CN103106544A - 一种基于t-s型模糊神经网络的光伏发电预测系统 - Google Patents

Abstract

本发明公开了一种基于T-S型模糊神经网络的光伏发电预测系统，该预测系统包括模糊神经网络构造模块、模糊神经网络训练模块、模糊神经网络预测模块。本发明实现了太阳能光伏发电量的预测，实现了模糊推理系统和神经网络学习系统的有机结合、算法先进、预测精度高，提高了电网调度效率、保障电网安全运行，引入气象因素、提高了预测准确性和可靠性，为太阳能光伏发电的大规模并网提供了技术支持、可移植性高，只需要进行简单的修改，也可以为风能和其他新能源提供发电预测系统。

Description

一种基于T-S型模糊神经网络的光伏发电预测系统

技术领域

本发明涉及太阳能光伏发电预测系统技术领域，具体涉及一种基于T-S型模糊神经网络的光伏发电预测系统。 

背景技术

太阳能光伏发电具有转换效率高、使用周期长、无运转部件等优点，目前，国外太阳能光伏发电已经完成初期开发阶段，正向大规模应用阶段发展。但是，由于太阳能具有间歇性和随机性等特点，随着光伏装机容量的快速扩大，大规模的光伏并网，将不利于电网的稳定性，对电力市场产生深远的影响，因此，预知光伏发电系统的发电量，对电网电能的调度有着重要的意义。 

太阳能光伏发电系统的发电量受许多方面因素的影响，太阳辐射强度、温度、天气情况、季节等，这些因素不同程度地影响光伏发电系统的发电量，并且呈现出强非线性，而光伏发电系统可视为一个不可控的电源，其随机性将对电网产生冲击，因此，研究太阳能的随机性和光伏发电预测技术有着重要意义。 

目前，预测技术主要有神经网络技术，神经网络具有很强的处理非线性问题的能力，但神经网络预测技术也存在自身的一些问题，需要大量的学习样本、网络初始参数确定的随机性、网络结构设计的不确定性等缺点。 

因此，基于上述问题，本发明提供一种基于T-S型模糊神经网络的光伏发电预测系统。 

发明内容

发明目的：本发明提供一种基于T-S型模糊神经网络的光伏发电预测系统，以克服上述现有太阳能光伏发电预测技术的相关缺点。 

技术方案：本发明提供一种基于T-S型模糊神经网络的光伏发电预测系统，该预测系统包括模糊神经网络构造模块、模糊神经网络训练模块、模糊神经网络预测模块；所述模糊神经网络构造模块根据系统要求进行网络构造；所述模糊神经网络构造模块进行网络参数初始化后，调取数据库中的训练样本信息，进行模糊神经网络训练模块的网络训练；所述模糊神经网络训练模块进行网络训练后，调取数据库中的测试样本信息进行测试，完成模糊神经网络预测模块的网络测试；所述模糊神经网络预测模块即可进行光伏发电预测。 

所述模糊神经网络构造模块由T-S型模糊系统和神经网络组成，包括前件网络和后件网络，前件网络包括四层，其中第一层为输入层，进行16个量输入，用x=[x₁x₂…x₅x₁₆]^T表示，N₁=16； 

第二层对16个变量进行模糊分割{正大、零、负大}，每个输入量分为3个模糊子集，节点数

隶属度函数采用高斯型隶属度函数，计算公式为， 

$u_i^j=e^{\frac{-{(x_i-c_{\mathrm{ij}})}^2}{{\mathrm{\σ}}_{\mathrm{ij}}^2}}---\left(1\right)$

