[发明专利]基于灰色神经网络的太阳能收集功率预测方法

摘要

本发明公开了一种基于灰色神经网络的太阳能收集功率预测方法。首先选取若干天每天同一时刻原始太阳能收集功率和影响太阳能收集的因素数据序列，运用灰色预测方法对太阳能收集功率序列进行预测，得到初步预测结果；然后将灰色预测结果和原始影响太阳能因素数据序列归一化，作为神经网络的输入，原始太阳能数据序列作为神经网络的输出，建立神经网络模型，对神经网络进行训练，直至收敛；最后调用已训练好的神经网络来进行太阳能收集功率的最终预测。本发明结合灰色建模方法和神经网络方法建立灰色神经网络模型，与普通神经网络模型相比，引入灰色预测模型，减少了预测时的计算量，在少样本情况下也可达到较高精度；且预测准确率更高。

主权项

一种基于灰色神经网络的太阳能收集功率预测方法，其特征在于，包括以下步骤：步骤(1)收集若干天每天同一时刻太阳能数据及影响太阳能因素数据，影响太阳能因素包括温度、湿度、风速；步骤(2)建立灰色预测模型：运用灰色模型对原始太阳能训练数据序列进行预测，得到中间预测结果；具体步骤如下：①设为原始数据序列，经过一次累加生成1‑AGO序列记为②将原始训练数列表示为x(t)，一次累加后的生成的数列表示为y(t)，预测的结果用z(t)表示，建立微分方程dy1dt+ay1=b1y2+b2y3+...+bn-1yn]]>式中y2,y3,..,yn为系统输入参数，y1为系统输出参数，a,b1,b2,...,bn‑1为微分方程系数；其中参数列可用最小二乘估计得到为其中，③求解微分方程微分方程对应的时间响应式为z(t)=(y1(0)-b1ay2(t)-b2ay3(t)-...-bn-1ayn(t))e-at+b1ay2(t)+b2ay3(t)+...+bn-1ayn(t)]]>令则即为灰色预测得到的太阳能收集功率序列此处的预测结果是中间预测结果，将作为神经网络模型的一个输入；步骤(3)建立神经网络模型；将灰色预测得到的太阳能收集功率序列和原始影响太阳能因素训练数据序列作为BP神经网络的输入，原始太阳能训练预测数据序列作为网络的输出，建立BP神经网络模型；在对BP神经网络进行训练之前，要对样本数据进行归一化处理，避免隐含层某神经元处于饱和状态以及数据间数量级的差异；在使用经过学习后的网络时，对网络的输出数据还应进行反归一化，恢复最终的预测值；步骤(4)预测太阳能；预测时，调用已训练好的BP神经网络，输入原始太阳能样本数据序列和原始影响太阳能因素样本数据序列，得到灰色神经网络预测值至此，经过步骤(1)，(2)，(3)，(4)，就建立了灰色神经网络的太阳能预测模型。