《某光伏電場(chǎng)發(fā)電功率短期預(yù)測(cè)方法研究》12000字

某光伏電場(chǎng)發(fā)電功率短期預(yù)測(cè)方法研究目錄摘要 1第1章緒論 31.1課題背景及其意義 31.2短期功率預(yù)測(cè)國(guó)內(nèi)外研究現(xiàn)狀 41.3本文主要工作 5第2章基于改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)-小波分解短期功率預(yù)測(cè) 62.1神經(jīng)網(wǎng)絡(luò) 62.2短期功率預(yù)測(cè)模型 62.2.1BP神經(jīng)網(wǎng)絡(luò)模型 72.2.2BP神經(jīng)網(wǎng)絡(luò)原理 72.3BP神經(jīng)網(wǎng)絡(luò)改進(jìn) 102.3.1批處理的帶動(dòng)量梯度下降算法 112.3.2改進(jìn)的方法 112.3.3兩種算法比較 122.4小波分解法 122.5短期光伏發(fā)電預(yù)測(cè)模型的建立 142.5.1輸入向量的選取 142.5.2數(shù)據(jù)的預(yù)處理 142.5.3數(shù)據(jù)還原 152.6誤差評(píng)價(jià) 152.7本章小結(jié) 16第3章案例仿真及結(jié)果分析 173.1數(shù)據(jù)來源 173.2精度比較 173.2.1三天數(shù)據(jù)預(yù)測(cè)結(jié)果精度比較 173.2.2七天數(shù)據(jù)預(yù)測(cè)結(jié)果精度比較 183.2.3十四天數(shù)據(jù)預(yù)測(cè)結(jié)果精度比較 193.2.4三十天數(shù)據(jù)預(yù)測(cè)結(jié)果精度比較 203.3實(shí)驗(yàn)結(jié)論與小結(jié) 21第4章結(jié)論與展望 224.1結(jié)論 224.2展望 22參考文獻(xiàn) 23摘要人類新興技術(shù)和科技的高速發(fā)展，是以資源和能源的大量的消耗為前提的。而這樣的前提下又是以犧牲環(huán)境為代價(jià)。以此類推，在未來人類的發(fā)展同樣需要消耗大量的資源和能源。因?yàn)榭茖W(xué)技術(shù)的發(fā)展，得以讓資源回收利用率更高，可以不斷的循環(huán)再利用，但是在能源方面，目前人類的科技還不足以找到能夠完全替代化石燃料的能源利用方法。當(dāng)前在能源方面的研究發(fā)現(xiàn)，清潔能源、可再生能源比如風(fēng)、光、水能，會(huì)逐漸成為未來主要能源，其趨勢(shì)也日益明顯，而光能發(fā)電更是越來越受各國(guó)的青睞。但是由于光伏發(fā)電跟其他能源比較最容易受到影響，比如氣候方面如下雪、下雨的影響，環(huán)境如灰塵的影響，造成它的輸出功率時(shí)高時(shí)低的現(xiàn)象。針對(duì)這種問題，本文提出小波分解的方法來對(duì)數(shù)據(jù)進(jìn)行處理，利用小波分解的層次性處理已有的數(shù)據(jù)，分解過后可以將更好的反應(yīng)數(shù)據(jù)的特點(diǎn)，之后進(jìn)行重組，起到降噪的作用。標(biāo)準(zhǔn)的BP神經(jīng)網(wǎng)絡(luò)雖然功能強(qiáng)大，但同時(shí)也存在部分比較影響模型運(yùn)行等問題，比如收斂時(shí)間長(zhǎng)。當(dāng)數(shù)據(jù)比較多且數(shù)目大時(shí)，會(huì)消耗大量的時(shí)間，在預(yù)測(cè)時(shí)比較占用時(shí)間。本文對(duì)標(biāo)準(zhǔn)的BP進(jìn)行改進(jìn)，在一定程度上提高了速度、減少了時(shí)間。二者組合的方法是在傳統(tǒng)意義上進(jìn)一步優(yōu)化，目的是在提高精度的前提下，減少預(yù)測(cè)時(shí)間，讓模型更具有實(shí)用性且時(shí)效性更好。關(guān)鍵詞：光伏發(fā)電；短期功率預(yù)測(cè)；BP神經(jīng)網(wǎng)絡(luò)；小波分解第1章緒論1.1課題背景及其意義人類的一切進(jìn)步都靠著能源，各行各業(yè)的發(fā)展也是靠著能源的一系列消耗為墊腳石。但化石燃料逐漸消耗殆盡，伴隨著產(chǎn)生了很多影響生態(tài)環(huán)境因素的問題，造成幾乎不可逆的損害，甚至嚴(yán)重危害了人類身體的健康。所以，能源結(jié)構(gòu)如何調(diào)整，如何利用新能源如今已經(jīng)成為各個(gè)國(guó)家的經(jīng)濟(jì)和可持續(xù)發(fā)展的重要發(fā)展戰(zhàn)略。太陽能的利用，可以說是人類的能源方面一大重要舉措，具有劃時(shí)代的意義，意味著人類可以在不破壞環(huán)境的前提下利用可再生能源。而在應(yīng)用于太陽能相關(guān)技術(shù)的迅速發(fā)展，它在未來的發(fā)展趨勢(shì)會(huì)越來越好，甚至有成為主流發(fā)電方式的可能，除此之外，各個(gè)國(guó)家的政府也逐漸把太陽能的資源有效利用作為可持續(xù)發(fā)展的首要戰(zhàn)略[1]。太陽能的利用主要還是通過光伏板吸收，太陽能資源的使用不需要消耗能源，不排放有毒有害氣體，形式多變，只要技術(shù)達(dá)到要求容量也不會(huì)受限，安全簡(jiǎn)單，應(yīng)用場(chǎng)景廣泛。以2017年的數(shù)據(jù)為例，國(guó)際能源署的光伏發(fā)電系統(tǒng)計(jì)劃部分成員國(guó)在2017年光伏發(fā)電新增容量如表1-1所示[2]。由表1-1可以了解到，中國(guó)光伏發(fā)電量已經(jīng)超過1GW，可以稱作處于世界領(lǐng)先水平。