其中，

隶属度的中心、隶属度的中心宽度，初始值随机生成； 

第三层的每个节点代表一条模糊规则，通过计算每条规则的适应度与模糊规则的前件匹配，计算公式为， 

${\mathrm{\α}}_j=\min \{u_1^{i1}{u}_2^{i2}\·\·\·u_6^{i6}\}---\left(2\right)$

其中，i₁∈[1,2,…,m₁],i₂∈[1,2,…,m₂],i_n∈[1,2,…,m_n],j=1,2,…,m,

节点总数N₃=m； 

第四层节点数与第三层相同（N₄=N₃），进行归一化计算，计算公式为， 

$\stackrel{\‾}{{\∂}_j}=\frac{{\∂}_j}{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\α}}_i},i=\mathrm{1,2},\·\·\·,6---\left(3\right);$

后件网络由多个子网络组成，第一层为子网络输入层将输入变量传输到第二层以提供模糊规则后件中的常数项，第0个节点的输入值为x₀=1； 

第二层子网络，计算每一条规则的后件，其中每个节点代表匹配一条T-S模糊规则的后件，计算公式为， 

$y_j^i=p_{j0}^i+p_{j1}^i{x}_1+\·\·\·+p_{\mathrm{jn}}^i{x}_6\underset{k=0}{\overset{6}{\mathrm{\Σ}}}{p}_{\mathrm{jk}}^i{x}_k---\left(4\right);$

第三层子网络，对变量进行计算并输出，计算公式为， 

$y_i=\underset{j=1}{\overset{m}{\mathrm{\Σ}}}\stackrel{\‾}{{\mathrm{\α}}_j}{y}_{\mathrm{ij}}---\left(5\right)$

其中，y_i是各规则后件的加权和。 

所述模糊神经网络构造模块还包括学习算法和网络参数。 

所述学习算法分为，网络学习算法和

学习算法，网络学习算法通过学习过程调节连接权隶属函数的中心值c_ij和宽度σ_ij(i=1,2,…,m;j=1,2,…,m_i)，误差代价函数计算公式为， 

$E=\frac{1}{2}\underset{i=1}{\overset{r}{\mathrm{\Σ}}}{(t_i-y_i)}^2---\left(6\right)$

其中，t_i表示期望的输出参数，y_i表示实际的输出参数； 

学习算法公式为， 

$\frac{\∂E}{{\∂p}_{\mathrm{ji}}^k}=\frac{\∂E}{{\∂y}_k}\frac{{\∂y}_k}{{\∂y}_{\mathrm{kj}}}\frac{{\∂y}_{\mathrm{kj}}}{{\∂p}_{\mathrm{ji}}^k}--(t_k-y_k)\stackrel{\‾}{{\mathrm{\α}}_j}{x}_i---\left(7\right)$

系数修正 $p_{\mathrm{ji}}^k(l+1)=p_{\mathrm{ji}}^k\left(l\right)-\mathrm{\β}\frac{\∂E}{{\∂p}_{\mathrm{ji}}^k}=p_{\mathrm{ji}}^k\left(l\right)+\mathrm{\β}(t_k-y_k)\stackrel{\‾}{{\mathrm{\α}}_j}{x}_i---\left(8\right)$

式中，j=1,2,…,m;i=1,2,…,n;k=1,2,…,r。 

${\mathrm{\δ}}_i^{\left(5\right)}=t_i-y_i,i=\mathrm{1,2},\·\·\·,n---\left(9\right)$

${\mathrm{\δ}}_j^{\left(4\right)}=\underset{i=1}{\overset{r}{\mathrm{\Σ}}}{\mathrm{\δ}}_i^{\left(5\right)}{y}_{\mathrm{ij}},j=\mathrm{1,2},\·\·\·,m---\left(10\right)$

${\mathrm{\δ}}_j^{\left(3\right)}={\mathrm{\δ}}_j^{\left(4\right)}\underset{1\≠j}{\overset{m}{\underset{i=1}{\mathrm{\Σ}}}}{a}_i/{\left(\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{a}_i\right)}^2,j=\mathrm{1,2},\·\·\·,m---\left(11\right)$

