CN105117975A - 一种光伏输出功率值的分频预测方法 - Google Patents

Abstract

本发明公开了一种光伏输出功率值的分频预测方法，采用了基于灰色系统校正的小波神经网络，能从历史光伏数据中提取出预测日的出力趋势及特征，提高预测精度；采用了基于小波分解对历史数据进行分解，能对历史光伏数据进行多尺度分析，有效提取历史光伏数据的局部信息；采用了基于神经网络构建预测模型，有助于提取各种外界条件下光伏电站的出力趋势，提高了非晴天条件下光伏输出功率的预测精度；采用了基于灰色系统模型对历史数据进行建模，通过对历史光伏数据的误差分析，找出预测误差分布范围，为灰色系统校正提供了依据；采用了基于历史数据样本进行灰色建模，并对神经网络的预测结果进行进一步的校正，提高了神经网络预测结果的预测精度。

Description

一种光伏输出功率值的分频预测方法

技术领域

本发明涉及一种光伏输出功率值的分频预测方法，属于分布式光伏发电技术领域。

背景技术

近年来，分布式光伏发电技术的应用，不仅有效的提高了电力系统的可靠性，而且防止大面积停电，削弱了自然灾害对电力系统产生的影响，对国家有重要的经济和安全意义。

光伏发电具有波动性，间歇性和周期性，少量的光伏发电并网对整个电网的影响并不大，当光伏并网的渗透率的提高时，将对电网的电能质量产生重要的影响，如频率的波动，有功功率不平衡等。于是，对光伏发电输出功率的准确预测就极为重要，电力部门可以利用预测出的数据进行电力调度，对电能进行合理的规划，减小光伏并网系统的渗透率提高对电网的影响。

现有的光伏输出功率预测分为直接预测和间接预测，直接预测是指利用光伏电站的历史输出功率数据和气象信息进行预测的方法，而间接预测是指先分别预测出影响光伏发电功率的各个影响因子，然后将这些影响因子作为输入，通过光伏电站的功率特性模型，得出预测结果的方法。建模方法应用较多的是神经网络、支持向量机(SVM)等统计方法。

针对光伏输出功率的预测，现有技术中重要存在以下方法：

(1)LiZhiyong等在文献“ShortTermPhotovoltaicPowerGenerationForecastingUsingRBFNeuralNetwork[A],ChineseControlAndDecisionConference[C],Changsha,2014”中提出了一种RBF神经网络，虽然学习过程中收敛速度快，学习方法简单，但是预测精度并不高，不能适用于所有天气类型。

(2)张艳霞等在文献“基于反馈型神经网络的光伏系统发电功率预测[J].电力系统保护与控制,2011,(15):96-109”提出将天气类型指数作为BP神经网络输入变量，该模型无需根据天气类型进行划分子模型，但BP神经网络对非晴天条件下预测精度不高。

(3)李鹏梅在文献“基于相似日和神经网络的光伏发电预测[J].可再生能源,2013,31(10):1-9.”提出了一种基于相似日算法的改进型BP神经网络的预测模型，基于相似日算法的的确能有效提取该天气类型条件下出力的特征，但是对于与预测日时间间隔过长的相似日样本，预测结果与实际值相差很大。

以上现有技术公开的文献在预测光伏输出功率时，对非晴天条件下的光伏输出功率预测精度均不高，均采用单一的神经网络预测模型，基于相似日样本对神经网络进行训练，忽略了相邻日的光伏输出功率也能作为判断预测日光伏输出功率趋势的一个条件，从而使得预测精度不高。

