CN105160423A - 一种基于马尔科夫残差修正的光伏发电预测方法 - Google Patents

Abstract

本发明公开一种基于马尔科夫残差修正的光伏发电预测方法，首先选取相似天气条件下的数据作为原始样本，运用灰色模型进行预测；再将预测的数据和实测的数据归一化，作为神经网络的输入，并加入辐照度和平均温度值，通过选取合适的输入层、隐含层、输出层节点建立神经模型，对输入样本进行网络训练，得到预测日的各时刻的预测值；然后计算预测值与实测值之间的相对误差，再通过马尔科夫模型对误差进行修正，进而得到最终的预测值。本发明的实施过程简明，灰色神经网络预测模型是用相对确定的值来预测未知值，能更好的跟踪输出功率的实际变化趋势，而马尔科夫模型又可以弥补了灰色神经网络预测波动性大的缺点，使得预测模型更加的准确和可靠。

Description

一种基于马尔科夫残差修正的光伏发电预测方法

技术领域

本发明涉及光伏发电领域，特别是涉及一种基于马尔科夫残差修正的光伏发电预测方法。

背景技术

近些年，光伏发电由于清洁能源特性得到了快速的发展。光伏发电系统输出的变化是一个非线性的随机过程，同时由于各用户使用的光伏电池种类、容量及安装位置的随机性很大，光伏发电系统相对于整体电网是一个不可控源，发电的随机性会对大电网造成巨大的冲击，给电网可靠、稳定运行带来诸多问题。因此对光伏发电系统输出功率的准确预测，有利于电力系统调度部门适时调整调度计划，有效地减轻光伏发电系统接入对电网的不利影响。但目前对光伏系统发电量预测技术的研究不多，这也正是光伏系统不能大规模应用的原因之一。

灰色理论以“部分信息已知，部分信息未知”的“小样本”“贫信息”不确定性系统为研究对象，通过对“部分”已知信息的生成、开发实现对现实世界的确切描述和认识。灰色预测模型可在“贫信息”情况下对非线性、不确定性系统的数据序列进行预测，但其预测误差偏高，而人工神经网络由于具有强大的学习功能，可以逼近任意复杂的非线性函数，它不用事先假设数据间存在某种函数关系，信息利用率较高。马尔科夫链预测是根据某些变量的现在状态及其变化趋向，预测其在未来某一特定期间内可能出现的状态，适合描述随机波动性较大问题。由于状态概率转移矩阵具有追踪变量随机波动的能力与“无后效性”。如果能够结合灰色神经网络和马尔科夫模型对光伏发电进行预测，取长补短，将得到更加可靠的预测模型，对于电网的安全运行具有重要意义。

发明内容

针对现有技术上存在的不足，本发明的目的采用相似条件下的历史数据对光伏系统发电量进行预测，降低大规模阵列并网后对电网的冲击，公开一种基于马尔科夫残差修正的光伏发电预测方法。

为了实现上述目的，本发明是通过如下的技术方案来实现：

一种基于马尔科夫残差修正的光伏发电预测方法，

a.首先选取相似天气条件下的每天整点时刻的数据作为原始样本，求解1-AGO序列,建立关于1-AGO序列一阶微分方程，采用最小二乘参数法，建立灰色预测模型,还原并求出预测值；

b.将灰色模型预测的数据、实测的数据、每天的辐照度和平均温度归一化后，将灰色模型预测的数据、每天的辐照度和平均温度作为神经网络的输入样本，而实测数据则作为神经网络的目标值，通过选取输入层、隐含层、输出层节点建立神经模型，对输入后样本进行神经网络训练，再由灰色模型得到的预测日的数据输入到已训练好的神经网络中，得到预测日各时刻最终的预测值；

c.利用相对误差公式，计算预测值与实测值之间的相对误差，根据所得的相对误差，采用黄金分割法对状态空间进行划分，进一步求得马尔科夫状态转移矩阵，选取最后一个相对误差状态为初始状态预测得到下一个状态的状态向量，完成对误差进行修正，进而得到经修正后的预测值。