${\mathrm{\δ}}_{\mathrm{ij}}^{\left(2\right)}=\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\δ}}_k^{\left(3\right)}{s}_{\mathrm{ij}}{e}^{\frac{{(x_i-c_{\mathrm{ij}})}^2}{{\mathrm{\σ}}_{\mathrm{ij}}^2}},j=\mathrm{1,2},\·\·\·,m---\left(12\right)$

当and采用取小运算时，则当

是第k个规则节点输入的最小值，s_ij=1，否则，s_ij=0，当and采用相乘运算时，则当

是第k个规则节点的一个输入时， 

$s_{\mathrm{ij}}=\underset{j\≠i}{\overset{n}{\underset{j=1}{\mathrm{\Π}}}}{\mathrm{\μ}}_j^{i_j}---\left(13\right)$

否则，s_ij=0，最后通过公式求得，计算公式为， 

$\frac{\∂E}{{\∂c}_{\mathrm{ij}}}=-{\mathrm{\δ}}_{\mathrm{ij}}^{\left(2\right)}\frac{2(x_i-c_{\mathrm{ij}})}{{\mathrm{\σ}}_{\mathrm{ij}}^2}---\left(14\right)$

$\frac{\∂E}{{\∂\mathrm{\σ}}_{\mathrm{ij}}}=-{\mathrm{\δ}}_{\mathrm{ij}}^{\left(2\right)}\frac{2(x_i-c_{\mathrm{ij}})}{{\mathrm{\σ}}_{\mathrm{ij}}^2}---\left(15\right)$

系数修正计算公式为， 

$c_{\mathrm{ij}}(k+1)=c_{\mathrm{ij}}\left(k\right)-\mathrm{\β}\frac{\∂E}{{\∂c}_{\mathrm{ij}}}---\left(16\right)$

${\mathrm{\σ}}_{\mathrm{ij}}(k+1)={\mathrm{\σ}}_{\mathrm{ij}}\left(k\right)-\mathrm{\β}\frac{\∂E}{{\∂\mathrm{\σ}}_{\mathrm{ij}}}---\left(17\right)$

其中，β>0，为学习率；i=1,2,…,m;j=1,2,…,m_i。 

所述网络参数中确定权值初始值，采用实验对比方法，随机生成几组权的初始值，以同样的样本输入进行比较分析，确定权值的初始值。 

所述模糊神经网络构造模块，采用历史发电量序列、最高气温、综合天气指数作为系统的输入量，光伏发电系统的历史发电量序列输入变量为12个，分别表示一天时间里12个时间点的发电量，如早7点至晚6点总计12个时间点，其中，最高气温输入变量为2个，分别表示预测日的最高气温和预测日前一天的最高气温，总计16个输入变量，输出变量定义为预测日对应的12个时间点的发电量序列。 

所述模糊神经网络训练模块调取数据库样本信息进行网络训练，其中，调取光伏监控系统数据库中历史发电数据和气象数据作为模型的训练样本和测试样本，选取样本数据库中的7/8作为训练样本，包含光伏发电量数据、综合天气类型和最高气温数据。 

所述模糊神经网络预测模块通过学习数据库样本信息进行网络预测，其中，调取光伏监控系统数据库中历史发电数据和气象数据的1/8作为测试样本，验证系统的可行性和正确性。 

与现有技术相比，本发明的有益效果在于： 

本发明提供的一种基于T-S型模糊神经网络的光伏发电预测系统，该系统实现了太阳能光伏发电量的预测，实现了模糊推理系统和神经网络学习系统的有机结合、算法先进、预测精度高，提高了电网调度效率、保障电网安全运行，引入气象因素、提高了预测准确性和可靠性，为太阳能光伏发电的大规模并网提供了技术支持、可移植性高，只需要进行简单的修改，也可以为风能和其他新能源提供发电预测系统。 

