CN105760961A - 光伏输出功率预测方法和系统 - Google Patents

Abstract

本发明涉及一种光伏输出功率预测方法和系统，其中，方法包括：对光伏功率数据按天气类型进行分类，并将预设范围内的光伏功率数据分解为若干个随机项分量和趋势项分量，对随机项分量和趋势项分量，分别构造预测模型并进行训练，根据训练后的预测模型分别获取待预测的光伏功率的随机项分量的第一预测值和趋势项分量的第二预测值，将第一预测值和第二预测值进行叠加求和，获得待预测的光伏输出功率的预测功率，考虑了随机项的非平稳性影响预测效果，提高了对突变天气下光伏输出功率预测的精度。

Description

光伏输出功率预测方法和系统

技术领域

本发明涉及新能源发电和智能电网技术领域，特别是涉及一种光伏输出功率预测方法和系统。

背景技术

随着社会的发展，化石燃料面临枯竭，环境的问题也日益突出。为了解决这一难题，人类开始关注可再生能源，其中绿色无污染的太阳能就成为大家关注的焦点。作为一种有效利用太阳能的方式，光伏发电已经取得了显著的发展。但是考虑到光伏发电受到诸多气候因素的影响，功率变化的随机性较强，一旦功率发生较大变化，必须投入大量备用设备进行削峰填谷，同时输出功率的扰动严重时可能影响电网的安全稳定运行，因此对光伏输出功率的预测研究就显得尤为必要。

考虑实际光伏输出功率的非平稳性，直接对其进行预测的误差较大。现有的光伏输出功率预测方法有人工神经网络(ArtificialNeuralNetworks，ANN)、支持向量机(SupportVectorMachines，SVM)。但是在实际应用过程中，上述方法对突变天气下的光伏输出功率的预测效果不佳。一方面，上述方法数据分析的复杂度较高，另一方面，上述方法对突变天气下的光伏输出功率预测的精度较低。综上所述，现有技术的功率预测效果较差。

发明内容

基于此，有必要针对功率预测效果较差的问题，提供一种光伏输出功率预测方法和系统。

一种光伏输出功率预测方法，包括以下步骤：

根据获取光伏功率数据时的天气特征将光伏功率数据划分为不同天气类型对应的光伏功率数据，将预设范围内的光伏功率数据分解为若干个随机项分量和趋势项分量；

根据随机项分量构造第一训练样本和第一预测样本，根据所述第一训练样本和第一预测样本建立随机项分量的第一预测模型，并根据所述第一训练样本对所述第一预测模型进行训练；

根据趋势项分量构造第二训练样本和第二预测样本，根据所述第二训练样本和第二预测样本建立趋势项分量的第二预测模型，并根据所述第二训练样本对所述第二预测模型进行训练；

将预测样本的输入导入训练后的第一预测模型和训练后的第二预测模型，分别获取待预测的光伏功率的随机项分量的第一预测值和趋势项分量的第二预测值，将第一预测值和第二预测值进行叠加求和，获得待预测的光伏输出功率的预测功率。

一种光伏输出功率预测系统，包括：

分解模块，用于根据获取光伏功率数据时的天气特征将光伏功率数据划分为不同天气类型对应的光伏功率数据，将预设范围内的光伏功率数据分解为若干个随机项分量和趋势项分量；

第一训练模块，用于根据随机项分量构造第一训练样本和第一预测样本，根据所述第一训练样本和第一预测样本建立随机项分量的第一预测模型，并根据所述第一训练样本对所述第一预测模型进行训练；

第二训练模块，用于根据趋势项分量构造第二训练样本和第二预测样本，根据所述第二训练样本和第二预测样本建立趋势项分量的第二预测模型，并根据所述第二训练样本对所述第二预测模型进行训练；

预测模块，用于将预测样本的输入导入训练后的第一预测模型和训练后的第二预测模型，分别获取待预测的光伏功率的随机项分量的第一预测值和趋势项分量的第二预测值，将第一预测值和第二预测值进行叠加求和，获得待预测的光伏输出功率的预测功率。

上述光伏输出功率预测方法和系统，通过对光伏功率数据按天气类型进行分类，并将预设范围内的光伏功率数据分解为若干个随机项分量和趋势项分量，对随机项分量和趋势项分量，分别构造预测模型并进行训练，根据训练后的预测模型分别获取待预测的光伏功率的随机项分量的第一预测值和趋势项分量的第二预测值，将第一预测值和第二预测值进行叠加求和，获得待预测的光伏输出功率的预测功率，考虑了随机项的非平稳性影响预测效果，提高了对突变天气下光伏输出功率预测的精度。

