工程科学与技术，国际期刊23（2020）156完整文章基于分解优化的极端学习机算法在短期光伏发电功率预测中的比较研究Manoja Kumar BeheraSahara，Niranjan Nayak印度布巴内斯瓦尔大学电气与电子工程系，邮编：751030阿提奇莱因福奥文章历史记录：2018年8月23日收到2019年1月29日修订2019年3月12日接受在线发售2019年保留字：PV系统单隐层前向神经网络极限学习机（ELM）经验模态分解（EMD）正弦余弦算法（SCA）优化A B S T R A C T太阳辐照度在很短的时间内波动，这给估计注入电网的输出功率造成了很大的障碍。在太阳能发电厂的运行过程中，短期光伏功率预测支持负荷调度，规划和监管行动。针对光伏发电短期预测的复杂性，提出了一种基于经验模式分解（EMD）、正弦余弦算法（SCA）和极限学习机（ELM）的3阶段预测方法。在该方法的初始阶段，采用基于EMD分解技术的信号滤波策略得到去噪序列。接下来的三个不同的时间间隔的数据序列被选择用于训练和预测阶段。所选数据集为季度、半小时和每小时PV数据观测值。仿真结果表明，所推荐的技术表现在一个突出的方式比传统的，而解决短期光伏发电预测。©2019 Karabuk University. Elsevier B.V.的出版服务。这是CCBY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍可再生能源是最有前途的替代能源之一。由于对合理价格的电能质量（PQ）有很高的要求，因此它在电能供应中起着至关重要的作用[1，2]。因此，太阳能发电是所有其他资源中最有效的资源之一，因为它具有良好的发电潜力和可观的发电效益[3]。目前，许多研究主要集中在与太阳能预测相关的技术上，因为发展太阳能发电需要准确的信息，特别是区域太阳辐照度。文献传达的错误预测的成本可以达到10%的太阳能发电厂此外，对于并网的太阳能发电系统，可以通过对太阳能功率的预先估计来获得有用的信息。这样的容量可以帮助影响太阳能连接并增强电网的稳定性。由于上述改进，太阳能的渗透率可以提高，未来现有的能源结构可能会发生*通讯作者。电子邮件地址：manoj04manoj04@gmail.com（M.K.Behera）。由Karabuk大学负责进行同行审查。然而，有各种因素限制了太阳能发电的应用，例如高可靠性，最佳布局，可接受的电能质量和低成本运行。在实际发电过程中，输出功率的不稳定性是制约太阳能产业发展的主要障碍。它限制了太阳能的渗透，也威胁到电网的安全。太阳辐照度是估算光伏发电量的重要因素之一。影响太阳辐照度的气象因素很多，如气压和气温。预测模型和气象因素误差的度量导致了太阳能发电预测的不确定性这些错误的消除是因此，光伏发电的预测并不那么容易解决，也很难解决。研究人员已经为光伏发电的建模和预测做出了很大的努力。各种预测技术的建议已经在各种论文中描述，以便预测不同时间范围的PV功率，最重要的是，短期PV功率预测在控制、调度和调度功率方面非常重要[4]。不同的文章以不同的方式定义短期光伏发电预测[5]。它通常表示预测光伏发电的时间范围从数小时到数天。这个问题可以分为https://doi.org/10.1016/j.jestch.2019.03.0062215-0986/©2019 Karabuk University.出版社：Elsevier B.V.这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表工程科学与技术国际期刊杂志主页：www.elsevier.com/locate/jestchM.K. Behera，N.Nayak/工程科学与技术，国际期刊23（2020）156157命名法PPVGA我光伏阵列光伏阵列的转换效率（%）光伏阵列的面积（m2）太阳辐照度（kW/m2）HBSLFN的输出权重摩尔-彭罗斯广义逆¼H HHΣE.Σ不-1不Σa;我我为训练样本预定义ELM的误差值To大气环境温度（°C）Pmpp; Vmpp; Impp光伏组件功率、最大功率点（MPP）电压和电流。SDIYJb标准差，i = 1，2，3，.这是EMD的IMF提取过程的停止种群中的第j个搜索代理，j = 1，2，...