化后的分量分別建立相應(yīng)的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型。利用該方法對額定容量為40 kW的光伏系統(tǒng)進(jìn)行預(yù)測，并與EMD-BP神經(jīng)網(wǎng)絡(luò)和傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行比較分析。結(jié)果表明，所提出的方法有效地提高了預(yù)測精度。

光伏功率預(yù)測；集合經(jīng)驗?zāi)B(tài)分解；BP神經(jīng)網(wǎng)絡(luò)；游程檢驗法；組合預(yù)測模型

眾所周知，光伏電池由于受自然氣象條件的影響，光伏發(fā)電具有不確定性和間歇性。大規(guī)模光伏發(fā)電接入電網(wǎng)，會給電力系統(tǒng)運(yùn)行和調(diào)度帶來較大影響，成為太陽能光伏利用的最大難題［1］。因此，光伏發(fā)電功率的預(yù)測對推動太陽能的利用具有重要意義。

近幾年來，因為光伏發(fā)電系統(tǒng)并網(wǎng)的快速發(fā)展，對短期光伏輸出功率預(yù)測研究已成為學(xué)者研究的焦點(diǎn)，并且都在關(guān)注預(yù)測方法、預(yù)測精度以及多種影響因素等。其中最基本的預(yù)測理論方法分為直接預(yù)測和間接預(yù)測法［2］。間接預(yù)測法是先利用光伏系統(tǒng)的歷史氣象數(shù)據(jù)預(yù)測太陽輻照度或光照強(qiáng)度，然后采用人工神經(jīng)網(wǎng)絡(luò)算法或工程計算公式預(yù)測光伏系統(tǒng)的輸出功率；而直接預(yù)測法是利用光伏系統(tǒng)輸出功率的歷史數(shù)據(jù)及天氣預(yù)報的天氣類型和溫度、濕度等數(shù)據(jù)直接預(yù)測光伏系統(tǒng)的輸出功率。文獻(xiàn)［3］提出EEMD-SVM光伏短期出力預(yù)測的模型，還結(jié)合將天氣類型分為突變天氣和非突變天氣的新分類方法，建立基于歷史數(shù)據(jù)每個整點(diǎn)時刻的預(yù)測模型，預(yù)測精度高，但過程稍顯繁瑣。文獻(xiàn)［4］以日期、時刻、歷史天氣預(yù)報中的云層狀況和溫度為輸入量，結(jié)合歷史發(fā)電數(shù)據(jù)和氣象數(shù)據(jù)建立發(fā)電功率的ANFIS預(yù)測模型，但相對均方根誤差較大。文獻(xiàn)［5-8］基于天氣類型和BP神經(jīng)網(wǎng)絡(luò)的模型，氣象因素對輸出功率的影響較大，對于氣象條件相似的同時輸出功率有較強(qiáng)的相關(guān)性。文獻(xiàn)［9］分析光伏系統(tǒng)輸出功率的特性和影響輸出功率的因素，利用已有的太陽輻射數(shù)據(jù)和溫度、濕度、氣壓等模擬出光伏出力，預(yù)測誤差偏大。

集合經(jīng)驗?zāi)B(tài)（EEMD）已在風(fēng)功率短期預(yù)測中廣泛應(yīng)用，并趨于成熟，它主要用于降低風(fēng)功率信號的非平穩(wěn)性。在光伏出力預(yù)測領(lǐng)域，因為各種氣象因素的影響使輸出功率歷史數(shù)據(jù)是非線性的，要用EEMD將輸出功率歷史數(shù)據(jù)平穩(wěn)化。其用在光伏領(lǐng)域還在不斷探索與優(yōu)化過程中。該方法將數(shù)據(jù)序列分解出幾個不同的序列，以消弱突變數(shù)據(jù)對預(yù)測結(jié)果的影響。對于用傳統(tǒng)單一的BP神經(jīng)網(wǎng)絡(luò)來預(yù)測光伏輸出功率已很普遍并且由于其算法本身的缺點(diǎn)導(dǎo)致預(yù)測效果差，所以本文將EEMD-BP神經(jīng)網(wǎng)絡(luò)的組合預(yù)測模型應(yīng)用到光伏輸出功率預(yù)測研究中，結(jié)合兩種算法的優(yōu)點(diǎn)，克服單一模型預(yù)測的各類缺陷，進(jìn)而將游程檢驗法也應(yīng)用其中，達(dá)到良好的效果。