上述步骤(a)中相似天气条件中的天气类型为：晴天、晴转多云、低辐照天气。

上述步骤(a)中灰色模型的预测值的计算方法如下：

选取相似天气条件下的每天整点非负数据作为原始样本x⁽⁰⁾：

x⁽⁰⁾＝{x⁽⁰⁾(1),x⁽⁰⁾(2),…,x⁽⁰⁾(k)}，x⁽⁰⁾(i)>0,i＝1,2…k

$x^{\left(1\right)}\left(k\right)=\underset{n}{\overset{k}{\Σ}}{x}^{\left(0\right)}\left(m\right)---\left(1\right)$

利用公式(1)对序列x⁽⁰⁾进行累加，生成序列x⁽¹⁾:x⁽¹⁾＝{x⁽¹⁾(1),x⁽¹⁾(2),…,x⁽¹⁾(k)}；

据此建立关于x⁽¹⁾(k)的一阶线性微分程：

$\frac{{\mathrm{dx}}^{\left(1\right)}}{dt}+{\mathrm{ax}}^{\left(1\right)}=u---\left(2\right)$

其中a为一阶线性微分方程中x⁽¹⁾的系数，u为常数项。利用如下最小二乘法公式(3)求解参数a,u：

$A=\left[\begin{array}{c}a\\ u\end{array}\right]={\left(B^{T}B\right)}^{-1}\left(B^T{Y}_N\right)---\left(3\right)$

其中，A为a,u组成的2X1的列矩阵，B为与元素

相关的(n-1)X2的矩阵，即

$B=\left[\begin{array}{cc}-\frac{1}{2}\left(x^{\left(1\right)}\right(1)+x^{\left(1\right)}(2\left)\right)& 1\\ -\frac{1}{2}\left(x^{\left(1\right)}\right(2)+x^{\left(1\right)}(3\left)\right)& 1\\ .& .\\ .& .\\ .& .\\ -\frac{1}{2}\left(x^{\left(1\right)}\right(n-1)+x^{\left(1\right)}\left(n\right)& 1\end{array}\right],$

Y为由序列{x⁽⁰⁾(2),…,x⁽⁰⁾(k)}组成的(n-1)X1的列矩阵，即

$Y=\left[\begin{array}{c}{x}^{\left(0\right)}\left(2\right)\\ x^{\left(0\right)}\left(3\right)\\ .\\ .\\ .\\ x^{\left(0\right)}\left(n\right)\end{array}\right].$

此时可得x(1)的灰色模型为：

${\hat{x}}^{\left(1\right)}(k+1)=\[x^{\left(0\right)}\left(1\right)-\frac{u}{a}\]e^{-ak}+\frac{u}{a},k=1,2,3,...,n-1---\left(4\right)$

则灰色模型的预测值可用下式得出：

${\hat{x}}^{\left(0\right)}(k+1)={\hat{x}}^{\left(1\right)}(k+1)-{\hat{x}}^{\left(1\right)}\left(k\right),k=0,1,2,...,n-1---\left(5\right).$

上述步骤(b)中将灰色模型预测的数据、实测的数据、每天的辐照度和平均温度归一化，公式如下:

$x_i=\frac{x_{ai}-x_{a\min }}{x_{a\max }-x_{\min }},y_i=\frac{y_{bi}-y_{b\min }}{y_{b\max }-y_{b\min }}---\left(6\right)$

其中，x_i为归一化后神经网络的输入,x_ai为灰色模型的输出,x_amin为灰色模型的输出中最小值,x_amax为灰色模型的输出中最大值。Y_i为归一化后神经网络的目标价值,y_bi原始样本中的最小值，y_bmax为原始样本中的最大值；

所述预测值最终结果通过如下公式(7)还原得到：

y'_i＝y_bmin+α(y_bmax-y_bmin)(7)

α为经过神经网络预测的预测值，为0-1之间的值。

上述步骤(c)的具体步骤如下：

预测值与实测值的相对误差，由如下公式(8)求得：

$RPE=\frac{x^{\′}\left(k\right)-x^{\left(0\right)}\left(k\right)}{x^{\left(0\right)}\left(k\right)}\×100\%,k=1,2...---\left(8\right)$

