段的天氣預(yù)報(bào)值;其中，所述的天氣預(yù)報(bào)值包括 溫度T、濕度H、風(fēng)速WS; 將所述未來預(yù)測時(shí)間段的溫度T、濕度H、風(fēng)速WS的預(yù)報(bào)值分別經(jīng)小波分解;根據(jù)所述小 波分解后的信息，將逼近信號層的信息作為逼近信號層神經(jīng)網(wǎng)絡(luò)模型的輸入向量，得到逼 近信號層的預(yù)報(bào)結(jié)果;將細(xì)節(jié)信號層的信息作為細(xì)節(jié)信號層神經(jīng)網(wǎng)絡(luò)模型的輸入向量，得 到細(xì)節(jié)信號層的預(yù)報(bào)結(jié)果； 對逼近信號層的預(yù)報(bào)結(jié)果和細(xì)節(jié)信號層的預(yù)報(bào)結(jié)果進(jìn)行重構(gòu)，得到預(yù)測功率值。2. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述將獲取的光照強(qiáng)度C、輸出功率P、溫度 T、濕度H、風(fēng)速WS分別進(jìn)行小波分解，采用5層小波分解，分別得到光照強(qiáng)度C、輸出功率P、溫 度T、濕度H、風(fēng)速WS各自在細(xì)節(jié)信號層01、02、03、04、05的信息以及逼近信號層六5的信息；同 時(shí)，得到輸出功率P在5層小波分解后每層的小波分解系數(shù)。3. 根據(jù)權(quán)利要求2所述的方法，其特征在于:所述根據(jù)所述小波分解后的信息，建立逼 近信號層神經(jīng)網(wǎng)絡(luò)模型包括： 將光照強(qiáng)度C、溫度T、濕度H、風(fēng)速WS分別經(jīng)過小波分解后的A5逼近信號層信息[CA5 TA5 HA5 WSA5]作為輸入向量，將輸出功率P經(jīng)過小波分解后的A5逼近信號層信息[Ο Ο Ο PA5]作 為輸出向量，建立A5逼近信號層神經(jīng)網(wǎng)絡(luò)模型； 另外，所述建立細(xì)節(jié)信號層神經(jīng)網(wǎng)絡(luò)模型包括： 將溫度T、濕度H、風(fēng)速WS分別經(jīng)過小波分解后的D5細(xì)節(jié)信號層信息[TD5 HD5 WSD5]作為 輸入向量，將輸出功率P經(jīng)過小波分解后的D5細(xì)節(jié)信號層信息[Ο Ο P D5]作為輸出向量，建 立D5細(xì)節(jié)信號層神經(jīng)網(wǎng)絡(luò)模型； 將溫度T、濕度H、風(fēng)速WS分別經(jīng)過小波分解后的D4細(xì)節(jié)信號層信息[TD4 Hm WSD4]作為 輸入向量，將輸出功率P經(jīng)過小波分解后的D4細(xì)節(jié)信號層信息[0 0 Pm]作為輸出向量，建立 D4細(xì)節(jié)信號層神經(jīng)網(wǎng)絡(luò)模型。4. 根據(jù)權(quán)利要求3所述的方法，其特征在于:所述將所述未來預(yù)測時(shí)間段的溫度T、濕度 H、風(fēng)速WS的預(yù)報(bào)值分別經(jīng)小波分解，采用5層小波分解，分別得到溫度T、濕度H、風(fēng)速WS各自 在細(xì)節(jié)信號層D1、D2、D3、D4、D5的信息以及逼近信號層A5的信息； 另外，所述將逼近信號層的信息作為逼近信號層神經(jīng)網(wǎng)絡(luò)模型的輸入向量，得到逼近 信號層的預(yù)報(bào)結(jié)果包括:將預(yù)測的光照強(qiáng)度C、溫度T、濕度H、風(fēng)速WS分別經(jīng)過小波分解后的 A5逼近信號層信息[CQA5 TQA5 HQA5 WSQA5]作為輸入向量，根據(jù)A5逼近信號層神經(jīng)網(wǎng)絡(luò)模型， 得到光伏電站輸出功率的A5逼近信號層的預(yù)報(bào)結(jié)果[0 0 0 PQA5]; 還有，將細(xì)節(jié)信號層的信息作為細(xì)節(jié)信號層神經(jīng)網(wǎng)絡(luò)模型的輸入向量，得到細(xì)節(jié)信號 層的預(yù)報(bào)結(jié)果包括:將預(yù)測的溫度T、濕度H、風(fēng)速WS分別經(jīng)過小波分解后的D5細(xì)節(jié)信號層信 息[TQD5 HQD5 WSQD5]作為輸入向量，根據(jù)D5細(xì)節(jié)信號層神經(jīng)網(wǎng)絡(luò)模型，得到光伏電站輸出功 率的D5細(xì)節(jié)信號層的預(yù)報(bào)結(jié)果[0 0 PQD5]; 將預(yù)測的溫度T、濕度H、風(fēng)速WS分別經(jīng)過小波分解后的D4細(xì)節(jié)信號層信息[TQD4 H0D4 WS〇d4]作為輸入向量，根據(jù)D4細(xì)節(jié)信號層神經(jīng)網(wǎng)絡(luò)模型，得到光伏電站輸出功率的D4細(xì)節(jié)信 號層的預(yù)報(bào)結(jié)果[〇 〇 P〇D4]。