1　理論基礎(chǔ)

1.1EMD

所謂EMD分解法，一種新的非線性方法被Norden E，Huang于1998年提出。是對于信號內(nèi)的震蕩EMD把它看作是局部的，它可自適應(yīng)地把非平穩(wěn)非線性信號中不同尺度的波動逐級分解出來，形成一系列具有不同特征尺度的本征模函數(shù)分量（intrinsic mode function，IMF）［10-12］。將數(shù)據(jù)EMD分解后，得IMF必須滿足的2個條件：

1）對于整個時間序列來說，極值點(diǎn)和過零點(diǎn)的個數(shù)需相等或相差1。

2）在任意一點(diǎn)，連接序列中所有局部極大值點(diǎn)和局部極小值點(diǎn)所形成的上、下包絡(luò)線的平均值為0。

1.2EEMD

在EMD方法中，信號極值點(diǎn)的分布情況決定了它分解出合理IMF的能力，如果信號極大值或極小值點(diǎn)分布的不夠均勻，就會出現(xiàn)模態(tài)混疊的情況。模態(tài)混疊［13-14］情況的出現(xiàn)是因為EMD算法的不夠完善，還受原始信號頻率特征的影響。為此，Norden E，Huang將白噪聲加入待分解的信號中，利用白噪聲頻譜的均勻分布，當(dāng)白噪聲加入信號中時，不同時間尺度的信號會自動分布到合適的參考尺度上，并且由于零均值噪聲的特性，經(jīng)過多次取平均后，噪聲將相互抵消，疊加均值的結(jié)果就可作為最終結(jié)果。EEMD具體分解步驟如下：

1）在原序列x（t）中加入白噪聲序列e（t）。

即：

2）對x0（t）進(jìn)行EMD分解，分解出m個IMF分量cj（t）和一個剩余分量r0（t）。

3）給原始序列重新加入不同的白噪聲hi（t），再執(zhí)行步驟2）：

4）對所得的IMF分量求均值。原序列的IMF分量cj（t）可表示為

5）原序列x（t）可分解為

1.3游程檢驗法

由于當(dāng)EEMD分解出的IMF分量數(shù)量較多時，會使建模過程復(fù)雜化，預(yù)測難度增加，需對光伏輸出功率序列的分量重構(gòu)。提出游程檢驗法重新組合光伏輸出功率序列分量的方法。重組時，計算每個IMF分量的游程數(shù)［15］和最大游程長度。綜合考慮序列分量的游程數(shù)和最大游程長度，當(dāng)游程數(shù)變化率和最大游程長度變化率同時較大時，取該點(diǎn)對應(yīng)的游程數(shù)（或最大游程長度）為閾值。游程數(shù)（最大游程長度）大于閾值的分量為高頻分量，小于閾值的分量為中頻分量，剩余的分量為低頻分量。分別疊加各頻分量。

1.4BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)已廣泛應(yīng)用與電力負(fù)荷預(yù)測和風(fēng)力發(fā)電預(yù)測中，并且較為成熟，是人工神經(jīng)網(wǎng)絡(luò)模型中的一種。BP神經(jīng)網(wǎng)絡(luò)是一種單向傳播的多層前饋神經(jīng)網(wǎng)絡(luò)，通過訓(xùn)練使網(wǎng)絡(luò)具有聯(lián)想記憶和預(yù)測能力。BP神經(jīng)網(wǎng)絡(luò)的主要結(jié)構(gòu)有輸入層，隱含層，輸出層［16-17］。BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖1所示。

圖1　BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.1　Structure of BP neural network