表1-12017年IEAPVPS成員國(guó)光伏發(fā)電容量國(guó)家人口總量/百萬人光伏裝機(jī)容量/MW光伏新增裝機(jī)容量/MW人均新增光伏容量/（W/人）光伏發(fā)電總量/（TW·h）電能消耗總量/（TW·h）光伏滲透率/%澳大利亞257470130952.410.22593.9奧地利9127117319.71295711.8比利時(shí)11387728925.43.5824.4加拿大3729742496.73.45070.7智6170.0734.7中國(guó)13861311405306838.30.963082.7丹麥69106110.10.9312.8太陽能能夠替代部分逐漸枯竭的并且對(duì)環(huán)境造成排放污染的化石能源，而且相比污染較大的火力發(fā)電和占地面積較廣的風(fēng)力發(fā)電來說，太陽能的發(fā)電方法更安全、環(huán)保、可靠，符合當(dāng)今社會(huì)人類對(duì)能源和環(huán)境的需求。太陽能主要有兩類的發(fā)電類型，第一類，通過光伏板，先轉(zhuǎn)換成為熱能，之后再轉(zhuǎn)換成電能形式，第二類則是直接把太陽能轉(zhuǎn)換成電能形式[3]。光伏系統(tǒng)主要由光伏方陣、控制器和逆變器等部分組成，相比于標(biāo)準(zhǔn)發(fā)電方式來說，它具有體積小，方便組裝，利于控制，維修簡(jiǎn)便等特點(diǎn)。此外，由于光照普遍，裝配地點(diǎn)較為廣泛，可安裝的地區(qū)比較廣泛，在建筑物的旁邊、頂部都可以裝配。光伏發(fā)電作為新能源發(fā)電方式優(yōu)點(diǎn)眾多但是卻有一個(gè)不可避免的問題，其電源供電是波動(dòng)和間歇的。雖然目前能夠改進(jìn)光伏發(fā)電系統(tǒng)硬件使用方面的技術(shù)慢慢廣泛發(fā)展起來，但是太陽能本身影響輸出功率的系統(tǒng)問題卻無法消除，反而影響程度會(huì)越來越深。首先太陽光照是周期性的，比如白天的時(shí)候，早上的光照強(qiáng)度弱，那么輸出功率小，但是到了中午，光照強(qiáng)度變強(qiáng)，輸出功率到達(dá)峰值，到了日落，光照強(qiáng)度再一次下降。而到了夜間沒有光照，則沒有輸出功率。除此之外，四季更替也是影響因素之一，我國(guó)四季中白天和夜晚的時(shí)間長(zhǎng)短隨著季節(jié)的變化而變化，春夏白晝的時(shí)間越來越長(zhǎng)，夜間越來越短，而秋冬則是夜間時(shí)間長(zhǎng)，白晝時(shí)間短，這些影響讓輸出功率變得波動(dòng)且隨時(shí)間的變化產(chǎn)生特定的變化。其次加上把太陽能存儲(chǔ)起來的難度較大，如果很多的光伏系統(tǒng)并入電力系統(tǒng)，那么電力系統(tǒng)的安全性和穩(wěn)定性必然會(huì)遭受巨大的考驗(yàn)，甚至產(chǎn)生的電質(zhì)量也會(huì)有一定程度的影響，給用電方帶來不必要的損失。所以，光伏發(fā)電功率預(yù)測(cè)的意義深遠(yuǎn)，給未來光伏的普及奠定基礎(chǔ)，在提高光伏的可用性和可行性方面有積極影響。1.2短期功率預(yù)測(cè)國(guó)內(nèi)外研究現(xiàn)狀隨著氣候逐漸變得惡劣以及能源問題日益突出，太陽能作為新能源其優(yōu)點(diǎn)眾多，且最能體現(xiàn)其價(jià)值的就是能夠代替化石能源。從發(fā)展的走向分析，光伏發(fā)電在技術(shù)層面已經(jīng)具備了一定的技術(shù)基礎(chǔ)，并且成本也不是很高，隨著經(jīng)濟(jì)的發(fā)展它也慢慢被大眾接受，除此之外，因?yàn)閲?guó)家的大力提倡，慢慢地光伏發(fā)電的領(lǐng)域和應(yīng)用層面也會(huì)越來越廣泛，考慮到光伏發(fā)電波動(dòng)性較大，所以功率預(yù)測(cè)的部分至關(guān)重要。目前來看，國(guó)外方面，歐洲國(guó)家如丹麥，意大利；亞洲的部分國(guó)家，在光伏發(fā)電輸出功率預(yù)測(cè)技術(shù)的研究也有了一定的成果。近年來，丹麥ENFOR公司通過把往年的歷史輸出功率以及短期時(shí)間內(nèi)的氣候數(shù)據(jù)、地域方面的數(shù)據(jù)、時(shí)間日期等相關(guān)因素聯(lián)系，最終研發(fā)了具有代表性的SOLARFOR系統(tǒng)，該系統(tǒng)可以通過統(tǒng)計(jì)學(xué)的方法對(duì)短期功率的輸出進(jìn)行預(yù)測(cè)；意大利某大學(xué)收集某20kW光伏電站的歷史氣象和以往系統(tǒng)輸出的功率，分析了數(shù)據(jù)的特征，以此建立了兩種以人工神經(jīng)網(wǎng)絡(luò)為前提的輸出功率預(yù)測(cè)模型，接著把光照量和溫度作為輸入向量輸入該模型，經(jīng)預(yù)測(cè)比較之后，最終得到的預(yù)測(cè)結(jié)果顯示偏差低至3.1%和5.4%[4]。日本NTTFacilities公司Kudo等人收集了世博園的一個(gè)330kW光伏電站的歷史數(shù)據(jù)，之后通過這些數(shù)據(jù)進(jìn)行分析，利用了多種方法進(jìn)行回歸分析，最終得出了預(yù)測(cè)功率的預(yù)測(cè)關(guān)系式。其建立的模型能夠預(yù)測(cè)未來一天從早上5點(diǎn)到晚上7點(diǎn)每個(gè)時(shí)間點(diǎn)的發(fā)電量。經(jīng)過校驗(yàn)之后進(jìn)行比較分析，從2005年3月25日至9月26日，時(shí)均預(yù)報(bào)誤差為30.53%[5]。國(guó)內(nèi)方面，我國(guó)就光伏發(fā)電輸出功率預(yù)測(cè)方面的技術(shù)來說，其研究的成果不如光伏發(fā)電其他方面的進(jìn)展。首先因?yàn)轭A(yù)測(cè)具有特殊性，很難達(dá)到精準(zhǔn)化預(yù)測(cè)水平，理論技術(shù)方面暫且沒有完備的系統(tǒng)。目前在這方面研究的開端有湖北省氣象局牽頭的項(xiàng)目。這個(gè)項(xiàng)目的內(nèi)容包括兩種，一是通過區(qū)域的傳導(dǎo)、光能和電能之間的轉(zhuǎn)換，由于我國(guó)用電種類是交流，而光伏發(fā)電產(chǎn)生的是直流，所以還有通過逆變器的轉(zhuǎn)換率。