附图说明

图1为本发明的光伏输出功率预测方法流程图；

图2为三种天气类型下的光伏输出功率预测模型框图；

图3为为小波分析效果示意图；

图4为BP神经网络结构示意图；

图5为晴天光伏输出功率短期预测结果；

图6为阴雨天光伏输出功率短期预测结果；

图7为多云天光伏输出功率短期预测结果；

图8为本发明的光伏输出功率预测系统的结构示意图。

具体实施方式

下面结合附图对本发明的光伏输出功率预测方法和系统的实施例进行描述。

图1为本发明的光伏输出功率预测方法流程图。如图1所示，所述光伏输出功率预测方法可包括如下步骤：

S1，根据获取光伏功率数据时的天气特征将光伏功率数据划分为不同天气类型对应的光伏功率数据，将预设范围内的光伏功率数据分解为若干个随机项分量和趋势项分量；

将预设范围内的光伏功率数据分解为若干个随机项分量和趋势项分量的步骤可包括：

对波预设范围内的光伏功率数据进行小波分析，获取离散细节信号和离散逼近信号；

将所述离散细节信号设为随机项分量，将所述离散逼近信号设为趋势项分量。

S2，根据随机项分量构造第一训练样本和第一预测样本，根据所述第一训练样本和第一预测样本建立随机项分量的第一预测模型，并根据所述第一训练样本对所述第一预测模型进行训练；

具体地，根据随机项分量构造第一训练样本和第一预测样本的步骤可包括：

根据预设时间内获取的光伏功率数据构造第一训练样本和第一预测样本的第一输入项；

根据光伏功率预测的影响因子的历史数据构造第一训练样本的第二输入项，根据光伏功率预测的影响因子的预测数据构造第一预测样本的第二输入项；

根据预设时间内获取的光伏功率数据的随机项分量构造第一训练样本和第一预测样本的输出项；

根据所述第一输入项、第一训练样本的第二输入项和输出项构造第一训练样本，根据所述第一输入项、第一预测样本的第二输入项和输出项构造第一预测样本。

根据所述第一训练样本和第一预测样本建立随机项分量的第一预测模型的步骤可包括：

设置若干个弱学习器，初始化所述第一训练样本的样本权重，根据初始化的第一训练样本对各个弱学习器进行训练，获取各个弱学习器的预测函数；

采用预设的测试集对所述预测函数进行测试，得到各个弱学习器的预测误差，根据所述预测误差更新所述样本权重；

重复根据初始化的第一训练样本对各个弱学习器进行训练的步骤，直到达到预设的训练次数，或所述预测误差小于预设的误差期望值；

将各个弱学习器的预测函数进行集成，得到随机项分量的预测函数。

S3，根据趋势项分量构造第二训练样本和第二预测样本，根据所述第二训练样本和第二预测样本建立趋势项分量的第二预测模型，并根据所述第二训练样本对所述第二预测模型进行训练；

根据所述第二训练样本对所述第二预测模型进行训练的步骤可包括：

根据所述第二训练样本设定所述第二预测模型的模型参数；其中，所述模型参数包括SVM的核函数；

建立支持向量机模型，根据所述模型参数确定支持向量机的最优核宽和惩罚因子；

将所述最优核宽和惩罚因子代入SVM的核函数建立所述第二预测模型。

S4，将预测样本的输入导入训练后的第一预测模型和训练后的第二预测模型，分别获取待预测的光伏功率的随机项分量的第一预测值和趋势项分量的第二预测值，将第一预测值和第二预测值进行叠加求和，获得待预测的光伏输出功率的预测功率。

下面根据一个实施例对本发明的技术方案进行进一步阐述。

在一个实施例中，按照天气状况可将光伏功率数据分成晴天、阴雨天和多云天三种天气类型对应的光伏功率数据。首先，考虑到各季节的日出、日落时间不同，为保证数据均有值，可取每天8:00-17:00共10小时的数据进行训练和预测。其次，不同天气类型下的光照强度存在较大差异，光伏输出功率也存在明显差别。因此为了更准确的对光伏功率进行预测，可将光伏功率数据按照天气类型分为晴天、阴雨天、多云天这三种情况，并分别建模。三种天气类型下的光伏输出功率预测模型框图如图2所示。