，nIscVocNsNpkH光伏组件的短路电流光伏组件的开路电压串联组件数量并联串输入训练数据集到SLFN的ELM隐层输出矩阵q1;q2;q3;q4 SCA中随机编号pT中文（简体）SCA最佳解决方案的位置实际光伏发电SLFN的预测PV功率激活函数两种不同的技术，如物理技术和统计技术。太阳辐照度的气象估算是一种物理方法，涉及描述天气研究以及大气条件、预测模型等的模型的数值与物理技术不同，统计方法预测是通过观察观测到的太阳辐照度时间序列的关系来完成的[6统计方法使用历史太阳辐射数据和其他变量来形成统计模型，从该模型中导出预测。它们可以在建模的任何步骤中使用，并将各种类型的技术组合成混合技术。一些研究人员使用预测技术，如支持向量机（SVM）与粒子群优化（PSO）算法用于天气预测[9]，神经网络（NN）与元启发式算法作为预测技术用于太阳能预测[10]，并且在文献中，极端学习机（ELM）与不同的PSO算法用于短期PV功率预测[11]。在文献中，已经在这一领域应用了几种统计技术，例如自回归综合移动平均（ARIMA）模型等[12，13]。目前，已经基于人工智能（AI）技术[14]进行了各种研究，包括人工神经网络（ANN）[15实际上，大多数预测模型都包括物理和统计两种预测方法。每一类模型都有其优缺点，但单独的一类模型并不能更好地解决复杂的建模和预测问题。为了提高模型的性能，在一个高效和有效的方式，不同类型的技术的各种组合已经完成，无论是理论和实验结果。由于太阳辐照度序列的波动较大，在考虑短期光伏发电功率预测问题的同时，采用单一预测方法可以获得更高的预测精度。在短期太阳辐照度数据中，在非常短的时间跨度内存在非常不规则的变化，这增加了建模的复杂性。本文采用多种模式相结合的思路进行短期太阳辐照度的模拟和预报。本文主要提出了一种发展采用三阶段不同预测过程的短期光伏发电功率预测方法这三个步骤包括信号去噪过程、正弦余弦算法（SCA）处理参数优化技术和基于网络的训练方法以及预测方法。为了解决光伏发电厂的短期光伏功率预测，已经考虑在这里的方法显示出更好的性能比传统的技术，通过混合EMD技术与SCA和ELM技术。由于短期太阳辐照度序列的随机变化，因此，在模型设计的第一步就必须进行数据处理。数据序列包含需要去除的噪声信息，因为噪声可以对模型提出许多伪变化要求，并且可能对正确理解数据变化产生影响[22，23]。因此，本文采用EMD分解法对信号进行去噪处理。该方法适用于非平稳、非线性的信号或数据，如短期太阳辐照度。经验模态分解技术的主要优点是它可以在信号平稳的基础上自动确定数据的内在时间尺度，而不需要在EMD分解过程之后，我们可以获得局部窄带的分量，这被称为固有模式函数（IMF）。每个IMF都有自己的统计特征和物理意义。在去除具有高频率的子分量之后，完成去噪过程变得容易，并且然后重构去噪的数据序列，因此被认为是下一阶段的输入ELM是训练单隐层前向神经网络的一种有效的学习方法。这种技术背后的想法是随机分配偏差和输入权重，因此通过Moore Penrose广义逆[24，25]计算输出权重。完成初始化的过程使ELM具有计算成本非常低的优势，同时它使ELM具有更好的性能[26，27]。SCA用于优化ELM的输入权重和偏差。随机初始化导致过拟合输出，SCA克服了这一点，从而提高了其泛化性能[28]。这是一种新的优化算法，来自各种论文的研究表明，SCA比PSO[29]，遗传算法（GA）和布谷鸟（CS）搜索优化[30]具有更好的解决方案。由于SCA的许多优点，SLFN的输入权重和偏差被优化用于ELM的训练模型[31]。仿真结果表明，人工智能和神经网络（NN）的混合有助于提高模型的性能显着的短期光伏功率预测。文件的其余部分组织如下。ELM算法已在第2节中讨论第三节介绍了EMD算法。正弦余弦优化算法-158M.K. Behera，N.Nayak/工程科学与技术，国际期刊23（2020）156ðÞð Þ¼1..1Lð Þg a1;b1; xN···g aL; bL; xNð Þ¼Tj¼bi gai; b i; x i;. T j-t j。 6 e; j ¼ 1;：;N 3我我J...N×L1/1K在第4节中讨论了算法分析第五节介绍了PV模型的有关信息和所提出的技术的实现不同技术的结果和性能在第6节中给出最后，在第7节中得出结论。2. 极限学习机（ELM）2006年，Huang教授提出了一种新的SLFN学习算法ELM，该算法随机选择隐节点，并估计SLFN的输出权值。ELM的学习速度远快于传统的前馈神经网络学习算法，如反向传播（BP）算法，也表现出良好的泛化性能。