二是利用與時(shí)間點(diǎn)相互對(duì)應(yīng)的氣候預(yù)報(bào)的數(shù)據(jù)，以及預(yù)測(cè)地區(qū)對(duì)應(yīng)的電站的發(fā)電量數(shù)據(jù)，兩個(gè)數(shù)據(jù)相聯(lián)系在一起的方法。兩大類的方式互相補(bǔ)充一起預(yù)測(cè)，目前該項(xiàng)目還在研究當(dāng)中[6]?？傮w來看，光伏發(fā)電功率輸出預(yù)測(cè)技術(shù)還不成熟，然而隨著新能源重要性的提升以及電力電子技術(shù)在光伏組件方面的發(fā)展，世界各國(guó)對(duì)光伏發(fā)電的投資比重會(huì)越來越多，預(yù)測(cè)技術(shù)和更精準(zhǔn)的預(yù)測(cè)方法也會(huì)越來越完善和精確。1.3本文主要工作在短期功率預(yù)測(cè)方面，本次研究的核心內(nèi)容主要從以下的幾個(gè)方面入手展開：（1）分析標(biāo)準(zhǔn)的BP神經(jīng)網(wǎng)絡(luò)和改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)分別在預(yù)測(cè)未來輸出功率各自的優(yōu)點(diǎn)與缺點(diǎn)，把光伏電站的以往的輸出功率經(jīng)過處理之后作為模型的輸入向量；對(duì)數(shù)據(jù)處理方法的分析研究以及對(duì)于模型預(yù)測(cè)精度的誤差比較和評(píng)價(jià)；用matlab軟件編程構(gòu)建以改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的光伏發(fā)電預(yù)測(cè)模型，輸出為未來一天(0-24h)的預(yù)測(cè)功率，最后輸入選取的歷史數(shù)據(jù)進(jìn)行仿真，分析模型的可行性。（2）分析選用來處理數(shù)據(jù)的算法的優(yōu)勢(shì)和劣勢(shì)，選擇小波分解與重構(gòu)的方法對(duì)選取的數(shù)據(jù)進(jìn)行降噪處理，根據(jù)相同的輸入、不同的參數(shù)得出仿真的結(jié)果選擇最恰當(dāng)?shù)男〔ǚ纸夂瘮?shù)和小波分解的層數(shù)，接著把重新將小波分解后的數(shù)據(jù)作為輸入進(jìn)入神經(jīng)網(wǎng)絡(luò)，最后輸出的結(jié)果進(jìn)行小波重構(gòu)。（3）分析利用matlab建立的光伏發(fā)電功率預(yù)測(cè)模型預(yù)測(cè)的值與實(shí)際值對(duì)照后分析回歸誤差，利用origin軟件對(duì)預(yù)測(cè)結(jié)果與實(shí)測(cè)值進(jìn)行畫圖分析比較，并結(jié)合結(jié)果對(duì)模型進(jìn)行評(píng)價(jià)。第2章基于改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)-小波分解短期功率預(yù)測(cè)2.1神經(jīng)網(wǎng)絡(luò)生物大腦里具有處理信息功能的結(jié)構(gòu)是神經(jīng)網(wǎng)絡(luò)，神經(jīng)網(wǎng)絡(luò)的基本組成單元是神經(jīng)元。在神經(jīng)元作用的基礎(chǔ)上，建立了本質(zhì)是仿生的一種算法模型，以生物大腦神經(jīng)元處理信息功能為基礎(chǔ)的的神經(jīng)網(wǎng)絡(luò)。在生物學(xué)研究人類大腦的過程中，深入探討了神經(jīng)元的結(jié)構(gòu)，如圖2-1所示。可以很明顯的看到，單個(gè)生物神經(jīng)元的組成結(jié)構(gòu)為：多個(gè)樹突，一條軸突，多個(gè)突觸。各個(gè)組成部分功能不同，其中具有接受信息能力的部分，具有把信息往下傳遞的部分。神經(jīng)元能夠傳遞信息的前提是樹突獲得的信號(hào)足夠多，要超過它最低限度的值，它才會(huì)興奮，接著產(chǎn)生刺激信號(hào)，往下傳遞。神經(jīng)元的特點(diǎn)之一是其末端的突觸能夠與其他的輸出聯(lián)系，并將信號(hào)傳遞過去。圖2-1神經(jīng)元結(jié)構(gòu)示意圖Fig.2-1Schematicdiagramofneuronstructure2.2短期功率預(yù)測(cè)模型從目前的研究進(jìn)程發(fā)現(xiàn)，直接、分布預(yù)測(cè)成為新能源功率預(yù)測(cè)的核心方法。對(duì)于光伏發(fā)電功率預(yù)測(cè)來說，把以往的功率輸出數(shù)據(jù)直接作為輸入向量輸入模型，模型輸出是預(yù)測(cè)值，這種預(yù)測(cè)方法是直接預(yù)測(cè)；在預(yù)測(cè)之前，首先把影響因素分類，接著分析數(shù)據(jù)，確定數(shù)據(jù)的特征，最后一起當(dāng)作輸入向量輸入模型。本文采用了直接預(yù)測(cè)的方法，把以往的發(fā)電功率數(shù)據(jù)作為向量對(duì)電站的輸出功率直接預(yù)測(cè)。神經(jīng)網(wǎng)絡(luò)所認(rèn)知功能性較強(qiáng)的原因是具有非線性的擬合能力，而具備這個(gè)能力的原因是因?yàn)楹屑せ詈瘮?shù)，激活函數(shù)的加入，同時(shí)給神經(jīng)網(wǎng)絡(luò)增加了更強(qiáng)大的非線性。因?yàn)檫@個(gè)原因，所以可以用來求解一些分類和預(yù)測(cè)的復(fù)雜問題。本文采用對(duì)標(biāo)準(zhǔn)的BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行改進(jìn)，并且通過把數(shù)據(jù)分為不同數(shù)量的樣本的方式，實(shí)現(xiàn)多組數(shù)據(jù)預(yù)測(cè)，對(duì)模型的可行性進(jìn)行比較分析，避免單一數(shù)據(jù)對(duì)光伏電站發(fā)電功率預(yù)測(cè)適應(yīng)性差的問題。