輸入層和輸出層節(jié)點(diǎn)數(shù)的選擇由預(yù)測過程中所要預(yù)測的數(shù)據(jù)個數(shù)決定。隱含層節(jié)點(diǎn)數(shù)選擇的大小對神經(jīng)網(wǎng)絡(luò)的預(yù)測性能有一定的影響。在預(yù)測過程中，隱含層節(jié)點(diǎn)數(shù)的選擇最先是根據(jù)公式來確定節(jié)點(diǎn)數(shù)的大致區(qū)間，再用試湊法決定達(dá)到了最佳預(yù)測效果的節(jié)點(diǎn)數(shù)，最合適的隱含層節(jié)點(diǎn)數(shù)選擇可根據(jù)如下公式：

式中：l為隱含層節(jié)點(diǎn)數(shù)；n為輸入層節(jié)點(diǎn)數(shù)；m為輸出層節(jié)點(diǎn)數(shù)；a為1-10之間的調(diào)節(jié)常數(shù)。

2　基于EEMD-BP光伏系統(tǒng)預(yù)測模型

2.1預(yù)測模型天氣分類

提出的基于EEMD-BP神經(jīng)網(wǎng)絡(luò)短期光伏功率預(yù)測模型主要根據(jù)氣象數(shù)據(jù)分出5種天氣類型包括晴天、多云、雨天、多云轉(zhuǎn)晴、霧霾。隨著近年來天氣越來越惡劣，出現(xiàn)PM2.5的測試值。霧霾已多次出現(xiàn)在我們的生活中。因為不同天氣對預(yù)測影響很大，所以在曾經(jīng)多種天氣已經(jīng)出現(xiàn)的前提下對新的霧霾天氣預(yù)測分析也應(yīng)刻不容緩地被考慮在內(nèi)。

2.2模型設(shè)計

為了驗證提出的EEMD-BP神經(jīng)網(wǎng)絡(luò)的光伏短期輸出功率組合預(yù)測模型，采用Matlab軟件實(shí)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建，選自遼寧某高校實(shí)際運(yùn)行40 kW光伏系統(tǒng)作為研究對象。采集一天上午8：00到下午16：00的數(shù)據(jù)，數(shù)據(jù)每12 min記錄一次。對于一年的數(shù)據(jù)，選6、7、8、9月份的數(shù)據(jù)進(jìn)行預(yù)測，天氣類型為多云的38個相似日的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，9月22日數(shù)據(jù)作為測試數(shù)據(jù)，將多云天氣類型下的38天的輸出功率序列進(jìn)行EEMD分解，分解出9個IMF分量和1個剩余分量，多云天氣的EEMD分解結(jié)果如圖2所示。

圖2　多云天氣的EEMD分解結(jié)果Fig.2　EEMD results of the cloudy day

由于分量數(shù)目過多，如果分別進(jìn)行數(shù)據(jù)建模，不僅預(yù)測速度降低還可能增加誤差。因此在保證序列平穩(wěn)性的前提下，可以按照其波動量對各分量進(jìn)行分類。采用游程判斷法對分解結(jié)果進(jìn)行重新組合，計算各IMF分量的游程總數(shù)和最大游程長度。綜合考慮游程總數(shù)和最大游程長度，結(jié)果如表1所示。

表1　IMF分量的游程數(shù)Tab.1　Runs number of IMG component

根據(jù)表1將IMF1-IMF3疊加作為高頻分量，代表光伏的波動項；IMF4-IMF7疊加作為中頻分量，代表光伏的短期趨勢項；IMF8-IMF9和剩余分量疊加作為低頻分量，代表光伏的長期趨勢項。分別對疊加后的分量加入氣象數(shù)據(jù)，作為BP神經(jīng)網(wǎng)絡(luò)模型的輸入變量。即x=（x1，x2，…，xn），x1-x40是相似日的歷史輸出功率由EEMD分解后分量的疊加值，x41-x46是相似日的最高氣溫，最低氣溫，平均氣溫，預(yù)測日的最高氣溫，最低氣溫，平均氣溫。輸出量是預(yù)測日一天的40個輸出功率值。圖3所示為EEMD-BP神經(jīng)網(wǎng)絡(luò)組合預(yù)測的流程圖。

圖3　EEMD-BP神經(jīng)網(wǎng)絡(luò)組合預(yù)測流程圖Fig.3　Flowchart of EEMD-BP neural network combined prediction

