为7. 5%，多云天为15. 7%，阴雨天为27. 2%。
【具体实施方式】 [0059] 三：本实施方式与一或二所述的基于多种神经网络组 合算法的光伏电站发电量短期预测模型的构建方法的区别在于，该方法还包括步骤五：对 光伏发电量短期预测模型的评估；
[0060] 采用平均绝对百分比误差MAPE和均方根误差RMSE两种误差评价方法来对光伏发 电量短期预测模型进行误差评估，
[0063] 其中，N表示数据总量，i为正整数，g表示第i个数据点的预测值，您表示第i个 数据点的实际值。
[0064] 本实施方式中，选用上海XIHE 5kW示例光伏电站的有效历史数据（包括不同天气 类型）作为样本数据，分别采用BP、Elman、RBF、GRNN神经网络算法针对不同天气类型组合 构建光伏出力短期预测模型，通过多次预测仿真，得到了三种不同天气条件下四种神经网 络算法的最佳预测对比结果和预测百分比误差结果。
[0065] 样本原始数据是每隔5min的逆变器发电参量数据和气象站环境参量数据，样本 数据统一选用时间段为7:00-18:00,以每日7:00-18:00每隔30min共23个时间点的环境 温度T1, T2, ...，T23、日平均太阳辐射强度友、日平均风F共25个变量作为神经网络预测模 型输入，对应23个时间点的光伏输出功率P1, P2, ...，P23作为神经网络预测子模型输出。
[0066] 分析比较以上三组不同天气条件下四种不同神经网络算法预测情况以及相应的 预测误差数据：
[0067] 晴天四种神经网络算法预测曲线均较为平滑，预测与实测百分比误差曲线波动也 比较小。其中晴天采用RBF神经网络算法预测误差最小；采用BP、Elman、GRNN三种神经网 络算法的MAPE相差不大，而BP神经网络RMSE最大，GRNN最小。
[0068] 针对多云天气，光伏输出功率曲线具有一定的波动，这与多云天气太阳光福射的 波动有关，预测误差MAPE和RMSE均相对晴天增大，其中采用GRNN神经网络算法的预测效 果最好，MAPE为15% ;其他三种神经网络算法预测误差MAPE在17至20 %之间，BP预测误 差RMSE最大，Elman和RBF预测误差RMSE相当。
[0069] 对于阴雨天，阴雨天光伏输出功率相比晴天、多云天气波动较大，光伏出力也较 小，这是由于阴雨天太阳光辐射强度相对较弱；同时预测误差相对也比较大，MPE均大于 25%，其中BP神经网络算法预测误差MAPE大于30% ;综合比较四种神经网络算法预测误 差MAPE和RMSE，RBF神经网络算法预测误差最小。
[0070] 因此，基于多种神经网络组合算法的光伏电站发电量短期预测模型的预测误差 为：晴天最优为7. 5%，多云天为15. 7%，阴雨天为27. 2%。由于光伏电站输出受天气环境 影响大，不同的气象因素和特殊环境条件会使得不同的神经网络算法在训练和预测时产生 不同的误差特征，通过分析研究不同神经网络算法在不同天气环境影响下的误差特征，对 比找出这些神经网络算法对不同气候环境条件的适用度模值，建立适用度模值表，构建多 种神经网络联合预测模型。给出一种基于多种神经网络联合算法的光伏电站发电量短期预 测模型的构建方法。由于光伏电站输出受天气环境影响大，气象因素和特殊环境条件会使 得不同的神经网络算法在训练和预测时产生不同的误差，因此充分考虑天气和环境因素影 响，在对比分析不同神经网络算法对不同天气的适用性研究基础上，建立多种神经网络算 法组合模型，具有更高的预测准确度，对并网光伏电站发电量输出功率进行预测十分重要。 以及在此分析基础上建立的多种神经网络组合算法模型。
【具体实施方式】 [0071] 四：本实施方式与一或二所述的基于多种神经网络组 合算法的光伏电站发电量短期预测模型的构建方法的区别在于，神经网络预测子模型A、B、 C和D均包括输入层、输出层和隐含层，
[0072] 以预测日23个时间点的环境温度T1、日平均太阳辐射强度I和日平均风速尹_，共 25个变量作为各个神经网络预测子模型A、B、C和D的输入层输入数据，
[0073] 以预测日对应23个时间点的光伏输出功率P1均作为各个神经网络预测子模型A、 B、C和D的输出数据，
[0074] 神经网络预测子模型A、B、C和D的输出层激活函数均采用pureline函数实现，
[0075] 神经网络预测子模型A、B、C和D的隐含层均采用单层结构，利用隐含层神经元节 点经验公式得到神经网络初始节点数目，采用试凑法，得到隐含层节点数目为15,隐含层激 活函数采用tansig函数实现。
[0076] 本实施方式中，隐含层采用单层结构，利用隐层神经元节点经验公式
确定初始节点数目，再采用试凑法逐次增加或者减少节点数目，使得网络误 差最小，最终确定隐含层节点数，隐含层激活函数采用tansig函数实现，其中，1为隐含层 神经元数目，m为输入层神经元数目，η为输出层神经元数目，a为取值1至10之间经验常 数。
[0077] 本实施方式，图2是BP神经网络基本结构；输入层有m个神经元节点，隐含层有 P个神经元节点，输出层有η个神经元节点，(i = 1，2,. . .，m ; j = 1，2,. . .，P)为输入层 到隐含层的权值，Wjk (j = 1，2,. . .，p ;k = 1，2,. . .，η)为隐含层到输出层的权值，Θ」(j = 1，2,…，p)为隐含层的阀值，a k(k = 1，2,. . .，η)为输出层阀值，（X1, X2,. . . XJ为输入向 量，（Y1, Y2, · · ·，Yn)为神经网络输出向量，（Yhl，Yh2, · · ·，YJ 为期望输出，（ei，e2, e3, · · ·，en) 为神经网络期望输出与实际输出的误差。
[0078] 输入层输入向量为X1，隐含层激活函数为，输出层激活函数为f2,则隐含层第j 个神经元的输出Z,和输出层第k个神经元的输出Y k分别为：
[0081] 若BP神经网络输出Yk与期望输出Yhk存在误差，误差会沿BP神经网络反向传播， 并且不断修正神经网络各层权值、阀值，直到误差满足要求停止迭代。
[0082] BP神经网络算法的具体流程参见图3 ;Elman神经网络基本结构参见图4 ;Elman 神经网络算法的流程具体参见图5 ;Elman神经网络满足以下表达式：
[0083] xc(k) = X(k~l)
[0084] X (k) = f (W1Xc (k) +w2u (k) +a)
[0085] y (k) = g (w3x (k) +b)
[0086] 其中，u为r维输入向量，x为η维隐含层节点输出向量，y为m维输出向量，x。为 η维反馈向量，W1为承接层到隐含层的连接权值，w 2为输入层到隐含层的连接权值，w 3为隐 含层到输出层的连接权值，f和g分别为隐含层和输出层激活函数，\(k)表示η维反馈向 量，X (k)表示η维隐含层节点输出向量，y(k)表示为m维输出向量。
[0087] Elman神经网络采用BP神经网络误差函数进行反向权值修正，即采用误差平方和 函数作为判定依据反向修正Elman神经网络各层连接权值、阀值，误差平方和函数如下：
[0089] 其中，E表示误差