这种技术有三步学习模型[32对于输入训练集k<$xi; tj<$2 Rn× Rm; i< $1; 2;：; N;隐藏节点输出函数g ai; bi; x;以及隐藏节点的数量L。● 第一步： 随机生成隐藏层参数ai; bi; i 1; 2;：; L;其中ai是输入权重，bi是隐藏层节点的阈值;● 步骤二：计算隐层输出矩阵H，(i) 通过面向适应度的权矩阵选择生成ELM的新种群(ii) 估计ELM的适应度值。(iii) 如果达到了理想的结果，则停止;否则转到步骤i。3. 经验模态分解（EMD）算法对于实时PV数据y（t），EMD信号滤波的过程可以解释如下[36，37]2小时x1小时32小时a1; b 1; x 1小时 ··· gl aL; b L; x 1×3沪ICP备16016766号-1xN57ð1Þ四 、 54.···● 第三步：计算输出权重b，b¼HT2bT3哪里b/464. 75BT2吨T34 .T1/4 75tTð2ÞLL×MnN×M其中，H是隐藏层输出矩阵H[35]的Moore-Penrose广义逆，T是目标输出。通过训练，ELM可以估计这些训练样本，直到误差变得小于预定义的常数e。^X. K.激活函数g：是非线性函数。通常，可以进行自适应以减小网络误差函数E：vu1XN。ffiffiffiffiKffiffiffiffiffiffiffiffiffiffiffiffiffiΣffiffiffi2ffiffi输入信号可以重建为：E¼tN第1页Tj- tjð4Þ关于我们阿杰特·阿杰特其中，a;b是隐藏节点参数; t是第1页输出节点。优化的目标是最小化适应度函数通过优化的隐藏节点参数ai; bi; i 1; 2;：; L.在SCA中，关键思想是将ELM的权重矩阵视为个体，以改变隐藏节点参数，并使用ELM产生的误差E ai;bi作为管理选择的适应度函数。这导致以下培训周期：我们对数据集进行分解，并获得分解的后续IMF作为最终结果[38]。4. 正弦余弦算法SCA是一种新的优化技术，它基于正弦和余弦函数的更新规则[39]。该算法M.K. Behera，N.Nayak/工程科学与技术，国际期刊23（2020）156159JJJJJJJJJ基于群体的，从随机选择的解组开始，这些解组以随机方式放置在问题的搜索空间中。目标函数在每次迭代中评估每个搜索代理，引导它们在问题空间中达到最优解。SCA具有该算法跟踪最佳解的位置所有的搜索代理在每一个iter中获得的信息行动。 SCA中使用的数学方程基于：对于任何搜索代理Yj，以下更新的函数：Y t 1¼ Y tq1×sinusq2×。q3pt-Yt。;q40：5 - 50 1，则Yj走向“p”及其已知作为否则如果它从“p”开始移动此外，由于q1线性减小，因此使用在上下文中，根据Eq. （7）。参数q2决定了应该向目的地或向目的地外移动多远。参数q3携带目的地的随机权重，以便在解释距离时强调目的地<最后，参数q4在等式2中的正弦和余弦函数之间相等地交换（5）和（6）。算法应该在探索和利用之间保持平衡，以确定搜索空间的最优区域，并最终趋于全局最优。为了平衡开采和勘探，方程中的正弦和余弦范围。（5）SCA的初始参数如表1所示。5. 所提出的技术本节探讨基于混合经验模式分解的预测技术，该混合经验模式分解基于正弦余弦优化极限学习机（EMD-SCA-ELM）技术。该方法由3个不同的阶段组成，如依赖于EMD方法的去噪和分解过程，SCA处理参数优化以获得最佳参数，以及基于ELM的训练和预测技术。图2提出了所提出的技术的流程图，简短地解释如下的3个阶段：Bq1/4b- tt总计ð7Þi. PV数据分解：在太阳能电站和电力系统实际运行时，存在着各种不确定因素，影响着数据采集过程，其中t是当前迭代，ttotal是迭代的总数，b是常数。图1显示了正弦和余弦函数的范围如何2包括测量、传输、转换和记录过程。这些因素中有许多是无法控制的因为它们将不确定性和噪声引入到太阳辐照度序列中，这会导致泛化能力差和不理想的预测性能。短期光伏发电量预测问题，是所以为了丢弃高频10-1-20 100 200 300 400 500 600 700 800 9001000表1正弦余弦算法参数。参数值搜索种群中的代理是Yj30最大迭代次数t总计1000b是常数2随机数q1q1¼b-½t×t=ttotal]号的迭代随机数q2半;2便士]Fig. 1.