CN103500365B - 光伏发电功率预测方法和系统 - Google Patents

Abstract

一种光伏发电功率预测方法和系统，采用相关性分析方法对历史数据进行分析，确定辐射强度预测相关时刻和发电功率预测相关时刻。采用BP神经网络对太阳辐射强度预测样本和光伏发电功率预测样本进行训练，得到太阳辐射强度预测模型和光伏发电功率预测模型。利用太阳辐射强度预测模型计算预测日预测时刻的太阳辐射强度，利用光伏发电功率预测模型计算预测日预测时刻的光伏发电功率。利用灰色关联度分析方法去除历史数据中关联度较低的辐射强度预测相关时刻的太阳辐射强度，提高了太阳辐射强度预测精度。采用BP神经网络良好的非线性函数逼近能力，对太阳辐射强度预测样本和光伏发电功率预测样本进行训练建立预测模型，提高了预测模型的预测精度。

Description

光伏发电功率预测方法和系统

技术领域

本发明涉及电力系统技术领域，特别是涉及一种光伏发电功率预测方法和系统。

背景技术

光伏发电是利用太阳能的一种有效方式，但光伏发电系统的输出功率具有不连续性和不确定性的特点。光伏发电系统并网运行以后会对电网产生周期性的冲击，光伏系统输出功率的扰动将有可能影响电网的稳定。因此，对光伏电站的输出功率进行预测有助于统筹安排常规电源和光伏发电的协调配置，适时及时的调整调度计划，合理安排电网运行方式。

光伏发电功率预测一般采用人工智能方法，主要包括神经网络、模糊预测、数据挖掘、支持向量机等。无论采用哪一种方法，都存在因数据采集准确度低，而导致光伏发电功率预测精度低的缺点。

发明内容

基于此，有必要提供一种预测精度高的光伏发电功率预测方法和系统。

一种光伏发电功率预测方法，包括以下步骤：根据历史数据，采用相关性分析方法获取辐射强度预测相关时刻和发电功率预测相关时刻，所述历史数据包括太阳辐射强度、温度和光伏发电功率，所述辐射强度预测相关时刻指太阳辐射强度与预测时刻的太阳辐射强度相关系数高于辐射相关阈值的时刻，所述发电功率预测相关时刻指太阳辐射强度和光伏发电功率与所述预测时刻的光伏发电功率相关系数高于功率相关阈值的时刻；提取所述历史数据中所述辐射强度预测相关时刻的太阳辐射强度，并进行灰色关联度分析，得到太阳辐射强度预测样本；采用BP神经网络对所述太阳辐射强度预测样本进行训练，得到太阳辐射强度预测模型；将预测日所述辐射强度预测相关时刻的太阳辐射强度作为所述太阳辐射强度预测模型的输入，计算预测日所述预测时刻的太阳辐射强度；提取所述历史数据中预测日之前所述发电功率预测相关时刻的太阳辐射强度和光伏发电功率，以及所述预测时刻的温度和太阳辐射强度，得到光伏发电功率预测样本；采用BP神经网络对所述光伏发电功率预测样本进行训练，得到光伏发电功率预测模型；将预测日所述发电功率预测相关时刻的太阳辐射强度和光伏发电功率，以及所述预测时刻的太阳辐射强度和温度作为所述光伏发电功率预测模型的输入，计算预测日所述预测时刻的光伏发电功率。

在其中一个实施例中，所述根据历史数据，采用相关性分析方法获取辐射强度预测相关时刻和发电功率预测相关时刻的步骤，包括以下步骤：

提取所述历史数据中所述预测日之前，所述预测时刻及预测时刻前设定时间段内的太阳辐射强度；

根据分别计算所述设定时间段内各时刻点的太阳辐射强度，与所述预测时刻的太阳辐射强度的相关系数，其中，cov(X,Y)＝E[X-E(X)]E[Y-E(Y)]，X为预测时刻的太阳辐射强度，Y为设定时间段内一时刻点的太阳辐射强度，ρ_XY表示X和Y的相关系数，cov(X,Y)表示X和Y的协方差，E(X)和E(Y)分别表示X和Y的期望，D(X)和D(Y)分别表示X和Y的方差；

提取所述设定时间段内，太阳辐射强度与所述预测时刻的太阳辐射强度相关系数高于辐射相关阈值的时刻，得到所述辐射强度预测相关时刻；

提取所述历史数据中所述预测日之前，所述预测时刻的光伏发电功率及预测时刻前设定时间段内的太阳辐射强度和光伏发电功率；

根据分别计算所述设定时间段内各时刻点的太阳辐射强度和光伏发电功率，与所述预测时刻的光伏发电功率的相关系数，其中cov(X',Y')＝E[X'-E(X')]E[Y'-E(Y')]，X'为预测时刻的光伏发电功率，Y'为设定时间段内一时刻点的太阳辐射强度或光伏发电功率，ρ_X'Y'表示X'和Y'的相关系数，cov(X',Y')表示X'和Y'的协方差，E(X')和E(Y')分别表示X'和Y'的期望，D(X')和D(Y')分别表示X'和Y'的方差；

提取设定时间范围内，太阳辐射强度和光伏发电功率与所述预测时刻的光伏发电功率相关系数高于功率相关阈值的时刻，得到所述发电功率预测相关时刻。

在其中一个实施例中，所述根据历史数据，采用相关性分析方法获取辐射强度预测相关时刻和发电功率预测相关时刻的步骤，包括以下步骤：

提取所述历史数据中所述预测日之前，所述预测时刻及预测时刻前若干个等间隔时刻点的太阳辐射强度；

根据分别计算所述若干个等间隔时刻点的太阳辐射强度，与所述预测时刻的太阳辐射强度的相关系数，其中，cov(X,Y)＝E[X-E(X)]E[Y-E(Y)]，X为预测时刻的太阳辐射强度，Y为若干个等间隔时刻点中一时刻点的太阳辐射强度，ρ_XY表示X和Y的相关系数，cov(X,Y)表示X和Y的协方差，E(X)和E(Y)分别表示X和Y的期望，D(X)和D(Y)分别表示X和Y的方差；

提取所述若干个等间隔时刻点中，太阳辐射强度与所述预测时刻的太阳辐射强度相关系数高于辐射相关阈值的时刻点，得到所述辐射强度预测相关时刻；

提取所述历史数据中所述预测日之前，所述预测时刻的光伏发电功率及预测时刻前若干个等间隔时刻点的太阳辐射强度和光伏发电功率；

根据分别计算所述若干个等间隔时刻点的太阳辐射强度和光伏发电功率，与所述预测时刻的光伏发电功率的相关系数，其中cov(X',Y')＝E[X'-E(X')]E[Y'-E(Y')]，X'为预测时刻的光伏发电功率，Y'为若干个等间隔时刻点中一时刻点的太阳辐射强度或光伏发电功率，ρ_X'Y'表示X'和Y'的相关系数，cov(X',Y')表示X'和Y'的协方差，E(X')和E(Y')分别表示X'和Y'的期望，D(X')和D(Y')分别表示X'和Y'的方差；

提取所述若干个等间隔时刻点中，太阳辐射强度和光伏发电功率与所述预测时刻的光伏发电功率相关系数高于功率相关阈值的时刻，得到所述发电功率预测相关时刻。

在其中一个实施例中，所述提取所述历史数据中所述辐射强度预测相关时刻的太阳辐射强度，并进行灰色关联度分析，得到太阳辐射强度预测样本的步骤，包括以下步骤：

获取预测日所述辐射强度预测相关时刻的太阳辐射强度，得到参考序列；

获取预测日之前所述辐射强度预测相关时刻的太阳辐射强度，并对同一日的太阳辐射强度建立序列，得到多个比较序列；

根据对所述参考序列和比较序列进行无量纲化处理，得到无量纲化参考序列和无量纲化比较序列，其中表示序列X_i(k)中的最大值，且i＝0时X₀(k)为参考序列，i不为0时X_i(k)为比较序列，x_i(k)表示序列X_i(k)对应的无量纲化序列；

根据 ${\mathrm{\ξ}}_{0i}\left(k\right)=\frac{\underset{i}{\min }\underset{k}{\min }|x_0\left(k\right)-x_i\left(k\right)|+\mathrm{\ρ}\underset{i}{\max }\underset{k}{\max }|x_0\left(k\right)-x_i\left(k\right)|}{|x_0\left(k\right)-x_i\left(k\right)|+\mathrm{\ρ}\underset{i}{\max }\underset{k}{\max }|x_0\left(k\right)-x_i\left(k\right)|}$ 计算所述无量纲化参考序列和无量纲化比较序列的灰色关联系数，其中x₀(k)为无量纲化参考序列，x_i(k)为无量纲化比较序列，ρ为分辨系数，ξ_0i(k)表示无量纲化参考序列x₀(k)中第k个值，与无量纲化比较序列x_i(k)中第k个值的灰色关联系数；

根据计算所述比较序列与参考序列的关联度，其中ξ_0i(k)表示无量纲化参考序列x₀(k)中第k个值，与无量纲化比较序列x_i(k)中第k个值的灰色关联系数，r_0i表示参考序列X₀(k)与比较序列X_i(k)的关联度；

根据比较序列与参考序列关联度的大小，对比较序列进行排序，提取前预设个数的比较序列，得到所述太阳辐射强度预测样本。

在其中一个实施例中，所述采用BP神经网络对所述太阳辐射强度预测样本进行训练，得到太阳辐射强度预测模型的步骤，包括以下步骤：

根据计算隐含层节点数，其中l为隐含层节点数，n为输入层节点数，m为输出层节点数，a为调节常数；

初始化输入层与隐含层的连接权值、隐含层与输出层的连接权值、隐含层各节点的阈值以及输出层各节点的阈值；

获取所述太阳辐射强度预测样本中多日的辐射强度预测相关时刻的太阳辐射强度，并将同一天的所述辐射强度预测相关时刻的太阳辐射强度作为一个学习向量，得到学习向量集；

将所述学习向量集中的一个学习向量作为所述输入层的输入，计算所述隐含层的输出向量；具体为

$s_j^k=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}{x}_i^k-{\mathrm{\θ}}_j,j=\mathrm{1,2},...,p$

$b_j^k=f_1\left(s_j^k\right),j=\mathrm{1,2},...,p$

$f_1\left(x\right)=\tan \mathrm{sig}\left(x\right)=\frac{2}{1+e^{-2x}}-1$

所述输入层的输入向量m为输入向量的个数，n为输入层节点数，所述隐含层的输入向量所述隐含层的输出向量p为隐含层节点数，w_ij为所述输入层与隐含层的连接权值，θ_j为所述隐含层各节点的阈值；

根据所述隐含层的输出向量计算所述输出层的输出向量；具体为

$l_t^k=\underset{j=1}{\overset{p}{\mathrm{\Σ}}}{v}_{\mathrm{jt}}{b}_j^k-{\mathrm{\γ}}_t,t=\mathrm{1,2},...,q$

$c_t^k=f_2\left(l_t^k\right),t=\mathrm{1,2},...,q$

f₂(x)＝purelin(x)＝x

所述隐含层的输出向量所述输出层的输入向量所述输出层的输出向量q为输出层节点数，v_jt为所述隐含层与输出层的连接权值，γ_t为所述输出层各节点的阈值；

根据计算所述输出层各节点的校正误差，其中表示所述输出层各节点的校正误差，为与对应的实际太阳辐射强度，表示对求导；

根据计算所述隐含层各节点的校正误差，其中表示所述隐含层各节点的校正误差，表示对求导；

根据所述输出层各节点的校正误差，对隐含层与输出层的连接权值，及输出层各节点的阈值进行修正；具体为

${\mathrm{\Δv}}_{\mathrm{jt}}=\mathrm{\α}{d}_t^k{b}_j^k,j=\mathrm{1,2},...,p,t=\mathrm{1,2},...,q$

${\mathrm{\Δ\γ}}_t=\mathrm{\α}{d}_t^k,t=\mathrm{1,2},...,q$

其中α为学习速率，Δv_jt表示对所述隐含层与输出层的连接权值v_jt的修正值，Δ_γt表示对所述输出层各节点的阈值_γt的修正值；

根据所述隐含层各节点的校正误差，对输入层与隐含层的连接权值，及隐含层各节点的阈值进行修正；具体为

${\mathrm{\Δw}}_{\mathrm{ij}}=\mathrm{\β}{e}_j^k{x}_i^k,i=\mathrm{1,2},...,n,j=\mathrm{1,2},...,p$

