为灰色系统校正提供了依据；5、本发明 采用了基于历史数据样本进行灰色建模，并对神经网络的预测结果进行进一步的校正，有 助于归纳预测日短期内的光伏输出功率趋势，提高了神经网络预测结果的预测精度。
【附图说明】
[0042] 图1为本发明的流程图。
[0043] 图2为发明小波神经网络的组合预测模型的示意图。
[0044] 图3为本发明神经网络的训练流程。
[0045] 图4为2013年内光伏电站统计数据。
[0046] 图5为小波重组后得到的初始光伏预测序列。
[0047] 图6为2013年5月1日相邻前5天的6:00到19:00的历史光伏输出功率值。
[0048] 图7为本发明灰色系统预测误差分布图。
[0049] 图8为5月1日6:00到19:00校正前后的预测值。
[0050] 图9为本发明预测结果实例验证对比图。
[0051] 图10为校正前后的预测值与实际值的相关系数C0RR、标准误差RMSE和MAE。
【具体实施方式】
[0052] 下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明 的技术方案，而不能以此来限制本发明的保护范围。
[0053] 如图1所示，一种光伏输出功率值的分频预测方法，包括以下步骤，
[0054] 步骤A，获取相似日数据。
[0055] 具体过程如下：
[0056] Al)选取光伏发电设备的历史光伏数据，构造历史样本集S= {Sl，S2，…，S1，… ，Sn};
[0057] 其中，8;表示历史样本集中的第i个样本；I彡i彡n;并有Si = Iw1, Xlinax, Xlinin, Plil, Pli2,…，Pu,…，P1J W1表示历史样本s i的天气类型；X linax表示历史 样本Si的最高温度；X iimin表示历史样本s ;的最低温度；p pii2,…，pu，…，piim表示历史 样本S1各时刻的光伏输出功率值；P u表示历史样本s i在第1个时刻的光伏输出功率值； 1 1 m ；
[0058] A2)假设光伏发电设备的预测日光伏数据为{wp，;
[0059] 其中，wp表示预测日的天气类型；X p，_表示预测日的最高温度；X p，_表示预测日 的最低温度；
[0060] A3)计算历史样本集S与预测日光伏数据的温度欧式距离，构造温度欧式距离集D ={山，d2,…，山，…，dn};
[0061] 其中，
[0063] Cl1表示历史样本s 1与预测日光伏数据的温度欧式距离；
[0064] A4)对温度欧式距离集D进行降序排序，选择前r组温度欧式距离对应的历史样 本，构造与所述预测日光伏数据相对应的神经网络训练样本集S。；
[0065] S。= {s Sq2,…，s。」，…，SqJ，其中s。」表示第j个神经网络训练样 本，
1彡j彡r，w(i)表示神经网络训练样本sj的天气类型；，
表示神经网 络训练样本& ,的最高温度；
表示神经网络训练样本Sq的最低温度；
表不神经网络训练样本Stli 各时刻的光伏输 出功率值；
表示神经网络训练样本\ j在第1个时刻的光伏输出功率值。
[0066] 步骤B，生成初始预测值。
[0067] 具体过程如图2所示：
[0068] BI)对神经网络训练样本集S。中的每个元素进行λ次小波分解，获得神经网络训 练样本集S。的分解小波系数序列集；
[0069] 对Sy进行λ次小波分解，获得第j个分解小波系数序列
其中，表示对Sq进行第λ次小波分解所 获得的小波系数序列；表示对Sy进行第λ次小波分解所获得的平均系数序列
[0070] Β2)以第j-Ι个分解小波系数序列
作为神经网络的输入信号，以第j个分解小波系数序列
作 为神经网络的输出信号，以所述输入信号和所述输出信号作为神经网络的学习样本，通过 神经网络对所述学习样本进行训练（具体训练过程如图3所示，由于为现有技术，就不详细 叙述了），从而获得光伏输出功率值分频预测模型；
[0071] B3)以第r个分解小波系数序列