正弦和余弦范围减小（b = 2）。随机数q3q31或q3>1<随机数rq4½0;1]范围160M.K. Behera，N.Nayak/工程科学与技术，国际期刊23（2020）156图二. 拟定方法流程图。子信号，EMD分解算法被选为第一步的方法，这已经提出了这里。然后将该分解序列视为进一步阶段的输入。ii. SCA优化：在此阶段，SCA已经为ELM技术选择了最佳参数在ELM方法中，SLFN的输入权值和偏置初始化是随机进行的，并通过应用Moore-Penrose广义逆来确定输出这种随机初始化过程直接影响ELM方法的性能为了克服这一点，提高模型的性能，SCA参数优化，通过采取输入权重和偏差。这些输入权重和偏置在构造过程时已经被优化，SLFN为基础的ELM，以便使用这些进一步的ELM培训和预测过程。使用SCA的另一个优点是，它可以稳定ELM预测性能比以前。iii. ELM培训和预测：在接收SCA优化参数后，使用ELM训练过程开发了SLFN模型，并将混合技术应用于短期光伏功率预测。5.1. PV建模光伏功率的预测受到太阳辐照度和光伏电池温度等多个因素的影响[40]。PV模型的标称功率输出表示如下PPV1/4gAI1/2-0：05gTo-25g]108g10.80.60.40.200200400600800100012001400阶段1基于EMD0.50-0.500.52004006008001000120014000-0.502004006008001000120014000.50-0.502004006008001000120014001.510.500200400600800100012001400信号重构10.80.60.40.20020040060080010001200阶段21400SLFN的混合学习（SCA-ELM）技术ELM法SCA输入权重和偏差计算隐层神经元计算输出权重的伪-逆SLFN的最优阶段3训练SLFN预测最佳输入权重和偏差最终结果高频去噪降噪系列一不XSLFN标准化PV功率IMF 14IMF 3IMF 2IMF 1标准化PV功率M.K. Behera，N.Nayak/工程科学与技术，国际期刊23（2020）156161N^^XX.¼..其中5.2. 预测问题在此仿真中，ELM，EMD-ELM，SCA-ELM，EMD-SCA-ELM具有相同的隐藏节点数的性能进行了比较与实时数据。这里考虑了三个标准 ，例如平 均绝对误差 （ MAE ）， 平均绝对 百分比误差（MAPE）和均方根误差（RMSE），以便清楚地观察所提出的技术的预测性能[43]。6. 仿真结果本节称为“模拟结果”，旨在介绍为描述所提出技术的模拟过程而考虑的各种策略。这些战略被细分为3个子阶段。其基本思想是设计一个混合的ELM学习技术的帮助下，SCA和EMD技术的SLFN，然后所提出的方法适用于不同的时间序列预测。6.1. 信号去噪作为所提出的EMD-SCA-ELM技术的第一阶段，EMD技术被用作控制信号去噪的工具。图3说明了以15分钟间隔MAE¼N1/1N. T-T。ð9Þ. T-T。从车站。由于所选样本的分解而产生的13个IMF表示从高到低的频率范围。通常，较高频率的IMF表示短周期的模式。MAPE1N1不.× 100%±10%然而，较低频率的IMF代表较长的周期模式，燕鸥这意味着具有更高频率的IMF 1将最有可能具有噪声信息，而IMF 13被认为是具有更高频率的噪声信息。vut1X N。ffiffiffiffiffiffiffiffiffiffiffiffiffi^ffiffiΣffiffiffiffi2ffi趋势项。 图图3示出了IMF1和IMF2是具有hav的子信号。RMSE¼N1T- Tð11Þ高频率，与这两个IMF相关的模式是持续时间很短在这个例子中，前两个IMF可以提取时，采取短期光伏发电预测问题其中，T是实际功率，T1是预测功率。在仿真期间，所有输入和输出数据样本在范围[0，1]内归一化。输入权重和偏置从范围[0，1]中选择。对于网络中的每一个问题，“tanh”函数被用作激活函数。当与输入相关联的输出的RMSE变得等于或小于预定义值时，或者当已经达到最大迭代时，训练过程结束。考虑到。如图3所示，噪声信号是前两个IMF和需要去除的分解序列的相加。去噪后的序列保留了输入原始数据的原始特征，而去噪后的序列由于去除了输入数据序列中的高频信息而呈现出平滑的特征。