${\mathrm{\Δ\θ}}_j=\mathrm{\β}{e}_j^k,j=\mathrm{1,2},...,p$

其中β为学习速率，Δw_ij表示对所述输入层与隐含层的连接权值w_ij的修正值，Δθ_j表示对所述隐含层各节点的阈值θ_j的修正值；

判断所述学习向量集中的学习向量是否训练完毕；

若否，则返回所述将所述学习向量集中的一个学习向量作为所述输入层的输入，计算所述隐含层的输出向量的步骤；

若是，则判断全局误差是否小于误差阈值；若否，则返回所述获取所述太阳辐射强度预测样本中多日的辐射强度预测相关时刻的太阳辐射强度，并将同一天的所述辐射强度预测相关时刻的太阳辐射强度作为一个学习向量，得到学习向量集的步骤，若是，则得到所述太阳辐射强度预测模型。

一种光伏发电功率预测系统，包括：

相关时刻计算模块，用于根据历史数据，采用相关性分析方法获取辐射强度预测相关时刻和发电功率预测相关时刻，所述历史数据包括太阳辐射强度、温度和光伏发电功率，所述辐射强度预测相关时刻指太阳辐射强度与预测时刻的太阳辐射强度相关系数高于辐射相关阈值的时刻，所述发电功率预测相关时刻指太阳辐射强度和光伏发电功率与所述预测时刻的光伏发电功率相关系数高于功率相关阈值的时刻；

辐射强度预测样本建立模块，用于提取所述历史数据中所述辐射强度预测相关时刻的太阳辐射强度，并进行灰色关联度分析，得到太阳辐射强度预测样本；

辐射强度预测模型建立模块，用于采用BP神经网络对所述太阳辐射强度预测样本进行训练，得到太阳辐射强度预测模型；

预测时刻辐射强度计算模块，用于将预测日所述辐射强度预测相关时刻的太阳辐射强度作为所述太阳辐射强度预测模型的输入，计算预测日所述预测时刻的太阳辐射强度；

发电功率预测样本建立模块，用于提取所述历史数据中预测日之前所述发电功率预测相关时刻的太阳辐射强度和光伏发电功率，以及所述预测时刻的温度和太阳辐射强度，得到光伏发电功率预测样本；

发电功率预测模型建立模块，用于采用BP神经网络对所述光伏发电功率预测样本进行训练，得到光伏发电功率预测模型；

预测时刻发电功率计算模块，用于将预测日所述发电功率预测相关时刻的太阳辐射强度和光伏发电功率，以及所述预测时刻的太阳辐射强度和温度作为所述光伏发电功率预测模型的输入，计算预测日所述预测时刻的光伏发电功率。

在其中一个实施例中，所述相关时刻计算模块包括：

第一提取单元，用于提取所述历史数据中所述预测日之前，所述预测时刻及预测时刻前设定时间段内的太阳辐射强度；

第一计算单元，用于根据分别计算所述设定时间段内各时刻点的太阳辐射强度，与所述预测时刻的太阳辐射强度的相关系数，其中，cov(X,Y)＝E[X-E(X)]E[Y-E(Y)]，X为预测时刻的太阳辐射强度，Y为设定时间段内一时刻点的太阳辐射强度，ρ_XY表示X和Y的相关系数，cov(X,Y)表示X和Y的协方差，E(X)和E(Y)分别表示X和Y的期望，D(X)和D(Y)分别表示X和Y的方差；

第一处理单元，用于提取所述设定时间段内，太阳辐射强度与所述预测时刻的太阳辐射强度相关系数高于辐射相关阈值的时刻，得到所述辐射强度预测相关时刻；

第二提取单元，用于提取所述历史数据中所述预测日之前，所述预测时刻的光伏发电功率及预测时刻前设定时间段内的太阳辐射强度和光伏发电功率；

第二计算单元，用于根据分别计算所述设定时间段内各时刻点的太阳辐射强度和光伏发电功率，与所述预测时刻的光伏发电功率的相关系数，其中cov(X',Y')＝E[X'-E(X')]E[Y'-E(Y')]，X'为预测时刻的光伏发电功率，Y'为设定时间段内一时刻点的太阳辐射强度或光伏发电功率，ρ_X'Y'表示X'和Y'的相关系数，cov(X',Y')表示X'和Y'的协方差，E(X')和E(Y')分别表示X'和Y'的期望，D(X')和D(Y')分别表示X'和Y'的方差；

第二处理单元，用于提取设定时间范围内，太阳辐射强度和光伏发电功率与所述预测时刻的光伏发电功率相关系数高于功率相关阈值的时刻，得到所述发电功率预测相关时刻。

在其中一个实施例中，所述相关时刻计算模块包括：

第一提取单元，用于提取所述历史数据中所述预测日之前，所述预测时刻及预测时刻前若干个等间隔时刻点的太阳辐射强度；

第一计算单元，用于根据分别计算所述若干个等间隔时刻点的太阳辐射强度，与所述预测时刻的太阳辐射强度的相关系数，其中，cov(X,Y)＝E[X-E(X)]E[Y-E(Y)]，X为预测时刻的太阳辐射强度，Y为若干个等间隔时刻点中一时刻点的太阳辐射强度，ρ_XY表示X和Y的相关系数，cov(X,Y)表示X和Y的协方差，E(X)和E(Y)分别表示X和Y的期望，D(X)和D(Y)分别表示X和Y的方差；

第一处理单元，用于提取所述若干个等间隔时刻点中，太阳辐射强度与所述预测时刻的太阳辐射强度相关系数高于辐射相关阈值的时刻点，得到所述辐射强度预测相关时刻；

第二提取单元，用于提取所述历史数据中所述预测日之前，所述预测时刻的光伏发电功率及预测时刻前若干个等间隔时刻点的太阳辐射强度和光伏发电功率；

第二计算单元，用于根据分别计算所述若干个等间隔时刻点的太阳辐射强度和光伏发电功率，与所述预测时刻的光伏发电功率的相关系数，其中cov(X',Y')＝E[X'-E(X')]E[Y'-E(Y')]，X'为预测时刻的光伏发电功率，Y'为若干个等间隔时刻点中一时刻点的太阳辐射强度或光伏发电功率，ρ_X'Y'表示X'和Y'的相关系数，cov(X',Y')表示X'和Y'的协方差，E(X')和E(Y')分别表示X'和Y'的期望，D(X')和D(Y')分别表示X'和Y'的方差；

第二处理单元，用于提取所述若干个等间隔时刻点中，太阳辐射强度和光伏发电功率与所述预测时刻的光伏发电功率相关系数高于功率相关阈值的时刻，得到所述发电功率预测相关时刻。

在其中一个实施例中，所述辐射强度预测样本建立模块包括：

参考序列建立单元，用于获取预测日所述辐射强度预测相关时刻的太阳辐射强度，得到参考序列；

比较序列建立单元，用于获取预测日之前所述辐射强度预测相关时刻的太阳辐射强度，并对同一日的太阳辐射强度建立序列，得到多个比较序列；

无量纲化处理单元，用于根据对所述参考序列和比较序列进行无量纲化处理，得到无量纲化参考序列和无量纲化比较序列，其中表示序列X_i(k)中的最大值，且i＝0时X₀(k)为参考序列，i不为0时X_i(k)为比较序列，x_i(k)表示序列X_i(k)对应的无量纲化序列；

灰色关联系数计算单元，用于根据 ${\mathrm{\ξ}}_{0i}\left(k\right)=\frac{\underset{i}{\min }\underset{k}{\min }|x_0\left(k\right)-x_i\left(k\right)|+\mathrm{\ρ}\underset{i}{\max }\underset{k}{\max }|x_0\left(k\right)-x_i\left(k\right)|}{|x_0\left(k\right)-x_i\left(k\right)|+\mathrm{\ρ}\underset{i}{\max }\underset{k}{\max }|x_0\left(k\right)-x_i\left(k\right)|}$ 计算所述无量纲化参考序列和无量纲化比较序列的灰色关联系数，其中x₀(k)为无量纲化参考序列，x_i(k)为无量纲化比较序列，ρ为分辨系数，ξ_0i(k)表示无量纲化参考序列x₀(k)中第k个值，与无量纲化比较序列x_i(k)中第k个值的灰色关联系数；

关联度计算单元，用于根据计算所述比较序列与参考序列的关联度，其中ξ_0i(k)表示无量纲化参考序列x₀(k)中第k个值，与无量纲化比较序列x_i(k)中第k个值的灰色关联系数，r_0i表示参考序列X₀(k)与比较序列X_i(k)的关联度；

关联度排序单元，用于根据比较序列与参考序列关联度的大小，对比较序列进行排序，提取前预设个数的比较序列，得到所述太阳辐射强度预测样本。

在其中一个实施例中，所述辐射强度预测模型建立模块包括：

隐含层节点计算单元，用于根据计算隐含层节点数，其中l为隐含层节点数，n为输入层节点数，m为输出层节点数，a为调节常数；

初始化单元，用于初始化输入层与隐含层的连接权值、隐含层与输出层的连接权值、隐含层各节点的阈值以及输出层各节点的阈值；

学习向量集建立单元，用于获取所述太阳辐射强度预测样本中多日的辐射强度预测相关时刻的太阳辐射强度，并将同一天的所述辐射强度预测相关时刻的太阳辐射强度作为一个学习向量，得到学习向量集；

隐含层输出向量计算单元，用于将所述学习向量集中的一个学习向量作为所述输入层的输入，计算所述隐含层的输出向量；具体为

$s_j^k=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}{x}_i^k-{\mathrm{\θ}}_j,j=\mathrm{1,2},...,p$

$b_j^k=f_1\left(s_j^k\right),j=\mathrm{1,2},...,p$

$f_1\left(x\right)=\tan \mathrm{sig}\left(x\right)=\frac{2}{1+e^{-2x}}-1$

所述输入层的输入向量m为输入向量的个数，n为输入层节点数，所述隐含层的输入向量所述隐含层的输出向量p为隐含层节点数，w_ij为所述输入层与隐含层的连接权值，θ_j为所述隐含层各节点的阈值；

输出层输出向量计算单元，用于根据所述隐含层的输出向量计算所述输出层的输出向量；具体为

$l_t^k=\underset{j=1}{\overset{p}{\mathrm{\Σ}}}{v}_{\mathrm{jt}}{b}_j^k-{\mathrm{\γ}}_t,t=\mathrm{1,2},...,q$

$c_t^k=f_2\left(l_t^k\right),t=\mathrm{1,2},...,q$

f₂(x)＝purelin(x)＝x

所述隐含层的输出向量所述输出层的输入向量所述输出层的输出向量q为输出层节点数，v_jt为所述隐含层与输出层的连接权值，γ_t为所述输出层各节点的阈值；

输出层节点校正误差计算单元，用于根据计算所述输出层各节点的校正误差，其中表示所述输出层各节点的校正误差，为与对应的实际太阳辐射强度，表示对求导；

隐含层节点校正误差计算单元，用于根据计算所述隐含层各节点的校正误差，其中表示所述隐含层各节点的校正误差，表示对求导；

第一修正单元，用于根据所述输出层各节点的校正误差，对隐含层与输出层的连接权值，及输出层各节点的阈值进行修正；具体为

${\mathrm{\Δv}}_{\mathrm{jt}}=\mathrm{\α}{d}_t^k{b}_j^k,j=\mathrm{1,2},...,p,t=\mathrm{1,2},...,q$

${\mathrm{\Δ\γ}}_t=\mathrm{\α}{d}_t^k,t=\mathrm{1,2},...,q$

其中α为学习速率，Δv_jt表示对所述隐含层与输出层的连接权值v_jt的修正值，Δγ_t表示对所述输出层各节点的阈值γ_t的修正值；

第二修正单元，用于根据所述隐含层各节点的校正误差，对输入层与隐含层的连接权值，及隐含层各节点的阈值进行修正；具体为

${\mathrm{\Δw}}_{\mathrm{ij}}=\mathrm{\β}{e}_j^k{x}_i^k,i=\mathrm{1,2},...,n,j=\mathrm{1,2},...,p$

${\mathrm{\Δ\θ}}_j=\mathrm{\β}{e}_j^k,j=\mathrm{1,2},...,p$

其中β为学习速率，Δw_ij表示对所述输入层与隐含层的连接权值w_ij的修正值，Δθ_j表示对所述隐含层各节点的阈值θ_j的修正值；

判断单元，用于判断所述学习向量集中的学习向量是否训练完毕，并在所述学习向量集中的学习向量未训练完毕时，控制所述隐含层输出向量计算单元将所述学习向量集中的一个学习向量作为所述输入层的输入；

