子中i代表粒子的标号，k代表迭代的次数，学习因子C1= C2= 2, rp r2是分 布于[0，1]之间的随机数；
[0039] 为了控制对和JTf在合理的区域内，设定范围，要求指定V_、V_、X_、X_来限制， 研究发现，惯性因子W对优化性能的影响，其值随着最优适应度值变化率K来改变，二者的 表达式为：
[0040]
[0041]
[0042] r为均匀分布于[0, 1]之间的随机数，f (t)为种群第t代的最优适应值，f (t_5) 为第（t-5)代的最优适应值，K表示了种群在最近5代内最优适应值的相对变化率，当 K多0. 05,种群处于适应值变化较大的探索阶段，此时惯性因子取大有利于算法快速收敛， K < 0. 05,种群适应值变化较小，惯性因子取小有利于获得跟精确的解；
[0043] 当粒子群进化到一定的迭代次数以后，若Pfctest)在较长时间内未发生变化时，所 有粒子都会向一个具有最优位置的粒子靠拢，此致粒子群表现出强烈的"趋同性"，如果该 最优位置为一局部最优点，粒子群就无法在解空间内重新搜索，陷入局部最优，因此当种群 进化到一定的程度，执行变异可以提高种群的多样性，而"变异"的粒子进入全局其他区域 进行搜索，从而可能发现新的最优解。
[0044] 定义当粒子的全局极值Pfctest)在连续15次没有变化（或变化很小）时，判断 若δ ;< h，其中δ ;= I f「f (Pg) |2/m，h = f (Pg)/m，m为种群规模，对粒子产生新的位置
，其中A为粒子i当前的适应值，；7为当前种群的平均适 应值
r为[0, 1]之间的随机数，X_、X_为上下界；
[0045] 当迭代达到预先设定的步数以后，算法结论得到了一个代表最优解的P(gtest)，利用 公式搜索在P tebf3st)的邻域可能的更优解，设η为代表粒子P ^^^在η代的向量值，m = 0. 5， g是在[0, 0. 1]之间的随机数，粒子P(gtest)从第η代进化到n+1代后，若此时的P n+1的适应 值比上一代更好，则用Pn+1代替P n，否则不变，采用不变的参数进入下一次进化，直至达到进 化上限步数为止，公式为：
[0046] Δ Pn+1= mA P n+(l-m) gPn
[0047] Pn+1= P η+Δ Pn+1；
[0048] 迭代次数达到上限时，进而得到粒子群算法优化的模型参数初始值；
[0049] 进一步，通过粒子群算法得到小波神经网络的初始参数值加入到小波神经网络 中，用梯度下降法对建立的神经网络进行训练学习，让预测误差尽可能小，达到理想的标 准；
[0050] 所述的步骤D、E包括用梯度下降法进行训练，注意选择较小学习速率和较多训练 次数（500次一1000次）避免训练过程发生振荡以便得到更优解；
[0051] 进一步将训练好的网络进行预测，利用数据对太阳能光伏发电量进行预测。
[0052] 本发明的有益效果是：通过基于粒子群算法小波神经网络的构建，结合与当地地 区的光伏发电量历史数据和相对应的历史天气参数信息，得到预测日的光伏发电量，其中 小波神经网络同时具备小波分析和神经网络的优点，对非平稳信号具有良好的时频局部特 性和变焦能力，可以提高神经网络对非平稳信号的逼近能力，而小波神经网络常采用梯度 下降法训练网络参数，其固定的梯度变化方向限制了参数优化的方向，易陷入局部极小和 引起振荡效应，梯度下降法具有收敛速度慢、易陷入局部极小值的缺点，所以利用粒子群算 法结构简单、全局寻优性能好优化小波神经网络参数，减少训练时间，提高精度。
【具体实施方式】
[0053] 本【具体实施方式】的一种基于粒子群算法小波神经网络的光伏发电预测方法，包 括：
[0054] A、获取发电量的历史数据以及相关的历史天气参数信息；
[0055] B、对收集的数据进行归一化处理，设计小波神经网络结构，根据输入的特征向量 的维数和最后的输出的光伏发电量的状态数，确定小波神经网络的输入和输出层神经元个 数，并通过方法确定隐含层神经元个数，其中隐含层和输出层的激活函数分别用Morlet小 波函数和线性Purelin函数；