再者，为避免突变数据或坏数据对预测结果的影响，可对光伏输出功率数据进行预处理，可使用数据纵向对比法，其计算公式如下：

若满足 $\left\{\begin{array}{c}|L(i,t)-L(i-1,t)|>\mathrm{\α}\left(t\right)\\ |L(i,t)-L(i+1,t)|>\mathrm{\β}\left(t\right)\end{array}\right.,$ 则： $L(i,t)=\frac{L(i-1,t)+L(i+1,t)}{2}---\left(1\right)$

其中，L(i,t)为第i天第t时刻的光伏功率数据；L(i-1,t)为第i-1天第t时刻的光伏功率数据，即L(i,t)前一天同时刻的光伏功率数据；L(i+1,t)为第i+1天第t时刻的光伏功率数据，即L(i,t)后一天同时刻的光伏功率数据；α(t)和β(t)为预先设定的两个阈值。

对已完成坏数据剔除的原始光伏输出功率数据采用小波分析分解，小波分析分解的具体步骤可包括：

①设x(t)是平方可积信号，即x(t)∈L²(R)，则x(t)的连续小波变换定义为：

${\mathrm{WT}}_x(a,b)=\frac{1}{\sqrt{a}}{\&Integral;}_{-\mathrm{\&infin;}}^{+\mathrm{\&infin;}}x\left(t\right)\mathrm{\&psi;}\left(\frac{t-b}{a}\right)dt=<x\left(t\right),{\mathrm{\&psi;}}_{a,b}\left(t\right)>---\left(2\right)$

式中，称为变换后的基本小波，a为尺度参数或伸缩因子，即拉伸压缩基本小波，b为位移参数或平移因子，即平移基本小波，t为时间，ψ(t)为基本小波。

②将a和b同时离散化，即令得到x(t)的离散小波变换(discretewavelettransform，DWT)：

${\mathrm{WT}}_x(j,k)={\&Integral;}_{-\mathrm{\&infin;}}^{+\mathrm{\&infin;}}x\left(t\right){\mathrm{\&psi;}}_{j,k}\left(t\right)dt,j,k\&Element;Z---\left(3\right)$

为第j次伸缩变换的初始伸缩因子，b₀为伸缩后进行平移变换的初始平移因子。该变换既节约计算，又克服了连续小波变换后的信息冗余。

③将信号x(t)正交投影到空间V_j和W_j，能对应得到分辨力j下x(t)的离散逼近信号c_j(t)和离散细节信号d_j(t)。令j由零逐级增大，便可最终可将信号分解为：

$x\left(t\right)=\underset{j=1}{\overset{n}{\&Sigma;}}{d}_j\left(t\right)+c_n\left(t\right)---\left(4\right)$

④由此可将波动性较大的光伏功率数据分解为一系列的随机项分量和趋势项分量，具体的分解效果如图3所示。

可选择与预测日同天气类型前5天每时刻光伏功率构造样本输入，对各随机项分量和趋势项分量采用相同方法进行处理，分析并选取光伏功率预测的影响因素(例如，温度、光照强度等)的历史数据和预测数据作为补充输入变量，以所对应预测日的随机项分量和趋势项分量数据作为输出，构造出训练样本和预测样本并归一化；样本输入影响因素的构成如表1所示。

表1样本输入影响因素构成

由此输入向量可表示为：

X(i,t)＝[L(i-1,t),L(i-2,t),L(i-3,t),L(i-4,t),L(i-5,t),T(i,t),T(i-1,t),T(i-2,t),T(i-3,t),T(i-4,t),T(i-5,t),S(i,t),S(i-1,t),S(i-2,t),S(i-3,t),S(i-4,t),S(i-5,t)]，i＞5，j＝1,…,M，输出向量为y(i,t)＝L(i,t)；可对上述输入向量进行归一化，归一化公式可为：

$\tilde{x}\left(i\right)=\left(x\right(i)-x_{min})/(x_{max}-x_{min})---\left(5\right)$

为归一化的输入向量，x_min和x_max分别为x(i)的最小值和最大值，x(i)为输入向量的第i个元素。可通过算法优势互补建立组合预测模型。其中，趋势项可采用SVM算法，随机项可采用BP算法进行预测处理，并可将集成学习引入随机项的预测模型。具体步骤如下：

设定模型参数，其中小波分析采用db4小波基，分解尺度为3；SVM采用RBF核函数；集成学习中弱学习器个数为3，每个学习器的最大训练次数为10，对晴天、阴雨天以及多云天的训练终止条件ξ分别设定为10％、15％、25％，BP神经网络的隐含层为10，其他参数采用默认值；

经过5折交叉验证确定的网格搜索确定支持向量机的最佳参数σ和C。

RBF核函数计算公式具体为：

K(x,x_i)＝exp(-||x-x_i||²/σ²)，其中K(x,x_i)表示SVM模型的核函数；x表示归一化后的输入向量；x_i表示支持向量；σ表示高斯核的核宽，C表示惩罚因子。