2.2.1BP神經(jīng)網(wǎng)絡(luò)模型本文采用的是一種較為常用的BP（backpropagation）神經(jīng)網(wǎng)絡(luò)，它有三個(gè)層數(shù)，每一層的作用都不一樣，其中第一層的作用引入數(shù)據(jù)，第二層的作用是隱含，用來加工數(shù)據(jù)，第三層的作用是引出，用來引出加工完的數(shù)據(jù)，三層共同作用，不影響其它的工作。層與層之間的神經(jīng)元獨(dú)立工作，層內(nèi)的神經(jīng)元相互聯(lián)系。要想神經(jīng)元有預(yù)測(cè)的作用，訓(xùn)練是最重要的部分，因?yàn)樵谟?xùn)練的時(shí)候，能夠自主學(xué)習(xí)以確定輸入、輸出之間的規(guī)則，并且可以把學(xué)習(xí)內(nèi)容記憶在網(wǎng)絡(luò)的權(quán)值當(dāng)中[7]。如圖2-2為神經(jīng)網(wǎng)絡(luò)模型。圖2-2兩層神經(jīng)網(wǎng)絡(luò)模型Fig.2-2Twolayerneuralnetworkmodel在該模型當(dāng)中，p1為輸入量；IW1為HiddenLayer與OutputLayer之間的權(quán)值；b1隱含層的閾值；n1為隱含層激勵(lì)函數(shù)；LW1為HiddenLayer與OutputLayer之間的權(quán)值向量；b2.2.2BP神經(jīng)網(wǎng)絡(luò)原理BP神經(jīng)網(wǎng)絡(luò)本質(zhì)上是把權(quán)值和閾限通過梯度算法之后，使預(yù)測(cè)輸出和實(shí)際輸出之間的均方誤差能夠達(dá)到最低的程度。BP神經(jīng)網(wǎng)絡(luò)算法中加入了非線性變換的函數(shù)關(guān)系，從而在神經(jīng)元中能夠加入學(xué)習(xí)的能力?？偟膩碚f，BP神經(jīng)網(wǎng)絡(luò)基本思想的特點(diǎn)是簡(jiǎn)單易懂，適用面廣泛，運(yùn)算步驟清晰。上文提到了神經(jīng)網(wǎng)絡(luò)訓(xùn)練的部分是預(yù)測(cè)的核心內(nèi)容，而訓(xùn)練又分為兩個(gè)類型，一個(gè)類是正向的傳播；一類的反向的傳播。輸入樣本在輸入進(jìn)神經(jīng)網(wǎng)絡(luò)之后，沒有受到其他的影響，直接進(jìn)入隱含層處理，然后預(yù)測(cè)結(jié)果輸出神經(jīng)網(wǎng)絡(luò)，這個(gè)過程是正向傳播的原理與本質(zhì)；反向傳播的方法最初提出的原因是神經(jīng)網(wǎng)絡(luò)的訓(xùn)練的效率不夠高，一度成為早期無法攻克的難關(guān)，但是反向傳播誤差反向傳播的提出，直接明了的解決了這個(gè)問題，它與梯度下降法互相作用，起到了訓(xùn)練的作用，它也是預(yù)測(cè)輸出與實(shí)際輸出之間的誤差沒有超過許可的范圍，其次最大訓(xùn)練迭代次數(shù)也沒有到達(dá)閾值，接著把誤差的特定形式由隱含層向輸入層進(jìn)行反向傳播，最后得到各連接神經(jīng)元的權(quán)值修正之后的根據(jù)。訓(xùn)練的過程會(huì)一直持續(xù)，直到預(yù)測(cè)輸出和實(shí)際輸出之間的誤差和要求的區(qū)間之后，或者完成了訓(xùn)練迭代的最大次數(shù)結(jié)束之后。BP算法的流程如圖2-3所示：1）給權(quán)值賦上初值，設(shè)置迭代的次序t；2）把P個(gè)樣本載入，假定當(dāng)前載入的個(gè)數(shù)為p，運(yùn)算各個(gè)層的輸出；3）如果p<P，那么執(zhí)行p=p+1,接著執(zhí)行第二步，否則轉(zhuǎn)到第四步；4）權(quán)值在各層之間的數(shù)量關(guān)系通過固定的公式來調(diào)整；5）運(yùn)算出來的新的權(quán)值將作為標(biāo)準(zhǔn)，運(yùn)算各層的輸出、系統(tǒng)誤差E(t)，如果E(t)<ζ或t>T,那么跳出訓(xùn)練，否則，執(zhí)行t=t+1，執(zhí)行第二步再次進(jìn)行訓(xùn)練過程；初始化權(quán)值初始化權(quán)值t=1p=1輸入樣本p計(jì)算每層輸出p<Pp=p+1按權(quán)值調(diào)整公式調(diào)整各層的連接權(quán)值計(jì)算各層輸出誤差t>Tt=t+1開始YNY結(jié)束 圖2-3算法流程圖Fig.2-3algorithmflowchartBP神經(jīng)網(wǎng)絡(luò)正向傳播過程：假設(shè)節(jié)點(diǎn)i和節(jié)點(diǎn)j之間的權(quán)值為wi,j,每個(gè)節(jié)點(diǎn)的輸出值為ySy其中f(SBP神經(jīng)網(wǎng)絡(luò)的核心之處在于反向誤差的傳播：假設(shè)第j個(gè)輸出結(jié)果為djEBP神經(jīng)網(wǎng)絡(luò)的目的是根據(jù)不斷修改w值和b值使誤差最小，當(dāng)w,b的值確定以后，一個(gè)輸入就對(duì)應(yīng)著一個(gè)輸出，調(diào)整誤差的方法則是運(yùn)用梯度下降法來不斷的減小誤差。選擇激勵(lì)函數(shù)為：f在位于隱含層與輸出層之間的權(quán)值wi,jΔ對(duì)于激勵(lì)函數(shù)求導(dǎo)，對(duì)整體函數(shù)進(jìn)行求導(dǎo)，可以得到：f然后對(duì)于wi,j=====其中：δ對(duì)于bj?E(w,b)以上減少神經(jīng)元誤差的原理為Widrow-Hoff學(xué)習(xí)規(guī)則[8]。處理完最后一層之后，處理過程還沒有結(jié)束，繼而對(duì)上一層的數(shù)據(jù)進(jìn)一步加工，首先通過權(quán)值向前傳遞誤差，就可以通過運(yùn)算得到前面的誤差，最后同樣對(duì)上一層運(yùn)用梯度下降的方式來把誤差降到最低值：====其中剩下的則為根據(jù)梯度下降法更新w和b的值，讓誤差更?。