附图说明

图1为本发明实施例的系统结构示意图； 

图2为本发明实施例的系统的算法流程图。 

具体实施方式

下面结合具体实施例对本发明所述的一种基于T-S型模糊神经网络的光伏发电预测系统做详细说明： 

如图1、图2所示的一种基于T-S型模糊神经网络的光伏发电预测系统，该预测系统包括模糊神经网络构造模块1、模糊神经网络训练模块2、模糊神经网络预测模块3；模糊神经网络构造模块1根据系统要求进行网络构造；模糊神经网络构造模块1进行网络参数初始化后，调取数据库中的训练样本信息，进行模糊神经网络训练模块2的网络训练；模糊神经网络训练模块2进行网络训练后，调取数据库中的测试样本信息进行测试，完成模糊神经网络预测模块3的网络测试；模糊神经网络预测模块3即可进行光伏发电预测。 

模糊神经网络构造模块1由T-S型模糊系统和神经网络组成，包括前件网络和后件网络， 

前件网络包括四层，其中第一层为输入层，进行16个量输入，用x=[x₁x₂…x₅x₁₆]^T表示，N₁=16； 

第二层对16个变量进行模糊分割{正大、零、负大}，每个输入量分为3个模糊子集，节点数

隶属度函数采用高斯型隶属度函数，计算公式为， 

$u_i^j=e^{\frac{-{(x_i-c_{\mathrm{ij}})}^2}{{\mathrm{\σ}}_{\mathrm{ij}}^2}}---\left(1\right)$

其中，

隶属度的中心、

隶属度的中心宽度，初始值随机生成； 

第三层的每个节点代表一条模糊规则，通过计算每条规则的适应度与模糊规则的前件匹配，计算公式为， 

${\mathrm{\α}}_j=\min \{u_1^{i1}{u}_2^{i2}\·\·\·u_6^{i6}\}---\left(2\right)$

其中，i₁∈[1,2,…,m₁],i₂∈[1,2,…,m₂],i_n∈[1,2,…,m_n],j=1,2,…,m,

节点总数N₃=m； 

第四层节点数与第三层相同（N₄=N₃），进行归一化计算，计算公式为， 

$\stackrel{\‾}{{\∂}_j}=\frac{{\∂}_j}{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\α}}_i},i=\mathrm{1,2},\·\·\·,6---\left(3\right);$

后件网络由多个子网络组成，第一层为子网络输入层将输入变量传输到第二层以提供模糊规则后件中的常数项，第0个节点的输入值为x₀=1； 

第二层子网络，计算每一条规则的后件，其中每个节点代表匹配一条T-S模糊规则的后件，计算公式为， 

$y_j^i=p_{j0}^i+p_{j1}^i{x}_1+\·\·\·+p_{\mathrm{jn}}^i{x}_6\underset{k=0}{\overset{6}{\mathrm{\Σ}}}{p}_{\mathrm{jk}}^i{x}_k---\left(4\right);$

第三层子网络，对变量进行计算并输出，计算公式为， 

$y_i=\underset{j=1}{\overset{m}{\mathrm{\Σ}}}\stackrel{\‾}{{\mathrm{\α}}_j}{y}_{\mathrm{ij}}---\left(5\right)$

其中，y_i是各规则后件的加权和。 

模糊神经网络构造模块1还包括学习算法和网络参数。 

学习算法分为，网络学习算法和学习算法，网络学习算法通过学习过程调节连接权

隶属函数的中心值c_ij和宽度σ_ij(i=1,2,…,m;j=1,2,…,m_i)，误差代价函数计算公式为， 

$E=\frac{1}{2}\underset{i=1}{\overset{r}{\mathrm{\Σ}}}{(t_i-y_i)}^2---\left(6\right)$