对于趋势项分量采用SVM模型进行预测的步骤如下：

假设含有l个训练样本的训练集样本对{(x_i,y_i),i＝1,2,…,l}，其中，x_i(x_i∈R^d)是第i个训练样本的输入列向量，y_i∈R为对应的输出值。

设在高维特征空间中建立的线性回归函数为

式中，为原空间映射到高维特征空间的非线性映射函数，ω为权重，b为阈值。

ε-线性不敏感损失函数可以表示为：

$L\left(f\right(x),y,\mathrm{\&epsiv;})=\left\{\begin{array}{cc}0,& |y-f\left(x\right)|\&le;\mathrm{\&epsiv;}\\ |y-f\left(x\right)|-\mathrm{\&epsiv;},& |y-f\left(x\right)|>\mathrm{\&epsiv;}\end{array}\right.---\left(7\right)$

式中，f(x)为回归函数返回的预测值，y为对应的真实值。即表示f(x)与y之间的差别小于等于预设值ε，则损失等于0。

引入松弛变量ξ、ξ^*，并将上述寻找ω和b的问题用数学语言描述，即

式中，C为惩罚因子，ε规定了回归函数的误差要求，l是训练样本的个数。

根据Mercer定理，定义如下核函数：

是将原空间映射到高维特征空间的非线性映射函数。将拉格朗日乘子α_i、引入，并化为对偶形式，得到最优解，最终得到回归函数为：

$f\left(x\right)\underset{i=1}{\overset{l}{\&Sigma;}}({\mathrm{\&alpha;}}_i-{\mathrm{\&alpha;}}_i^{*})K(x,x_i)+b---\left(10\right)$

式中，α_i、不为0，对应的样本点即为支持向量。

BP神经网络即采用误差反向传播算法的多层前向神经网络。其重要特点是信号前向传递，误差反向传播。前向传递中，输入信号从输入层经隐含层逐层处理，直至输出层。相邻两层神经元完全互连，不相邻层无连接。每一层的神经元状态只影响下一层神经元状态，如果输出层得不到期望输出，则转入反向传播，根据预测误差调整网络的权值和阀值，使BP神经网络预测输出不断逼近预测输出。其网络结构如图4所示。

考虑到随机项的非平稳性影响预测效果以及BP算法的固有缺点，本发明对随机项的预测模型引入集成学习。具体步骤如下：

给定训练样本S＝{(x₁,y₁),...,(x_m,y_m)}，其中，x_i∈x,y_i∈y，i＝1,...,m，弱学习器的个数为T，每个弱学习器的最大训练次数为K。x对应训练样本的输入，y对应相应的输出。

初始化样本权重；

D₁(i)＝1/m，i＝1,...,m(11)

利用样本权重D_t构造弱学习器；得到第t个弱学习器的预测函数表示为h_t，其中h_t：X→Y；

对弱学习器进行训练，评估弱学习器的训练误差，训练误差可表示为：

ε_t＝∑(|y_i-ht(i)|D_t(i))(12)

按照预训练误差ε_t重新分配各弱学习器的权重：

${\mathrm{\&alpha;}}_t=\frac{1}{2}ln\&lsqb;(1-{\mathrm{\&epsiv;}}_t)/{\mathrm{\&epsiv;}}_t\&rsqb;---\left(13\right)$

更新样本权重；

$D_{t+1}\left(i\right)=\frac{D_t\left(i\right)}{Z_t}\&times;\left\{\begin{array}{cc}{e}^{-{\mathrm{\&alpha;}}_t},& if|y_i-h_t\left(i\right)|\&le;\mathrm{\&xi;}\\ e^{+{\mathrm{\&alpha;}}_t},& if|y_i-h_t\left(i\right)|>\mathrm{\&xi;}\end{array}\right.---\left(14\right)$

式中，ξ为误差期望，Z_t为归一化因子，以使

若尚未达到最大迭代次数K或未满足弱学习器训练误差小于误差期望这一终止条件，则按照公式(13)调整训练样本的样本权重，返回继续执行，否则训练结束，退出循环迭代。

将每个弱学习器的预测函数进行集成，输出最终的预测函数为：

$H\left(x\right)=sign\&lsqb;\underset{t=1}{\overset{T}{\&Sigma;}}{\mathrm{\&alpha;}}_t{h}_t\left(x\right)\&rsqb;---\left(15\right)$