发明内容

为了解决上述技术问题，本发明提供了一种光伏输出功率值的分频预测方法。

为了达到上述目的，本发明所采用的技术方案是：

一种光伏输出功率值的分频预测方法，包括以下步骤，

步骤A，获取相似日数据；

A1)选取光伏发电设备的历史光伏数据，构造历史样本集S＝{s₁,s₂,…,s_i,…,s_n}；

其中，s_i表示历史样本集中的第i个样本；1≤i≤n；并有s_i＝{w_i,x_i,max,x_i,min,p_i,1,p_i,2,…,p_i,l,…,p_i,m}；w_i表示历史样本s_i的天气类型；x_i,max表示历史样本s_i的最高温度；x_i,min表示历史样本s_i的最低温度；p_i,1,p_i,2,…,p_i,l,…,p_i,m表示历史样本s_i各时刻的光伏输出功率值；p_i,l表示历史样本s_i在第l个时刻的光伏输出功率值；1≤l≤m；

A2)假设光伏发电设备的预测日光伏数据为{w_p,x_p,max,x_p,min}；

其中，w_p表示预测日的天气类型；x_p,max表示预测日的最高温度；x_p,min表示预测日的最低温度；

A3)计算历史样本集S与预测日光伏数据的温度欧式距离，构造温度欧式距离集D＝{d₁,d₂,…,d_i,…,d_n}；

其中，

$d_i={\[{(x_{p,\max }-x_{i,\max })}^2+{(x_{p,min}-x_{i,min})}^2\]}^{\frac{1}{2}}$

d_i表示历史样本s_i与预测日光伏数据的温度欧式距离；

A4)对温度欧式距离集D进行降序排序，选择前r组温度欧式距离对应的历史样本，构造与所述预测日光伏数据相对应的神经网络训练样本集S_c；

S_c＝{s_c,1,s_c,2,…,s_c,j,…,s_c,r}，其中s_c,j表示第j个神经网络训练样本， $s_{c,j}=\[w^{\left(j\right)},x_{c,\max }^{\left(j\right)},x_{c,\min }^{\left(j\right)},p_{c,1}^{\left(j\right)},p_{c,2}^{\left(j\right)},...,p_{c,l}^{\left(j\right)},...,p_{c,m}^{\left(j\right)}\],$ 1≤j≤r，w^(j)表示神经网络训练样本s_c,j的天气类型；表示神经网络训练样本s_c,j的最高温度；表示神经网络训练样本s_c,j的最低温度；表示神经网络训练样本s_c,j各时刻的光伏输出功率值；表示神经网络训练样本s_c,j在第l个时刻的光伏输出功率值；

步骤B，生成初始预测值；

B1)对神经网络训练样本集S_c中的每个元素进行λ次小波分解，获得神经网络训练样本集S_c的分解小波系数序列集；

对s_c,j进行λ次小波分解，获得第j个分解小波系数序列其中，表示对s_c,j进行第λ次小波分解所获得的小波系数序列；表示对s_c,j进行第λ次小波分解所获得的平均系数序列；

B2)以第j-1个分解小波系数序列作为神经网络的输入信号，以第j个分解小波系数序列作为神经网络的输出信号，以所述输入信号和所述输出信号作为神经网络的学习样本，通过神经网络对所述学习样本进行训练，从而获得光伏输出功率值分频预测模型；

B3)以第r个分解小波系数序列作为光伏输出功率值分频预测模型的输入信号，通过光伏输出功率值分频预测模型，获得初始预测小波序列

B4)对初始预测小波序列进行小波重组，获得初始光伏输出功率预测序列{p_p,1，p_p,2，...,p_p,l，...，p_p,m}，p_p,l表示预测日在第l个时刻的光伏输出功率预测值；

步骤C，确立灰色系统预测值的判断区间；

C1)根据历史样本集获得预测序列X(0)＝[x⁽⁰⁾(1),x⁽⁰⁾(2),…,x⁽⁰⁾(k),…,x⁽⁰⁾(t)]；

其中， $x^{\left(0\right)}\left(k\right)=\underset{l=1}{\overset{m}{\Σ}}{p}_{i,l},k=1,2,...,t,$ t表示与预测日相邻的前t天；

