[发明专利]一种基于神经网络的超高精度光伏发电功率预测方法及系统

权利要求书

1.一种基于神经网络的超高精度光伏发电功率预测方法，其特征在于：包括以下步骤：

步骤S1：建立EMD-Elman神经网络模型；

步骤S2：在历史数据集中收集多组与待预测日关联的数据，建立相似日序列组，训练神经网络模型；

步骤S3：将待预测日特征输入训练后的神经网络模型中，得到各个分量预测值，两者求和得到当前相似日的预测结果。

2.根据权利要求1所述的一种基于神经网络的超高精度光伏发电功率预测方法，其特征在于：在步骤S1中具体包括以下步骤：

步骤S11：分别建立输入层、隐含层、输出层，并在所述输入层、隐含层、输出层之外套接承接层；

步骤S12：初始化输入层、隐含层、输出层以及承接层各层权值，将样本数据输入至输入层，并将数据输送至隐含层；

步骤S13：根据k-1时刻隐含层的输出量计算k时刻承接层的输出量，输出层的输出量的确定根据下述公式(1)：

x_c(k)＝x(k-1) (1)

所述公式(1)中，x(k-1)表示k-1时刻下隐含层的输出向量，x_c(k)表示k时刻下承接层的输出向量表达式；

步骤S14：根据步骤S13中得到的k时刻承接层的输出量x_c(k)计算k时刻隐含层的输出量，并将k时刻得到的隐含层输出量x(k)输送至输出层以及承接层，隐含层的输出量的确定根据下述公式(2)：

x(k)＝f[w₃₁x_c(k)+w₁₂(u(k-1))] (2)

所述公式(2)中，x(k)表示k时刻下隐含层的输出向量表达式，w_31表示承接层至输入层的连接权值，w₁₂表示输入层至中间层的连接权值，u(k-1)表示输入向量，x_c(k)表示k时刻下承接层的输出向量表达式，f(*)表示中间层传递函数组合的非线性向量合成函数；

步骤S15：根据步骤S14中k时刻隐含层的输出量x(k)计算k时刻输出层的输出量，输出层的输出量的确定根据下述公式(3)：

y(k)＝g[w₂₃x(k)] (3)

所述公式(3)中，w₂₃表示中间层至输出层的连接权值，k表示当前时刻，x(k)表示k时刻下隐含层的输出向量表达式，g[*]表示输出层传递函数组合的非线性向量合成函数。

3.根据权利要求2所述的一种基于神经网络的超高精度光伏发电功率预测方法，其特征在于：在步骤S2中具体包括以下步骤：

步骤S21：在历史数据集中寻找N组相似日序列，分别为序列1：(U₁，Y₁)、序列2：(U₂，Y₂)、序列3：(U₃，Y₃)…序列N：(U_N，Y_N)；

步骤S22：定义公式(4)为EMD-Elman神经网络的误差函数：

所述公式(4)中，y_k(i)表示i时间节点下输出向量的目标值，y(i)表示i时间节点下输出向量的实际值；

步骤S23：选取任意一组序列N(U_N，Y_N)；将输入向量U_N输入至EMD-Elman神经网络的输入层进行目标训练，计算得出输出向量O_N，再次得出全局误差函数E₂，见公式(5)：

步骤S24：根据步骤S22中的E₁和步骤S23中的E₂，得出最终误差函数，见公式(6)：