5. 根據(jù)權(quán)利要求4所述的方法，其特征在于:所述對逼近信號層的預(yù)報(bào)結(jié)果和細(xì)節(jié)信號 層的預(yù)報(bào)結(jié)果進(jìn)行重構(gòu)，包括:將得到的輸出功率P在D4、D5、A5層的小波分解系數(shù)，分別乘 以?(》4、？，、？(^，最后將相乘的結(jié)果相加獲得預(yù)測功率值? 〇。6. -種基于神經(jīng)網(wǎng)絡(luò)、小波分解光伏電站功率預(yù)測系統(tǒng)，其特征在于，包括： 歷史數(shù)據(jù)獲取單元，用于獲取一時(shí)間段內(nèi)光伏電站所在位置的歷史記錄;其中，所述的 歷史記錄包括光照強(qiáng)度C、輸出功率P、溫度T、濕度H、風(fēng)速WS; 預(yù)測模型建立單元，用于將所述光照強(qiáng)度C、輸出功率P、溫度T、濕度H、風(fēng)速WS分別進(jìn)行 小波分解;根據(jù)所述小波分解后的信息，建立逼近信號層神經(jīng)網(wǎng)絡(luò)模型和細(xì)節(jié)信號層神經(jīng) 網(wǎng)絡(luò)模型； 預(yù)測數(shù)據(jù)獲取單元，用于獲取光伏電站所在位置未來預(yù)測時(shí)間段的天氣預(yù)報(bào)值;其中， 所述的天氣預(yù)報(bào)值包括溫度T、濕度H、風(fēng)速WS; 功率預(yù)測單元，用于將所述未來預(yù)測時(shí)間段的溫度T、濕度H、風(fēng)速WS的預(yù)報(bào)值分別經(jīng)小 波分解;根據(jù)所述小波分解后的信息，將逼近信號層的信息作為逼近信號層神經(jīng)網(wǎng)絡(luò)模型 的輸入向量，得到逼近信號層的預(yù)報(bào)結(jié)果;將細(xì)節(jié)信號層的信息作為細(xì)節(jié)信號層神經(jīng)網(wǎng)絡(luò) 模型的輸入向量，得到細(xì)節(jié)信號層的預(yù)報(bào)結(jié)果； 預(yù)測功率重構(gòu)單元，用于對逼近信號層的預(yù)報(bào)結(jié)果和細(xì)節(jié)信號層的預(yù)報(bào)結(jié)果進(jìn)行重 構(gòu)，得到預(yù)測功率值。7. 根據(jù)權(quán)利要求6所述的系統(tǒng)，其特征在于:所述預(yù)測模型建立單元將獲取的光照強(qiáng)度 C、輸出功率P、溫度T、濕度H、風(fēng)速WS分別進(jìn)行小波分解，采用5層小波分解，分別得到光照強(qiáng) 度C、輸出功率P、溫度T、濕度H、風(fēng)速WS各自在細(xì)節(jié)信號層01、02、03、04、05的信息以及逼近 信號層A5的信息；同時(shí)，得到輸出功率P在5層小波分解后每層的小波分解系數(shù)。8. 根據(jù)權(quán)利要求7所述的系統(tǒng)，其特征在于:所述預(yù)測模型建立單元根據(jù)所述小波分解 后的信息，建立逼近信號層神經(jīng)網(wǎng)絡(luò)模型包括： 將光照強(qiáng)度C、溫度T、濕度H、風(fēng)速WS分別經(jīng)過小波分解后的A5逼近信號層信息[CA5 TA5 HA5 WSA5]作為輸入向量，將輸出功率P經(jīng)過小波分解后的A5逼近信號層信息[0 0 0 PA5]作 為輸出向量，建立A5逼近信號層神經(jīng)網(wǎng)絡(luò)模型； 另外，所述建立細(xì)節(jié)信號層神經(jīng)網(wǎng)絡(luò)模型包括： 將溫度T、濕度H、風(fēng)速WS分別經(jīng)過小波分解后的D5細(xì)節(jié)信號層信息[TD5 HD5 WSD5]作為 輸入向量，將輸出功率P經(jīng)過小波分解后的D5細(xì)節(jié)信號層信息[0 0 PD5]作為輸出向量，建立 D5細(xì)節(jié)信號層神經(jīng)網(wǎng)絡(luò)模型； 將溫度T、濕度H、風(fēng)速WS分別經(jīng)過小波分解后的D4細(xì)節(jié)信號層信息[TD4 Hm WSD4]作為 輸入向量，將輸出功率P經(jīng)過小波分解后的D4細(xì)節(jié)信號層信息[0 0 Pm]作為輸出向量，建立 D4細(xì)節(jié)信號層神經(jīng)網(wǎng)絡(luò)模型。