C2)利用预测序列X(0)构建灰色系统DGM模型；

C3)对n个历史样本，利用灰色系统DGM模型分别进行灰色预测，获得n个预测值W，并根据n个预测值W计算n个历史样本的误差；

C4)根据n个历史样本的误差值选取误差区间E_g＝(δ,ε)；其中δ,ε是由n个历史样本的误差值集中分布范围决定的，δ是误差区间下限，ε是误差区间上限

C5)将t+1的值赋给k，从而利用灰色系统DGM模型获得预测日的预测序列值W_g＝x⁽⁰⁾(t+1)，获得判断区间J_g＝(W_g-W_gε,W_g-W_gδ)∪(W_g+W_gδ,W_g+W_gε)；

步骤D，判断是否成立，若成立，则不进行校正，从而以预测日在第l个时刻的光伏输出功率预测值p_p,l作为最终预测值；否则，利用校正公式进行校正，从而获得预测日在第l个时刻的光伏输出功率预测校正值p_p,lnew，并以预测校正值p_p,lnew作为最终预测值；

校正公式为，

$p_{p,lnew}=\frac{W_g}{\underset{l=1}{\overset{m}{\Σ}}{p}_{p,l}}\×p_{p,l}.$

采用haar小波的mallat算法作为小波分解与小波重组的方法。

本发明所达到的有益效果：1、本发明采用了基于灰色系统校正的小波神经网络，能有效的从历史光伏数据中提取出预测日的出力趋势及特征，提高预测精度，降低预测误差；2、本发明采用了基于小波分解对历史数据进行分解，能对历史光伏数据进行多尺度分析，有效提取历史光伏数据的局部信息；3、发明采用了基于神经网络构建预测模型，有助于提取各种外界条件下光伏电站的出力趋势，具有很强的学习能力，提高了非晴天条件下光伏输出功率的预测精度；4、本发明采用了基于灰色系统模型对历史数据进行建模，通过对历史光伏数据的误差分析，找出预测误差分布范围，为灰色系统校正提供了依据；5、本发明采用了基于历史数据样本进行灰色建模，并对神经网络的预测结果进行进一步的校正，有助于归纳预测日短期内的光伏输出功率趋势，提高了神经网络预测结果的预测精度。

附图说明

图1为本发明的流程图。

图2为发明小波神经网络的组合预测模型的示意图。

图3为本发明神经网络的训练流程。

图4为2013年内光伏电站统计数据。

图5为小波重组后得到的初始光伏预测序列。

图6为2013年5月1日相邻前5天的6:00到19:00的历史光伏输出功率值。

图7为本发明灰色系统预测误差分布图。

图8为5月1日6:00到19:00校正前后的预测值。

图9为本发明预测结果实例验证对比图。

图10为校正前后的预测值与实际值的相关系数CORR、标准误差RMSE和MAE。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

如图1所示，一种光伏输出功率值的分频预测方法，包括以下步骤，

步骤A，获取相似日数据。

具体过程如下：

A1)选取光伏发电设备的历史光伏数据，构造历史样本集S＝{s₁,s₂,…,s_i,…,s_n}；

其中，s_i表示历史样本集中的第i个样本；1≤i≤n；并有s_i＝{w_i,x_i,max,x_i,min,p_i,1,p_i,2,…,p_i,l,…,p_i,m}；w_i表示历史样本s_i的天气类型；x_i,max表示历史样本s_i的最高温度；x_i,min表示历史样本s_i的最低温度；p_i,1,p_i,2,…,p_i,l,…,p_i,m表示历史样本s_i各时刻的光伏输出功率值；p_i,l表示历史样本s_i在第l个时刻的光伏输出功率值；1≤l≤m；