其中，t_i表示期望的输出参数，y_i表示实际的输出参数； 

学习算法公式为， 

$\frac{\∂E}{{\∂p}_{\mathrm{ji}}^k}=\frac{\∂E}{{\∂y}_k}\frac{{\∂y}_k}{{\∂y}_{\mathrm{kj}}}\frac{{\∂y}_{\mathrm{kj}}}{{\∂p}_{\mathrm{ji}}^k}--(t_k-y_k)\stackrel{\‾}{{\mathrm{\α}}_j}{x}_i---\left(7\right)$

系数修正 $p_{\mathrm{ji}}^k(l+1)=p_{\mathrm{ji}}^k\left(l\right)-\mathrm{\β}\frac{\∂E}{{\∂p}_{\mathrm{ji}}^k}=p_{\mathrm{ji}}^k\left(l\right)+\mathrm{\β}(t_k-y_k)\stackrel{\‾}{{\mathrm{\α}}_j}{x}_i---\left(8\right)$

式中，j=1,2,…,m;i=1,2,…,n;k=1,2,…,r。 

${\mathrm{\δ}}_i^{\left(5\right)}=t_i-y_i,i=\mathrm{1,2},\·\·\·,n---\left(9\right)$

${\mathrm{\δ}}_j^{\left(4\right)}=\underset{i=1}{\overset{r}{\mathrm{\Σ}}}{\mathrm{\δ}}_i^{\left(5\right)}{y}_{\mathrm{ij}},j=\mathrm{1,2},\·\·\·,m---\left(10\right)$

${\mathrm{\δ}}_j^{\left(3\right)}={\mathrm{\δ}}_j^{\left(4\right)}\underset{1\≠j}{\overset{m}{\underset{i=1}{\mathrm{\Σ}}}}{a}_i/{\left(\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{a}_i\right)}^2,j=\mathrm{1,2},\·\·\·,m---\left(11\right)$

${\mathrm{\δ}}_{\mathrm{ij}}^{\left(2\right)}=\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\δ}}_k^{\left(3\right)}{s}_{\mathrm{ij}}{e}^{\frac{{(x_i-c_{\mathrm{ij}})}^2}{{\mathrm{\σ}}_{\mathrm{ij}}^2}},j=\mathrm{1,2},\·\·\·,m---\left(12\right)$

当and采用取小运算时，则当

是第k个规则节点输入的最小值，s_ij=1，否则，s_ij=0，当and采用相乘运算时，则当

是第k个规则节点的一个输入时， 

$s_{\mathrm{ij}}=\underset{j\≠i}{\overset{n}{\underset{j=1}{\mathrm{\Π}}}}{\mathrm{\μ}}_j^{i_j}---\left(13\right)$

否则，s_ij=0，最后通过公式求得，计算公式为， 

$\frac{\∂E}{{\∂c}_{\mathrm{ij}}}=-{\mathrm{\δ}}_{\mathrm{ij}}^{\left(2\right)}\frac{2(x_i-c_{\mathrm{ij}})}{{\mathrm{\σ}}_{\mathrm{ij}}^2}---\left(14\right)$

$\frac{\∂E}{{\∂\mathrm{\σ}}_{\mathrm{ij}}}=-{\mathrm{\δ}}_{\mathrm{ij}}^{\left(2\right)}\frac{2(x_i-c_{\mathrm{ij}})}{{\mathrm{\σ}}_{\mathrm{ij}}^2}---\left(15\right)$

系数修正计算公式为， 

$c_{\mathrm{ij}}(k+1)=c_{\mathrm{ij}}\left(k\right)-\mathrm{\β}\frac{\∂E}{{\∂c}_{\mathrm{ij}}}---\left(16\right)$

${\mathrm{\σ}}_{\mathrm{ij}}(k+1)={\mathrm{\σ}}_{\mathrm{ij}}\left(k\right)-\mathrm{\β}\frac{\∂E}{{\∂\mathrm{\σ}}_{\mathrm{ij}}}---\left(17\right)$