9. 根據(jù)權(quán)利要求8所述的系統(tǒng)，其特征在于:所述預(yù)測數(shù)據(jù)獲取單元將所述未來預(yù)測時(shí) 間段的溫度T、濕度H、風(fēng)速WS的預(yù)報(bào)值分別經(jīng)小波分解，采用5層小波分解，分別得到溫度T、 濕度Η、風(fēng)速WS各自在細(xì)節(jié)信號層D1、D2、D3、D4、D5的信息以及逼近信號層A5的信息； 另外，所述將逼近信號層的信息作為逼近信號層神經(jīng)網(wǎng)絡(luò)模型的輸入向量，得到逼近 信號層的預(yù)報(bào)結(jié)果包括:將預(yù)測的光照強(qiáng)度C、溫度T、濕度H、風(fēng)速WS分別經(jīng)過小波分解后的 A5逼近信號層信息[CQA5 TQA5 HQA5 WSQA5]作為輸入向量，根據(jù)A5逼近信號層神經(jīng)網(wǎng)絡(luò)模型， 得到光伏電站輸出功率的A5逼近信號層的預(yù)報(bào)結(jié)果[0 0 0 PQA5]; 還有，將細(xì)節(jié)信號層的信息作為細(xì)節(jié)信號層神經(jīng)網(wǎng)絡(luò)模型的輸入向量，得到細(xì)節(jié)信號 層的預(yù)報(bào)結(jié)果包括:將預(yù)測的溫度T、濕度H、風(fēng)速WS分別經(jīng)過小波分解后的D5細(xì)節(jié)信號層信 息[TQD5 HQD5 WSQD5]作為輸入向量，根據(jù)D5細(xì)節(jié)信號層神經(jīng)網(wǎng)絡(luò)模型，得到光伏電站輸出功 率的D5細(xì)節(jié)信號層的預(yù)報(bào)結(jié)果[0 0 PQD5]; 將預(yù)測的溫度T、濕度H、風(fēng)速WS分別經(jīng)過小波分解后的D4細(xì)節(jié)信號層信息[TQD4 H0D4 WS〇d4]作為輸入向量，根據(jù)D4細(xì)節(jié)信號層神經(jīng)網(wǎng)絡(luò)模型，得到光伏電站輸出功率的D4細(xì)節(jié)信 號層的預(yù)報(bào)結(jié)果[〇 〇 P〇D4]。10.根據(jù)權(quán)利要求9所述的系統(tǒng)，其特征在于:所述預(yù)測功率重構(gòu)單元對逼近信號層的 預(yù)報(bào)結(jié)果和細(xì)節(jié)信號層的預(yù)報(bào)結(jié)果進(jìn)行重構(gòu)，包括:將得到的輸出功率P在D4、D5、A5層的小 波分解系數(shù)，分別乘以？_、？01)5、？(《5，最后將相乘的結(jié)果相加獲得預(yù)測功率值?0 〇
【專利摘要】本發(fā)明公開了一種基于神經(jīng)網(wǎng)絡(luò)、小波分解光伏電站功率預(yù)測方法、系統(tǒng)，獲取歷史記錄光照強(qiáng)度C、輸出功率P、溫度T、濕度H、風(fēng)速WS，分別進(jìn)行小波分解；根據(jù)所述小波分解后的信息，建立逼近信號層神經(jīng)網(wǎng)絡(luò)模型和細(xì)節(jié)信號層神經(jīng)網(wǎng)絡(luò)模型；獲取未來預(yù)測時(shí)間段溫度T、濕度H、風(fēng)速WS，分別經(jīng)小波分解；根據(jù)所述小波分解后的信息，將逼近信號層的信息作為逼近信號層神經(jīng)網(wǎng)絡(luò)模型的輸入向量，得到逼近信號層的預(yù)報(bào)結(jié)果；將細(xì)節(jié)信號層的信息作為細(xì)節(jié)信號層神經(jīng)網(wǎng)絡(luò)模型的輸入向量，得到細(xì)節(jié)信號層的預(yù)報(bào)結(jié)果；對逼近信號層的預(yù)報(bào)結(jié)果和細(xì)節(jié)信號層的預(yù)報(bào)結(jié)果進(jìn)行重構(gòu)，得到預(yù)測功率值。因此，本發(fā)明能夠保證預(yù)測過程的收斂性，減小復(fù)雜度，提高預(yù)測的準(zhǔn)確度。
【IPC分類】G06F19/00, G06N3/02
【公開號】CN105528517
【申請?zhí)枴緾N201510867065
【發(fā)明人】孫喬, 聶玲, 崔偉, 付蘭梅
【申請人】北京國電通網(wǎng)絡(luò)技術(shù)有限公司, 北京中電飛華通信股份有限公司
【公開日】2016年4月27日
【申請日】2015年12月1日