段的天气预报值;其中，所述的天气预报值包括 温度T、湿度H、风速WS; 将所述未来预测时间段的温度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； 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。2. 根据权利要求1所述的方法，其特征在于，所述将获取的光照强度C、输出功率P、温度 T、湿度H、风速WS分别进行小波分解，采用5层小波分解，分别得到光照强度C、输出功率P、温 度T、湿度H、风速WS各自在细节信号层01、02、03、04、05的信息以及逼近信号层六5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。3. 根据权利要求2所述的方法，其特征在于:所述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包括： 将光照强度C、温度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 TA5 HA5 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[Ο Ο Ο PA5]作 为输出向量，建立A5逼近信号层神经网络模型； 另外，所述建立细节信号层神经网络模型包括： 将温度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 HD5 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[Ο Ο P D5]作为输出向量，建 立D5细节信号层神经网络模型； 将温度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 Hm 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 Pm]作为输出向量，建立 D4细节信号层神经网络模型。4. 根据权利要求3所述的方法，其特征在于:所述将所述未来预测时间段的温度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，分别得到温度T、湿度H、风速WS各自 在细节信号层D1、D2、D3、D4、D5的信息以及逼近信号层A5的信息； 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、温度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[CQA5 TQA5 HQA5 WSQA5]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 PQA5]; 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:将预测的温度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[TQD5 HQD5 WSQD5]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 PQD5]; 将预测的温度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[TQD4 H0D4 WS〇d4]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[〇 〇 P〇D4]。5. 根据权利要求4所述的方法，其特征在于:所述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 以?(》4、？，、？(^，最后将相乘的结果相加获得预测功率值? 〇。6. -种基于神经网络、小波分解光伏电站功率预测系统，其特征在于，包括： 历史数据获取单元，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、温度T、湿度H、风速WS; 预测模型建立单元，用于将所述光照强度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； 预测数据获取单元，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温度T、湿度H、风速WS; 功率预测单元，用于将所述未来预测时间段的温度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，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。7. 根据权利要求6所述的系统，其特征在于:所述预测模型建立单元将获取的光照强度 C、输出功率P、温度T、湿度H、风速WS分别进行小波分解，采用5层小波分解，分别得到光照强 度C、输出功率P、温度T、湿度H、风速WS各自在细节信号层01、02、03、04、05的信息以及逼近 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。8. 根据权利要求7所述的系统，其特征在于:所述预测模型建立单元根据所述小波分解 后的信息，建立逼近信号层神经网络模型包括： 将光照强度C、温度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 TA5 HA5 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 PA5]作 为输出向量，建立A5逼近信号层神经网络模型； 另外，所述建立细节信号层神经网络模型包括： 将温度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 HD5 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 PD5]作为输出向量，建立 D5细节信号层神经网络模型； 将温度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 Hm 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 Pm]作为输出向量，建立 D4细节信号层神经网络模型。9. 根据权利要求8所述的系统，其特征在于:所述预测数据获取单元将所述未来预测时 间段的温度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，分别得到温度T、 湿度Η、风速WS各自在细节信号层D1、D2、D3、D4、D5的信息以及逼近信号层A5的信息； 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、温度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[CQA5 TQA5 HQA5 WSQA5]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 PQA5]; 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:将预测的温度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[TQD5 HQD5 WSQD5]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 PQD5]; 将预测的温度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[TQD4 H0D4 WS〇d4]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[〇 〇 P〇D4]。10.根据权利要求9所述的系统，其特征在于: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，分别乘以？_、？01)5、？(《5，最后将相乘的结果相加获得预测功率值?0 〇
【专利摘要】本发明公开了一种基于神经网络、小波分解光伏电站功率预测方法、系统，获取历史记录光照强度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；获取未来预测时间段温度T、湿度H、风速WS，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；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。因此，本发明能够保证预测过程的收敛性，减小复杂度，提高预测的准确度。
【IPC分类】G06F19/00, G06N3/02
【公开号】CN105528517
【申请号】CN201510867065
【发明人】孙乔, 聂玲, 崔伟, 付兰梅
【申请人】北京国电通网络技术有限公司, 北京中电飞华通信股份有限公司
【公开日】2016年4月27日
【申请日】2015年12月1日