黄金分割算法为：

${\mathrm{\&lambda;}}_i={\mathrm{\&Omega;}}^q\stackrel{\&OverBar;}{G}\left|q\right|<n,i=1,2,...,n---\left(9\right)$

其中，λ_i为黄金分割点，Ω为黄金分割率，取0.618，G为相对误差的平均值，n和q根据相对误差的大小选取；

设定由相对误差组成样本{Xm}，马尔科夫状态空间为S,当前状态为i,下一状态为j,则从状态i转移到j的概率为：

p_ij＝prob{X_m+1＝j|X_m＝i},(i,j∈s,m＝0,1,2…)(10)

由p_ij组成状态转移矩阵P，其中p_ij必须满足如下条件：

$\begin{array}{c}{p}_{ij}\&GreaterEqual;0,\&ForAll;i,j\&Element;s\\ \underset{j\&Element;s}{\&Sigma;}{p}_{ij}=1,\&ForAll;i\&Element;s\end{array}---\left(11\right)$

当误差状态发生变化时，一步转移矩阵为：

经过k转移后的转移矩阵为：

其中，其中N^(k) _ij是转移的原始数据样本k-step状态i转移到状态j的次数，N_i处在原始状态i的个数；

最后以末尾的状态为预测的初始状态向量，乘以状态转移矩阵，得到下一时刻的状态向量，计算预测值所在的区间，得到预测日的最终结果。

本发明与现有技术相比有益的效果是：

本发明的实施过程简明，灰色神经网络预测模型是用相对确定的值来预测未知值，能更好的跟踪输出功率的实际变化趋势，而马尔科夫模型又可以弥补了灰色神经网络预测波动性大的缺点，使得预测模型更加的准确和可靠。

附图说明

下面结合附图和具体实施方式来详细说明本发明；

图1基于马尔科夫残差修正的光伏发电预测框图；

图2是神经网络结构图；

图3晴天条件下输出功率；

图4晴转多云条件下输出功率；

图5低辐照条件下的输出功率；

图6晴天条件下原始误差与修正后误差比较；

图7晴天条件下的实测曲线、预测曲线、修正后的曲线；

图8晴转多云条件的实测曲线、预测曲线、修正后的曲线；

图9低辐照条件下的实测曲线、预测曲线、修正后的曲线；

图10是3种典型天气条件的预测误差对比图。

具体实施方式

为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。

如图1所示，一种基于马尔科夫残差修正的光伏发电预测方法，

a.首先选取相似天气条件下的每天整点时刻的数据作为原始样本，求解1-AGO序列,建立关于1-AGO序列一阶微分方程，采用最小二乘参数法，建立灰色预测模型,还原并求出预测值；

b.将灰色模型预测的数据、实测的数据、每天的辐照度和平均温度归一化后，将灰色模型预测的数据、每天的辐照度和平均温度作为神经网络的输入样本，而实测数据则作为神经网络的目标值，通过选取输入层、隐含层、输出层节点建立神经模型，对输入后样本进行神经网络训练，再由灰色模型得到的预测日的数据输入到已训练好的神经网络中，得到预测日各时刻最终的预测值；

c.利用相对误差公式，计算预测值与实测值之间的相对误差，根据所得的相对误差，采用黄金分割法对状态空间进行划分，进一步求得马尔科夫状态转移矩阵，选取最后一个相对误差状态为初始状态预测得到下一个状态的状态向量，完成对误差进行修正，进而得到经修正后的预测值。

上述步骤(a)中相似天气条件中的天气类型为：晴天、晴转多云、低辐照天气。在此3种天气条件下，输出功率的特性如图3-5所示，云层厚度和空气中的湿度对输出功率的影响极大。本发明选取了相似条件下的输出功率作为原始数据样本，还加入了每天的辐照度和平均温度。因为对于短期内同一系统，每天每一时刻系统的转换效率、太阳高度角、光照强度等影响因素都比较接近，可以尽量减弱输入的不确定性，增强数据的规律性。

