[发明专利]基于BP神经网络模型的光伏发电系统输出功率预测方法

权利要求书

1.基于BP神经网络模型的光伏发电系统输出功率预测方法，其特征在于：该输出功率预测方法包括以下步骤：

（A）分析并选取光伏发电系统输出功率的影响因素，采集负荷的历史数据，得训练样本集；

（B）根据所选取的影响因素的历史数据生成输入向量，以所对应的光伏发电系统的输出功率的历史数据作为输出，得到训练样本；

（C）利用所述训练样本对BP神经网络进行训练，得到训练后的BP神经网络； 

（D）根据所选取的影响因素的待预测时刻的实际数据生成测试输入向量，并将测试输入向量输入训练后的BP神经网络，其输出即为待预测时刻的光伏发电系统输出功率的预测值。

2.如权利要求1所述的基于BP神经网络的光伏发电系统输出功率预测方法，其特征在于：所述BP神经网络的输入向量的维数为所述输入向量的特征维数。

3.如权利要求1所述的基于BP神经网络的光伏发电系统输出功率预测方法，其特征在于：步骤B中根据所选取的影响因素的历史数据生成输入向量，具体按照以下步骤：首先，利用所选取的影响因素的历史数据构造特征向量；然后，对该特征向量进行降维处理，得到输入向量。

4.如权利要求1所述的基于BP神经网络的光伏发电系统输出功率预测方法，其特征在于：步骤D中根据所选取的影响因素的待预测时刻的实际数据生成测试输入向量，具体按照以下步骤：首先，利用所选取的影响因素的待预测时刻的实际数据构造测试特征向量；然后，对该测试特征向量进行降维处理，得到测试输入向量。

5.如权利要求1所述的基于BP神经网络的光伏发电系统输出功率预测方法，其特征在于：所述输入向量的维数为5。

6.如权利要求3或4所述的基于BP神经网络的光伏发电系统输出功率预测方法，其特征在于：所述降维处理采用非负矩阵分解方法。

7.如权利要求3或4所述的基于BP神经网络的光伏发电系统输出功率预测方法，其特征在于：所述降低维数处理利用k折交叉训练方法得到维数的最优取值。

8.如权利要求6所述的基于BP神经网络的光伏发电系统输出功率预测方法，其特征在于：所述非负矩阵分解方法选择欧式距离平方作为非负矩阵分解的目标函数。

9.如权利要求1所述的基于BP神经网络的光伏发电系统输出功率预测方法，其特征在于所述影响因素包括：预测日前两天同一时刻发电量、预测日前一天同一时刻发电量、预测日前两小时发电量、预测日前一小时发电量、预测日前一天同一时刻日照强度、预测日前一小时日照强度、预测日时刻日照强度、预测日前一天同一时刻温度、预测日前一小时温度、预测日时刻温度、预测日前一天同一时刻风速、预测日前一小时风速、预测日时刻风速。