向量， 建立D4细节信号层神经网络模型。
[0035] 在一些实施例中，所述预测数据获取单元将所述未来预测时间段的溫度T、湿度H、 风速WS的预报值分别经小波分解，采用5层小波分解，分别得到溫度T、湿度H、风速WS各自在 细节信号层D1、D2、D3、D4、D5的信息W及逼近信号层A5的信息；
[0036] 另外，所述将逼近信号层的信息作为逼近信号层神经网络模型的输入向量，得到 逼近信号层的预报结果包括:将预测的光照强度C、溫度T、湿度H、风速WS分别经过小波分解 后的A5逼近信号层信息[C日A日T日A日曲A日WS日A日]作为输入向量，根据A5逼近信号层神经网络模 型，得到光伏电站输出功率的A5逼近信号层的预报结果[0 0 0 Poas];
[0037] 还有，将细节信号层的信息作为细节信号层神经网络模型的输入向量，得到细节 信号层的预报结果包括:将预测的溫度T、湿度H、风速WS分别经过小波分解后的D5细节信号 层信息[To化化D日WSod日]作为输入向量，根据D5细节信号层神经网络模型，得到光伏电站输 出功率的D5细节信号层的预报结果[0 0 Pods];
[003引将预测的溫度T、湿度H、风速WS分别经过小波分解后的D4细节信号层信息[Tod4 化D4 WS0D4]作为输入向量，根据D4细节信号层神经网络模型，得到光伏电站输出功率的D4细 节信号层的预报结果[0 O P日D4]。
[0039] 在一些实施例中，所述预测功率重构单元对逼近信号层的预报结果和细节信号层 的预报结果进行重构，包括:将得到的输出功率P在D4、D5、A5层的小波分解系数，分别乘W P〇D4、P〇D日、Poa日，最后将相乘的结果相加获得预测功率值Po。
[0040] 从上面所述可W看出，本发明提供的基于神经网络、小波分解光伏电站功率预测 方法和系统，实现了一套简便易行，保证了预测过程的收敛性，减小了复杂度，提高了预测 的准确度。
【附图说明】
[0041] 图1为本发明实施例中基于神经网络、小波分解光伏电站功率预测方法的流程示 意图；
[0042] 图2为本发明可参考实施例中基于神经网络、小波分解光伏电站功率预测方法的 流程示意图；
[0043] 图3为本发明实施例中基于神经网络、小波分解光伏电站功率预测系统的结构示 意图。
【具体实施方式】
[0044] 为使本发明的目的、技术方案和优点更加清楚明白，W下结合具体实施例，并参照 附图，对本发明进一步详细说明。
[0045] 作为本发明的一个实施例，参阅图1所示，所述的基于神经网络、小波分解光伏电 站功率预测方法包括：
[0046] 步骤101，获取一时间段内光伏电站所在位置的历史记录。其中，所述的历史记录 包括光照强度C、输出功率P、溫度T、湿度H、风速WS。
[0047] 步骤102,将所述光照强度C、输出功率P、溫度T、湿度H、风速WS分别进行小波分解； 根据所述小波分解后的信息，建立逼近信号层神经网络模型和细节信号层神经网络模型。
[0048] 在实施例中，将获取的光照强度C、输出功率P、溫度T、湿度H、风速WS分别进行小波 分解，采用5层小波分解，分别得到光照强度C、输出功率P、溫度T、湿度H、风速WS各自在细节 信号层D1、D2、D3、D4、D5的信息W及逼近信号层A5的信息。同时，得到输出功率P在5层小波 分解后每层的小波分解系数。
[0049] 较佳地，建立逼近信号层神经网络模型可W包括:将光照强度C、溫度T、湿度H、风 速WS分别经过小波分解后的A5逼近信号层信息[Ca5 Tas Has WSas]作为输入向量，将输出功 率P经过小波分解后的A5逼近信号层信息[0 0 0 PA5]作为输出向量，建立A5逼近信号层神 经网络模型。
[0050] 作为另一个实施例，建立细节信号层神经网络模型可W分别建立D5细节信号层神 经网络模型和D4细节信号层神经网络模型。
[0051] 优选地，建立D5细节信号层神经网络模型可W通过将溫度T、湿度H、风速WS分别经 过小波分解后的D5细节信号层信息[Td5曲5 WSD5]作为输入向量，将输出功率P经过小波分 解后的D5细节信号层信息[0 0时5]作为输出向量，建立D5细节信号层神经网络模型。