上述步骤(a)中灰色模型的预测值的计算方法如下：

选取相似天气条件下的每天整点非负数据作为原始样本x⁽⁰⁾：

x⁽⁰⁾＝{x⁽⁰⁾(1),x⁽⁰⁾(2),…,x⁽⁰⁾(k)}，x⁽⁰⁾(i)>0,i＝1,2…k

$x^{\left(1\right)}\left(k\right)=\underset{n}{\overset{k}{\&Sigma;}}{x}^{\left(0\right)}\left(m\right)---\left(1\right)$

利用公式(1)对序列x⁽⁰⁾进行累加，生成序列x⁽¹⁾:x⁽¹⁾＝{x⁽¹⁾(1),x⁽¹⁾(2),…,x⁽¹⁾(k)}；

据此建立关于x⁽¹⁾(k)的一阶线性微分程：

$\frac{{\mathrm{dx}}^{\left(1\right)}}{dt}+{\mathrm{ax}}^{\left(1\right)}=u---\left(2\right)$

其中a为一阶线性微分方程中x⁽¹⁾的系数，u为常数项。利用如下最小二乘法公式(3)求解参数a,u：

$A=\left[\begin{array}{c}a\\ u\end{array}\right]={\left(B^{T}B\right)}^{-1}\left(B^T{Y}_N\right)---\left(3\right)$

其中，A为a,u组成的2X1的列矩阵，B为与元素

相关的(n-1)X2的矩阵，即

$B=\left[\begin{array}{cc}-\frac{1}{2}\left(x^{\left(1\right)}\right(1)+x^{\left(1\right)}(2\left)\right)& 1\\ -\frac{1}{2}\left(x^{\left(1\right)}\right(2)+x^{\left(1\right)}(3\left)\right)& 1\\ .& .\\ .& .\\ .& .\\ -\frac{1}{2}\left(x^{\left(1\right)}\right(n-1)+x^{\left(1\right)}\left(n\right)& 1\end{array}\right],$

Y为由序列{x⁽⁰⁾(2),…,x⁽⁰⁾(k)}组成的(n-1)X1的列矩阵，即

$Y=\left[\begin{array}{c}{x}^{\left(0\right)}\left(2\right)\\ x^{\left(0\right)}\left(3\right)\\ .\\ .\\ .\\ x^{\left(0\right)}\left(n\right)\end{array}\right].$

此时可得x(1)的灰色模型为：

${\hat{x}}^{\left(1\right)}(k+1)=\&lsqb;x^{\left(0\right)}\left(1\right)-\frac{u}{a}\&rsqb;e^{-ak}+\frac{u}{a},k=1,2,3,...,n-1---\left(4\right)$

则灰色模型的预测值可用下式得出：

${\hat{x}}^{\left(0\right)}(k+1)={\hat{x}}^{\left(1\right)}(k+1)-{\hat{x}}^{\left(1\right)}\left(k\right),k=0,1,2,...,n-1---\left(5\right).$

上述步骤(b)中将灰色模型预测的数据、实测的数据、每天的辐照度和平均温度归一化，公式如下:

$x_i=\frac{x_{ai}-x_{a\min }}{x_{a\max }-x_{a\min }},y_i=\frac{y_{bi}-y_{\min }}{y_{b\max }-y_{b\min }}---\left(6\right)$

其中，x_i为归一化后神经网络的输入,x_ai为灰色模型的输出,x_amin为灰色模型的输出中最小值,x_amax为灰色模型的输出中最大值。Y_i为归一化后神经网络的目标价值,y_bi原始样本中的最小值，y_bmax为原始样本中的最大值；

将归一化后的灰色模型的预测值、每天的辐照度和平均温度作为神经网络的输入，实测数据作为神经网络的目标值，合理的选择神经网络的输入层、隐含层、输出层的节点个数，创建如图2所示的神经网络结构，对输入样本进行网络训练。经过神经网络预测的预测值α为0-1之间的值，再利用公式(7)还原得到预测日各时刻最终的预测值最终结果。

y'_i＝y_bmin+α(y_bmax-y_bmin)(7)