作为光伏输 出功率值分频预测模型的输入信号，通过光伏输出功率值分频预测模型，获得初始预测小 波序列
[0072] B4)对初始预测小波序列
进行小波重 组，获得初始光伏输出功率预测序列{ρΡι1，ΡΡι2, . . .，PM，. . .，PpiJ，Pm表示预测日在第1 个时刻的光伏输出功率预测值。
[0073] 步骤C，确立灰色系统预测值的判断区间。
[0074] 具体过程如下：
[0075] Cl)根据历史样本集获得预测序列
[0076] X(0) = [X (。) (I)，x(0) (2)，…，x(0) (k)，…，x(。)⑴];
[0077] 其中
t表示与预测日相邻的前t 天；
[0078] C2)利用预测序列Xw构建灰色系统DGM模型；
[0079] 灰色系统DGM模型的构建方法如下：
[0080] 对Xw进行一次累加生成，得生成序列X (1);
[0081 ] X(1) = [X ⑴(I)，x(1) (2)，…，x(1) (k)，…，x(1)⑴]
[0082] 其中，
[0083] DGM(1，1)模型为，
[0084] x(1) (k+1) = ax(1) (k)+b
[0085] 其中，a和b为模型参数；
[0086] DGM(1，1)模型的白化方程为： CN 105117975 A 说明书 7/9 页
[0088] 其中，x(1)表示由序列X (1)拟合的函数；
[0089] 定义B与Y是求解参数a和b的中间参数，没有实际意义；
τ
[0091]贝ljDGM(l，l)参数列 的最小二乘估计为，
[0093] 最终可得到预测序列Xw构建灰色系统DGM模型为，
[0095] C3)对η个历史样本，利用灰色系统DGM模型分别进行灰色预测，获得η个预测值 W，并根据η个预测值W计算η个历史样本的误差值；
[0096] C4)根据η个历史样本的误差值选取误差区间Eg= (δ，ε);其中δ，ε是由η个 历史样本的误差值集中分布范围决定的，S是误差区间下限，ε是误差区间上限。
[0097] C5)将t+Ι的值赋给k，从而利用灰色系统DGM模型获得预测日的预测序列值Wg = x(Q) (t+Ι)，获得判断区间 Jg= (W g_Wg ε，Wg-Wg δ ) U (Wg+Wg δ，Wg+Wg ε );
[0098] 步骤D，判断
是否成立，若成立，则不进行校正，从而以预测日在 第1个时刻的光伏输出功率预测值Piu作为最终预测值；否则，利用校正公式进行校正，从 而获得预测日在第1个时刻的光伏输出功率预测校正值Pftlnew，并以预测校正值Pftlnew作为 最终预测值；
[0099] 校正公式为，
[0101] 上述方法采用了基于灰色系统校正的小波神经网络，能有效的从历史光伏数据中 提取出预测日的出力趋势及特征，提高预测精度，降低预测误差；采用了基于小波分解对历 史数据进行分解，能对历史光伏数据进行多尺度分析，有效提取历史光伏数据的局部信息； 采用了基于神经网络构建预测模型，有助于提取各种外界条件下光伏电站的出力趋势，具 有很强的学习能力，提高了非晴天条件下光伏输出功率的预测精度；采用了基于灰色系统 模型对历史数据进行建模，通过对历史光伏数据的误差分析，找出预测误差分布范围，为灰 色系统校正提供了依据；采用了基于历史数据样本进行灰色建模，并对神经网络的预测结 果进行进一步的校正，有助于归纳预测日短期内的光伏输出功率趋势，提高了神经网络预 测结果的预测精度。
[0102] 为了进一步说明本方法，做以下实例。
[0103] 采用似日算法，即在同季度的范围内，选取与预测日的天气类型Wp的相同的历史 光伏数据作为选择神经网络训练样本的依据，基于相似日算法选择的历史样本能有效反映 该天气类型下，光伏输出功率的出力趋势及特征，更能有效地完成对神经网络权重值的训 练，并且根据大量的历史数据及参考文献可知，全年范围内，光伏电站在6:00到19:00时间 段内有输出功率，在其余时间段内均没有输出