簑b2.3BP神經(jīng)網(wǎng)絡(luò)改進(jìn)標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)是使用比較普遍的方法，它具有很強(qiáng)的非線性映射能力，且具有自我認(rèn)知能力和自我調(diào)節(jié)能力的優(yōu)點(diǎn)在很多層面內(nèi)都可以應(yīng)用。上文提到BP神經(jīng)網(wǎng)絡(luò)的算法本質(zhì)上是梯度下降法，但是這個(gè)算法需要優(yōu)化的關(guān)系式較為復(fù)雜，在算法運(yùn)行的過程中遇到了平緩區(qū)域的數(shù)據(jù)時(shí)，權(quán)值的變換幾乎微乎其微，但由于標(biāo)準(zhǔn)的算法每個(gè)數(shù)據(jù)都需要神經(jīng)網(wǎng)絡(luò)進(jìn)行迭代，從而導(dǎo)致鋸齒形的現(xiàn)象的出現(xiàn)，很難收斂到最值，直接導(dǎo)致收斂速度越來越緩慢，迭代次數(shù)也越來越多。本文對(duì)于收斂速度慢的缺點(diǎn)采用了Vogl的思想對(duì)數(shù)據(jù)進(jìn)行“批處理”，通過加入動(dòng)量因子來提高訓(xùn)練的速度。2.3.1批處理的帶動(dòng)量梯度下降算法大部分算法的研究目的都是把要求得的結(jié)構(gòu)最優(yōu)化，然后通過不斷的測(cè)試找到最適宜的設(shè)置參數(shù)。對(duì)于目前算法研究成果來看，梯度下降法可以說是一種理論成熟且較為經(jīng)典的算法。它探求最優(yōu)解的方法是利用不斷的迭代，以梯度信息為根本進(jìn)行。加上對(duì)于一個(gè)多元的函數(shù)fx，梯度的定義是自變量偏導(dǎo)之后的結(jié)果，用ffx=?f(x)=把fx+?x在xf梯度下降的算法有如下的幾個(gè)過程：（1）隨機(jī)將要解答目標(biāo)的參數(shù)給初值，作為優(yōu)化的開端；（2）將所有的樣本向量輸入模型，計(jì)算全部樣本的差值；（3）把差值進(jìn)行如上公式的求導(dǎo)，得到相應(yīng)梯度；（4）根據(jù)梯度改變參數(shù)，可以得到經(jīng)過迭代的參數(shù)，接著繼續(xù)重復(fù)以上的過程；動(dòng)量項(xiàng)本質(zhì)上的含義為加入改變量降低神經(jīng)網(wǎng)絡(luò)的靈敏反應(yīng)，具體在權(quán)值和閾值改變的時(shí)候加入，這樣的目的是使單個(gè)數(shù)據(jù)樣本不會(huì)對(duì)網(wǎng)絡(luò)產(chǎn)生影響，而是讓全部的樣本數(shù)據(jù)輸入之后，把全部的誤差加在一起，再集中處理權(quán)值，這樣就可以有效的提高神經(jīng)網(wǎng)絡(luò)的模擬速度。整個(gè)的改進(jìn)過程類似于在神經(jīng)網(wǎng)絡(luò)之中加入阻尼，因?yàn)楦淖冏枘崮軌蛴行p少并得到自己所需要的振蕩，從而進(jìn)一步提升速度。下面為算法推導(dǎo)：1）初始化權(quán)值和閾值；2）確定輸入x和輸出y；3）計(jì)算輸出的實(shí)際值y；yj=f4）權(quán)值修正，增加動(dòng)量項(xiàng)：wΔE=5）判斷是否滿足了誤差精度或者循環(huán)的次數(shù)，是則輸出，否則繼續(xù)循環(huán)第二步2.3.2改進(jìn)的方法標(biāo)準(zhǔn)的BP神經(jīng)網(wǎng)絡(luò)常用的訓(xùn)練函數(shù)為trainlm。反向傳播算法通過非線性函數(shù)的多次復(fù)合來達(dá)到恰當(dāng)處理信息的目的，正因?yàn)檫@樣的特性，函數(shù)的復(fù)現(xiàn)能力相比于其他傳播算法要強(qiáng)的多，但是反向傳播算法的缺點(diǎn)也很清晰可見，比如因?yàn)槭諗克俣嚷退鼘?dǎo)致的迭代時(shí)間長(zhǎng)。本文考慮這些缺點(diǎn)，采用把標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)的反向傳播算法替換成traindm，又稱帶動(dòng)量的批處理梯度下降法函數(shù)，減少振蕩次數(shù)，縮短收斂時(shí)間。2.3.3兩種算法比較為了比較標(biāo)準(zhǔn)的BP神經(jīng)網(wǎng)絡(luò)和改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)之間的性能強(qiáng)弱，在matlab中分別進(jìn)行仿真測(cè)試分析。為了確定改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)是否比標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)更適合本文的數(shù)據(jù)分析，故選用前14天數(shù)據(jù)來進(jìn)行模擬預(yù)測(cè)。表2-1兩種算法結(jié)果比較算法標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)改進(jìn)BP神經(jīng)網(wǎng)絡(luò)迭代速度49秒8秒迭代次數(shù)200次5000次隱含層1節(jié)點(diǎn)數(shù)55隱含層2節(jié)點(diǎn)數(shù)44輸出層節(jié)點(diǎn)數(shù)22MABE（平均絕對(duì)偏差誤差）0.160.16通過仿真證明，在相同的MABE下，改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練速度更快，所以下文中的仿真分析都是基于改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行分析比較。2.4小波分解法小波理論的發(fā)展為復(fù)雜數(shù)據(jù)序列的分析提供了有效工具[10,11]。小波變換的基本原理可以說明為一個(gè)高通濾波器和一個(gè)低通濾波器相組合，高通濾波濾出高頻，低通濾波濾除低頻，經(jīng)過小波變換之后，可以分解成為一個(gè)小波系數(shù)和一個(gè)平滑系數(shù)。