上述步骤(c)的具体步骤如下：

预测值与实测值的相对误差，由如下公式(8)求得：

$RPE=\frac{x^{\&prime;}\left(k\right)-x^{\left(0\right)}\left(k\right)}{x^{\left(0\right)}\left(k\right)}\&times;100\%,k=1,2...---\left(8\right)$

黄金分割算法为：

${\mathrm{\&lambda;}}_i={\mathrm{\&Omega;}}^q\stackrel{\&OverBar;}{G}\left|q\right|<n,i=1,2,...,n---\left(9\right)$

其中，λ_i为黄金分割点，Ω为黄金分割率，取0.618，为相对误差的平均值，n和q根据相对误差的大小选取；

设定由相对误差组成样本{Xm}，马尔科夫状态空间为S,当前状态为i,下一状态为j,则从状态i转移到j的概率为：

p_ij＝prob{X_m+1＝j|X_m＝i},(i,j∈s,m＝0,1,2…)(10)

由p_ij组成状态转移矩阵P，其中p_ij必须满足如下条件：

$\begin{array}{c}{p}_{ij}\&GreaterEqual;0,\&ForAll;i,j\&Element;s\\ \underset{j\&Element;s}{\&Sigma;}{p}_{ij}=1,\&ForAll;i\&Element;s\end{array}---\left(11\right)$

当误差状态发生变化时，一步转移矩阵为：

经过k转移后的转移矩阵为：

其中，其中N^(k) _ij是转移的原始数据样本k-step状态i转移到状态j的次数，N_i处在原始状态i的个数；

最后以末尾的状态为预测的初始状态向量，乘以状态转移矩阵，得到下一时刻的状态向量，计算预测值所在的区间，得到预测日的最终结果。

实施例：

本实施例所用的数据由河海大学监控系统采集。选取了2015年4月21至25日数据作为晴天预测的原始样本数据，提取出每天整点同一时刻的数据，共12组，如表1所示。

表12015年4月21日至25日的整点时刻数据

求解1-AGO序列,建立关于1-AGO序列一阶微分方程，然后用最小二乘参数估计，确定灰色预测模型,还原并求出预测值。本实施例以2015年4月26日10：00的数据为例，详细说明算例的具体实施方式。原始数据为x⁽⁰⁾＝{197.89,201.85,196.77,190.38,189.72},一次累加生成序列x⁽¹⁾＝{197.89,399.74,596.51,786.89,976.61},B为{298.815,498.125,691.7,881.75},Y_N为{201.85,196.77,190.38,189.72}，可得到一阶微分方程，由公式(3)求解最小二乘方程： $\left[\begin{array}{c}a\\ u\end{array}\right]={\left(B^{T}B\right)}^{-1}\left(B^T{Y}_N\right)=\left[\begin{array}{c}-0.0098\\ 217.1990\end{array}\right],$ 得到发电量的灰色预测模型：

由此得到预测日的结果。其他时刻的预测值方法相似，不再赘述，结果如表2所示。

表2灰色模型预测结果

2.利用公式(6)将灰色模型预测的数据、实测的数据、每天的辐照度和平均温度和实测的数据归一化，以灰色模型预测的数据、每天的辐照度和平均温度作为神经网络的输入样本，并把实测数据作为神经网络的目标值，选取的输入层节点数为14，隐含层的节点数为31，输出层节点数为12，建立神经模型，进行网络训练，将预测日的数据输入已训练的网络中，进行预测，再利用公式(7)还原得到预测日各时刻最终的预测值。

3.然后利用相对误差公式(8)，计算预测值与实测值之间的相对误差，根据所得的相对误差，采用黄金分割公式(9)，对状态空间进行划分。本发明以2015年4月26日10：00的数据为例，详细说明马尔科夫残差修正的过程。经过黄金分割后的状态空间为E1[-1.74％,-0.83％)、E2[-0.83％,0.64％)、E3[0.64％,1.95％]，10点数据的状态划分结果如表3所示，

表3状态划分结果

则得到状态转移矩阵为：

$p=\left[\begin{array}{ccc}0& \frac{1}{2}& \frac{1}{2}\\ 1& 0& 0\\ 1& 0& 0\end{array}\right]$