这表明，信号滤波和基于EMD的分解非常有助于从噪声信号中分解干预。噪音需要消除图三. 基于经验模态分解的去噪过程。0.20-0.20.200-0.20.500-0.50.500-0.5100-10.200-0.20.200-0.20.500-0.50.500-0.50.5100200300400500600700800900100001002003004005006007008009001000-0.50 100 200 300 400 500 600 700 800 900 10001002003004005006007008009001000在该样本1002003004005006007008009001000110020030040050060070080090010000.80.610020030040050060070080090010000.410020030040050060070080090010000.2001002003004005006007008009001000100200300400500600700800900100015分钟数据系列0.05100 200 300 400 500 600 700 800 900 10000去噪数据序列1-0.510100200 300 400 500 600 700 800 900 10000.80-1200.6010020030040050060070080090010000.4-2201000.2100200300400500600700800900100000 100 200 300 400 500 600 700 800 900 1000100 2003004005006007008009001000高频子信号IMF8IMF13IMF12IMF11IMF9IMF 10IMF7IMF6IMF 5IMF 4IMF 3IMF 2IMF1EMD分解标准化PV功率标准化PV功率降噪光伏电源162M.K. Behera，N.Nayak/工程科学与技术，国际期刊23（2020）156滤波技术的鲁棒性可以通过这样的说法来证明，即信号滤波过程辐照度数据已被提供给所研究的光伏系统，过滤前和过滤后的功率输出之间的比较如图4（c）所示，这表明光伏系统遵循去噪后的辐照度模式图5示出了基于EMD的信号分解的结果。对于图的每个样本。5、将原始数据序列作为EMD的输入，该原始数据序列仅是从原始PV数据中记录的原始PV数据。10.80.60.40.200 100 200 300 400 500 600时间（15分钟）0.50700 800 900 1000一个光伏电站噪声数据是高频子信号的总和，高频子信号被分解序列去除，分解序列表示去除噪声信息的去噪序列。 对于每个时间段的数据，分别显示了一个月的分解和过滤结果。原始序列的剧烈波动在很短的时间内反复发生。因此，在某个时间点，局部极值位于离整个序列很长的距离处，有时认为--0.5010.80.60.4100 200 300 400 500 600 700 800 900 1000时间（15分钟）（一）10000.200 50 100 150 200 250 300 350 400 450 500时间（30分钟）500005000-5000151050050-501000500001000100100100100100100200200200200200200300时间300时间（一）300时间300时间（b）第（1）款300时间300时间（c）第（1）款400400400400400400500 600500 600500 600500 600500 600500 600实际辐照度去噪辐照度实际光伏功率降噪光伏电源实际辐照度去噪辐照度实际光伏功率降噪光伏电源原创系列降噪系列原创系列降噪系列光伏功率（kW）噪声（p.u）辐照度（W/m2）噪声（p.u）辐照度（W/m2）光伏功率（kW）光伏发电（p.u）光伏发电（p.u）噪声（p.u）M.K. Behera，N.Nayak/工程科学与技术，国际期刊23（2020）1561630.50-0.50 50 100 150200 250 300350 400 450500时间（30分钟）（b）第（1）款图五.（a）15min和（b）30min的去噪结果。在数据处理时被视为异常值。