[0056] C、将一种改进的粒子群算法对小波神经的模型参数进行前期优化，是对网络的输 入层与隐含层之间的连接权值、隐含层与输出层之间的连接权值和阈值通过粒子群算法得 到最优解作为小波神经的初始参数值；
[0057] D、通过粒子群算法得到小波神经网络的初始参数值加入到小波神经网络中，再用 梯度下降法对建立的神经网络进行训练学习，让预测误差尽可能小，达到理想的标准；
[0058] E、将预测日前一日的有效发电时每小时发电量、预测日前一日的天气参数数据和 预测日的天气参数数据作为输入，采用训练后的神经网络对预测日的发电量进行预测。
[0059] 进一步，所述发电量历史数据包括有效发电时间和每小时太阳能光伏发电的发电 量，所述历史天气参数信息包括天气类型、辐照强度、温度、相对湿度、云量、雨量。
[0060] 进一步，所述步骤B，其包括：
[0061] 根据输入的数据类型和输出的数据类型，确定输入和输出层的神经元个数，将预 测日前一日7:00~19:00的13个时刻的发电量，预测日前一日和预测日的天气类型、辐照 强度、温度、相对湿度、云量、雨量等12个影响因素，共25个输入层神经元个数，输出的是预 测日7:00~19:00的发电量，即13个输出层神经元个数。隐含层的神经元通过试凑法确 定。
[0062] 数据归一化公式为：
[0063] υ?Ν 丄 丄 乙 ?4： λ J ^ υ/ο X
[0064] x (t)为光伏系统发电量t时刻的原始数据，X_、X_为原始光伏发电量数据序列 中的最大值和最小值，Xi (t)为归一化后数据；
[0065] 进一步，了解小波神经网络的特征，其包括：
[0066] 小波分析方法通过尺度的伸缩和平移实现对信号的多尺度分析，从而有效地提取 信号的局部信息，本发明采用小波函数作为BP神经网络的隐含层激励函数，构成小波神经 网络模型，具备更强的逼近、容错能力。
[0067] 小波神经网络的输入输出动态方程表示为：
[0068]
[0069]
[0070]
[0071] 其中，Wkl(t)为输入层神经元k与隐含层i之间的连接权，W1Jt)为隐含层神经元 i与输出层j的连接权，H1U)为隐含层神经元i的输出，Φ (·)为小波函数，本文取Morlet 小波，设S1为小波伸缩系数，b 小波平移系数，令
，Morlet小波母函数 表达式为：
[0072]
[0073] 进一步，所述步骤C，其包括：
[0074] 将一种改进的粒子群算法对小波神经的模型参数进行前期优化，是对网络的输入 层与隐含层之间的连接权值、隐含层与输出层之间的连接权值和阈值通过粒子群算法得到 最优解作为小波神经的初始参数值。
[0075] 神经网络的训练最常见的训练方法就是梯度下降法，这种经典的算法达到的精度 非常依赖于初始权值，且实际运用中训练速度较慢且易陷入局部极小值而达到早熟。粒子 群算法的优点在于收敛速度快，不需要计算目标函数的最佳梯度下降，减轻了计算的负担， 但是容易陷入局部极小值。针对这个缺陷，将变异进化的思想加入到PSO算法中，根据我们 以往的寻最优解的经验，适应度最好的解往往是被包围在大量的次最优解之中，因此很多 时候，次最优解被寻找出来而真正的没有被发现的最优解往往就在附近，因此在算法之后 加上一步针对局部小范围寻找最优的进化算法就很有必要，这种自适应变异算法可以在有 限时间内最大化搜索全局最优值。
[0076] 对网络的输入层与隐含层之间的连接权值、隐含层与输出层之间的连接权值和阈 值进行初始化实数编码，假设在一个N维的目标搜索空间（N维相当于未知因子个数，也就 是优化参数个数），有m个粒子组成的一个群体，其中第i个粒子的位置表示为向量 [0077] &= (X il; xi2,…，xiN)T, i = 1，2, .",m ;
[0078]