控制单元，用于在所述学习向量集中的学习向量训练完毕时，判断全局误差是否小于误差阈值，并在全局误差不小于误差阈值时，控制所述学习向量集建立单元获取所述太阳辐射强度预测样本中多日的辐射强度预测相关时刻的太阳辐射强度，并将同一天的所述辐射强度预测相关时刻的太阳辐射强度作为一个学习向量，得到学习向量集；若全局误差小于误差阈值，则得到所述太阳辐射强度预测模型。

上述光伏发电功率预测方法和系统，采用相关性分析方法对历史数据进行分析，确定辐射强度预测相关时刻和发电功率预测相关时刻。采用BP神经网络对太阳辐射强度预测样本和光伏发电功率预测样本进行训练，得到太阳辐射强度预测模型和光伏发电功率预测模型。利用太阳辐射强度预测模型计算预测日预测时刻的太阳辐射强度，利用光伏发电功率预测模型计算预测日预测时刻的光伏发电功率。利用灰色关联度分析方法去除历史数据中关联度较低的辐射强度预测相关时刻的太阳辐射强度，提高了太阳辐射强度预测精度。采用BP神经网络良好的非线性函数逼近能力，对太阳辐射强度预测样本和光伏发电功率预测样本进行训练建立预测模型，提高了预测模型的预测精度，从而提高光伏并网系统的稳定性，降低运行成本。

附图说明

图1为一实施例中光伏发电功率预测方法的流程图；

图2为一实施例中光伏发电功率预测系统的结构图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施例的限制。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及／或”包括一个或多个相关的所列项目的任意的和所有的组合。

一种光伏发电功率预测方法，如图1所示，包括以下步骤：

步骤S110：根据历史数据，采用相关性分析方法获取辐射强度预测相关时刻和发电功率预测相关时刻。

历史数据包括太阳辐射强度、温度和光伏发电功率。具体地，既包括预测日之前各时刻的太阳辐射强度、温度和光伏发电功率，也包括预测日预测时刻之前各时刻的太阳辐射强度和光伏发电功率，以及预测时刻的温度。由于温度是唯一能够直接得到的预测时刻的非历史相关因素，因此也将其作为一个参考量，预测时刻的温度可通过天气预报获取。为便于理解，本发明以预测10月1日10点的光伏发电功率，历史数据包括9月1日至9月30日每天各时刻的太阳辐射强度和光伏发电功率，10月1日10点之前各时刻的太阳辐射强度和光伏发电功率，以及10月1日10点的温度为例，对本发明的具体实施方式进行解释说明。

辐射强度预测相关时刻指太阳辐射强度与预测时刻的太阳辐射强度相关系数高于辐射相关阈值的时刻。发电功率预测相关时刻指太阳辐射强度和光伏发电功率与预测时刻的光伏发电功率相关系数高于功率相关阈值的时刻。采用相关性分析方法对历史数据进行分析，确定辐射强度预测相关时刻和发电功率预测相关时刻，提高了各相关时刻的获取准确度。

在其中一个实施例中，步骤S110包括步骤111至步骤116。

步骤111：提取历史数据中预测日之前，预测时刻及预测时刻前设定时间段内的太阳辐射强度。

提取9月份每天10点以及10点之前设定时间段内的太阳辐射强度，设定时间段可以是固定的时间段，如2小时或3小时等，以设定时间段为2小时为例，步骤111即是提取9月份每天8至10点的太阳辐射强度。设定时间段也可根据实际情况调整。由于与预测时刻越接近，太阳辐射强度的相关性越高，本实施例中设定时间段为3小时，有效减少不必要的数据，提高后续步骤的处理效率。

步骤112：分别计算设定时间段内各时刻点的太阳辐射强度，与预测时刻的太阳辐射强度的相关系数。

cov(X,Y)＝E[X-E(X)]E[Y-E(Y)]

${\mathrm{\ρ}}_{\mathrm{XY}}=\frac{\mathrm{cov}(X,Y)}{\sqrt{D\left(X\right)}\sqrt{D\left(Y\right)}}$

其中，X为预测时刻的太阳辐射强度，Y为设定时间段内一时刻点的太阳辐射强度，ρ_XY表示X和Y的相关系数，cov(X,Y)表示X和Y的协方差，E(X)和E(Y)分别表示X和Y的期望，D(X)和D(Y)分别表示X和Y的方差。

同样以预测时刻为10月1日10点为例，则X包括9月份每天10点的太阳辐射强度，Y包括9月份每天设定时间段内一时刻点的太阳辐射强度。

步骤113：提取设定时间段内，太阳辐射强度与预测时刻的太阳辐射强度相关系数高于辐射相关阈值的时刻，得到辐射强度预测相关时刻。

辐射相关阈值可以是根据经验设置的固定值，计算设定时间段内各时刻的太阳辐射强度与预测时刻的太阳辐射强度相关系数后，将相关系数高于辐射相关阈值的太阳辐射强度对应的时刻最为辐射强度预测相关时刻。也可以通过调整辐射相关阈值，使相关系数高于辐射相关阈值的太阳辐射强度对应时刻的数量为设定个数，如2个、3个、4个等。本实施例中提取相关系数最高的3个太阳辐射强度对应的时刻作为辐射强度预测相关时刻。

步骤114：提取历史数据中预测日之前，预测时刻的光伏发电功率及预测时刻前设定时间段内的太阳辐射强度和光伏发电功率。

提取9月份每天10点的光伏发电功率，及10点之前设定时间段内的太阳辐射强度和光伏发电功率，本实施例中设定时间段同样可为3小时。

步骤115：分别计算设定时间段内各时刻点的太阳辐射强度和光伏发电功率，与预测时刻的光伏发电功率的相关系数。

cov(X',Y')＝E[X'-E(X')]E[Y'-E(Y')]

${\mathrm{\ρ}}_{X^{\′}{Y}^{\′}}=\frac{\mathrm{cov}(X^{\′},Y^{\′})}{\sqrt{D\left(X^{\′}\right)}\sqrt{D\left(Y^{\′}\right)}}$

其中，X'为预测时刻的光伏发电功率，Y'为设定时间段内一时刻点的太阳辐射强度或光伏发电功率，ρ_X'Y'表示X'和Y'的相关系数，cov(X',Y')表示X'和Y'的协方差，E(X')和E(Y')分别表示X'和Y'的期望，D(X')和D(Y')分别表示X'和Y'的方差。

同样以预测时刻为10月1日10点为例，则X包括9月份每天10点的光伏发电功率，Y包括9月份每天设定时间段内一时刻点的太阳辐射强度，或者包括9月份每天设定时间段内一时刻点的光伏发电功率。

步骤116：提取设定时间范围内，太阳辐射强度和光伏发电功率与预测时刻的光伏发电功率相关系数高于功率相关阈值的时刻，得到发电功率预测相关时刻。

同理，功率相关阈值可以是根据经验设置的固定值，也可以通过调整功率相关阈值。本实施例中提取相关系数最高的3个太阳辐射强度和光伏发电功率对应的时刻作为发电功率预测相关时刻。

在另一个实施例中，步骤S110包括步骤1至步骤6。

步骤1：提取历史数据中预测日之前，预测时刻及预测时刻前若干个等间隔时刻点的太阳辐射强度。

若干个等间隔时刻点之间的时间间隔可以是0.2小时、0.5小时、0.8小时等，本实施例中时间间隔为0.5小时。以提取预测时刻前5个等间隔时刻点的太阳辐射强度为例，步骤1即是提取9月份每天10点、9点半、9点、8点半、8点和7点半的太阳辐射强度。

步骤2：分别计算若干个等间隔时刻点的太阳辐射强度，与预测时刻的太阳辐射强度的相关系数。

cov(X,Y)＝E[X-E(X)]E[Y-E(Y)]

${\mathrm{\ρ}}_{\mathrm{XY}}=\frac{\mathrm{cov}(X,Y)}{\sqrt{D\left(X\right)}\sqrt{D\left(Y\right)}}$

其中，X为预测时刻的太阳辐射强度，Y为若干个等间隔时刻点中一时刻点的太阳辐射强度，ρ_XY表示X和Y的相关系数，cov(X,Y)表示X和Y的协方差，E(X)和E(Y)分别表示X和Y的期望，D(X)和D(Y)分别表示X和Y的方差。

同样以预测时刻为10月1日10点为例，则X包括9月份每天10点的太阳辐射强度，Y包括9月份每天若干个等间隔时刻点中一时刻点的太阳辐射强度。

步骤3：提取若干个等间隔时刻点中，太阳辐射强度与预测时刻的太阳辐射强度相关系数高于辐射相关阈值的时刻点，得到辐射强度预测相关时刻。

辐射相关阈值可以是根据经验设置的固定值，也可以通过调整辐射相关阈值，使相关系数高于辐射相关阈值的太阳辐射强度对应时刻的数量为设定个数。本实施例中提取相关系数最高的3个太阳辐射强度对应的时刻作为辐射强度预测相关时刻。通过比较相关系数，以预测时刻前0.5小时、前1.0小时和前1.5小时作为辐射强度预测相关时刻。

步骤4：提取历史数据中预测日之前，预测时刻的光伏发电功率及预测时刻前若干个等间隔时刻点的太阳辐射强度和光伏发电功率。

若干个等间隔时刻点之间的时间间隔可以是0.2小时、0.5小时、0.8小时等，本实施例中时间间隔为0.5小时。以提取预测时刻前5个等间隔时刻点的太阳辐射强度和光伏发电功率为例，步骤4即是提取9月份每天10点的光伏发电功率，以及9点半、9点、8点半、8点和7点半的太阳辐射强度和光伏发电功率。

步骤5：根据分别计算若干个等间隔时刻点的太阳辐射强度和光伏发电功率，与预测时刻的光伏发电功率的相关系数。

cov(X',Y')＝E[X'-E(X')]E[Y'-E(Y')]

${\mathrm{\ρ}}_{X^{\′}{Y}^{\′}}=\frac{\mathrm{cov}(X^{\′},Y^{\′})}{\sqrt{D\left(X^{\′}\right)}\sqrt{D\left(Y^{\′}\right)}}$

其中，X'为预测时刻的光伏发电功率，Y'为若干个等间隔时刻点中一时刻点的太阳辐射强度或光伏发电功率，ρ_X'Y'表示X'和Y'的相关系数，cov(X',Y')表示X'和Y'的协方差，E(X')和E(Y')分别表示X'和Y'的期望，D(X')和D(Y')分别表示X'和Y'的方差。

同样以预测时刻为10月1日10点为例，则X包括9月份每天10点的光伏发电功率，Y包括9月份每天若干个等间隔时刻点中一时刻点的太阳辐射强度，或者包括9月份每天若干个等间隔时刻点中一时刻点的光伏发电功率。

步骤6：提取若干个等间隔时刻点中，太阳辐射强度和光伏发电功率与预测时刻的光伏发电功率相关系数高于功率相关阈值的时刻，得到发电功率预测相关时刻。

同理，功率相关阈值可以是根据经验设置的固定值，也可以通过调整功率相关阈值。本实施例中提取相关系数最高的3个太阳辐射强度和光伏发电功率对应的时刻作为发电功率预测相关时刻。通过比较相关系数，以预测时刻前0.5小时、前1.0小时和前1.5小时作为发电功率预测相关时刻。

以上即是对步骤S110提供了两种具体实施方式，在采用相关性分析方法分析历史数据时，可以是提取预测时刻前设定时间段内的全部相关数据，确保计算准确度；也可以是提取预测时刻前若干个等间隔时刻点的相关数据，提高处理速度。在实际应用场景中可根据情况选择适合的方式，提高了光伏发电功率预测方法的适用性。

步骤S120：提取历史数据中辐射强度预测相关时刻的太阳辐射强度，并进行灰色关联度分析，得到太阳辐射强度预测样本。

以预测时刻为10月1日10点、辐射强度预测相关时刻为预测时刻前0.5小时、前1.0小时和前1.5小时为例，步骤S120即是提取9月份和10月1日所有8点半、9点和9点半的太阳辐射强度，然后进行灰色关联度分析，建立太阳辐射强度预测样本。利用灰色关联度分析方法去除历史数据中关联度较低的辐射强度预测相关时刻的太阳辐射强度，提高了太阳辐射强度预测精度。

步骤S120具体可包括步骤121至步骤126。

步骤121：获取预测日辐射强度预测相关时刻的太阳辐射强度，得到参考序列。

在本实施例中，参考序列即是包括10月1日8点半、9点和9点半的太阳辐射强度。

步骤122：获取预测日之前辐射强度预测相关时刻的太阳辐射强度，并对同一日的太阳辐射强度建立序列，得到多个比较序列。

获取9月份每天8点半、9点和9点半的太阳辐射强度，并将同一天的太阳辐射强度按时间顺序排成一个序列，本实施例中比较序列的数量为30个。

步骤123：对参考序列和比较序列进行无量纲化处理，得到无量纲化参考序列和无量纲化比较序列。

在进行灰色关联度分析时，一般都要对数据进行无量纲化处理，由于不同信息特征间数量级差别可能较大，因此在对数据进行无量纲化处理时，是将该信息特征值除以这个信息特征所有值的最大值。