以一个台站的数据为例，原始数据序列在很短的时间内表现出剧烈的波动，这导致PV数据序列的趋势不清楚，也使模型的建立变得复杂。当应用基于EMD的信号滤波和分解过程时，主要信息存在于去噪的序列中，该序列是真实的，并且它比输入PV数据相当稳定这有助于使其更有效和更高效的预测模型。在不同的样本中可以看到非常相似的情况，这说明当应用基于EMD的信号滤波和分解时，它是消除噪声信息影响的有效和高效的过程。由于EMD方法具有克服来自噪声信号的干扰的优点，因此该特定步骤在这里已经提出的混合方法中非常重要。在信号分解步骤之后，分解的数据将被认为是下一步骤的输入，这将有助于在预测和训练过程时增强模型的性能。6.2. SC参数优化塞拉利昂新生力量的结构可以在培训过程中建立。SLFN是一种功能强大、高效的网络框架，可以用来解决光伏发电预测等复杂问题。传统上，各种文献中使用的学习方法都是梯度下降算法，这种算法的训练过程非常耗时，而且迭代过程很容易陷入陷阱见图4。(a)实际辐照度数据的去噪（b）实际PV功率数据的去噪和（c）实际PV功率和辐照度之间相对于去噪辐照度和PV功率的比较。局部最小值，并且对学习率也很敏感。 本文提出的EMD-SCA-ELM预报技术，nique采用了优化的ELM，这是一种先进的，噪声（p.u）164M.K. Behera，N.Nayak/工程科学与技术，国际期刊23（2020）156改进的SLFN学习方案，以克服上述限制。由于ELM的计算量小，性能好，因此被认为是一种有效的工具。然而，初始化的过程，直接影响ELM的性能。混合SCA-ELM技术被认为是一种学习的预测方法，在SLFN的训练过程中提高短期光伏功率预测模型的性能。对于ELM的优化，SCA已被选中，其中随机初始化的输入权重和偏见。所提出的具有SCA-ELM方法的技术结合了ELM的良好泛化能力和SCA的强搜索能力两者的优点，SCA在图1和图2中的收敛曲线中示出。9、12和15。所以它被认为是最有效的而且高效因此，ELM的概念可以应用于训练SLFN结构，该结构由相对于SCA的最优输入权重和偏差组成。6.3. ELM训练和预测输入功率的数据，已采取这里是从屋顶分布式光伏发电系统，这是并网。它目前在印度奥里萨邦的SOA大学Bhu- baneswar的电气系大楼将wattmon连接到该系统，该系统以特定的时间间隔（即5分钟）测量辐照度、温度和PV功率。采样数据取自wattmon存储数据的数据库此处考虑的15 min、30 min和60 min PV数据已从上述5min PV数据标准化表2给出了本研究中采集的实时数据样本的质量标准和PV系统的质量标准。表2实时数据与光伏系统规范。10.80.60.40.20010.80.60.40.20010.80.60.40.2005020401020100 150 200 250采样时间（15 min）（一）60 80 100 120采样时间（30 min）（b）第（1）款30 40 50 60时间样本（60 min）（c）第（1）款14070模块类型多晶模块面积（连同框架）1.256 m2宽度40毫米模块最大功率（Pmpp） 280 W最大功率模块电流（Impp） 8 A图六、光伏发电预测采用3个数据集间隔（a）15 min，（b）30 min和（c）使用BP和ELM 60 min。表3ELM与BP预测技术的比较。持续时间ELM BPRMSEMAPE（%）MAE RMSEMAPE（%）MAE 15 min 0.03833.1655 0.03970.04733.97130.039730分钟0.04343.5133 0.03470.06324.9612 0.048960分钟0.04874.0206 0.0402零点零七○6.4693 0.0647注意：粗体值表示最小预测误差。最大额定功率时的模块电压（Vmpp）35 VModule shot circuit current（Isc）8.68 A模块开路电压（Voc）43 V实时样本数据规范持续时间训练样本测试样本15分钟1038 28130分钟529 14460分钟272 74图结果表明，ELM的预测能力优于BP算法。表3列出了三种情况下的预测指数即15 min、30 min和60 min间隔的数据序列表明，ELM的预测效果优于BP。本文对ELM技术作了进一步的研究，并与原ELM技术作了比较案例2中的技术。6.4. 