其中，β>0，为学习率；i=1,2,…,m;j=1,2,…,m_i。 

网络参数中确定权值初始值，采用实验对比方法，随机生成几组权的初始值，以同样的样本输入进行比较分析，确定权值的初始值。 

模糊神经网络构造模块1，采用历史发电量序列、最高气温、综合天气指数作为系统的输入量，光伏发电系统的历史发电量序列输入变量为12个，分别表示一天时间里12个时间点的发电量，如早7点至晚6点总计12个时间点，其中，最高气温输入变量为2个，分别表示预测日的最高气温和预测日前一天的最高气温，总计16个输入变量，输出变量定义为预测日对应的12个时间点的发电量序列。 

模糊神经网络训练模块2调取数据库样本信息进行网络训练，其中，调取光伏监控系统数据库中历史发电数据和气象数据作为模型的训练样本和测试样本，选取样本数据库中的7/8作为训练样本，包含光伏发电量数据、综合天气类型和最高气温数据。 

模糊神经网络预测模块3通过学习数据库样本信息进行网络预测，其中，调取光伏监控系统数据库中历史发电数据和气象数据的1/8作为测试样本，验证系统的可行性和正确性。 

模糊神经网络训练模块2和模糊神经网络预测模块3调取的数据信息首先进行预处理，假设采用总云量L₁和雨量L₂来确定天气类型，则相应的天气类型映射为相对应的数据类型， 

当L₁≤3，L₂=0，时，晴天，并赋值：晴=3； 

当3＜L1≤9，L₂=0，时，阴天，并赋值：阴=2； 

当93＜L₁，L₂≠0，时，雨天，并赋值：雨=1； 

由上可知，将总云量和雨量天气类型转化为数据类型后，数据区间为[1，3]，T-S型模糊神经网络预测系统的输入变量区间范围为[-1，1]，若将区间[1，3]的值 转换为到区间[-1，1]，则进行归一花计算，计算公式为， 

$x_i^{*}=\frac{x_i-x_{\min }}{x_{\max }-x_{\min }}---\left(18\right)$

其中，为归一化后的值，x_i为原始数据，i为数据序列序号，x_min、x_max为数据{x_i}中的最小值与最大值，光伏发电量数据和最高气温数据都采用此方法。 

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进，这些改进也应视为本发明的保护范围。 

Claims (8)

1.一种基于T-S型模糊神经网络的光伏发电预测系统，其特征在于：所述预测系统包括模糊神经网络构造模块（1）、模糊神经网络训练模块（2）、模糊神经网络预测模块（3）；所述模糊神经网络构造模块（1）根据系统要求进行网络构造；所述模糊神经网络构造模块（1）进行网络参数初始化后，调取数据库中的训练样本信息，进行模糊神经网络训练模块（2）的网络训练；所述模糊神经网络训练模块（2）进行网络训练后，调取数据库中的测试样本信息进行测试，完成模糊神经网络预测模块（3）的网络测试；所述模糊神经网络预测模块（3）即可进行光伏发电预测。

2.根据权利要求1所述的基于T-S型模糊神经网络的光伏发电预测系统，其特征在于：所述模糊神经网络构造模块（1）由T-S型模糊系统和神经网络组成，包括前件网络和后件网络，

前件网络包括四层，其中第一层为输入层，进行16个量输入，用x=[x₁x₂…x₅x₁₆]^T表示，N₁=16；

第二层对16个变量进行模糊分割{正大、零、负大}，每个输入量分为3个模糊子集，节点数

隶属度函数采用高斯型隶属度函数，计算公式为，

$u_i^j=e^{\frac{-{(x_i-c_{\mathrm{ij}})}^2}{{\mathrm{\σ}}_{\mathrm{ij}}^2}}---\left(1\right)$