以第五组数据为初始状态(010)，则2015年4月26日预测日的状态向量为(100)，预测日该时刻的功率处于E1空间的概率远大于E2、E3空间，则输出功率的区间为(176.15,177.74)，该区间的中间值为最后修正后的预测值。12组预测数据的修正结果如表4所示。

表4经马尔科夫残差修正后的预测值

本发明除对晴天的输出功率进行预测外，还对晴转多云，低辐照天气的输出功率进行了预测，研究了本发明提出的预测模型在3种典型天气条件下的精度。如图5所示，经过马尔科夫残差修正，相对误差具有较大的降低，图7，8，9表明本发明的预测模型具有较高的预测精度，能很好地跟踪光伏发电系统输出功率实际的变化趋势，则图10表明，在3种典型天气条件下，晴天、晴转多云天气的预测效果优于低辐照的预测结果，本发明更适合运用晴天、晴转多云天气条件下的功率预测中，对于电网的调度和电站的高效运行具有十分重要的意义。

以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (5)

1.一种基于马尔科夫残差修正的光伏发电预测方法，其特征在于：

a.首先选取相似天气条件下的每天整点时刻的数据作为原始样本，求解1-AGO序列,建立关于1-AGO序列一阶微分方程，采用最小二乘参数法，建立灰色预测模型,还原并求出预测值；

b.将灰色模型预测的数据、实测的数据、每天的辐照度和平均温度归一化后，将灰色模型预测的数据、每天的辐照度和平均温度作为神经网络的输入样本，而实测数据则作为神经网络的目标值，通过选取输入层、隐含层、输出层节点建立神经模型，对输入后样本进行神经网络训练，再由灰色模型得到的预测日的数据输入到已训练好的神经网络中，得到预测日各时刻最终的预测值；

c.利用相对误差公式，计算预测值与实测值之间的相对误差，根据所得的相对误差，采用黄金分割法对状态空间进行划分，进一步求得马尔科夫状态转移矩阵，选取最后一个相对误差状态为初始状态预测得到下一个状态的状态向量，完成对误差进行修正，进而得到经修正后的预测值。

2.根据权利要求1所述的一种基于马尔科夫残差修正的光伏发电预测方法，其特征在于：所述步骤(a)中相似天气条件中的天气类型为：晴天、晴转多云、低辐照天气。

3.根据权利要求1所述的一种基于马尔科夫残差修正的光伏发电预测方法，其特征在于：所述步骤(a)中灰色模型的预测值的计算方法如下：

选取相似天气条件下的每天整点非负数据作为原始样本x⁽⁰⁾：

x⁽⁰⁾＝{x⁽⁰⁾(1),x⁽⁰⁾(2),…,x⁽⁰⁾(k)}，x⁽⁰⁾(i)＞0,i＝1,2…k

$x^{\left(1\right)}\left(k\right)=\underset{n}{\overset{k}{\&Sigma;}}{x}^{\left(0\right)}\left(m\right)---\left(1\right)$

利用公式(1)对序列x⁽⁰⁾进行累加，生成序列

x⁽¹⁾:x⁽¹⁾＝{x⁽¹⁾(1),x⁽¹⁾(2),…,x⁽¹⁾(k)}；

据此建立关于x⁽¹⁾(k)的一阶线性微分程：

$\frac{{\mathrm{dx}}^{\left(1\right)}}{dt}+{\mathrm{ax}}^{\left(1\right)}=u---\left(2\right)$

其中a为一阶线性微分方程中x⁽¹⁾的系数，u为常数项；利用如下最小二乘法公式(3)求解参数a,u：

$A=\left[\begin{array}{c}a\\ u\end{array}\right]={\left(B^{T}B\right)}^{-1}\left(B^T{Y}_N\right)---\left(3\right)$