$x_i\left(k\right)=X_i\left(k\right)/\underset{i}{\max }\left(X_i\left(k\right)\right),i=\mathrm{0,1,2},...,n;k=\mathrm{1,2},...,m$

其中表示序列X_i(k)中的最大值，且i＝0时X₀(k)为参考序列，i不为0时X_i(k)为比较序列，x_i(k)表示序列X_i(k)对应的无量纲化序列。n为比较序列的个数，本实施例中为30个，m为参考序列或比较序列中的太阳辐射强度值的个数，本实施例中为3个。

步骤124：计算无量纲化参考序列和无量纲化比较序列的灰色关联系数。

${\mathrm{\ξ}}_{0i}\left(k\right)=\frac{\underset{i}{\min }\underset{k}{\min }|x_0\left(k\right)-x_i\left(k\right)|+\mathrm{\ρ}\underset{i}{\max }\underset{k}{\max }|x_0\left(k\right)-x_i\left(k\right)|}{|x_0\left(k\right)-x_i\left(k\right)|+\mathrm{\ρ}\underset{i}{\max }\underset{k}{\max }|x_0\left(k\right)-x_i\left(k\right)|}$

其中x₀(k)为无量纲化参考序列，x_i(k)为无量纲化比较序列，ρ为分辨系数，本实施例中ρ=0.5，ξ_0i(k)表示无量纲化参考序列x₀(k)中第k个值，与无量纲化比较序列x_i(k)中第k个值的灰色关联系数。以i=1，k=2为例，ξ₀₁(2)即为无量纲化参考序列中的第2个值，与第1个无量纲化比较序列中的第2个值的灰色关联系数。

步骤125：计算比较序列与参考序列的关联度。

$r_{0i}=\frac{1}{m}\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\ξ}}_{0i}\left(k\right)$

其中ξ_0i(k)表示无量纲化参考序列x₀(k)中第k个值，与无量纲化比较序列x_i(k)中第k个值的灰色关联系数，r_0i表示参考序列X₀(k)与比较序列X_i(k)的关联度。

步骤126：根据比较序列与参考序列关联度的大小，对比较序列进行排序，提取前预设个数的比较序列，得到太阳辐射强度预测样本。

预设个数可以是5至15个，也可根据实际情况进行调整。本实施例中预设个数为7个，即将30个比较序列按与参考序列关联度的大小进行排列后，提取前7个比较序列，组成太阳辐射强度预测样本。

步骤S130：采用BP神经网络对太阳辐射强度预测样本进行训练，得到太阳辐射强度预测模型。

步骤S130具体可包括如下步骤1至步骤11。

步骤1：计算隐含层节点数。

$l=\sqrt{n+m}+a$

其中l为隐含层节点数，n为输入层节点数，m为输出层节点数，a为调节常数。本实施例中太阳辐射强度预测模型的输入为预测时刻前0.5小时、前1.0小时和前1.5小时的太阳辐射强度，输出为预测时刻的太阳辐射强度，故n为3，m为1，取a=1，因此隐含层节点数l=3。

步骤2：初始化输入层与隐含层的连接权值、隐含层与输出层的连接权值、隐含层各节点的阈值以及输出层各节点的阈值。

步骤3：获取太阳辐射强度预测样本中多日的辐射强度预测相关时刻的太阳辐射强度，并将同一天的辐射强度预测相关时刻的太阳辐射强度作为一个学习向量，得到学习向量集。

为便于理解可结合步骤S120的具体实施例进行说明。本步骤即是提取太阳辐射强度预测样本中的若干个比较序列，如3个、4个或5个等，将提取的每一个比较序列作为一个学习向量，得到学习向量集。

步骤4：将学习向量集中的一个学习向量作为输入层的输入，计算隐含层的输出向量。具体为

$s_j^k=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}{x}_i^k-{\mathrm{\θ}}_j,j=\mathrm{1,2},...,p$

$b_j^k=f_1\left(s_j^k\right),j=\mathrm{1,2},...,p$

$f_1\left(x\right)=\tan \mathrm{sig}\left(x\right)=\frac{2}{1+e^{-2x}}-1$

输入层各节点对输入不进行处理，只是简单地把接收到的输入向量作为相应的输出向量传递给隐含层，即输入层的输出向量与输入向量相同。隐含层的神经元激励函数采用S型正切函数f₁(x)。输入层的输入向量m为输入向量的个数。n为输入层节点数，本实施例中为3，隐含层的输入向量隐含层的输出向量p为隐含层节点数，本实施例中为3。w_ij为输入层与隐含层的连接权值，θ_j为隐含层各节点的阈值。

步骤5：根据隐含层的输出向量计算输出层的输出向量。具体为

$l_t^k=\underset{j=1}{\overset{p}{\mathrm{\Σ}}}{v}_{\mathrm{jt}}{b}_j^k-{\mathrm{\γ}}_t,t=\mathrm{1,2},...,q$

$c_t^k=f_2\left(l_t^k\right),t=\mathrm{1,2},...,q$

f₂(x)＝purelin(x)＝x

输出层的神经元激励函数采用纯线性函数f₂(x)。隐含层的输出向量输出层的输入向量输出层的输出向量q为输出层节点数，本实施例中为1。v_jt为隐含层与输出层的连接权值，γ_t为输出层各节点的阈值。本实施例中输出层的输出向量即是对预测时刻的太阳辐射强度的预测值。

步骤6：计算输出层各节点的校正误差。

$d_t^k=(y_t^k-c_t^k)f_2^{\′}\left(l_t^k\right),t=\mathrm{1,2},...,q$

其中表示输出层各节点的校正误差，为与对应的实际太阳辐射强度，表示对求导。举例说明，学习向量集中包括9月15日、18日和22日的8点半、9点和9点半的太阳辐射强度，是将9月15日的8点半、9点和9点半的太阳辐射强度作为输入层的输入而得到的9月15日10点太阳辐射强度的预测值。则取9月15日10点太阳辐射强度的实际值，通过上式计算输出层各节点的校正误差。

步骤7：计算隐含层各节点的校正误差。

$e_j^k=\left[\underset{t=1}{\overset{q}{\mathrm{\Σ}}}{v}_{\mathrm{jt}}{d}_t^k\right]f_1^{\′}\left(s_j^k\right),j=\mathrm{1,2},...,p$

其中表示隐含层各节点的校正误差，表示对求导。根据步骤6得到的输出层各节点的校正误差，可计算出隐含层各节点的校正误差。

步骤8：根据输出层各节点的校正误差，对隐含层与输出层的连接权值，及输出层各节点的阈值进行修正。具体为

${\mathrm{\Δv}}_{\mathrm{jt}}=\mathrm{\α}{d}_t^k{b}_j^k,j=\mathrm{1,2},...,p,t=\mathrm{1,2},...,q$

${\mathrm{\Δ\γ}}_t=\mathrm{\α}{d}_t^k,t=\mathrm{1,2},...,q$

其中α为学习速率，Δv_jt表示对隐含层与输出层的连接权值v_jt的修正值，Δγ_t表示对输出层各节点的阈值γ_t的修正值。根据步骤6得到的输出层各节点的校正误差，对隐含层与输出层的连接权值，及输出层各节点的阈值进行修正。

步骤9：根据隐含层各节点的校正误差，对输入层与隐含层的连接权值，及隐含层各节点的阈值进行修正。具体为

${\mathrm{\Δw}}_{\mathrm{ij}}=\mathrm{\β}{e}_j^k{x}_i^k,i=\mathrm{1,2},...,n,j=\mathrm{1,2},...,p$

${\mathrm{\Δ\θ}}_j=\mathrm{\β}{e}_j^k,j=\mathrm{1,2},...,p$

其中β为学习速率，Δw_ij表示对输入层与隐含层的连接权值w_ij的修正值，Δθ_j表示对隐含层各节点的阈值θ_j的修正值。根据步骤7得到的隐含层各节点的校正误差，对输入层与隐含层的连接权值，及隐含层各节点的阈值进行修正。

步骤10：判断学习向量集中的学习向量是否训练完毕。若否，则返回上述步骤4，将学习向量集中还未进行训练的学习向量代入输入层。若是，则进行步骤11。

步骤11：判断全局误差是否小于误差阈值。

将学习向量集中的所有学习向量都代入输入层进行训练后，对模型中的各连接权值和节点阈值进行多次修正。根据修正后的参数再次代入各学习向量计算预测时刻的太阳辐射强度的预测值，将预测值与实际值比较，计算全局误差。若全局误差不小于误差阈值，返回步骤3，在太阳辐射强度预测样本中获取其他日期的辐射强度预测相关时刻的太阳辐射强度，组建新的学习向量集，并将新获取的学习向量代入输入层进行训练，对模型中的各连接权值和节点阈值进行修正。

若全局误差小于误差阈值，则得到太阳辐射强度预测模型。

步骤S140：将预测日辐射强度预测相关时刻的太阳辐射强度作为太阳辐射强度预测模型的输入，计算预测日预测时刻的太阳辐射强度。

本实施例中即是将10月1日的8点半、9点和9点半的太阳辐射强度作为太阳辐射强度预测模型的输入，预测10月1日10点的太阳辐射强度。

由于步骤S120建立的太阳辐射强度预测样本只包括前预设个数的比较序列，因此本实施例中在每次对太阳辐射强度进行预测时，都重新建立太阳辐射强度预测样本和太阳辐射强度预测模型，进一步提高预测准确度。

步骤S150：提取历史数据中预测日之前发电功率预测相关时刻的太阳辐射强度和光伏发电功率，以及预测时刻的温度和太阳辐射强度，得到光伏发电功率预测样本。

提取9月每天8点半、9点和9点半的太阳辐射强度和光伏发电功率，以及10点的温度和太阳辐射强度，得到光伏发电功率预测样本。

步骤S160：采用BP神经网络对光伏发电功率预测样本进行训练，得到光伏发电功率预测模型。

同样也是先计算隐含层节点数。本实施例中光伏发电功率预测模型的输入为预测时刻前0.5小时、前1.0小时和前1.5小时的太阳辐射强度和光伏发电功率，以及预测时刻的温度和太阳辐射强度，输出为预测时刻的光伏发电功率。故输入层节点数为8，输出层节点数为1，取调节常数a=2，则根据可计算出隐含层节点数为5。

然后对输入层与隐含层的连接权值、隐含层与输出层的连接权值、隐含层各节点的阈值以及输出层各节点的阈值进行初始化。获取光伏发电功率预测样本中多日的发电功率预测相关时刻的太阳辐射强度和光伏发电功率，以及预测时刻的温度和太阳辐射强度，将同一日的相关数据作为一个学习向量，得到学习向量集。

将学习向量代入输入层进行训练，隐含层和输出层采用的神经元激励函数与步骤S130中的相同。计算输出层各节点的校正误差，隐含层各节点的校正误差，对隐含层与输出层的连接权值，及输出层各节点的阈值进行修正，对输入层与隐含层的连接权值，及隐含层各节点的阈值进行修正等步骤的原理也与步骤S130中类似，不再赘述。

步骤S170：将预测日发电功率预测相关时刻的太阳辐射强度和光伏发电功率，以及预测时刻的太阳辐射强度和温度作为光伏发电功率预测模型的输入，计算预测日预测时刻的光伏发电功率。

本实施例中将10月1日8点半、9点和9点半的太阳辐射强度和光伏发电功率，以及10点的太阳辐射强度和温度作为光伏发电功率预测模型的输入，预测10月1日10点的光伏发电功率。

由于步骤S150建立的光伏发电功率预测样本包括了历史数据中，预测日之前所有发电功率预测相关时刻的太阳辐射强度和光伏发电功率，数据比较多，能够保证光伏发电功率预测模型的预测准确度。本实施例中在光伏发电功率预测模型建好之后便固定不变，即是模型建好之后每次对光伏发电功率进行预测时，直接将预测日发电功率预测相关时刻的太阳辐射强度和光伏发电功率，以及预测时刻的太阳辐射强度和温度作为光伏发电功率预测模型的输入来进行预测，可节省时间。可以理解，在其他实施例中，也可以每次对光伏发电功率进行预测时，都重新建立光伏发电功率预测模型。