案例1：ELM与BP预测技术在这项研究中，这两种技术，即ELM和BP被认为是检验ELM技术预测能力的最新方法。它们通过训练数据进行训练，并使用3个不同时间样本的3个误差指标通过测试数据评估这两种技术的性能。这两种技术的预测性能已在图中示出。 六、6.5. 案例二：所提出的技术（EMD-SCA-ELM）和不同形式的预测技术（ELM、EMD-ELM和SCA-ELM）之间的预测性能比较在SCA优化过程之后，通过考虑表2中提到的三个时间间隔数据，SLFN用于光伏功率预测。图图7、图10和图13显示了在所有3个数据区间的情况下本文提出的模型的预测的相应结果。看来，预测结果从实际BPELM实际BPELM实际BPELM光伏发电（p.u）光伏发电（p.u）光伏发电（p.u）系统规范纬度20o 25经度85o 80光伏电站面积（A）106.25平方米标称PV功率（PPV）11.2千瓦模块总数40串联模块数量（Ns）20并联串数（Np）2模块规范M.K. Behera，N.Nayak/工程科学与技术，国际期刊23（2020）156165迄今为止获得的最好成绩10.80.60.40.200 50 100 150 200采样时间（15 min）25010.80.60.40.200 20 40 60 80 100 120 140采样时间（30 min）见图7。不同模型之间的性能比较与15分钟的时间间隔数据。见图10。不同模型之间的性能比较与30分钟的时间间隔数据。10.8ELM线EMD-ELM0.80.70.60.68 0.70.72 0.74 0.7610.8ELM线EMD-ELMSCA-ELM10.80.60.40.20EMD-SCA-ELM0.60.40.2EMD-SCA-ELM0.82 0.84 0.86 0.880.90.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1实际光伏功率（p.u）见图8。 不同模型之间的相关性图，15 min时间间隔数据。00.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1实际光伏功率（p.u）见图11。 30 min时间间隔数据的不同模型之间的相关性图。具有三个数据间隔的EMD-SCA-ELM以更好的方式执行，并且接近观察到的PV数据系列，其显示在以下图1和图2所示的相关图中。8、11和14。在该图中，黑色直线表示预测的PV功率与观察到的PV功率相同但如果数据点偏离黑色直线，则会给混合预测系统带来巨大的预测误差根据输入的三个不同时间间隔的PV数据样本，大多数点在一个狭窄的范围内的黑色直线附近的预测技术。这表明，这里提出的混合方法提供了更好的性能，同时解决短期光伏发电预测。对每一个样本的预测结果表明，该方法是有效的，甚至在这种随机波动的数据序列在稳定状态执行。6.6. 分析和性能比较为了评估混合方法的预测性能，选择了各种方法进行模型比较在这里提出。本文将ELM、EMD-ELM和SCA-ELM与本文提出的方法进行了比较。对于每种选择的方法，均对所有三个时间间隔的数据进行了检查，即15 min、30 min和60 min数据。 图1和图2示出了这里选择的各种方法的比较性能，包括所提出的方法和针对不同时间间隔系列选择的三种其他方法。7、10和13。结果表明，本文提出的方法能够有效、稳定地进行光伏发电量预测。ELM和EMD-ELM提供波动的结果，而混合EMD-ELM揭示了较差的能力，这反过来又增加了方差的范围。这是由于ELM的输入权重和偏置的随机初始化对应于输入数据而发生。同时，SCA-ELM技术需要去除输入数据序列中的噪声信号，因为它不能保持信息真正的系列这一结果还表明，当将任何类似于短期PV数据序列的复杂输入数据纳入测试功能1300.5 2000.05X20-0.05 -0.050x1100.050200 400 600 800 1000迭代见图9。15 min时间间隔数据的SCA收敛曲线。实际榆树EMD-ELMSCA-ELMEMD-SCA-ELM0.2秒0.10175 180 185 190 195实际榆树EMD-ELMSCA-ELMEMD-SCA-ELM收敛曲线SCA-ELM预测光伏功率（p.u）光伏发电（p.u）F（x1，x2）预测的PV功率（p.u）光伏发电（p.u）166M.K. Behera，N.Nayak/工程科学与技术，国际期刊23（2020）156迄今为止获得的最好成绩X10.500.05x20测试功能0x302520151050.050200 400 600 800 1000-0.05-0.051迭代见图12。