其中，

隶属度的中心、

隶属度的中心宽度，初始值随机生成；

第三层的每个节点代表一条模糊规则，通过计算每条规则的适应度与模糊规则的前件匹配，计算公式为，

${\mathrm{\α}}_j=\min \{u_1^{i1}{u}_2^{i2}\·\·\·u_6^{i6}\}---\left(2\right)$

其中，i₁∈[1,2,…,m₁],i₂∈[1,2,…,m₂],i_n∈[1,2,…,m_n],j=1,2,L,m,

节点总数N₃=m；

第四层节点数与第三层相同（N₄=N₃），进行归一化计算，计算公式为，

$\stackrel{\‾}{{\∂}_j}=\frac{{\∂}_j}{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\α}}_i},i=\mathrm{1,2},\·\·\·,6---\left(3\right);$

后件网络由多个子网络组成，第一层为子网络输入层将输入变量传输到第二层以提供模糊规则后件中的常数项，第0个节点的输入值为x₀=1；

第二层子网络，计算每一条规则的后件，其中每个节点代表匹配一条T-S模糊规则的后件，计算公式为，

$y_j^i=p_{j0}^i+p_{j1}^i{x}_1+\·\·\·+p_{\mathrm{jn}}^i{x}_6\underset{k=0}{\overset{6}{\mathrm{\Σ}}}{p}_{\mathrm{jk}}^i{x}_k---\left(4\right);$

第三层子网络，对变量进行计算并输出，计算公式为，

$y_i=\underset{j=1}{\overset{m}{\mathrm{\Σ}}}\stackrel{\‾}{{\mathrm{\α}}_j}{y}_{\mathrm{ij}}---\left(5\right)$

其中，y_i是各规则后件的加权和。

3.根据权利要求1所述的基于T-S型模糊神经网络的光伏发电预测系统，其特征在于：所述模糊神经网络构造模块（1）还包括学习算法和网络参数。

4.根据权利要求3所述的基于T-S型模糊神经网络的光伏发电预测系统，其特征在于：所述学习算法分为，网络学习算法和学习算法，网络学习算法通过学习过程调节连接权

隶属函数的中心值c_ij和宽度σ_ij(i=1,2…,m;j=1,2,…,m_i)，误差代价函数计算公式为，

$E=\frac{1}{2}\underset{i=1}{\overset{r}{\mathrm{\Σ}}}{(t_i-y_i)}^2---\left(6\right)$

其中，t_i表示期望的输出参数，y_i表示实际的输出参数；

学习算法公式为，

$\frac{\∂E}{{\∂p}_{\mathrm{ji}}^k}=\frac{\∂E}{{\∂y}_k}\frac{{\∂y}_k}{{\∂y}_{\mathrm{kj}}}\frac{{\∂y}_{\mathrm{kj}}}{{\∂p}_{\mathrm{ji}}^k}--(t_k-y_k)\stackrel{\‾}{{\mathrm{\α}}_j}{x}_i---\left(7\right)$

系数修正 $p_{\mathrm{ji}}^k(l+1)=p_{\mathrm{ji}}^k\left(l\right)-\mathrm{\β}\frac{\∂E}{{\∂p}_{\mathrm{ji}}^k}=p_{\mathrm{ji}}^k\left(l\right)+\mathrm{\β}(t_k-y_k)\stackrel{\‾}{{\mathrm{\α}}_j}{x}_i---\left(8\right)$

式中，j=1,2，…,m;i=1,2,…,n;k=1,2,…,r。

${\mathrm{\δ}}_i^{\left(5\right)}=t_i-y_i,i=\mathrm{1,2},\·\·\·,n---\left(9\right)$

${\mathrm{\δ}}_j^{\left(4\right)}=\underset{i=1}{\overset{r}{\mathrm{\Σ}}}{\mathrm{\δ}}_i^{\left(5\right)}{y}_{\mathrm{ij}},j=\mathrm{1,2},\·\·\·,m---\left(10\right)$

${\mathrm{\δ}}_j^{\left(3\right)}={\mathrm{\δ}}_j^{\left(4\right)}\underset{1\≠j}{\overset{m}{\underset{i=1}{\mathrm{\Σ}}}}{a}_i/{\left(\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{a}_i\right)}^2,j=\mathrm{1,2},\·\·\·,m---\left(11\right)$