上述光伏发电功率预测方法，采用相关性分析方法对历史数据进行分析，确定辐射强度预测相关时刻和发电功率预测相关时刻。采用BP神经网络对太阳辐射强度预测样本和光伏发电功率预测样本进行训练，得到太阳辐射强度预测模型和光伏发电功率预测模型。利用太阳辐射强度预测模型计算预测日预测时刻的太阳辐射强度，利用光伏发电功率预测模型计算预测日预测时刻的光伏发电功率。利用灰色关联度分析方法去除历史数据中关联度较低的辐射强度预测相关时刻的太阳辐射强度，提高了太阳辐射强度预测精度。采用BP神经网络良好的非线性函数逼近能力，对太阳辐射强度预测样本和光伏发电功率预测样本进行训练建立预测模型，提高了预测模型的预测精度，从而提高光伏并网系统的稳定性，降低运行成本。

本发明还提供了一种光伏发电功率预测系统，如图2所示，包括相关时刻计算模块110、辐射强度预测样本建立模块120、辐射强度预测模型建立模块130、预测时刻辐射强度计算模块140、发电功率预测样本建立模块150、发电功率预测模型建立模块160和预测时刻发电功率计算模块170。

相关时刻计算模块110用于根据历史数据，采用相关性分析方法获取辐射强度预测相关时刻和发电功率预测相关时刻。

历史数据包括太阳辐射强度、温度和光伏发电功率，具体地，既包括预测日之前各时刻的太阳辐射强度、温度和光伏发电功率，也包括预测日预测时刻之前各时刻的太阳辐射强度和光伏发电功率，以及预测时刻的温度。由于温度是唯一能够直接得到的预测时刻的非历史相关因素，因此也将其作为一个参考量，预测时刻的温度可通过天气预报获取。为便于理解，本发明以预测10月1日10点的光伏发电功率，历史数据包括9月1日至9月30日每天各时刻的太阳辐射强度和光伏发电功率，10月1日10点之前各时刻的太阳辐射强度和光伏发电功率，以及10月1日10点的温度为例，对本发明的具体实施方式进行解释说明。

辐射强度预测相关时刻指太阳辐射强度与预测时刻的太阳辐射强度相关系数高于辐射相关阈值的时刻，发电功率预测相关时刻指太阳辐射强度和光伏发电功率与预测时刻的光伏发电功率相关系数高于功率相关阈值的时刻。采用相关性分析方法对历史数据进行分析，确定辐射强度预测相关时刻和发电功率预测相关时刻，提高了各相关时刻的获取准确度。

在其中一个实施例中，相关时刻计算模块110包括如下的第一提取单元、第一计算单元、第一处理单元、第二提取单元、第二计算单元和第二处理单元。

第一提取单元用于提取历史数据中预测日之前，预测时刻及预测时刻前设定时间段内的太阳辐射强度。

提取9月份每天10点以及10点之前设定时间段内的太阳辐射强度，设定时间段可以是固定的时间段，如2小时或3小时等，以设定时间段为2小时为例，第一提取单元即是提取9月份每天8至10点的太阳辐射强度。设定时间段也可根据实际情况调整。由于与预测时刻越接近，太阳辐射强度的相关性越高，本实施例中设定时间段为3小时，有效减少不必要的数据，提高后续步骤的处理效率。

第一计算单元用于分别计算设定时间段内各时刻点的太阳辐射强度，与预测时刻的太阳辐射强度的相关系数。

cov(X,Y)＝E[X-E(X)]E[Y-E(Y)]

${\mathrm{\ρ}}_{\mathrm{XY}}=\frac{\mathrm{cov}(X,Y)}{\sqrt{D\left(X\right)}\sqrt{D\left(Y\right)}}$

其中，X为预测时刻的太阳辐射强度，Y为设定时间段内一时刻点的太阳辐射强度，ρ_XY表示X和Y的相关系数，cov(X,Y)表示X和Y的协方差，E(X)和E(Y)分别表示X和Y的期望，D(X)和D(Y)分别表示X和Y的方差。

同样以预测时刻为10月1日10点为例，则X包括9月份每天10点的太阳辐射强度，Y包括9月份每天设定时间段内一时刻点的太阳辐射强度。

第一处理单元用于提取设定时间段内，太阳辐射强度与预测时刻的太阳辐射强度相关系数高于辐射相关阈值的时刻，得到辐射强度预测相关时刻。

辐射相关阈值可以是根据经验设置的固定值，计算设定时间段内各时刻的太阳辐射强度与预测时刻的太阳辐射强度相关系数后，将相关系数高于辐射相关阈值的太阳辐射强度对应的时刻最为辐射强度预测相关时刻。也可以通过调整辐射相关阈值，使相关系数高于辐射相关阈值的太阳辐射强度对应时刻的数量为设定个数，如2个、3个、4个等。本实施例中提取相关系数最高的3个太阳辐射强度对应的时刻作为辐射强度预测相关时刻。

第二提取单元用于提取历史数据中预测日之前，预测时刻的光伏发电功率及预测时刻前设定时间段内的太阳辐射强度和光伏发电功率。

提取9月份每天10点的光伏发电功率，及10点之前设定时间段内的太阳辐射强度和光伏发电功率，本实施例中设定时间段同样可为3小时。

第二计算单元用于分别计算设定时间段内各时刻点的太阳辐射强度和光伏发电功率，与预测时刻的光伏发电功率的相关系数。

cov(X',Y')＝E[X'-E(X')]E[Y'-E(Y')]

${\mathrm{\ρ}}_{X^{\′}{Y}^{\′}}=\frac{\mathrm{cov}(X^{\′},Y^{\′})}{\sqrt{D\left(X^{\′}\right)}\sqrt{D\left(Y^{\′}\right)}}$

其中，X'为预测时刻的光伏发电功率，Y'为设定时间段内一时刻点的太阳辐射强度或光伏发电功率，ρ_X'Y'表示X'和Y'的相关系数，cov(X',Y')表示X'和Y'的协方差，E(X')和E(Y')分别表示X'和Y'的期望，D(X')和D(Y')分别表示X'和Y'的方差。

同样以预测时刻为10月1日10点为例，则X包括9月份每天10点的光伏发电功率，Y包括9月份每天设定时间段内一时刻点的太阳辐射强度，或者包括9月份每天设定时间段内一时刻点的光伏发电功率。

第二处理单元用于提取设定时间范围内，太阳辐射强度和光伏发电功率与预测时刻的光伏发电功率相关系数高于功率相关阈值的时刻，得到发电功率预测相关时刻。

同理，功率相关阈值可以是根据经验设置的固定值，也可以通过调整功率相关阈值。本实施例中提取相关系数最高的3个太阳辐射强度和光伏发电功率对应的时刻作为发电功率预测相关时刻。

在另一个实施例中，相关时刻计算模块110包括如下的第一提取单元、第一计算单元、第一处理单元、第二提取单元、第二计算单元和第二处理单元。

第一提取单元用于提取历史数据中预测日之前，预测时刻及预测时刻前若干个等间隔时刻点的太阳辐射强度。

若干个等间隔时刻点之间的时间间隔可以是0.2小时、0.5小时、0.8小时等，本实施例中时间间隔为0.5小时。以提取预测时刻前5个等间隔时刻点的太阳辐射强度为例，第一提取单元即是提取9月份每天10点、9点半、9点、8点半、8点和7点半的太阳辐射强度。

第一计算单元用于分别计算若干个等间隔时刻点的太阳辐射强度，与预测时刻的太阳辐射强度的相关系数。

cov(X,Y)＝E[X-E(X)]E[Y-E(Y)]

${\mathrm{\ρ}}_{\mathrm{XY}}=\frac{\mathrm{cov}(X,Y)}{\sqrt{D\left(X\right)}\sqrt{D\left(Y\right)}}$

其中，X为预测时刻的太阳辐射强度，Y为若干个等间隔时刻点中一时刻点的太阳辐射强度，ρ_XY表示X和Y的相关系数，cov(X,Y)表示X和Y的协方差，E(X)和E(Y)分别表示X和Y的期望，D(X)和D(Y)分别表示X和Y的方差。

同样以预测时刻为10月1日10点为例，则X包括9月份每天10点的太阳辐射强度，Y包括9月份每天若干个等间隔时刻点中一时刻点的太阳辐射强度。

第一处理单元用于提取若干个等间隔时刻点中，太阳辐射强度与预测时刻的太阳辐射强度相关系数高于辐射相关阈值的时刻点，得到辐射强度预测相关时刻。

辐射相关阈值可以是根据经验设置的固定值，也可以通过调整辐射相关阈值，使相关系数高于辐射相关阈值的太阳辐射强度对应时刻的数量为设定个数。本实施例中提取相关系数最高的3个太阳辐射强度对应的时刻作为辐射强度预测相关时刻。通过比较相关系数，以预测时刻前0.5小时、前1.0小时和前1.5小时作为辐射强度预测相关时刻。

第二提取单元用于提取历史数据中预测日之前，预测时刻的光伏发电功率及预测时刻前若干个等间隔时刻点的太阳辐射强度和光伏发电功率。

若干个等间隔时刻点之间的时间间隔可以是0.2小时、0.5小时、0.8小时等，本实施例中时间间隔为0.5小时。以提取预测时刻前5个等间隔时刻点的太阳辐射强度和光伏发电功率为例，第二提取单元即是提取9月份每天10点的光伏发电功率，以及9点半、9点、8点半、8点和7点半的太阳辐射强度和光伏发电功率。

第二计算单元用于分别计算若干个等间隔时刻点的太阳辐射强度和光伏发电功率，与预测时刻的光伏发电功率的相关系数。

cov(X',Y')＝E[X'-E(X')]E[Y'-E(Y')]

${\mathrm{\ρ}}_{X^{\′}{Y}^{\′}}=\frac{\mathrm{cov}(X^{\′},Y^{\′})}{\sqrt{D\left(X^{\′}\right)}\sqrt{D\left(Y^{\′}\right)}}$

其中，X'为预测时刻的光伏发电功率，Y'为若干个等间隔时刻点中一时刻点的太阳辐射强度或光伏发电功率，ρ_X'Y'表示X'和Y'的相关系数，cov(X',Y')表示X'和Y'的协方差，E(X')和E(Y')分别表示X'和Y'的期望，D(X')和D(Y')分别表示X'和Y'的方差。

同样以预测时刻为10月1日10点为例，则X包括9月份每天10点的光伏发电功率，Y包括9月份每天若干个等间隔时刻点中一时刻点的太阳辐射强度，或者包括9月份每天若干个等间隔时刻点中一时刻点的光伏发电功率。

第二处理单元用于提取若干个等间隔时刻点中，太阳辐射强度和光伏发电功率与预测时刻的光伏发电功率相关系数高于功率相关阈值的时刻，得到发电功率预测相关时刻。

同理，功率相关阈值可以是根据经验设置的固定值，也可以通过调整功率相关阈值。本实施例中提取相关系数最高的3个太阳辐射强度和光伏发电功率对应的时刻作为发电功率预测相关时刻。通过比较相关系数，以预测时刻前0.5小时、前1.0小时和前1.5小时作为发电功率预测相关时刻。

以上即是在采用相关性分析方法分析历史数据时，提供了两种具体实施方式，可以是提取预测时刻前设定时间段内的全部相关数据，确保计算准确度；也可以是提取预测时刻前若干个等间隔时刻点的相关数据，提高处理速度。在实际应用场景中可根据情况选择适合的方式，提高了光伏发电功率预测系统的适用性。

辐射强度预测样本建立模块120用于提取历史数据中辐射强度预测相关时刻的太阳辐射强度，并进行灰色关联度分析，得到太阳辐射强度预测样本。

以预测时刻为10月1日10点、辐射强度预测相关时刻为预测时刻前0.5小时、前1.0小时和前1.5小时为例，辐射强度预测样本建立模块120即是提取9月份和10月1日所有8点半、9点和9点半的太阳辐射强度，然后进行灰色关联度分析，建立太阳辐射强度预测样本。利用灰色关联度分析方法去除历史数据中关联度较低的辐射强度预测相关时刻的太阳辐射强度，提高了太阳辐射强度预测精度。