因?yàn)榈屯V波分解過后的系數(shù)可能并沒有達(dá)到標(biāo)準(zhǔn)的要求，所以可以調(diào)整濾波器的系數(shù)，繼續(xù)把上一層的平滑系數(shù)進(jìn)一步分解，再次得到新的小波系數(shù)和平滑系數(shù)，以此類推得到自己需要的程度。根據(jù)小波分解法的原理，因?yàn)楣夥l(fā)電輸出功率數(shù)據(jù)的不是固定不變，而是周期性變化，如果直接將這些未經(jīng)處理的數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)，會(huì)嚴(yán)重影響預(yù)測(cè)的精度，而數(shù)據(jù)經(jīng)過小波分解處理后，可以分別得到一個(gè)穩(wěn)定的子系數(shù)和多個(gè)高波動(dòng)性的子系數(shù)。系統(tǒng)通過這些子系數(shù)可以從不同的角度分析出原始數(shù)據(jù)的特征，從而增強(qiáng)模型的有效性。對(duì)于預(yù)輸入信號(hào)函數(shù)ψt對(duì)應(yīng)的分解函數(shù)φ(t),可以得到下列小波函數(shù)ψj,ktψφt表示時(shí)間索引：j和k分別表示小波變量與平滑變量。原始數(shù)據(jù)序列s(t)可以表示為：s式子里，cj,k表示小波系數(shù)為；j平滑系數(shù)為k時(shí)的近似分量的系數(shù)；dj,k代表系數(shù)為j平滑系數(shù)為k時(shí)的細(xì)節(jié)分量系數(shù)；n為數(shù)據(jù)的長(zhǎng)度；根據(jù)Mallat[12]提出的快速離散小波變換算法，把原始數(shù)據(jù)通過小波分解后得到的小波系數(shù)和平滑系數(shù)可以通過多個(gè)不同濾波器濾波獲得。如圖2-4所示：圖2-43層小波分解示意圖Fig.2-4Threelevelwaveletdecompositiondiagram原始數(shù)據(jù)S經(jīng)過第一層分解，得到A1和D1，隨后A1又被進(jìn)一步分解得到A2和D2,接著A2再次分解得到A3和D3，這樣一直往下進(jìn)行。使用小波分解之前，先確定小波分解的層數(shù)k層，然后經(jīng)小波分解后的子系數(shù)有第k階的小波系數(shù)Ak，平滑系數(shù)D1~Dk。由此可以得出，確定分解層數(shù)之后，子系數(shù)Ak和D1~Dk都可以通過小波變換計(jì)算得到，接著這些子系數(shù)就能夠輸入建立好的神經(jīng)網(wǎng)絡(luò)模型來進(jìn)行預(yù)測(cè)，隨后小波重構(gòu)子系數(shù)的預(yù)測(cè)結(jié)果，最后得到對(duì)于原始數(shù)據(jù)的預(yù)測(cè)結(jié)果。預(yù)測(cè)路線如圖2-5所示：圖2-5基于k層小波分解預(yù)測(cè)路線Fig.2-5Routepredictionbasedonk-levelwaveletdecomposition2.5短期光伏發(fā)電預(yù)測(cè)模型的建立2.5.1輸入向量的選取本文題目為格爾木市某光伏電場(chǎng)發(fā)電功率短期預(yù)測(cè)，考慮到由于影響光伏發(fā)電功率的主要干擾為天氣原因，所以首先對(duì)格爾木市的氣候情況做初步調(diào)查。格爾木市的氣候?qū)儆诘湫偷母咴箨懶詺夂?，降水量少，雨熱同期，全年光照充足，光照?qiáng)烈。根據(jù)全年天氣情況對(duì)數(shù)據(jù)范圍進(jìn)行初步的選擇，根據(jù)歷史天氣數(shù)據(jù)調(diào)查選擇適合的月份，結(jié)果如圖2-6所示：圖2-6格爾木市2017年十月份天氣Fig.2-6WeatherinOctober2017inGolmud圖中所示，其中晴天的天數(shù)占十月份天氣的74%。因?yàn)樘柕妮椛渥钔怀龅奶卣魇遣▌?dòng)性，若天氣變化過快或者陰雨天氣時(shí)間較長(zhǎng)，會(huì)給神經(jīng)網(wǎng)絡(luò)-小波分解的數(shù)據(jù)處理以及預(yù)測(cè)性能如收斂、迭代以及精度產(chǎn)生較大的影響，因?yàn)槭路萸缣毂壤^大，而格爾木市的全年氣候多為晴天，光照充足，所以選擇十月份的數(shù)據(jù)為原始數(shù)據(jù)具有代表性。2.5.2數(shù)據(jù)的預(yù)處理由于輸入的數(shù)據(jù)樣本和輸出的數(shù)據(jù)樣本單位不同，并且由于光伏發(fā)電是周期性的，數(shù)據(jù)樣本最大最小值之間的差值也比較大，在把數(shù)據(jù)樣本輸入進(jìn)建立的模型進(jìn)行分析之前，需要進(jìn)行一定初步的預(yù)處理，這樣的目的是有利于提高預(yù)測(cè)系統(tǒng)的精度和數(shù)據(jù)處理的標(biāo)準(zhǔn)化，最后可以加快模型的運(yùn)算速度。大部分的算法和模擬計(jì)算中都會(huì)在數(shù)據(jù)的處理上消耗大量的時(shí)間，造成不必要的損失，所以歸一化處理的作用就顯得越來越重要。歸一化的好處也可以總結(jié)為兩點(diǎn)：（1）減少算法的運(yùn)算量，節(jié)省運(yùn)算時(shí)間，提高算法精度，使到達(dá)最優(yōu)解的速度更快。（2）可以無量綱化，使得各數(shù)據(jù)的指標(biāo)在同一數(shù)量級(jí)。歸一化處理有兩種方式，第一種是利用函數(shù)關(guān)系，把數(shù)據(jù)轉(zhuǎn)換成（0,1）之間。第二種則是把數(shù)據(jù)的量綱進(jìn)行轉(zhuǎn)換，轉(zhuǎn)換成無量綱的關(guān)系式。相對(duì)于第二種方法來說，第一種把數(shù)據(jù)映射到（0,1）內(nèi)較為簡(jiǎn)單且易操作，在計(jì)算和模擬的過程中更容易處理。歸一化轉(zhuǎn)換的三種函數(shù)方法：（1）線性函數(shù)；（2）對(duì)數(shù)函數(shù)；（3）反余切函數(shù)。