30 min时间间隔数据的SCA收敛曲线。10.80.60.40.200 10 20 30 4050时间样本（60 min）6070考虑到这一点，得到可靠和稳定的预测结果变得复杂。结果显示在Fig.8、11和14揭示了所提出的混合方法非常稳定与EMD-ELM方法相比，SCA优化。表4显示了本文所述的所有3种样品的各种模型之间的性能比较。已经考虑了三种不同的误差标准，包括RMSE、MAPE和MAE，在“5.2”节中介绍。EMD-SCA-ELM给出了所有预测模型组合之间数值误差最小的最终结果。图十三.不同模型之间的性能比较与60分钟的时间间隔数据。仿真结果表明，EMD-SCA-ELM方法具有较好的短期预测能力。该方法综合了EMD滤波和SCA优化ELM的优点.EMD数据分解具有10.8ELM线EMD-ELM0.80.60.72 0.74 0.76 0.78将输入数据序列分裂成多个IMF的巨大优势，这些IMF显示出与正常谐波分量等效的简单振荡形式。IMF具有可变频率和振幅，0.60.40.200EMD-SCA-ELM0.1 0.20.3 0.4 0.5 0.6 0.70.8实际光伏功率（p.u）而不是正常时间轴上的谐波函数。因此，EMD分解技术通过消除可能具有较高频率的噪声子信号来保持输入数据序列的重要信息。接下来，SCA提供SLFN的最佳输入权重和偏置，以构造ELM训练的SLFN结构。这将有效地提高具有高预测精度的模型的性能，与其他模型相比，图14. 60 min时间间隔数据的不同模型之间的相关性图。选择模型。10.5测试功能20151000.05X20-0.05 -0.0550.05001200 400 600 800 1000迭代图15. 60 min时间间隔数据的SCA收敛曲线。收敛曲线SCA-ELM实际榆树EMD-ELMSCA-ELMEMD-SCA-ELM预测光伏功率（p.u）收敛曲线SCA-ELM光伏发电（p.u）F（x1，x2）F（x1，x2）迄今为止获得的最好成绩M.K. Behera，N.Nayak/工程科学与技术，国际期刊23（2020）156167表4用所提出的方法预测不同模型的误差。持续时间EMD-SCA-ELM SCA-ELM EMD-ELM ELMRMSEMAPE（%）MaeRMSEMAPE（%）MaeRMSEMAPE（%）MaeRMSEMAPE（%）Mae15分钟0.02391.88520.01890.02531.98940.01990.02612.16690.02170.02832.34770.023530分钟0.03062.51630.02520.03352.73860.02740.03612.94990.02950.04033.07130.030760分钟0.04083.12610.03130.04183.47150.03470.04353.57640.03580.04373.83740.0384注意：粗体值表示最小预测误差。7. 结论对光伏特性的研究表明，光伏发电功率的预测对于维持快速增长的光伏供电电网具有重要意义。光伏发电短期预测是目前光伏发电中最难解决的问题之一。因此，为了在光伏电站运行过程中调节负荷的动作和调度，光伏功率的预测可以是一个必不可少的支持。本文提出了一种基于EMD信号滤波技术的SCA-ELM方法对光伏发电短期预测进行研究，该方法是一种基于SLFN的EMD信号滤波、预测和训练的SCA控制的ELM参数优化选择的数据集是15分钟，30分钟，60分钟的观察，从一个特定的站在印度布巴内斯瓦尔。比较和仿真结果表明，提出的EMD-SCA-ELM技术解决短期光伏发电预测问题的能力很强。特别是，EMD-SCA-ELM与15分钟的数据的方法，在大多数情况下，给出了最好 的 性 能 。 基 于 模 拟 样 本 ， EMD-SCA-ELM 方 法 的 MAPE 为1.8852%，这是所有已考虑的模型中最低的总之，已经开发的EMD-SCA-ELM方法，特别是具有15分钟时间间隔数据预测方法的EMD-SCA-ELM，提供了ELM模型关于短期光伏功率预测的性能的增强。因此，它是一种有效的学习方法SLFN，因为它实现了从EMD-SCA-ELM的新混合物的好处。它是非常有利的实