A2)假设光伏发电设备的预测日光伏数据为{w_p,x_p,max,x_p,min}；

其中，w_p表示预测日的天气类型；x_p,max表示预测日的最高温度；x_p,min表示预测日的最低温度；

A3)计算历史样本集S与预测日光伏数据的温度欧式距离，构造温度欧式距离集D＝{d₁,d₂,…,d_i,…,d_n}；

其中，

$d_i={\[{(x_{p,\max }-x_{i,\max })}^2+{(x_{p,min}-x_{i,min})}^2\]}^{\frac{1}{2}}$

d_i表示历史样本s_i与预测日光伏数据的温度欧式距离；

A4)对温度欧式距离集D进行降序排序，选择前r组温度欧式距离对应的历史样本，构造与所述预测日光伏数据相对应的神经网络训练样本集S_c；

S_c＝{s_c,1,s_c,2,…,s_c,j,…,s_c,r}，其中s_c,j表示第j个神经网络训练样本， $s_{c,j}=\[w^{\left(j\right)},x_{c,\max }^{\left(j\right)},x_{c,\min }^{\left(j\right)},p_{c,1}^{\left(j\right)},p_{c,2}^{\left(j\right)},...,p_{c,l}^{\left(j\right)},...,p_{c,m}^{\left(j\right)}\],$ 1≤j≤r，w^(j)表示神经网络训练样本s_c,j的天气类型；表示神经网络训练样本s_c,j的最高温度；表示神经网络训练样本s_c,j的最低温度；表示神经网络训练样本s_c,j各时刻的光伏输出功率值；表示神经网络训练样本s_c,j在第l个时刻的光伏输出功率值。

步骤B，生成初始预测值。

具体过程如图2所示：

B1)对神经网络训练样本集S_c中的每个元素进行λ次小波分解，获得神经网络训练样本集S_c的分解小波系数序列集；

对s_c,j进行λ次小波分解，获得第j个分解小波系数序列其中，表示对s_c,j进行第λ次小波分解所获得的小波系数序列；表示对s_c,j进行第λ次小波分解所获得的平均系数序列

B2)以第j-1个分解小波系数序列作为神经网络的输入信号，以第j个分解小波系数序列作为神经网络的输出信号，以所述输入信号和所述输出信号作为神经网络的学习样本，通过神经网络对所述学习样本进行训练(具体训练过程如图3所示，由于为现有技术，就不详细叙述了)，从而获得光伏输出功率值分频预测模型；

B3)以第r个分解小波系数序列作为光伏输出功率值分频预测模型的输入信号，通过光伏输出功率值分频预测模型，获得初始预测小波序列

B4)对初始预测小波序列进行小波重组，获得初始光伏输出功率预测序列{p_p,1，p_p,2，...,p_p,l，...，p_p,m}，p_p,l表示预测日在第l个时刻的光伏输出功率预测值。

步骤C，确立灰色系统预测值的判断区间。

具体过程如下：

C1)根据历史样本集获得预测序列

X⁽⁰⁾＝[x⁽⁰⁾(1),x⁽⁰⁾(2),…,x⁽⁰⁾(k),…,x⁽⁰)(t)]；

其中， $x^{\left(0\right)}\left(k\right)=\underset{l=1}{\overset{m}{\Σ}}{p}_{i,l},k=1,2,...,t,$ t表示与预测日相邻的前t天；

C2)利用预测序列X⁽⁰⁾构建灰色系统DGM模型；

灰色系统DGM模型的构建方法如下：

对X⁽⁰⁾进行一次累加生成，得生成序列X⁽¹⁾；

X⁽¹⁾＝[x⁽¹⁾(1),x⁽¹⁾(2),…,x⁽¹⁾(k),…，x⁽¹⁾(t)]

其中，i′为整数，i′∈[1,k]；

DGM(1，1)模型为，

x⁽¹⁾(k+1)＝ax⁽¹⁾(k)+b

其中，a和b为模型参数；

DGM(1，1)模型的白化方程为：

$\frac{d^2{x}^{\left(1\right)}}{{\mathrm{dt}}^2}+a\frac{{\mathrm{dx}}^{\left(1\right)}}{dt}=b$