辐射强度预测样本建立模块120具体可包括参考序列建立单元、比较序列建立单元、无量纲化处理单元、灰色关联系数计算单元、关联度计算单元和关联度排序单元。

参考序列建立单元用于获取预测日辐射强度预测相关时刻的太阳辐射强度，得到参考序列。

在本实施例中，参考序列即是包括10月1日8点半、9点和9点半的太阳辐射强度。

比较序列建立单元用于获取预测日之前辐射强度预测相关时刻的太阳辐射强度，并对同一日的太阳辐射强度建立序列，得到多个比较序列。

获取9月份每天8点半、9点和9点半的太阳辐射强度，并将同一天的太阳辐射强度按时间顺序排成一个序列，本实施例中比较序列的数量为30个。

无量纲化处理单元用于对参考序列和比较序列进行无量纲化处理，得到无量纲化参考序列和无量纲化比较序列。

在进行灰色关联度分析时，一般都要对数据进行无量纲化处理，由于不同信息特征间数量级差别可能较大，因此在对数据进行无量纲化处理时，是将该信息特征值除以这个信息特征所有值的最大值。

$x_i\left(k\right)=X_i\left(k\right)/\underset{i}{\max }\left(X_i\left(k\right)\right),i=\mathrm{0,1,2},...,n;k=\mathrm{1,2},...,m$

其中表示序列X_i(k)中的最大值，且i＝0时X₀(k)为参考序列，i不为0时X_i(k)为比较序列，x_i(k)表示序列X_i(k)对应的无量纲化序列。n为比较序列的个数，本实施例中为30个，m为参考序列或比较序列中的太阳辐射强度值的个数，本实施例中为3个。

灰色关联系数计算单元用于计算无量纲化参考序列和无量纲化比较序列的灰色关联系数。

${\mathrm{\ξ}}_{0i}\left(k\right)=\frac{\underset{i}{\min }\underset{k}{\min }|x_0\left(k\right)-x_i\left(k\right)|+\mathrm{\ρ}\underset{i}{\max }\underset{k}{\max }|x_0\left(k\right)-x_i\left(k\right)|}{|x_0\left(k\right)-x_i\left(k\right)|+\mathrm{\ρ}\underset{i}{\max }\underset{k}{\max }|x_0\left(k\right)-x_i\left(k\right)|}$

其中x₀(k)为无量纲化参考序列，x_i(k)为无量纲化比较序列，ρ为分辨系数，本实施例中ρ=0.5，ξ_0i(k)表示无量纲化参考序列x₀(k)中第k个值，与无量纲化比较序列x_i(k)中第k个值的灰色关联系数。以i=1，k=2为例，ξ₀₁(2)即为无量纲化参考序列中的第2个值，与第1个无量纲化比较序列中的第2个值的灰色关联系数。

关联度计算单元用于计算比较序列与参考序列的关联度。

$r_{0i}=\frac{1}{m}\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\ξ}}_{0i}\left(k\right)$

其中ξ_0i(k)表示无量纲化参考序列x₀(k)中第k个值，与无量纲化比较序列x_i(k)中第k个值的灰色关联系数，r_0i表示参考序列X₀(k)与比较序列X_i(k)的关联度。

关联度排序单元用于根据比较序列与参考序列关联度的大小，对比较序列进行排序，提取前预设个数的比较序列，得到太阳辐射强度预测样本。

预设个数可以是5至15个，也可根据实际情况进行调整。本实施例中预设个数为7个，即将30个比较序列按与参考序列关联度的大小进行排列后，提取前7个比较序列，组成太阳辐射强度预测样本。

辐射强度预测模型建立模块130用于采用BP神经网络对太阳辐射强度预测样本进行训练，得到太阳辐射强度预测模型。

辐射强度预测模型建立模块130具体包括隐含层节点计算单元、初始化单元、学习向量集建立单元、隐含层输出向量计算单元、输出层输出向量计算单元、输出层节点校正误差计算单元、隐含层节点校正误差计算单元、第一修正单元、第二修正单元、判断单元和控制单元。

隐含层节点计算单元用于计算隐含层节点数。

$l=\sqrt{n+m}+a$

其中l为隐含层节点数，n为输入层节点数，m为输出层节点数，a为调节常数。本实施例中太阳辐射强度预测模型的输入为预测时刻前0.5小时、前1.0小时和前1.5小时的太阳辐射强度，输出为预测时刻的太阳辐射强度，故n为3，m为1，取a=1，因此隐含层节点数l=3。

初始化单元用于初始化输入层与隐含层的连接权值、隐含层与输出层的连接权值、隐含层各节点的阈值以及输出层各节点的阈值。

学习向量集建立单元用于获取太阳辐射强度预测样本中多日的辐射强度预测相关时刻的太阳辐射强度，并将同一天的辐射强度预测相关时刻的太阳辐射强度作为一个学习向量，得到学习向量集。

本步骤即是提取太阳辐射强度预测样本中的若干个比较序列，如3个、4个或5个等，将提取的每一个比较序列作为一个学习向量，得到学习向量集。

隐含层输出向量计算单元用于将学习向量集中的一个学习向量作为输入层的输入，计算隐含层的输出向量。具体为

$s_j^k=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}{x}_i^k-{\mathrm{\θ}}_j,j=\mathrm{1,2},...,p$

$b_j^k=f_1\left(s_j^k\right),j=\mathrm{1,2},...,p$

$f_1\left(x\right)=\tan \mathrm{sig}\left(x\right)=\frac{2}{1+e^{-2x}}-1$

输入层各节点对输入不进行处理，只是简单地把接收到的输入向量作为相应的输出向量传递给隐含层，即输入层的输出向量与输入向量相同。隐含层的神经元激励函数采用S型正切函数f₁(x)。输入层的输入向量m为输入向量的个数，n为输入层节点数，本实施例中为3，隐含层的输入向量隐含层的输出向量p为隐含层节点数，本实施例中为3。w_ij为输入层与隐含层的连接权值，θ_j为隐含层各节点的阈值。

输出层输出向量计算单元用于根据隐含层的输出向量计算输出层的输出向量。具体为

$l_t^k=\underset{j=1}{\overset{p}{\mathrm{\Σ}}}{v}_{\mathrm{jt}}{b}_j^k-{\mathrm{\γ}}_t,t=\mathrm{1,2},...,q$

$c_t^k=f_2\left(l_t^k\right),t=\mathrm{1,2},...,q$

f₂(x)＝purelin(x)＝x

输出层的神经元激励函数采用纯线性函数f₂(x)。隐含层的输出向量输出层的输入向量输出层的输出向量q为输出层节点数，本实施例中为1。v_jt为隐含层与输出层的连接权值，γ_t为输出层各节点的阈值。

输出层节点校正误差计算单元用于计算输出层各节点的校正误差。

$d_t^k=(y_t^k-c_t^k)f_2^{\′}\left(l_t^k\right),t=\mathrm{1,2},...,q$

其中表示输出层各节点的校正误差，为与对应的实际太阳辐射强度，表示对求导。举例说明，学习向量集中包括9月15日、18日和22日的8点半、9点和9点半的太阳辐射强度，是将9月15日的8点半、9点和9点半的太阳辐射强度作为输入层的输入而得到的9月15日10点太阳辐射强度的预测值。则取9月15日10点太阳辐射强度的实际值，通过上式计算输出层各节点的校正误差。

隐含层节点校正误差计算单用于计算隐含层各节点的校正误差。

$e_j^k=\left[\underset{t=1}{\overset{q}{\mathrm{\Σ}}}{v}_{\mathrm{jt}}{d}_t^k\right]f_1^{\′}\left(s_j^k\right),j=\mathrm{1,2},...,p$

其中表示隐含层各节点的校正误差，表示对求导。根据输出层节点校正误差计算单元得到的输出层各节点的校正误差，可计算出隐含层各节点的校正误差。

第一修正单元用于根据输出层各节点的校正误差，对隐含层与输出层的连接权值，及输出层各节点的阈值进行修正。具体为

${\mathrm{\Δv}}_{\mathrm{jt}}=\mathrm{\α}{d}_t^k{b}_j^k,j=\mathrm{1,2},...,p,t=\mathrm{1,2},...,q$

${\mathrm{\Δ\γ}}_t=\mathrm{\α}{d}_t^k,t=\mathrm{1,2},...,q$

其中α为学习速率，Δv_jt表示对隐含层与输出层的连接权值v_jt的修正值，Δγ_t表示对输出层各节点的阈值γ_t的修正值。根据输出层节点校正误差计算单元得到的输出层各节点的校正误差，对隐含层与输出层的连接权值，及输出层各节点的阈值进行修正。

第二修正单元用于根据隐含层各节点的校正误差，对输入层与隐含层的连接权值，及隐含层各节点的阈值进行修正。具体为

${\mathrm{\Δw}}_{\mathrm{ij}}=\mathrm{\β}{e}_j^k{x}_i^k,i=\mathrm{1,2},...,n,j=\mathrm{1,2},...,p$

${\mathrm{\Δ\θ}}_j=\mathrm{\β}{e}_j^k,j=\mathrm{1,2},...,p$

其中β为学习速率，Δw_ij表示对输入层与隐含层的连接权值w_ij的修正值，Δθ_j表示对隐含层各节点的阈值θ_j的修正值。根据隐含层节点校正误差计算单得到的隐含层各节点的校正误差，对输入层与隐含层的连接权值，及隐含层各节点的阈值进行修正。

判断单元用于判断学习向量集中的学习向量是否训练完毕，并在学习向量集中的学习向量未训练完毕时，控制隐含层输出向量计算单元将学习向量集中还未进行训练的学习向量代入输入层。

控制单元用于在学习向量集中的学习向量训练完毕时，判断全局误差是否小于误差阈值。

将学习向量集中的所有学习向量都代入输入层进行训练后，对模型中的各连接权值和节点阈值进行多次修正。根据修正后的参数再次代入各学习向量计算预测时刻的太阳辐射强度的预测值，将预测值与实际值比较，计算全局误差。控制单元在全局误差不小于误差阈值时，控制学习向量集建立单元在太阳辐射强度预测样本中获取其他日期的发电功率预测相关时刻的太阳辐射强度，组建新的学习向量集，并将新获取的学习向量代入输入层进行训练，对模型中的各连接权值和节点阈值进行修正。

若全局误差小于误差阈值，则得到太阳辐射强度预测模型。

预测时刻辐射强度计算模块140用于将预测日辐射强度预测相关时刻的太阳辐射强度作为太阳辐射强度预测模型的输入，计算预测日预测时刻的太阳辐射强度。

本实施例中即是将10月1日的8点半、9点和9点半的太阳辐射强度作为太阳辐射强度预测模型的输入，预测10月1日10点的太阳辐射强度。

由于辐射强度预测样本建立模块120建立的太阳辐射强度预测样本只包括前预设个数的比较序列，因此本实施例中在每次对太阳辐射强度进行预测时，都重新建立太阳辐射强度预测样本和太阳辐射强度预测模型，进一步提高预测准确度。

发电功率预测样本建立模块150用于提取历史数据中预测日之前发电功率预测相关时刻的太阳辐射强度和光伏发电功率，以及预测时刻的温度和太阳辐射强度，得到光伏发电功率预测样本。

提取9月每天8点半、9点和9点半的太阳辐射强度和光伏发电功率，以及10点的温度和太阳辐射强度，得到光伏发电功率预测样本。。

发电功率预测模型建立模块160用于采用BP神经网络对光伏发电功率预测样本进行训练，得到光伏发电功率预测模型。

同样也是先计算隐含层节点数。本实施例中光伏发电功率预测模型的输入为预测时刻前0.5小时、前1.0小时和前1.5小时的太阳辐射强度和光伏发电功率，以及预测时刻的温度和太阳辐射强度，输出为预测时刻的光伏发电功率。故输入层节点数为8，输出层节点数为1，取调节常数a=2，则根据可计算出隐含层节点数为5。

然后对输入层与隐含层的连接权值、隐含层与输出层的连接权值、隐含层各节点的阈值以及输出层各节点的阈值进行初始化。获取光伏发电功率预测样本中多日的发电功率预测相关时刻的太阳辐射强度和光伏发电功率，以及预测时刻的温度和太阳辐射强度，将同一日的相关数据作为一个学习向量，得到学习向量集。

将学习向量代入输入层进行训练，隐含层和输出层采用的神经元激励函数与辐射强度预测模型建立模块130中的相同。计算输出层各节点的校正误差，隐含层各节点的校正误差，对隐含层与输出层的连接权值，及输出层各节点的阈值进行修正，对输入层与隐含层的连接权值，及隐含层各节点的阈值进行修正等步骤的原理也与辐射强度预测模型建立模块130中类似，不再赘述。

预测时刻发电功率计算模块170用于将预测日发电功率预测相关时刻的太阳辐射强度和光伏发电功率，以及预测时刻的太阳辐射强度和温度作为光伏发电功率预测模型的输入，计算预测日预测时刻的光伏发电功率。

本实施例中将10月1日8点半、9点和9点半的太阳辐射强度和光伏发电功率，以及10点的太阳辐射强度和温度作为光伏发电功率预测模型的输入，预测10月1日10点的光伏发电功率。