[0052] 另外，作为又一个优选地实施例，将溫度T、湿度H、风速WS分别经过小波分解后的 D4细节信号层信息[Td4曲4 WSD4]作为输入向量，将输出功率P经过小波分解后的D4细节信 号层信息[0 0时4]作为输出向量，建立D4细节信号层神经网络模型。
[0053] 步骤103,获取光伏电站所在位置未来预测时间段的天气预报值。其中，所述的天 气预报值包括溫度T、湿度H、风速WS。
[0054] 步骤104,将所述未来预测时间段的溫度T、湿度H、风速WS的预报值分别经小波分 解;根据所述小波分解后的信息，将逼近信号层的信息作为逼近信号层神经网络模型的输 入向量，得到逼近信号层的预报结果;将细节信号层的信息作为细节信号层神经网络模型 的输入向量，得到细节信号层的预报结果。
[0055] 较佳地，将所述未来预测时间段的溫度T、湿度H、风速WS的预报值分别经小波分 解，采用5层小波分解，分别得到溫度T、湿度H、风速WS各自在细节信号层01、02、03、04、05的 信息W及逼近信号层A5的信息。
[0056] 需要说明的是，得到逼近信号层的预报结果可W将预测的光照强度C、溫度T、湿度 H、风速WS分别经过小波分解后的A5逼近信号层信息[Coa日Toa日曲A日WS日化]作为输入向量，根 据A5逼近信号层神经网络模型，得到光伏电站输出功率的A5逼近信号层的预报结果[0 0 0 Poas] 〇
[0057] 而值得说明的是，可W将预测的D5、D4细节信号层的信息分别作为D5细节信号层 神经网络模型的输入向量、D4细节信号层神经网络模型的输入向量，得到D5细节信号层的 预报结果和D4细节信号层的预报结果。
[0058] 优选地，将预测的溫度T、湿度H、风速WS分别经过小波分解后的D5细节信号层信息 [Tod日化D日WSod日]作为输入向量，根据D5细节信号层神经网络模型，得到光伏电站输出功率 的D5细节信号层的预报结果[0 0 Pods]。
[0059] 优选地，将预测的溫度T、湿度H、风速WS分别经过小波分解后的D4细节信号层信息 [T0D4化D4 WS0D4]作为输入向量，根据D4细节信号层神经网络模型，得到光伏电站输出功率 的D4细节信号层的预报结果[0 0 P日D4]。
[0060] 步骤105,对逼近信号层的预报结果和细节信号层的预报结果进行重构，得到预测 功率值。
[0061] 较佳地，将得到的输出功率P在D4、D5、A5层的小波分解系数，分别乘W相应层的预 报结果，最后将相乘的结果相加获得预测功率值Po。
[0062] 作为本发明另一可参考的实施例，参阅图2所示，所述的基于神经网络、小波分解 光伏电站功率预测方法可W是如下过程：
[0063] 步骤201，获得某一时间段内光伏电站所在位置的历史记录，其中历史记录包括光 照强度C、输出功率P、溫度T、湿度H、风速WS。
[0064] 步骤202，分别对获取的光照强度C、输出功率P、溫度T、湿度H、风速WS历史数据进 行小波分解。
[0065] 较佳地，采用5层小波分解，分别得到光照强度C、输出功率P、溫度T、湿度H、风速WS 各自在01、02、03、04、05、45层信号。同时，得到输出功率?在5层小波分解后每层的小波分解 系数。
[0066] 优选地，小波分解通过小波滤波器将含有综合信息的一组原始序列分解成多组不 同特征的时间序列，一组信号反映原时间序列内在变化趋势，即逼近信号;其余组的序列反 映随机扰动带来的影响，即细节信号。时间序列的小波分解算法为： 4.[/(/)] = /(0
[0067] J/^/'(〇]=艺,;//枠-/〇斗.;[./'0)] D,= -k)A, ,[/?(/)]
[0068] 式中，t-时间序列序列号;f(t)-原始序列；j-分解层数，j = l，2，...，J， J = IogsN, N为序列长度;H、G-一小波分解的滤波器;Aj-一信号f(t)在第j层的逼近信号部 分（即低频部分）的小波分解系数;Dj-一信号f(t)在第j层的细节信号部分（即高频部分） 的小波分解系数。
[0069] 步骤203,将光照强度C、溫度T、湿度H、风速WS分别经过小波分解后的A5逼近信号 层信息[CA5 Tas Has WSA5]作为输入向量，将输出功率P经过小波分解后的A5逼近信号层信息 [0 0 0 PA