其中，x⁽¹⁾表示由序列X⁽¹⁾拟合的函数；

定义B与Y是求解参数a和b的中间参数，没有实际意义；

$B=\left[\begin{array}{cc}-x^{\left(1\right)}\left(1\right)& 1\\ -x^{\left(1\right)}\left(2\right)& 1\\ \·& \·\\ \·& \·\\ \·& \·\\ -x^{\left(1\right)}(t-1)& 1\end{array}\right],Y=\left[\begin{array}{c}{x}^{\left(1\right)}\left(2\right)\\ x^{\left(1\right)}\left(3\right)\\ \·\\ \·\\ \·\\ x^{\left(1\right)}\left(t\right)\end{array}\right]$

则DGM(1，1)参数列 $\stackrel{\→}{a}={\left[\begin{array}{cc}a& b\end{array}\right]}^T$ 的最小二乘估计为，

$\stackrel{\→}{a}={\left(B^{T}B\right)}^{-1}{B}^{T}Y$

最终可得到预测序列X⁽⁰⁾构建灰色系统DGM模型为，

$x^{\left(0\right)}\left(k\right)=(a-1)\[x^{\left(0\right)}\left(1\right)-\frac{b}{1-a}\]a^{k-1};$

C3)对n个历史样本，利用灰色系统DGM模型分别进行灰色预测，获得n个预测值W，并根据n个预测值W计算n个历史样本的误差值；

C4)根据n个历史样本的误差值选取误差区间E_g＝(δ,ε)；其中δ,ε是由n个历史样本的误差值集中分布范围决定的，δ是误差区间下限，ε是误差区间上限。

C5)将t+1的值赋给k，从而利用灰色系统DGM模型获得预测日的预测序列值W_g＝x⁽⁰⁾(t+1)，获得判断区间J_g＝(W_g-W_gε,W_g-W_gδ)∪(W_g+W_gδ,W_g+W_gε)；

步骤D，判断是否成立，若成立，则不进行校正，从而以预测日在第l个时刻的光伏输出功率预测值p_p,l作为最终预测值；否则，利用校正公式进行校正，从而获得预测日在第l个时刻的光伏输出功率预测校正值p_p,lnew，并以预测校正值p_p,lnew作为最终预测值；

校正公式为，

$p_{p,lnew}=\frac{W_g}{\underset{l=1}{\overset{m}{\Σ}}{p}_{p,l}}\×p_{p,l}.$

上述方法采用了基于灰色系统校正的小波神经网络，能有效的从历史光伏数据中提取出预测日的出力趋势及特征，提高预测精度，降低预测误差；采用了基于小波分解对历史数据进行分解，能对历史光伏数据进行多尺度分析，有效提取历史光伏数据的局部信息；采用了基于神经网络构建预测模型，有助于提取各种外界条件下光伏电站的出力趋势，具有很强的学习能力，提高了非晴天条件下光伏输出功率的预测精度；采用了基于灰色系统模型对历史数据进行建模，通过对历史光伏数据的误差分析，找出预测误差分布范围，为灰色系统校正提供了依据；采用了基于历史数据样本进行灰色建模，并对神经网络的预测结果进行进一步的校正，有助于归纳预测日短期内的光伏输出功率趋势，提高了神经网络预测结果的预测精度。

为了进一步说明本方法，做以下实例。

采用似日算法，即在同季度的范围内，选取与预测日的天气类型w_p的相同的历史光伏数据作为选择神经网络训练样本的依据，基于相似日算法选择的历史样本能有效反映该天气类型下，光伏输出功率的出力趋势及特征，更能有效地完成对神经网络权重值的训练，并且根据大量的历史数据及参考文献可知，全年范围内，光伏电站在6:00到19:00时间段内有输出功率，在其余时间段内均没有输出功率，因此主要对光伏电站6:00到19:00的时间段进行输出功率预测，并且时间间隔选择为1小时。

选择2013年5月1日作为预测日，并且该日的光伏数据为{多云，27，15}，则基于相似日算法，按照温度欧式距离进行降序排序的前10组作为神经网络训练样本。如图4所示的表中数据均为2013年内该光伏电站统计数据(单位：kw)。

