5]作为输出向量，建立A5逼近信号层神经网络模型。
[0070] 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[Td日曲日WS化] 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。
[0071] 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化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。
[0072] 步骤204,获取所述光伏电站所在位置未来预测时间段的天气预报值，所述天气预 报值包括:溫度T、湿度H、风速WS。
[0073] 较佳地，获取光伏电站所在位置未来72小时内的溫度T、湿度H、风速WS的预报值。
[0074] 步骤205,将获取的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。
[00巧]优选地，采用5层小波分解，分别得到溫度T、湿度H、风速WS各自在D1、D2、D3、D4、 D5、A5层信号。
[0076] 步骤206,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日化A日WSoa日]作为输入向量，根据步骤203建立的A5遍近信号层神经 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]。
[0077] 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[Tods 化D日WSod日]作为输入向量，根据步骤203建立的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]。
[007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，根据步骤203建立的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 P0D4]。
[0079] 步骤207,根据步骤202得到的输出功率P在D4、D5、A5层的小波分解系数，对步骤 206得到的预报结果Poa日、Pod拟及P〇D4进行重构，得到预测功率值Po。
[0080] 较佳地，将步骤202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。
[0081] 在本发明的另一方面，提供了一种基于神经网络、小波分解光伏电站功率预测系 统，参阅图3所示，所述的基于神经网络、小波分解光伏电站功率预测系统依次包括历史数 据获取单元301、预测模型建立单元302、预测数据获取单元303、功率预测单元304W及预测 功率重构单元305。其中，历史数据获取单元301用于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。预测模 型建立单元302用于将所述光照强度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。之后，预测数据获取单元303用于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。最后，功率预测单元304用于将所述 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。预测功率重构单元305用于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。
[0082] 较佳地，预测模型建立单元302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。
[0083] 优选地，预测模型建立单元302建立逼近信号层神经网络模型是将光照强度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。
[0084] 作为另一个实施例，预测模型建立单元302建立的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。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化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 Pds]作为输出向量，建立D5细节信号层神经网络模型。另外，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。
[0085] 值得说明的是，功率预测单元304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。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。
[0086] 较佳地，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日册A日WSoa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遍近信号层的预报结果[0 0 0 P0A5]。
[0087] 而功率预测单元304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。
[0088] 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]。
[0089] 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]。
[0090] 作为本发明所述光伏电站输出功率预测系统的另一个实施例，功率预测单元304 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。
[0091] 需要说明的是，在本发明所述的基于神经网络、小波分解光伏电站功率预测系统 的具体实施内容，在上面所述的基于神经网络、小波分解光伏电站功率预测方法中已经详 细说明了，故在此重复内容不再说明。
[0092] 综上所述，本发明创新性的提出了基于神经网络、小波分解光伏电站功率预测方 法和系统，可W有效防止因光伏电站输出功率的周期性和非平稳特征而引起的算法陷入不 收敛的问题;有效提取光伏电站输出功率的周期性和非平稳信息，通过理论福照量和环境 参数的低频信息建立更加精确的模型；与此同时，有效剔除利用现有数值天气预报无法建 模的高频分量；另外，创造性地巧妙将神经网络建模与小波分解相结合;并且，保证了算法 的收敛，减小了计算复杂度，提高了算法的精度。最后，所述的基于神经网络、小波分解光伏 电站功率预测方法和系统思路清晰、易于实现。
[0093] 所属领域的普通技术人员应当理解：W上所述仅为本发明的具体实施例而已，并 不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均 应包含在本发明的保护范围之内。
【主权项】
1. 一种基于神经网络、小波分解光伏电站功率预测方法，其特征在于，包括步骤： 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、温度T、湿度H、风速WS; 将所述光照强度C、输出功率P、温度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； 获取光伏电站所在位置未来预测时间