由于发电功率预测样本建立模块150建立的光伏发电功率预测样本包括了历史数据中，预测日之前所有发电功率预测相关时刻的太阳辐射强度和光伏发电功率，数据比较多，能够保证光伏发电功率预测模型的预测准确度。本实施例中在光伏发电功率预测模型建好之后便固定不变，即是模型建好之后每次对光伏发电功率进行预测时，直接将预测日发电功率预测相关时刻的太阳辐射强度和光伏发电功率，以及预测时刻的太阳辐射强度和温度作为光伏发电功率预测模型的输入来进行预测，可节省时间。可以理解，在其他实施例中，也可以每次对光伏发电功率进行预测时，都重新建立光伏发电功率预测模型。

上述光伏发电功率预测系统，采用相关性分析方法对历史数据进行分析，确定辐射强度预测相关时刻和发电功率预测相关时刻。采用BP神经网络对太阳辐射强度预测样本和光伏发电功率预测样本进行训练，得到太阳辐射强度预测模型和光伏发电功率预测模型。利用太阳辐射强度预测模型计算预测日预测时刻的太阳辐射强度，利用光伏发电功率预测模型计算预测日预测时刻的光伏发电功率。利用灰色关联度分析方法去除历史数据中关联度较低的辐射强度预测相关时刻的太阳辐射强度，提高了太阳辐射强度预测精度。采用BP神经网络良好的非线性函数逼近能力，对太阳辐射强度预测样本和光伏发电功率预测样本进行训练建立预测模型，提高了预测模型的预测精度，从而提高光伏并网系统的稳定性，降低运行成本。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (8)

1.一种光伏发电功率预测方法，其特征在于，包括以下步骤：

根据历史数据，采用相关性分析方法获取辐射强度预测相关时刻和发电功率预测相关时刻，所述历史数据包括太阳辐射强度、温度和光伏发电功率，所述辐射强度预测相关时刻指太阳辐射强度与预测时刻的太阳辐射强度相关系数高于辐射相关阈值的时刻，所述发电功率预测相关时刻指太阳辐射强度和光伏发电功率与所述预测时刻的光伏发电功率相关系数高于功率相关阈值的时刻；

提取所述历史数据中所述辐射强度预测相关时刻的太阳辐射强度，并进行灰色关联度分析，得到太阳辐射强度预测样本；

采用BP神经网络对所述太阳辐射强度预测样本进行训练，得到太阳辐射强度预测模型；

将预测日所述辐射强度预测相关时刻的太阳辐射强度作为所述太阳辐射强度预测模型的输入，计算预测日所述预测时刻的太阳辐射强度；

提取所述历史数据中预测日之前所述发电功率预测相关时刻的太阳辐射强度和光伏发电功率，以及所述预测时刻的温度和太阳辐射强度，得到光伏发电功率预测样本；

采用BP神经网络对所述光伏发电功率预测样本进行训练，得到光伏发电功率预测模型；

将预测日所述发电功率预测相关时刻的太阳辐射强度和光伏发电功率，以及所述预测时刻的太阳辐射强度和温度作为所述光伏发电功率预测模型的输入，计算预测日所述预测时刻的光伏发电功率；

所述采用BP神经网络对所述太阳辐射强度预测样本进行训练，得到太阳辐射强度预测模型的步骤，包括以下步骤：

根据计算隐含层节点数，其中l为隐含层节点数，n为输入层节点数，m为输出层节点数，a为调节常数；

初始化输入层与隐含层的连接权值、隐含层与输出层的连接权值、隐含层各节点的阈值以及输出层各节点的阈值；

获取所述太阳辐射强度预测样本中多日的辐射强度预测相关时刻的太阳辐射强度，并将同一天的所述辐射强度预测相关时刻的太阳辐射强度作为一个学习向量，得到学习向量集；

将所述学习向量集中的一个学习向量作为所述输入层的输入，计算所述隐含层的输出向量；具体为

$s_j^k=\underset{i=1}{\overset{n}{\Σ}}{w}_{ij}{x}_i^k-{\mathrm{\θ}}_j,j=1,2,...,p$

$b_j^k=f_1\left(s_j^k\right),j=1,2,...,p$

$f_1\left(x\right)=\tan sig\left(x\right)=\frac{2}{1+e^{-2x}}-1$

所述输入层的输入向量m为输入向量的个数，n为输入层节点数，所述隐含层的输入向量所述隐含层的输出向量p为隐含层节点数，w_ij为所述输入层与隐含层的连接权值，θ_j为所述隐含层各节点的阈值；

根据所述隐含层的输出向量计算所述输出层的输出向量；具体为

$1_t^k=\underset{j=1}{\overset{p}{\Σ}}{v}_{jt}{b}_j^k-{\mathrm{\γ}}_t,t=1,2,...,q$

$c_t^k=f_2\left(l_t^k\right),t=1,2,...,q$

f₂(x)＝purelin(x)＝x

所述隐含层的输出向量所述输出层的输入向量所述输出层的输出向量q为输出层节点数，v_jt为所述隐含层与输出层的连接权值，γ_t为所述输出层各节点的阈值；

根据计算所述输出层各节点的校正误差，其中表示所述输出层各节点的校正误差，为与对应的实际太阳辐射强度，表示对求导；

根据计算所述隐含层各节点的校正误差，其中表示所述隐含层各节点的校正误差，表示对求导；

根据所述输出层各节点的校正误差，对隐含层与输出层的连接权值，及输出层各节点的阈值进行修正；具体为

${\mathrm{\Δv}}_{jt}={\mathrm{\αd}}_t^k{b}_j^k,j=1,2,...,p,t=1,2,...,q$

${\mathrm{\Δ\γ}}_t={\mathrm{\αd}}_t^k,t=1,2,...,q$

其中α为学习速率，△v_jt表示对所述隐含层与输出层的连接权值v_jt的修正值，△γ_t表示对所述输出层各节点的阈值γ_t的修正值；

根据所述隐含层各节点的校正误差，对输入层与隐含层的连接权值，及隐含层各节点的阈值进行修正；具体为

${\mathrm{\Δw}}_{ij}={\mathrm{\βe}}_j^k{x}_i^k,i=1,2,...,n,j=1,2,...,p$

${\mathrm{\Δ\θ}}_j={\mathrm{\βe}}_j^k,j=1,2,...,p$

其中β为学习速率，△w_ij表示对所述输入层与隐含层的连接权值w_ij的修正值，△θ_j表示对所述隐含层各节点的阈值θ_j的修正值；

判断所述学习向量集中的学习向量是否训练完毕；

若否，则返回所述将所述学习向量集中的一个学习向量作为所述输入层的输入，计算所述隐含层的输出向量的步骤；

若是，则判断全局误差是否小于误差阈值；若否，则返回所述获取所述太阳辐射强度预测样本中多日的辐射强度预测相关时刻的太阳辐射强度，并将同一天的所述辐射强度预测相关时刻的太阳辐射强度作为一个学习向量，得到学习向量集的步骤，若是，则得到所述太阳辐射强度预测模型。

2.根据权利要求1所述的光伏发电功率预测方法，其特征在于，所述根据历史数据，采用相关性分析方法获取辐射强度预测相关时刻和发电功率预测相关时刻的步骤，包括以下步骤：

提取所述历史数据中所述预测日之前，所述预测时刻及预测时刻前设定时间段内的太阳辐射强度；

根据分别计算所述设定时间段内各时刻点的太阳辐射强度，与所述预测时刻的太阳辐射强度的相关系数，其中，cov(X,Y)＝E[X-E(X)]E[Y-E(Y)]，X为预测时刻的太阳辐射强度，Y为设定时间段内一时刻点的太阳辐射强度，ρ_XY表示X和Y的相关系数，cov(X,Y)表示X和Y的协方差，E(X)和E(Y)分别表示X和Y的期望，D(X)和D(Y)分别表示X和Y的方差；

提取所述设定时间段内，太阳辐射强度与所述预测时刻的太阳辐射强度相关系数高于辐射相关阈值的时刻，得到所述辐射强度预测相关时刻；

提取所述历史数据中所述预测日之前，所述预测时刻的光伏发电功率及预测时刻前设定时间段内的太阳辐射强度和光伏发电功率；

根据分别计算所述设定时间段内各时刻点的太阳辐射强度和光伏发电功率，与所述预测时刻的光伏发电功率的相关系数，其中cov(X',Y')＝E[X'-E(X')]E[Y'-E(Y')]，X'为预测时刻的光伏发电功率，Y'为设定时间段内一时刻点的太阳辐射强度或光伏发电功率，ρ_X'Y'表示X'和Y'的相关系数，cov(X',Y')表示X'和Y'的协方差，E(X')和E(Y')分别表示X'和Y'的期望，D(X')和D(Y')分别表示X'和Y'的方差；

提取设定时间范围内，太阳辐射强度和光伏发电功率与所述预测时刻的光伏发电功率相关系数高于功率相关阈值的时刻，得到所述发电功率预测相关时刻。

3.根据权利要求1所述的光伏发电功率预测方法，其特征在于，所述根据历史数据，采用相关性分析方法获取辐射强度预测相关时刻和发电功率预测相关时刻的步骤，包括以下步骤：

提取所述历史数据中所述预测日之前，所述预测时刻及预测时刻前若干个等间隔时刻点的太阳辐射强度；

根据分别计算所述若干个等间隔时刻点的太阳辐射强度，与所述预测时刻的太阳辐射强度的相关系数，其中，cov(X,Y)＝E[X-E(X)]E[Y-E(Y)]，X为预测时刻的太阳辐射强度，Y为若干个等间隔时刻点中一时刻点的太阳辐射强度，ρ_XY表示X和Y的相关系数，cov(X,Y)表示X和Y的协方差，E(X)和E(Y)分别表示X和Y的期望，D(X)和D(Y)分别表示X和Y的方差；

提取所述若干个等间隔时刻点中，太阳辐射强度与所述预测时刻的太阳辐射强度相关系数高于辐射相关阈值的时刻点，得到所述辐射强度预测相关时刻；

提取所述历史数据中所述预测日之前，所述预测时刻的光伏发电功率及预测时刻前若干个等间隔时刻点的太阳辐射强度和光伏发电功率；

根据分别计算所述若干个等间隔时刻点的太阳辐射强度和光伏发电功率，与所述预测时刻的光伏发电功率的相关系数，其中cov(X',Y')＝E[X'-E(X')]E[Y'-E(Y')]，X'为预测时刻的光伏发电功率，Y'为若干个等间隔时刻点中一时刻点的太阳辐射强度或光伏发电功率，ρ_X'Y'表示X'和Y'的相关系数，cov(X',Y')表示X'和Y'的协方差，E(X')和E(Y')分别表示X'和Y'的期望，D(X')和D(Y')分别表示X'和Y'的方差；

提取所述若干个等间隔时刻点中，太阳辐射强度和光伏发电功率与所述预测时刻的光伏发电功率相关系数高于功率相关阈值的时刻，得到所述发电功率预测相关时刻。

4.根据权利要求1所述的光伏发电功率预测方法，其特征在于，所述提取所述历史数据中所述辐射强度预测相关时刻的太阳辐射强度，并进行灰色关联度分析，得到太阳辐射强度预测样本的步骤，包括以下步骤：

获取预测日所述辐射强度预测相关时刻的太阳辐射强度，得到参考序列；

获取预测日之前所述辐射强度预测相关时刻的太阳辐射强度，并对同一日的太阳辐射强度建立序列，得到多个比较序列；

根据对所述参考序列和比较序列进行无量纲化处理，得到无量纲化参考序列和无量纲化比较序列，其中表示序列X_i(k)中的最大值，且i＝0时X₀(k)为参考序列，i不为0时X_i(k)为比较序列，x_i(k)表示序列X_i(k)对应的无量纲化序列；

根据 ${\mathrm{\ξ}}_{0i}\left(k\right)=\frac{\underset{i}{min}\underset{k}{min}|x_0\left(k\right)-x_i\left(k\right)|+\mathrm{\ρ}\underset{i}{\max }\underset{k}{\max }|x_0\left(k\right)-x_i\left(k\right)|}{|x_0\left(k\right)-x_i\left(k\right)|+\mathrm{\ρ}\underset{i}{\max }\underset{k}{\max }|x_0\left(k\right)-x_i\left(k\right)|}$ 计算所述无量纲化参考序列和无量纲化比较序列的灰色关联系数，其中x₀(k)为无量纲化参考序列，x_i(k)为无量纲化比较序列，ρ为分辨系数，ξ_0i(k)表示无量纲化参考序列x₀(k)中第k个值，与无量纲化比较序列x_i(k)中第k个值的灰色关联系数；