3　算例結(jié)果分析

為了驗證提出的EEMD-BP神經(jīng)網(wǎng)絡(luò)模型的優(yōu)越性，進(jìn)而說明所提出的方法對預(yù)測光伏輸出功率精度有很大改善，按照模型設(shè)計過程分別采用EEMD-BP神經(jīng)網(wǎng)絡(luò)，EMD-BP神經(jīng)網(wǎng)絡(luò)和單一的BP神經(jīng)網(wǎng)絡(luò)三種模型進(jìn)行預(yù)測。根據(jù)氣象數(shù)據(jù)已經(jīng)分出的天氣類型，分別預(yù)測了晴天、多云、雨天、霧霾、多云轉(zhuǎn)晴5種天氣類型下的光伏系統(tǒng)輸出功率。5種不同天氣類型下3種模型與實(shí)測對比曲線分別如圖4—圖8所示。

圖4　多云天氣類型3種預(yù)測模型的預(yù)測結(jié)果曲線Fig.4　Prediction results curve of three prediction models in a cloudy day

圖5　霧霾天氣類型3種預(yù)測模型的預(yù)測結(jié)果曲線Fig.5　Prediction results curve of three prediction models in a hazy day

圖6　多云轉(zhuǎn)晴天氣類型3種預(yù)測模型的預(yù)測結(jié)果曲線Fig.6　Prediction results curve of three prediction models in a cloudy to sunny day

圖7　晴天天氣類型3種預(yù)測模型的預(yù)測結(jié)果曲線Fig.7　Prediction results curve of three prediction models in a sunny day

圖8　雨天天氣類型3種預(yù)測模型的預(yù)測結(jié)果曲線Fig.8　Prediction results curve of three prediction models in a rainy day

對模型的性能評估選用平均絕對百分比誤差（MAPE）和均方根誤差（RMSE），對3種模型分析比較，3種預(yù)測模型的預(yù)測誤差結(jié)果如表2所示。根據(jù)誤差對比，EEMD-BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型比EMDBP神經(jīng)網(wǎng)絡(luò)預(yù)測模型和單一BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測的誤差更小。5種天氣類型下，EEMD方法的平均絕對誤差和均方根誤差比其他2種模型都有大幅度降低，晴天的預(yù)測誤差達(dá)到了7.45%，其他兩種方法分別為8.32%和10.5%，可以看出較未采用EEMD分解的單一BP神經(jīng)網(wǎng)絡(luò)模型精度大幅度提升。多云轉(zhuǎn)晴誤差為15.4%，較晴天比誤差相對偏大，因為天氣突變，太陽光照射被遮擋的不確定造成誤差值偏高。但較單一BP神經(jīng)網(wǎng)絡(luò)的18.4%的誤差值，預(yù)測精度已大幅度提升。EEMD方法彌補(bǔ)了EMD方法模態(tài)混疊的缺點(diǎn)，進(jìn)而從誤差值上也可以看出EEMD和BP神經(jīng)網(wǎng)絡(luò)的優(yōu)越性。說明EEMD分解光伏輸出功率歷史數(shù)據(jù)有效緩解因為光伏發(fā)電不確定性和間歇性造成預(yù)測數(shù)據(jù)非平穩(wěn)的現(xiàn)象。

4　結(jié)論

對于影響光伏出力預(yù)測的因素有很多，在外界因素不斷改變的同時，其影響都顯現(xiàn)在數(shù)據(jù)中。本文基于天氣類型分類，分出相似的天氣再加上溫度因素成為預(yù)測的主要依據(jù)，采用將相似日的歷史輸出功率數(shù)據(jù)進(jìn)行EEMD分解，得到幾個不同的本征模函數(shù)分量和一個剩余分量，再成功引用游程檢驗法，將本征模函數(shù)分量重新組合，提高預(yù)測精度，重組后的分量與溫度數(shù)據(jù)結(jié)合作為BP神經(jīng)網(wǎng)絡(luò)的輸入量，進(jìn)而建立預(yù)測模型。最后，把所有模型的預(yù)測結(jié)構(gòu)疊加可得到光伏系統(tǒng)的輸出功率預(yù)測值。本文實(shí)驗測試表明：EEMD可以高效地降低光伏系統(tǒng)輸出功率序列的非平穩(wěn)特性，對比EMD，EEMD的預(yù)測精度更高。進(jìn)而EEMD-BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型優(yōu)于EMD-BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型，更優(yōu)于單一的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型。因此，本文提出的預(yù)測方法對于深入探索光伏并網(wǎng)系統(tǒng)的經(jīng)濟(jì)運(yùn)行與調(diào)度是一種有效的方法，具有工程應(yīng)用價值。