采用haar小波的mallat算法作为小波分解与小波重组的方法，采用BP神经网络模型，其中神经网络训练样本经过3次小波分解，得到的小波系数序列为{d₁,d₂,d₃,a₃}，完成对各神经网络的训练之后，以第10个分解小波系数序列作为所述光伏输出功率值分频预测模型的输入信号，通过所述光伏输出功率值分频预测模型，获得初始预测小波序列经过小波重组后得到的初始光伏预测序列如图5中表所示，其中{p_p,1,p_p,2,...,p_p,l,...,p_p,14}分别对应该光伏电站6:00到19:00的初始光伏预测功率值(单位：kw)。

选择2013年4月26日到4月30日的历史光伏输出功率值作为预测序列。

如图6所示的表中，列出了2013年5月1日相邻前5天的6:00到19:00的历史光伏输出功率值(单位：kw)。

根据C中的步骤利用X⁽⁰⁾＝[x⁽⁰⁾(1),x⁽⁰⁾(2),…,x⁽⁰⁾(k),…,x⁽⁰⁾(5)]构建灰色系统模型，得到5月1日对应的预测值x⁽⁰⁾(6)＝2678.57。

对2012年5月1日至2013年4月30日光伏数据进行灰色系统预测，其误差分布图如图7所示。

由图7可知的灰色预测误差分布图可知，灰色系统预测误差主要集中分布在0％～20％，占全年数据的75％以上，因此光伏输出功率的误差区间值选取为E_g＝(0,20％)，判断区间J_g＝(2142.85,3214.28)。

根据计算得，

$\underset{l=1}{\overset{m}{\Σ}}{p}_{p,l}=1858.43\∉J_g$

图8所示的表中列出了5月1日6:00到19:00校正前后的预测值，以及实际的光伏输出功率值(单位：kw)，图9给出了校正前后预测结果实例对比图。

灰色校正后的小波神经网络预测值，分别与实际值的相关系数CORR，标准误差RMSE和MAE。其中CORR反映了预测值与实际值的相关程度，RMSE则反映了整个预测结果的离散程度，而MAE能够全局评价模型预测能力。

图10所示的表中列出了，校正前后的预测值与实际值的相关系数CORR，标准误差RMSE和MAE。对比后发现，相关系数均很高，说明采用基于相似日算法的小波神经网络能有效的提取预测日的输出功率特征及出力趋势，并且校正后，标准误差值RMSE由原来的97.7下降为32，66，明显减小，平均绝对误差MAE有所降低，说明经过灰色系统校正的预测结果值的误差在整体上大大降低，预测精度得到了明显的提高。

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，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (2)

1.一种光伏输出功率值的分频预测方法，其特征在于：包括以下步骤，

步骤A，获取相似日数据；

A1)选取光伏发电设备的历史光伏数据，构造历史样本集S＝{s₁,s₂,…,s_i,…,s_n}；

其中，s_i表示历史样本集中的第i个样本；1≤i≤n；并有s_i＝{w_i,x_i,max,x_i,min,p_i,1,p_i,2,…,p_i,l,…,p_i,m}；w_i表示历史样本s_i的天气类型；x_i,max表示历史样本s_i的最高温度；x_i,min表示历史样本s_i的最低温度；p_i,1,p_i,2,…,p_i,l,…,p_i,m表示历史样本s_i各时刻的光伏输出功率值；p_i,l表示历史样本s_i在第l个时刻的光伏输出功率值；1≤l≤m；

A2)假设光伏发电设备的预测日光伏数据为{w_p,x_p,max,x_p,min}；

其中，w_p表示预测日的天气类型；x_p,max表示预测日的最高温度；x_p,min表示预测日的最低温度；

A3)计算历史样本集S与预测日光伏数据的温度欧式距离，构造温度欧式距离集D＝{d₁,d₂,…,d_i,…,d_n}；

其中，

$d_i={\[{(x_{p,\max }-x_{i,\max })}^2+{(x_{p,min}-x_{i,min})}^2\]}^{\frac{1}{2}}$