${\mathrm{\δ}}_{\mathrm{ij}}^{\left(2\right)}=\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\δ}}_k^{\left(3\right)}{s}_{\mathrm{ij}}{e}^{\frac{{(x_i-c_{\mathrm{ij}})}^2}{{\mathrm{\σ}}_{\mathrm{ij}}^2}},j=\mathrm{1,2},\·\·\·,m---\left(12\right)$

当and采用取小运算时，则当

是第k个规则节点输入的最小值，s_ij=1，否则，s_ij=0。当and采用相乘运算时，则当

是第k个规则节点的一个输入时，

$s_{\mathrm{ij}}=\underset{j\≠i}{\overset{n}{\underset{j=1}{\mathrm{\Π}}}}{\mathrm{\μ}}_j^{i_j}---\left(13\right)$

否则，s_ij=0，最后通过公式求得，计算公式为，

$\frac{\∂E}{{\∂c}_{\mathrm{ij}}}=-{\mathrm{\δ}}_{\mathrm{ij}}^{\left(2\right)}\frac{2(x_i-c_{\mathrm{ij}})}{{\mathrm{\σ}}_{\mathrm{ij}}^2}---\left(14\right)$

$\frac{\∂E}{{\∂\mathrm{\σ}}_{\mathrm{ij}}}=-{\mathrm{\δ}}_{\mathrm{ij}}^{\left(2\right)}\frac{2(x_i-c_{\mathrm{ij}})}{{\mathrm{\σ}}_{\mathrm{ij}}^2}---\left(15\right)$

系数修正计算公式为，

$c_{\mathrm{ij}}(k+1)=c_{\mathrm{ij}}\left(k\right)-\mathrm{\β}\frac{\∂E}{{\∂c}_{\mathrm{ij}}}---\left(16\right)$

${\mathrm{\σ}}_{\mathrm{ij}}(k+1)={\mathrm{\σ}}_{\mathrm{ij}}\left(k\right)-\mathrm{\β}\frac{\∂E}{{\∂\mathrm{\σ}}_{\mathrm{ij}}}---\left(17\right)$

其中，β>0，为学习率；i=1,2,…,m;j=1,2,…,m_i。

5.根据权利要求3所述的基于T-S型模糊神经网络的光伏发电预测系统，其特征在于：所述网络参数中确定权值初始值，采用实验对比方法，随机生成几组权的初始值，以同样的样本输入进行比较分析，确定权值的初始值。

6.根据权利要求1所述的基于T-S型模糊神经网络的光伏发电预测系统，其特征在于：所述模糊神经网络构造模块（1），采用历史发电量序列、最高气温、综合天气指数作为系统的输入量，光伏发电系统的历史发电量序列输入变量为12个，分别表示一天时间里12个时间点的发电量，如早7点至晚6点总计12个时间点，其中，最高气温输入变量为2个，分别表示预测日的最高气温和预测日前一天的最高气温，总计16个输入变量，输出变量定义为预测日对应的12个时间点的发电量序列。

7.根据权利要求1所述的基于T-S型模糊神经网络的光伏发电预测系统，其特征在于：所述模糊神经网络训练模块（2）调取数据库样本信息进行网络训练，其中，调取光伏监控系统数据库中历史发电数据和气象数据作为模型的训练样本和测试样本，选取数据库样本作为训练样本中，包含光伏发电量数据、综合天气类型和最高气温数据。

8.根据权利要求1所述的基于T-S型模糊神经网络的光伏发电预测系统，其特征在于：所述模糊神经网络预测模块（3）通过学习数据库样本信息进行网络预测，其中，调取光伏监控系统数据库中历史发电数据和气象数据作为测试样本，验证系统的可行性和正确性。

Images