[发明专利]一种适用于小样本的神经网络光伏发电预测方法及系统

权利要求书

1.一种神经网络光伏发电预测方法，其特征在于，包括：

获取历史光伏发电功率数据、气象数据；

基于历史光伏发电功率数据、气象数据，根据影响光伏发电的因素建立BP神经网络光伏发电预测模型；

采用Dropout策略对神经网络进行优化，采用遗传算法对神经网络进行优化；确定Dropout概率p，分解神经网络子模型，对神经网络子模型ga函数参数寻优，权值重计算，将优化后的权值赋给BP神经网络得到最终的BP神经网络光伏发电预测模型；

获取天气预报数据，得到模型输入属性；将得到的模型输入属性输入最终的BP神经网络光伏发电预测模型，模型输出输入属性对应的输出属性，即预测数据。

2.根据权利要求1所述的神经网络光伏发电预测方法，其特征在于，包括以下步骤：

1)基于获取的历史光伏发电功率数据、气象数据，根据影响光伏发电的因素构建BP神经网络光伏发电预测模型输入输出属性；

2)确定BP神经网络的网络结构为3层网络，即是单隐含层的神经网络；确定神经网络的输入层、隐含层、输出层的节点个数；

3)采用Dropout策略对神经网络进行优化；基于预设的隐含层节点Dropout的概率p，确定优化后的神经网络隐含层节点个数；

4)使用遗传算优化BP神经网络的权值，确定遗传算法中的适应度函数，确定选择操作的选择策略，确定交叉概率参数以及变异率参数；

5)对神经网络计算得到的权值w重新调节，将每个隐含层权值调整为w*(1-p)；

6)将由优化后的权值赋给BP神经网络得到最终的BP神经网络光伏发电预测模型；

7)获取天气预报数据，得到模型输入属性；将得到的模型输入属性输入最终的BP神经网络光伏发电预测模型，模型输出输入属性对应的输出属性，即预测数据。

3.根据权利要求2所述的神经网络光伏发电预测方法，其特征在于，步骤1)中构建光伏发电预测模型输入输出属性具体包括：

光伏发电预测模型中总共有5个输入属性和1个输出属性，5个输入属性分别是：采样时间t_i及t_i时刻的太阳辐照度di_i、温度dt_i、湿度dh_i、天气类型dm_i；1个输出属性为该时刻的光伏发电功率dp_i；

A_i为第i个样本的所有输入属性，即

A_i＝{t_i，di_i，dt_i，dh_i，dm_i} 公式(1)。

4.根据权利要求3所述的神经网络光伏发电预测方法，其特征在于其中t_i取值为1～96的整数，太阳辐照度、温度、湿度均为实际值，天气类型包括晴1，雨2，阴3，雪4。

5.根据权利要求2所述的神经网络光伏发电预测方法，其特征在于，步骤2)确定BP神经网络的网络结构为3层网络，即是单隐含层的神经网络；确定神经网络的输入层、隐含层、输出层的节点个数；具体包括：

输入属性A_i由5个输入属性组成，输出属性为预测的光伏发电功率，故构建的神经网络输入层节点个数为5，输出层节点个数为1，隐含层节点个数n₁为：

式中n为输入层节点个数，m为输出层节点个数，a为常数；

根据经验公式确定隐含层节点个数n₁为14。