其中，A为a,u组成的2x1的列矩阵，B为与元素相关的(n-1)X2的矩阵，即 $B=\left[\begin{array}{cc}-\frac{1}{2}\left(x^{\left(1\right)}\right(1)+x^{\left(1\right)}(2\left)\right)& 1\\ -\frac{1}{2}\left(x^{\left(1\right)}\right(2)+x^{\left(1\right)}(3\left)\right)& 1\\ .& .\\ .& .\\ .& .\\ -\frac{1}{2}\left(x^{\left(1\right)}\right(n-1)+x^{\left(1\right)}(n)& 1\end{array}\right],$

Y为由序列{x⁽⁰⁾(2),…,x⁽⁰⁾(k)}组成的(n-1)X1的列矩阵，即

$Y=\left[\begin{array}{c}{x}^{\left(0\right)}\left(2\right)\\ x^{\left(0\right)}\left(3\right)\\ .\\ .\\ .\\ x^{\left(0\right)}\left(n\right)\end{array}\right];$

此时可得x⁽¹⁾的灰色模型为：

${\hat{x}}^{\left(1\right)}(k+1)=\&lsqb;x^{\left(0\right)}\left(1\right)-\frac{u}{a}\&rsqb;e^{-ak}+\frac{u}{a},k=1,2,3,\mathrm{...},n-1---\left(4\right)$

则灰色模型的预测值可用下式得出：

${\hat{x}}^{\left(0\right)}(k+1)={\hat{x}}^{\left(1\right)}(k+1)-{\hat{x}}^{\left(1\right)}\left(k\right),k=0,1,2,...,n-1---\left(5\right).$

4.权利要求1所述的一种基于马尔科夫残差修正的光伏发电预测方法，其特征在于：所述步骤(b)中将灰色模型预测的数据、实测的数据、每天的辐照度和平均温度归一化，公式如下:

$x_i=\frac{x_{ai}-x_{a\min }}{x_{amax}-x_{a\min }},y_i=\frac{y_{bi}-y_{b\min }}{y_{bmax}-y_{b\min }}---\left(6\right)$

其中，x_i为归一化后神经网络的输入,x_ai为灰色模型的输出,x_amin为灰色模型的输出中最小值,x_amax为灰色模型的输出中最大值。Y_i为归一化后神经网络的目标价值,y_bi原始样本中的最小值，y_bmax为原始样本中的最大值；

所述预测值最终结果通过如下公式(7)还原得到：

y'_i＝y_bmin+α(y_bmax-y_bmin)(7)

α为经过神经网络预测的预测值，为0-1之间的值。

5.根据权利要求1所述的一种基于马尔科夫残差修正的光伏发电预测方法，其特征在于：所述步骤(c)的具体步骤如下：

预测值与实测值的相对误差，由如下公式(8)求得：

$RPE=\frac{x^{\&prime;}\left(k\right)-x^{\left(0\right)}\left(k\right)}{x^{\left(0\right)}\left(k\right)}\&times;100\%,k=1,2...---\left(8\right)$

黄金分割算法为：

${\mathrm{\&lambda;}}_i={\mathrm{\&Omega;}}^q\stackrel{\&OverBar;}{G}\left|q\right|<n,i=1,2,...,n---\left(9\right)$

其中，λ_i为黄金分割点，Ω为黄金分割率，取0.618，为相对误差的平均值，n和q根据相对误差的大小选取；

设定由相对误差组成样本{Xm}，马尔科夫状态空间为S,当前状态为i,下一状态为j,则从状态i转移到j的概率为：

p_ij＝prob{X_m+1＝j|X_m＝i},(i,j∈s,m＝0,1,2…)(10)

由p_ij组成状态转移矩阵P，其中p_ij必须满足如下条件：

$p_{ij}\&GreaterEqual;0,\&ForAll;i,j\&Element;s$

$\underset{j\&Element;s}{\&Sigma;}{p}_{ij}=1,\&ForAll;i\&Element;s---\left(11\right)$

当误差状态发生变化时，一步转移矩阵为：

经过k转移后的转移矩阵为：

其中，其中N^(k) _ij是转移的原始数据样本k-step状态i转移到状态j的次数，N_i处在原始状态i的个数；

最后以末尾的状态为预测的初始状态向量，乘以状态转移矩阵，得到下一时刻的状态向量，计算预测值所在的区间，得到预测日的最终结果。