基于BP神经网络的光伏发电功率预测模型研究(4)
本数据，不断注入新的测试数据，以提高精度 [3]
。
此模型的建立完全基于历史气象资料和同期光伏发电量资料 ， 取决于对影响光伏
发电量的关键气象要素研究 、 相关性分析以及气象预报准确性 。 因此 ， 如何在已有研
究成果基础上继续完善 、 改进和探索新的方法 ， 找出影响光伏发电量的关键气象要素
资料进行订正 ） ，建立合适的光伏发电量气象预报模型已成为太阳能光伏发电量预报
系统研究亟待解决的问题 [4-5]
。
由于 BP 神经网络有一些自身的缺陷和不足 ， 必然该预测模型也存在着这些问题 。
首先，由于学习速率是固定的，因此，网络的收敛速度慢，需要较长的训练时间 。 这
主要是由于学习速率太小造成的 ， 可采用变化的学习速率或自适应的学习速率加以改
进。其次， BP 算法可以使权值收敛到某个值，但并不能保证其为误差平面的全局最
小值 ， 这是因为采用梯度下降法可能会产生一个局部最小值 。 对于这个问题 ， 可以采
用附加动量法来解决。再次，网络隐含层的层数和单元数的选择尚无理论上的指导 ，
一般是根据经验或者通过反复试验确定 。 因此 ， 网络往往存在很大的冗余性 ， 在一定
程度上也增加了网络学习的负担 。 最后 ， 网络的学习和记忆具有不稳定性 。 也就是说 ，
如果增加了学习样本 ， 训练好的网络就需要从头开始重新训练 ， 对于以前的权值和阈
值是没有记忆的 [6
1.3 1.3 1.3 1.3 论文研究内容 论文研究内容 论文研究内容 论文研究内容
本课题的主要任务是在学习和掌握影响光伏发电功率的因素以 及 B P 神经网络理
论的相关知识后 ， 建立光伏发电功率预测模型 ， 并对模型进行测试和评估 。 归纳起来
主要包括以下几点 ： 首先 ， 通过学习了解 BP 神经网络的基本内容 ， 学会使用 Matla b
进行编程 ； 同时 ， 通过查阅资料以及分析 ， 确定影响光伏输出的主要因素 ， 利用一切
可用资源获取相关的气象数据等资料；然后，利用 Matlab 建立仿真模型，很关键的
一步就是对数据进行相关的处理 ； 最后 ， 对仿真结果进行分析 ， 提出了 BP- 马尔科夫
改进模型。
2 2 2 2 BPBPBPBP 神经网络及其学习算法 神经网络及其学习算法 神经网络及其学习算法 神经网络及其学习算法
神经网络是从微观结构和功能上模拟人脑的组织结构和运行机制 , 由大量简单的
神经元分层组织在一起 , 实现人脑的某些功能。它不需要对被描述的对象建模 , 能够较
好地描述非线性系统和不确定性系统。神经网络具有可并行计算、分布式信息存储 、
自适应和自学习功能强等优点 , 被广泛应用在非线性控制领域。
2.1 2.1 2.1 2.1 人工神经网络发展的历史回顾 人工神经网络发展的历史回顾 人工神经网络发展的历史回顾 人工神经网络发展的历史回顾
神经网络的研究已有较长的历史，一般可以用两次热潮来划分其历史时期。
（ 1 ）第一次热潮（ 1943 年至 1969 年）