[发明专利]一种基于小波变换和小波神经网络的光伏电站短期功率预测方法

权利要求书

1.一种基于小波变换和小波神经网络的光伏电站短期功率预测方法，其特征在于，包括以下步骤：

使用相关系数分析影响光伏功率的气象参数，最后选取与光伏功率最为相关的四种气象参数作为模型的输入；

对待预测日之前的设定天数的历史数据进行处理，剔除异常值和黑夜的值，然后对历史功率和历史气象参数进行归一化处理，将其作为训练数据集；

使用小波变换将训练数据集中的历史功率数据和历史气象数据均分解为稳态分量和非稳态分量；

采用小波神经网络对经小波变换后的训练数据集进行学习，针对稳态分量和非稳态分量分别训练对应的小波神经网络模型，即稳态部分的功率由稳态部分的气象参数来进行预测，非稳态部分的功率由非稳态部分的气象参数来进行预测，并用随机梯度下降法调整网络的参数；

将待预测日的NWP气象参数归一化并使用小波变换分解为稳态分量和非稳态分量，然后将之作为对应模型的输入，得出各个预测的功率值分量，各功率分量求和并反归一化即为预测的最终功率值。

2.根据权利要求1所述的一种基于小波变换和小波神经网络的光伏电站短期功率预测方法，其特征在于，所述与光伏功率最为相关的四种气象参数分别为：地面水平辐照度、散射水平辐照度、环境温度和相对湿度。

3.根据权利要求1所述的一种基于小波变换和小波神经网络的光伏电站短期功率预测方法，其特征在于，所述剔除异常值和黑夜的值具体为：剔除由非气象参数引起的功率变化所对应的数据，以及剔除黑夜的数据，取白天6时至19时的数据。

4.根据权利要求1所述的一种基于小波变换和小波神经网络的光伏电站短期功率预测方法，其特征在于，所采用的小波变换的基函数为Biorthogonal小波系中的bior6.8。

5.根据权利要求1所述的一种基于小波变换和小波神经网络的光伏电站短期功率预测方法，其特征在于，所述训练小波神经网络模型，并用随机梯度下降法调整网络的参数具体为：

步骤S11：正向传播，使用的是小波神经网络，设其隐含层为N层，第一层隐含层的输出为：H₁＝f(W₁X+B₁)，第i层的隐含层输出为：H_i＝f(W_iH_i-1+B_i)，i＝2，3，...，N，输出为：O＝g(W_oH_N+B_o)；其中，W为权值，B为偏置值，下标表示层数；X是小波神经网络的输入；f(·)为隐含层的激活函数，其表达式为g(·)为输出层的激活函数；

步骤S12，采用随机梯度下降法对经过步骤S11训练后的小波神经网络进行反向传播。

6.根据权利要求5所述的一种基于小波变换和小波神经网络的光伏电站短期功率预测方法，其特征在于，步骤S11中，在训练时和预测时输出层选择不同的激活函数，训练时选择线性函数，而预测时使用正线性函数，表达式为

7.根据权利要求5所述的一种基于小波变换和小波神经网络的光伏电站短期功率预测方法，其特征在于，步骤S12具体为：

首先定义一个目标函数其中，p为待调参数，即权值和偏置值；为目标函数；y_t为t时刻的实际功率值；a_t(p)为t时刻的网络输出值，即预测值；e_t(p)为对应的误差；

然后，使用随机梯度下降法调整参数：其中，α为学习率，为定值或者随着训练次数变化；p_t为t时刻的待调参数。

8.根据权利要求7所述的一种基于小波变换和小波神经网络的光伏电站短期功率预测方法，其特征在于，当学习率α随着训练次数变化时，采用下式计算：

式中，α_t为t时刻的学习率，α_max为最大学习率，α_min为最小学习率，t_max为最大训练时长或周期。