[发明专利]一种基于粒子群算法小波神经网络的光伏发电量的预测方法

权利要求书

1.一种基于粒子群算法小波神经网络的光伏发电量的预测方法，其特征在于：包括以下步骤：

A、获取发电量的历史数据以及相关的历史天气参数信息；

B、对收集的数据进行归一化处理，设计小波神经网络结构，根据输入的特征向量的维数和最后的输出的光伏发电量的状态数，确定小波神经网络的输入和输出层神经元个数，并通过方法确定隐含层神经元个数，其中隐含层和输出层的激活函数分别用Morlet小波函数和线性Purelin函数；

C、将一种改进的粒子群算法对小波神经的模型参数进行前期优化，是对网络的输入层与隐含层之间的连接权值、隐含层与输出层之间的连接权值和阈值通过粒子群算法得到最优解作为小波神经的初始参数值；

D、通过粒子群算法得到小波神经网络的初始参数值加入到小波神经网络中，再用梯度下降法对建立的神经网络进行训练学习，让预测误差尽可能小，达到理想的标准；

E、将预测日前一日的有效发电时每小时发电量、预测日前一日的天气参数数据和预测日的天气参数数据作为输入，采用训练后的神经网络对预测日的发电量进行预测。

2.根据权利要求1所述的一种基于粒子群算法小波神经网络的光伏发电量的预测方法，其特征在于：所述发电量数据包括有效发电时间和每小时太阳能光伏发电的发电量，所述历史天气参数信息包括天气类型、辐照强度、温度、相对湿度、云量、雨量。

3.根据权利要求1所述的一种基于粒子群算法小波神经网络的光伏发电量的预测方法，其特征在于：所述步骤B，其包括：

根据输入的数据类型和输出的数据类型，确定输入和输出层的神经元个数，预测日前一日的有效发电时每小时发电量、预测日前一日的天气参数数据和预测日的天气参数数据作为输入，预测日的每个小时的发电量作为输出；隐含层的神经元个数通过逐渐递增试凑法得出。

4.根据权利要求1所述的一种基于粒子群算法小波神经网络的光伏发电量的预测方法，其特征在于：提出了小波神经网络模型的预测方法，其包括：

小波神经网络是神经网络和小波分析理论相结合的产物，他具有小波变换良好的时频局域化特点和传统神经网络的自学习功能，具有很强的泛化能力与自适应数据和函数变化的能力，小波神经网络有着更强的逼近、容错能力和更好的动态预测效果；

神经网络选用3层BP神经网络，其中将隐含层中的激活函数采用时频分辨率都较高的Morlet小波基函数，即表达式为：

其中；为小波伸缩系数，为小波平移系数。

5.根据权利要求1所述的一种基于粒子群算法小波神经网络的光伏发电量的预测方法，其特征在于：所述步骤C，包括将一种改进的粒子群算法对小波神经的模型参数进行前期优化，是对网络的输入层与隐含层之间的连接权值、隐含层与输出层之间的连接权值和阈值通过粒子群算法得到最优解作为小波神经的初始参数值；

神经网络的训练最常见的训练方法就是梯度下降法，这种经典的算法达到的精度非常依赖于初始权值，且实际运用中训练速度较慢且易陷入局部极小值而达到早熟；粒子群算法的优点在于收敛速度快，不需要计算目标函数的最佳梯度下降，减轻了计算的负担，但是容易陷入局部极小值；针对这个缺陷，将变异进化的思想加入到PSO算法中，根据我们以往的寻最优解的经验，适应度最好的解往往是被包围在大量的次最优解之中，因此很多时候，次最优解被寻找出来而真正的没有被发现的最优解往往就在附近，因此在算法之后加上一步针对局部小范围寻找最优的进化算法就很有必要，这种自适应变异算法可以在有限时间内最大化搜索全局最优值。

6.根据权利要求1所述的一种基于粒子群算法小波神经网络的光伏发电量的预测方法，其特征在于：所述步骤D和E，其包括：用梯度下降法进行训练，直到误差达到给定的精度，或者达到最大训练步数，停止训练，将训练好的小波神经网络进行样本预测，输出仿真预测结果。