本文選擇線性函數(shù)轉(zhuǎn)換的方法，目的是使結(jié)果都處于(0,1)的區(qū)間內(nèi)，其函數(shù)表達(dá)式如下：x'=式中x'為輸出的原始數(shù)據(jù)，min(x)、max(x)為變化范圍的最大值和最小值。因?yàn)楣夥l(fā)電功率輸出容易受干擾，所以可能會(huì)出現(xiàn)測(cè)量出來的數(shù)據(jù)不為正數(shù)，存在異常，所以當(dāng)測(cè)量功率為負(fù)值時(shí)，直接化作零處理。確定好的訓(xùn)練集和測(cè)試集都需要進(jìn)行歸一化的處理來提高數(shù)據(jù)的可行性。2.5.3數(shù)據(jù)還原因?yàn)閿?shù)據(jù)在輸入之前進(jìn)行了歸一化的處理，所有的數(shù)據(jù)理論上都處在閉區(qū)間(0,1)之間，而經(jīng)過算法計(jì)算和模型預(yù)測(cè)之后，輸出的數(shù)據(jù)也是在閉區(qū)間(0,1)之間的數(shù)值，但這不是最終預(yù)測(cè)值，在把預(yù)測(cè)結(jié)果輸出之前，需要把預(yù)測(cè)出來的數(shù)據(jù)還原。數(shù)據(jù)還原有兩個(gè)步驟：第一步將負(fù)值的輸出刪除，第二步是把數(shù)據(jù)的單位還原，也稱作為反歸一化。yi=式中，yi為模型的輸出值，ymax、2.6誤差評(píng)價(jià)模型建立之后，對(duì)模型預(yù)測(cè)結(jié)果的精度需要進(jìn)行評(píng)價(jià)，以判斷建立的模型是否可行。常見的誤差評(píng)估方法有：（1）RMSE：均方根誤差。其表達(dá)式如下：RMSE=（2）MAPE：平均絕對(duì)百分比誤差。表達(dá)式如下：MAPE=（3）MABE：平均絕對(duì)偏差誤差。表達(dá)式如下：MABE=式中，Yi為功率預(yù)測(cè)值；Y2.7本章小結(jié)本章首先介紹了神經(jīng)網(wǎng)絡(luò)原理、BP神經(jīng)網(wǎng)絡(luò)的原理、改進(jìn)后的BP神經(jīng)網(wǎng)絡(luò)原理并與標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)作比較、小波分解理論、歸一化處理數(shù)據(jù)理論，誤差評(píng)價(jià)，然后建立預(yù)測(cè)模型，最后敘述了和各理論相對(duì)應(yīng)的表達(dá)式，集中闡述了本文的核心思想和內(nèi)容，為模型的構(gòu)建建立基礎(chǔ)。第3章案例仿真及結(jié)果分析3.1數(shù)據(jù)來源本文數(shù)據(jù)的主要為格爾木市某光伏電場(chǎng)逐時(shí)的輸出功率，也是神經(jīng)網(wǎng)絡(luò)的輸入向量。根據(jù)上文對(duì)格爾木市氣候的了解以及天氣情況的調(diào)查研究，最終選擇格爾木市十月份光伏電站的數(shù)據(jù)作為輸入向量來分析預(yù)測(cè)，十月份功率總圖如圖3-1所示：圖3-1十月份數(shù)據(jù)總圖Fig.3-1Octoberdatamap由圖3-1可知，光伏發(fā)電功率每天的功率曲線形狀相似，隨著時(shí)間變化呈周期性。整體樣本數(shù)據(jù)確定之后，考慮單一數(shù)組作為輸入向量進(jìn)入模型內(nèi)的預(yù)測(cè)可能會(huì)出現(xiàn)偏差，所以為了判斷模型的適應(yīng)性程度，選擇將數(shù)據(jù)分組的方法，分組的數(shù)據(jù)分為3天數(shù)據(jù)一組，7天數(shù)據(jù)一組，14天數(shù)據(jù)一組和30天數(shù)據(jù)一組來進(jìn)行預(yù)測(cè)，目的是去除巧合預(yù)測(cè)，提高模型的預(yù)測(cè)精度，由于光伏發(fā)電具有周期性，在晚上7點(diǎn)至第二天早上7點(diǎn)，沒有光照條件，所以在將數(shù)據(jù)運(yùn)用之前，進(jìn)行初步的篩選，最后再把處理后的數(shù)據(jù)輸入系統(tǒng)。3.2精度比較本文選用的基于改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)——小波分解模型，采用tansig和purelin函數(shù)分別作為輸入層，輸出層的激勵(lì)函數(shù)，采用traindm作為訓(xùn)練函數(shù)。分別用3天，7天，14天，30天的數(shù)據(jù)作為樣本，因?yàn)楸疚倪M(jìn)行的預(yù)測(cè)是短期預(yù)測(cè)，預(yù)測(cè)未來0-24小時(shí)的輸出功率，所以用以往的樣本數(shù)據(jù)來預(yù)測(cè)接下來0-24小時(shí)區(qū)間內(nèi)的數(shù)據(jù)，再與實(shí)際值進(jìn)行比較分析。3.2.1三天數(shù)據(jù)預(yù)測(cè)結(jié)果精度比較以十月份的前三天的數(shù)據(jù)作為樣本，預(yù)測(cè)接下來一天的輸出功率。預(yù)測(cè)功率與實(shí)際功率如圖3-2-1,各時(shí)間點(diǎn)對(duì)應(yīng)誤差圖3-2-2所示：圖3-2-1三天數(shù)據(jù)預(yù)測(cè)Fig.3-2-1Threedaysdataforecast圖3-2-2時(shí)間點(diǎn)誤差Fig.3-2-2Timepointerror由圖可知，因?yàn)榍叭鞛榍缣斓年P(guān)系，預(yù)測(cè)的精度較高，誤差較小，擬合程度較好。通過計(jì)算得到該日的預(yù)測(cè)回歸指標(biāo)：RMSE=0.39MAPE=5.98%MABE=0.30三種誤差評(píng)估方法計(jì)算得出的數(shù)值都較低，可以得出該預(yù)測(cè)效果較好。3.2.2七天數(shù)據(jù)預(yù)測(cè)結(jié)果精度比較以十月份前七天的數(shù)據(jù)作為樣本，預(yù)測(cè)接下來一天的輸出功率。