［1］姚仲敏，潘飛，沈玉會，等.基于GA-BP和POS-BP神經(jīng)網(wǎng)絡(luò)的光伏電站出力短期預(yù)測［J］.電力系統(tǒng)保護(hù)與控制，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，龔文劍，張榴晨，等.基于EEMD-SVM方法的光伏電站短期出力預(yù)測［J］.中國電機(jī)工程學(xué)報，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］鄭凌蔚，劉士榮，毛軍科，等.一種綜合ANFIS和PCA的光伏發(fā)電功率預(yù)測新方法［J］.太陽能學(xué)報，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］陳昌松，段善旭，殷進(jìn)軍.基于神經(jīng)網(wǎng)絡(luò)的光伏陣列發(fā)電預(yù)測模型的設(shè)計［J］.電工技術(shù)學(xué)報，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］張嵐，張艷霞，郭嫦敏，等.基于神經(jīng)網(wǎng)絡(luò)的光伏系統(tǒng)發(fā)電功率預(yù)測［J］.中國電力，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］陳昌松，段善旭，蔡濤，等.基于模糊識別的光伏發(fā)電短期預(yù)測系統(tǒng)［J］.電工技術(shù)學(xué)報，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，蔡濤，等.基于天氣類型聚類識別的光伏系統(tǒng)短期無輻照度發(fā)電預(yù)測模型研究［J］.中國電機(jī)工程學(xué)報，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，李廣敏.基于支持向量機(jī)回歸的光伏發(fā)電出力預(yù)測［J］.中國電力，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］高相銘，楊世鳳，潘三博.基于EMD和ABC-SVM的光伏并網(wǎng)系統(tǒng)輸出功率預(yù)測研究［J］.電力系統(tǒng)保護(hù)與控制，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］王賀，胡志堅，陳珍，等.基于集合經(jīng)驗?zāi)B(tài)分解和小波神經(jīng)網(wǎng)絡(luò)的短期風(fēng)功率組合預(yù)測［J］.電工技術(shù)學(xué)報，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］鄭連清，鄭艷秋.經(jīng)驗?zāi)Ｊ椒纸馀c人工神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測［J］.電力系統(tǒng)保護(hù)與控制，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的超短期負(fù)荷預(yù)測［J］.電力系統(tǒng)保護(hù)與控制，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］張翌暉，王賀，胡志堅，等.基于集合經(jīng)驗?zāi)B(tài)分解和改進(jìn)極限學(xué)習(xí)機(jī)的短期風(fēng)速組合預(yù)測研究［J］.電力系統(tǒng)保護(hù)與控制，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］李樂，劉天琪，陳振寰，等.基于EEMD和ARCH的風(fēng)電功率超短期預(yù)測［J］.電測與儀表，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，陳良亮，張衛(wèi)國.基于BPS神經(jīng)網(wǎng)絡(luò)的充放電機(jī)故障診斷［J］.電網(wǎng)與清潔能源，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］楊店飛，郭宇杰，沈桂鵬.基于BP神經(jīng)網(wǎng)絡(luò)的光伏組件故障類型診斷［J］.陜西電力，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）.

（編輯徐花榮）

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

十二五國家科技支撐項目（2012BAJ26B00）。

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

2015-12-11。

于群（1993—），女，碩士研究生，研究方向為地方電力系統(tǒng)及其自動化；

樸在林（1955—），男，本科，教授，博士生導(dǎo)師，研究方向為地方電力系統(tǒng)及其自動化理論和技術(shù)。