[发明专利]基于小波分析和BP神经网络的光伏发电功率预测

权利要求书

1.基于小波分析和BP神经网络的光伏发电功率预测方法，其特征在于包括下列步骤：

步骤一：对光伏发电功率数据进行相似日的分类选取出相似日；

步骤二：对步骤一所得相似日的光伏发电功率进行采样，根据小波是否具有正交性、双正交性以及能否进行离散小波变换，从任意类型的小波中选取合适的一种小波函数及其阈值，对采样数据利用一种小波进行小波分解和阈值处理，最后对稀疏化后的小波系数进行实验仿真，对所得结果理论分析，得到最优小波函数和阈值；

步骤三：利用步骤二的最优小波函数和阈值，对相似日光伏发电功率数据进行一层小波分解，将小波分解得到的小波系数先进行归一化处理，然后利用最优阈值进行阈值处理，得到稀疏化后的小波系数；

步骤四：输入步骤三所得稀疏化后的相似日光伏发电功率小波系数、相似日日最高气温、相似日日最低气温、待预测日日最高气温、待预测日日最低气温，利用BP神经网络进行训练，得到一种网络结构；

步骤五：利用步骤四得到的网络结构，输入相似日的日最高气温、相似日的日最低气温、待测日的日最高气温、待测日的日最低气温和相似日的光伏发电功率小波系数，得到待预测日的光伏发电小波系数；

步骤六：将步骤五得到的光伏发电功率小波系数重构得到待测日的光伏发电功率。

2.根据权利要求1所述的基于小波分析和BP神经网络的光伏发电功率预测方法，其特征在于：所述步骤二中对相似日光伏发电功率进行小波分解和阈值处理，方法是：选取一种小波，对步骤一所得的相似日以天为单位，将M个相似日进行从1、2、3…进行编号，对M个相似日的从时刻A到时刻B每隔t分钟的光伏发电功率共C个数据进行1层小波分解，将小波分解得到的小波系数先进行归一化处理，然后通过阈值处理，将小于阈值的小波系数置为零，得到稀疏度为K的小波系数，其中K表示稀疏度。

3.根据权利要求1所述的基于小波分析和BP神经网络的光伏发电功率预测方法，其特征在于：所述步骤二中对稀疏化后的小波系数进行实验仿真并对所得结果理论分析，得到最优小波函数和阈值，方法是：对稀疏度为K的小波系数进行重构，恢复原信号，得到其稀疏度K和重构后原始信号与重构信号的相对误差，相对误差计算公式为：相对误差＝|x1-x2|/|x1|，其中x1为原始信号，x2为重构信号，通过比较不同稀疏度和相对误差可知：在相同小波的条件下，随着阈值的增大，小波系数越稀疏，压缩率越大，重构信号和原信号的相对误差越大，而且考虑在增大压缩率的同时，需保证在利用少量的小波系数做预测时其预测精度。

4.根据权利要求1所述的基于小波分析和BP神经网络的光伏发电功率预测方法，其特征在于：所述步骤四中BP神经网络进行训练，得到网络结构，方法是：将M个相似日进行从1、2、3…进行编号后，以第m天的日最高气温、日最低气温和第m+1天的日最高气温、日最低气温共4个数据作为气象数据输入，同时输入层还包括第m天的D个光伏发电功率小波系数，故输入层总个数为E＝D+4，其中m小于M；采用BP神经网络，输出层神经元个数为F＝D，神经网络的隐含层节点数由和试凑法得到，其中a是[0，10]之间的常数；以第m+1天的真实光伏发电功率小波系数作为参照，对比BP神经网络预测得到的第m+1天的光伏发电功率小波系数，将得到的误差作为反馈，再进行下一次网络训练。

5.根据权利要求1所述的基于小波分析和BP神经网络的光伏发电功率预测方法，其特征在于：所述步骤五中利用步骤四得到的网络结构，预测待预测日的光伏发电小波系数，方法是：输入相似日的日最高气温、相似日的日最低气温、待测日的日最高气温、待测日的日最低气温和相似日的D个光伏发电功率小波系数，神经网络的输入层神经元个数为E＝D+4，神经网络的输出层神经元个数为F＝D，神经网络的隐含层节点数由经验公式和试凑法得H的值，其中a是[0，10]之间的常数，相似日为第M天。