預(yù)測(cè)功率與實(shí)際功率如圖3-3-1所示，各時(shí)間點(diǎn)對(duì)應(yīng)誤差圖3-3-2所示：圖3-3-1七天數(shù)據(jù)預(yù)測(cè)Fig.3-3-1Sevendaysdataforecast圖3-3-2時(shí)間點(diǎn)誤差Fig.3-3-2Timepointerror由圖可知，由于前七天天氣變化不大，所以預(yù)測(cè)精度較三天來說沒有太大變化，預(yù)測(cè)精度較高，擬合程度較好，誤差較小。通過計(jì)算得到該日的預(yù)測(cè)回歸指標(biāo)：RMSE=0.81MAPE=10.22%MABE=0.803.2.3十四天數(shù)據(jù)預(yù)測(cè)結(jié)果精度比較以十月份的前十四天的數(shù)據(jù)作為樣本，預(yù)測(cè)接下來一天的輸出功率。預(yù)測(cè)功率與實(shí)際功率如圖3-4-1所示，各時(shí)間點(diǎn)對(duì)應(yīng)誤差圖3-4-2所示：圖3-4-1十四天數(shù)據(jù)預(yù)測(cè)Fig.3-4-114daysdataforecast圖3-4-2時(shí)間點(diǎn)誤差Fig.3-4-2Timepointerror由圖可知，因?yàn)榍笆奶焯鞖獬霈F(xiàn)多云和陰天等天氣影響，對(duì)預(yù)測(cè)值產(chǎn)生了一定的影響。通過計(jì)算得到該日的預(yù)測(cè)回歸指標(biāo)：RMSE=0.66MAPE=14.38%MABE=0.503.2.4三十天數(shù)據(jù)預(yù)測(cè)結(jié)果精度比較以十月份的數(shù)據(jù)作為樣本，預(yù)測(cè)接下來一天的輸出功率。預(yù)測(cè)功率與實(shí)際功率如如圖3-5-1所示，各時(shí)間點(diǎn)對(duì)應(yīng)誤差圖3-5-2所示：：圖3-5-1三十天數(shù)據(jù)預(yù)測(cè)Fig.3-5-130daysdataforecast圖3-5-2時(shí)間點(diǎn)誤差Fig.3-5-2Timepointerror由圖可知，因?yàn)橐粋€(gè)月的天氣起伏變化較大，對(duì)模型的預(yù)測(cè)造成了一定的影響。通過計(jì)算得到該日的預(yù)測(cè)回歸指標(biāo)：RMSE=1.22MAPE=13.22%MABE=0.943.3實(shí)驗(yàn)結(jié)論與小結(jié)最終結(jié)果顯示，四組數(shù)據(jù)的預(yù)測(cè)結(jié)果都達(dá)到了較好的預(yù)測(cè)結(jié)果，預(yù)測(cè)誤差在16%以下，天氣情況較好的時(shí)候，預(yù)測(cè)的誤差更低，達(dá)到10%以下，這其中當(dāng)天氣情況較好，且天數(shù)較少的情況下，誤差值在7%以下。根據(jù)MAPE的數(shù)值比較，利用數(shù)據(jù)的天數(shù)越少，其值越小，所以本文建立的模型更適合于短期功率預(yù)測(cè)，符合要求與目的。由此可以得出本文基于改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)——小波分解短期的功率預(yù)測(cè)模型精度達(dá)到要求，具有可行性。第4章結(jié)論與展望4.1結(jié)論面對(duì)化石燃料的日益殆盡和環(huán)境污染的逐漸惡化，光伏發(fā)電并入電網(wǎng)在未來會(huì)逐漸成為主流。近些年，電力電子技術(shù)的發(fā)展，不僅解決了很多光伏發(fā)電硬件上的問題，還降低了光伏發(fā)電的成本，并且光伏發(fā)電的諧波問題也得到了有效的改善，為并入電網(wǎng)奠定了基礎(chǔ)。但光伏發(fā)電是受光照、地理環(huán)境、溫度等多元因素影響的電源，容易給電力系統(tǒng)的供電帶來波動(dòng)，影響電力系統(tǒng)平衡。當(dāng)大量的光伏發(fā)電并網(wǎng)運(yùn)行，會(huì)嚴(yán)重影響電網(wǎng)的功率平衡，甚至?xí)o安全穩(wěn)定與經(jīng)濟(jì)運(yùn)行帶來巨大挑戰(zhàn)[13]。本文提出基于改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)-小波分解的方法來對(duì)短期光伏功率輸出進(jìn)行預(yù)測(cè)，把以往的數(shù)據(jù)作為輸入功率，可以得到預(yù)測(cè)的輸出功率，其中預(yù)測(cè)的時(shí)間選取8:00至18:00之間，建立了光伏功率預(yù)測(cè)模型，模型可行性的評(píng)估是以回歸分析的各項(xiàng)結(jié)果的大小為前提，最終得出的結(jié)論如下：（1）目前BP神經(jīng)網(wǎng)絡(luò)在理論基礎(chǔ)或者實(shí)際應(yīng)用都比較完善。為了減少誤差，可以通過實(shí)驗(yàn)的方法來確定具體的參數(shù)與數(shù)值，并且隨著結(jié)構(gòu)的改變其性能也隨之改變，主要用于函數(shù)逼近、模式識(shí)別、分類和數(shù)據(jù)壓縮[14]。本文就迭代速度、收斂時(shí)間方面提出改進(jìn)，將訓(xùn)練函數(shù)從標(biāo)準(zhǔn)的trainlm函數(shù)更改為traindm函數(shù)，并在matlab軟件上仿真分析。經(jīng)過分析比較，改進(jìn)過后的BP神經(jīng)網(wǎng)絡(luò)迭代速度更快，通過不斷的調(diào)試比較，精度相比標(biāo)準(zhǔn)的BP神經(jīng)網(wǎng)絡(luò)更高。（2）Mallat提出的小波分解法能夠?qū)υ寄Ｐ洼斎霐?shù)據(jù)進(jìn)行預(yù)處理，從而得到一個(gè)穩(wěn)定的小波系數(shù)與波動(dòng)性的平滑系數(shù)，分解過后的子系數(shù)能更好的反映原始數(shù)據(jù)特征，從而有效的優(yōu)化了預(yù)測(cè)精度。4.2展望本文對(duì)光伏發(fā)電功率預(yù)測(cè)方法作研究，基于BP神經(jīng)網(wǎng)絡(luò)，在其基礎(chǔ)上進(jìn)行改進(jìn)，加入了小波分解法與歸一化的思想，使建立的模型精度進(jìn)一步提高。通過把歷史