d_i表示历史样本s_i与预测日光伏数据的温度欧式距离；

A4)对温度欧式距离集D进行降序排序，选择前r组温度欧式距离对应的历史样本，构造与所述预测日光伏数据相对应的神经网络训练样本集S_c；

S_c＝{s_c,1,s_c,2,…,s_c,j,…,s_c,r}，其中s_c,j表示第j个神经网络训练样本， $s_{c,j}=\[w^{\left(j\right)},x_{c,\max }^{\left(j\right)},x_{c,\min }^{\left(j\right)},p_{c,1}^{\left(j\right)},p_{c,2}^{\left(j\right)},...,p_{c,l}^{\left(j\right)},...,p_{c,m}^{\left(j\right)}\],$ 1≤j≤r，w^(j)表示神经网络训练样本s_c,j的天气类型；表示神经网络训练样本s_c,j的最高温度；表示神经网络训练样本s_c,j的最低温度；表示神经网络训练样本s_c,j各时刻的光伏输出功率值；表示神经网络训练样本s_c,j在第l个时刻的光伏输出功率值；

步骤B，生成初始预测值；

B1)对神经网络训练样本集S_c中的每个元素进行λ次小波分解，获得神经网络训练样本集S_c的分解小波系数序列集；

对s_c,j进行λ次小波分解，获得第j个分解小波系数序列其中，表示对s_c,j进行第λ次小波分解所获得的小波系数序列；表示对s_c,j进行第λ次小波分解所获得的平均系数序列；

B2)以第j-1个分解小波系数序列作为神经网络的输入信号，以第j个分解小波系数序列作为神经网络的输出信号，以所述输入信号和所述输出信号作为神经网络的学习样本，通过神经网络对所述学习样本进行训练，从而获得光伏输出功率值分频预测模型；

B3)以第r个分解小波系数序列作为光伏输出功率值分频预测模型的输入信号，通过光伏输出功率值分频预测模型，获得初始预测小波序列

B4)对初始预测小波序列进行小波重组，获得初始光伏输出功率预测序列{p_p,1，p_p,2，...,p_p,l，...，p_p,m}，p_p,l表示预测日在第l个时刻的光伏输出功率预测值；

步骤C，确立灰色系统预测值的判断区间；

C1)根据历史样本集获得预测序列X(0)＝[x⁽⁰⁾(1),x⁽⁰⁾(2),…,x⁽⁰⁾(k),…,x⁽⁰⁾(t)]；

其中， $x^{\left(0\right)}\left(k\right)=\underset{l=1}{\overset{m}{\Σ}}{p}_{i,l},k=1,2,...,t,$ t表示与预测日相邻的前t天；

C2)利用预测序列X(0)构建灰色系统DGM模型；

C3)对n个历史样本，利用灰色系统DGM模型分别进行灰色预测，获得n个预测值W，并根据n个预测值W计算n个历史样本的误差值；

C4)根据n个历史样本的误差值选取误差区间E_g＝(δ,ε)；其中δ,ε是由n个历史样本的误差值集中分布范围决定的，δ是误差区间下限，ε是误差区间上限。

C5)将t+1的值赋给k，从而利用灰色系统DGM模型获得预测日的预测序列值W_g＝x⁽⁰⁾(t+1)，获得判断区间J_g＝(W_g-W_gε,W_g-W_gδ)∪(W_g+W_gδ,W_g+W_gε)；

步骤D，判断是否成立，若成立，则不进行校正，从而以预测日在第l个时刻的光伏输出功率预测值p_p,l作为最终预测值；否则，利用校正公式进行校正，从而获得预测日在第l个时刻的光伏输出功率预测校正值p_p,lnew，并以预测校正值p_p,lnew作为最终预测值；

校正公式为，

$p_{p,lnew}=\frac{W_g}{\underset{l=1}{\overset{m}{\Σ}}{p}_{p,l}}\×p_{p,l}.$

2.根据权利要求1所述的一种光伏输出功率值的分频预测方法，其特征在于：采用haar小波的mallat算法作为小波分解与小波重组的方法。