根据计算所述比较序列与参考序列的关联度，其中ξ_0i(k)表示无量纲化参考序列x₀(k)中第k个值，与无量纲化比较序列x_i(k)中第k个值的灰色关联系数，r_0i表示参考序列X₀(k)与比较序列X_i(k)的关联度；

根据比较序列与参考序列关联度的大小，对比较序列进行排序，提取前预设个数的比较序列，得到所述太阳辐射强度预测样本。

5.一种光伏发电功率预测系统，其特征在于，包括：

相关时刻计算模块，用于根据历史数据，采用相关性分析方法获取辐射强度预测相关时刻和发电功率预测相关时刻，所述历史数据包括太阳辐射强度、温度和光伏发电功率，所述辐射强度预测相关时刻指太阳辐射强度与预测时刻的太阳辐射强度相关系数高于辐射相关阈值的时刻，所述发电功率预测相关时刻指太阳辐射强度和光伏发电功率与所述预测时刻的光伏发电功率相关系数高于功率相关阈值的时刻；

辐射强度预测样本建立模块，用于提取所述历史数据中所述辐射强度预测相关时刻的太阳辐射强度，并进行灰色关联度分析，得到太阳辐射强度预测样本；

辐射强度预测模型建立模块，用于采用BP神经网络对所述太阳辐射强度预测样本进行训练，得到太阳辐射强度预测模型；

预测时刻辐射强度计算模块，用于将预测日所述辐射强度预测相关时刻的太阳辐射强度作为所述太阳辐射强度预测模型的输入，计算预测日所述预测时刻的太阳辐射强度；

发电功率预测样本建立模块，用于提取所述历史数据中预测日之前所述发电功率预测相关时刻的太阳辐射强度和光伏发电功率，以及所述预测时刻的温度和太阳辐射强度，得到光伏发电功率预测样本；

发电功率预测模型建立模块，用于采用BP神经网络对所述光伏发电功率预测样本进行训练，得到光伏发电功率预测模型；

预测时刻发电功率计算模块，用于将预测日所述发电功率预测相关时刻的太阳辐射强度和光伏发电功率，以及所述预测时刻的太阳辐射强度和温度作为所述光伏发电功率预测模型的输入，计算预测日所述预测时刻的光伏发电功率；

所述辐射强度预测模型建立模块包括：

隐含层节点计算单元，用于根据计算隐含层节点数，其中l为隐含层节点数，n为输入层节点数，m为输出层节点数，a为调节常数；

初始化单元，用于初始化输入层与隐含层的连接权值、隐含层与输出层的连接权值、隐含层各节点的阈值以及输出层各节点的阈值；

学习向量集建立单元，用于获取所述太阳辐射强度预测样本中多日的辐射强度预测相关时刻的太阳辐射强度，并将同一天的所述辐射强度预测相关时刻的太阳辐射强度作为一个学习向量，得到学习向量集；

隐含层输出向量计算单元，用于将所述学习向量集中的一个学习向量作为所述输入层的输入，计算所述隐含层的输出向量；具体为

$s_j^k=\underset{i=1}{\overset{n}{\Σ}}{w}_{ij}{x}_i^k-{\mathrm{\θ}}_j,j=1,2,...,p$

$b_j^k=f_1\left(s_j^k\right),j=1,2,...,p$

$f_1\left(x\right)=\tan sig\left(x\right)=\frac{2}{1+e^{-2x}}-1$

所述输入层的输入向量m为输入向量的个数，n为输入层节点数，所述隐含层的输入向量所述隐含层的输出向量p为隐含层节点数，w_ij为所述输入层与隐含层的连接权值，θ_j为所述隐含层各节点的阈值；

输出层输出向量计算单元，用于根据所述隐含层的输出向量计算所述输出层的输出向量；具体为

$1_t^k=\underset{j=1}{\overset{p}{\Σ}}{v}_{jt}{b}_j^k-{\mathrm{\γ}}_t,t=1,2,...,q$

$c_t^k=f_2\left(l_t^k\right),t=1,2,...,q$

f₂(x)＝purelin(x)＝x

所述隐含层的输出向量所述输出层的输入向量所述输出层的输出向量q为输出层节点数，v_jt为所述隐含层与输出层的连接权值，γ_t为所述输出层各节点的阈值；

输出层节点校正误差计算单元，用于根据计算所述输出层各节点的校正误差，其中表示所述输出层各节点的校正误差，为与对应的实际太阳辐射强度，表示对求导；

隐含层节点校正误差计算单元，用于根据计算所述隐含层各节点的校正误差，其中表示所述隐含层各节点的校正误差，表示对求导；

第一修正单元，用于根据所述输出层各节点的校正误差，对隐含层与输出层的连接权值，及输出层各节点的阈值进行修正；具体为

${\mathrm{\Δv}}_{jt}={\mathrm{\αd}}_t^k{b}_j^k,j=1,2,...,p,t=1,2,...,q$

${\mathrm{\Δ\γ}}_t={\mathrm{\αd}}_t^k,t=1,2,...,q$

其中α为学习速率，△v_jt表示对所述隐含层与输出层的连接权值v_jt的修正值，△γ_t表示对所述输出层各节点的阈值γ_t的修正值；

第二修正单元，用于根据所述隐含层各节点的校正误差，对输入层与隐含层的连接权值，及隐含层各节点的阈值进行修正；具体为

${\mathrm{\Δw}}_{ij}={\mathrm{\βe}}_j^k{x}_i^k,i=1,2,...,n,j=1,2,...,p$

${\mathrm{\Δ\θ}}_j={\mathrm{\βe}}_j^k,j=1,2,...,p$

其中β为学习速率，△w_ij表示对所述输入层与隐含层的连接权值w_ij的修正值，△θ_j表示对所述隐含层各节点的阈值θ_j的修正值；

判断单元，用于判断所述学习向量集中的学习向量是否训练完毕，并在所述学习向量集中的学习向量未训练完毕时，控制所述隐含层输出向量计算单元将所述学习向量集中的一个学习向量作为所述输入层的输入；

控制单元，用于在所述学习向量集中的学习向量训练完毕时，判断全局误差是否小于误差阈值，并在全局误差不小于误差阈值时，控制所述学习向量集建立单元获取所述太阳辐射强度预测样本中多日的辐射强度预测相关时刻的太阳辐射强度，并将同一天的所述辐射强度预测相关时刻的太阳辐射强度作为一个学习向量，得到学习向量集；若全局误差小于误差阈值，则得到所述太阳辐射强度预测模型。

6.根据权利要求5所述的光伏发电功率预测系统，其特征在于，所述相关时刻计算模块包括：

第一提取单元，用于提取所述历史数据中所述预测日之前，所述预测时刻及预测时刻前设定时间段内的太阳辐射强度；

第一计算单元，用于根据分别计算所述设定时间段内各时刻点的太阳辐射强度，与所述预测时刻的太阳辐射强度的相关系数，其中，cov(X,Y)＝E[X-E(X)]E[Y-E(Y)]，X为预测时刻的太阳辐射强度，Y为设定时间段内一时刻点的太阳辐射强度，ρ_XY表示X和Y的相关系数，cov(X,Y)表示X和Y的协方差，E(X)和E(Y)分别表示X和Y的期望，D(X)和D(Y)分别表示X和Y的方差；

第一处理单元，用于提取所述设定时间段内，太阳辐射强度与所述预测时刻的太阳辐射强度相关系数高于辐射相关阈值的时刻，得到所述辐射强度预测相关时刻；

第二提取单元，用于提取所述历史数据中所述预测日之前，所述预测时刻的光伏发电功率及预测时刻前设定时间段内的太阳辐射强度和光伏发电功率；

关系数，其中cov(X',Y')＝E[X'-E(X')]E[Y'-E(Y')]，X'为预测时刻的光伏发电功率，Y'为设定时间段内一时刻点的太阳辐射强度或光伏发电功率，ρ_X'Y'表示X'和Y'的相关系数，cov(X',Y')表示X'和Y'的协方差，E(X')和E(Y')分别表示X'和Y'的期望，D(X')和D(Y')分别表示X'和Y'的方差；

第二处理单元，用于提取设定时间范围内，太阳辐射强度和光伏发电功率与所述预测时刻的光伏发电功率相关系数高于功率相关阈值的时刻，得到所述发电功率预测相关时刻。

7.根据权利要求5所述的光伏发电功率预测系统，其特征在于，所述相关时刻计算模块包括：

第一提取单元，用于提取所述历史数据中所述预测日之前，所述预测时刻及预测时刻前若干个等间隔时刻点的太阳辐射强度；

第一计算单元，用于根据分别计算所述若干个等间隔时刻点的太阳辐射强度，与所述预测时刻的太阳辐射强度的相关系数，其中，cov(X,Y)＝E[X-E(X)]E[Y-E(Y)]，X为预测时刻的太阳辐射强度，Y为若干个等间隔时刻点中一时刻点的太阳辐射强度，ρ_XY表示X和Y的相关系数，cov(X,Y)表示X和Y的协方差，E(X)和E(Y)分别表示X和Y的期望，D(X)和D(Y)分别表示X和Y的方差；

第一处理单元，用于提取所述若干个等间隔时刻点中，太阳辐射强度与所述预测时刻的太阳辐射强度相关系数高于辐射相关阈值的时刻点，得到所述辐射强度预测相关时刻；

第二提取单元，用于提取所述历史数据中所述预测日之前，所述预测时刻的光伏发电功率及预测时刻前若干个等间隔时刻点的太阳辐射强度和光伏发电功率；

第二计算单元，用于根据分别计算所述若干个等间隔时刻点的太阳辐射强度和光伏发电功率，与所述预测时刻的光伏发电功率的相关系数，其中cov(X',Y')＝E[X'-E(X')]E[Y'-E(Y')]，X'为预测时刻的光伏发电功率，Y'为若干个等间隔时刻点中一时刻点的太阳辐射强度或光伏发电功率，ρ_X'Y'表示X'和Y'的相关系数，cov(X',Y')表示X'和Y'的协方差，E(X')和E(Y')分别表示X'和Y'的期望，D(X')和D(Y')分别表示X'和Y'的方差；

第二处理单元，用于提取所述若干个等间隔时刻点中，太阳辐射强度和光伏发电功率与所述预测时刻的光伏发电功率相关系数高于功率相关阈值的时刻，得到所述发电功率预测相关时刻。

8.根据权利要求5所述的光伏发电功率预测系统，其特征在于，所述辐射强度预测样本建立模块包括：

参考序列建立单元，用于获取预测日所述辐射强度预测相关时刻的太阳辐射强度，得到参考序列；

比较序列建立单元，用于获取预测日之前所述辐射强度预测相关时刻的太阳辐射强度，并对同一日的太阳辐射强度建立序列，得到多个比较序列；

无量纲化处理单元，用于根据对所述参考序列和比较序列进行无量纲化处理，得到无量纲化参考序列和无量纲化比较序列，其中表示序列X_i(k)中的最大值，且i＝0时X₀(k)为参考序列，i不为0时X_i(k)为比较序列，x_i(k)表示序列X_i(k)对应的无量纲化序列；

灰色关联系数计算单元，用于根据 ${\mathrm{\ξ}}_{0i}\left(k\right)=\frac{\underset{i}{min}\underset{k}{min}|x_0\left(k\right)-x_i\left(k\right)|+\mathrm{\ρ}\underset{i}{\max }\underset{k}{\max }|x_0\left(k\right)-x_i\left(k\right)|}{|x_0\left(k\right)-x_i\left(k\right)|+\mathrm{\ρ}\underset{i}{\max }\underset{k}{\max }|x_0\left(k\right)-x_i\left(k\right)|}$ 计算所述无量纲化参考序列和无量纲化比较序列的灰色关联系数，其中x₀(k)为无量纲化参考序列，x_i(k)为无量纲化比较序列，ρ为分辨系数，ξ_0i(k)表示无量纲化参考序列x₀(k)中第k个值，与无量纲化比较序列x_i(k)中第k个值的灰色关联系数；

关联度计算单元，用于根据计算所述比较序列与参考序列的关联度，其中ξ_0i(k)表示无量纲化参考序列x₀(k)中第k个值，与无量纲化比较序列x_i(k)中第k个值的灰色关联系数，r_0i表示参考序列X₀(k)与比较序列X_i(k)的关联度；

关联度排序单元，用于根据比较序列与参考序列关联度的大小，对比较序列进行排序，提取前预设个数的比较序列，得到所述太阳辐射强度预测样本。