为评价预测效果的好坏，采用相对误差(relativeerror,RE)和平均绝对值百分误差(meanabsolutepercenterror,MAPE)这2个误差指标对预测结果进行误差分析。其值越小，效果越好。指标的表达式为：

$RE=\frac{\left|y_{true}-y_{pre}\right|}{y_{true}}\&times;100\%---\left(16\right)$

$MAPE=\frac{1}{N}\underset{i=1}{\overset{N}{\&Sigma;}}\frac{\left|y_{true}-y_{pre}\right|}{y_{true}}\&times;100\%---\left(17\right)$

式中，y_true表示真实值，y_pre表示预测值，N表示数据总数。

为了说明本发明的预测效果，分别对三种天气类型下的光伏输出功率进行短期预测，其预测效果如图5-图7所示，预测结果及指标分析如表2-表4所示。

表2晴天预测误差统计

表3阴雨天预测误差统计

表4多云天预测误差统计

由图5-图7所示的预测效果和表2-表4所示的指标分析可以明显发现，本发明方法预测结果的趋势更贴近实际光伏功率，预测误差明显较小。综上所述，本发明可较高的实现光伏输出功率短期预测，具有较高的工程应用价值。

针对突变天气下光伏输出功率的预测误差较大的问题，本发明提出了一种小波分析和集成学习的光伏输出功率短期预测方法。首先按照天气状况将光伏输出功率数据分成晴天、阴雨天和多云天三种类型，保证了样本数据的一致性；并采用小波分析将以上三种光伏输出功率数据分解为一系列的随机项分量和趋势项分量，降低了数据的波动性；然后，通过算法优势互补建立组合预测模型。其中，趋势项采用SVM算法，随机项采用BP算法进行预测处理；并考虑到随机项的非平稳性和BP算法的固有缺点，将集成学习引入随机项的预测模型，进一步提高了模型的预测效果；最后将各分量的预测结果进行叠加得到最终预测结果。本发明方法从数据预处理和模型优化两个方面进行处理，有效的提高了模型的预测精度，可较好的运用于工程实际问题。

与已有技术相比，本发明的有益效果体现在：

1、本发明引入小波分解降低数据的波动性，原理简单，结果准确，有效提高了预测精度；

2、本发明一方面针对单一算法预测突变天气的光伏输出功率时误差较大的问题，通过算法优势互补建立组合预测模型；另一方面考虑到随机项的非平稳性影响预测效果以及BP算法的固有缺点，对随机项的预测模型引入集成学习，通过对具有一定预测精度的弱学习器组合形成具有很高预测精度的强学习器，进一步提升了预测模型的性能，提高了对突变天气下光伏输出功率预测的精度。

图8为本发明的光伏输出功率预测系统的结构示意图。如图8所示，所述光伏输出功率预测系统可包括：

分解模块10，用于根据获取光伏功率数据时的天气特征将光伏功率数据划分为不同天气类型对应的光伏功率数据，将预设范围内的光伏功率数据分解为若干个随机项分量和趋势项分量；

第一训练模块20，用于根据随机项分量构造第一训练样本和第一预测样本，根据所述第一训练样本和第一预测样本建立随机项分量的第一预测模型，并根据所述第一训练样本对所述第一预测模型进行训练；

第二训练模块30，用于根据趋势项分量构造第二训练样本和第二预测样本，根据所述第二训练样本和第二预测样本建立趋势项分量的第二预测模型，并根据所述第二训练样本对所述第二预测模型进行训练；

预测模块40，用于将预测样本的输入导入训练后的第一预测模型和训练后的第二预测模型，分别获取待预测的光伏功率的随机项分量的第一预测值和趋势项分量的第二预测值，将第一预测值和第二预测值进行叠加求和，获得待预测的光伏输出功率的预测功率。

其中，所述分解模块可包括：

小波分析单元，用于对波预设范围内的光伏功率数据进行小波分析，获取离散细节信号和离散逼近信号；

设置单元，用于将所述离散细节信号设为随机项分量，将所述离散逼近信号设为趋势项分量。

所述第一训练模块可包括：

第一构造单元，用于根据预设时间内获取的光伏功率数据构造第一训练样本和第一预测样本的第一输入项；

第二构造单元，用于根据光伏功率预测的影响因子的历史数据构造第一训练样本的第二输入项，根据光伏功率预测的影响因子的预测数据构造第一预测样本的第二输入项；

第三构造单元，用于根据预设时间内获取的光伏功率数据的随机项分量构造第一训练样本和第一预测样本的输出项；

第四构造单元，用于根据所述第一输入项、第一训练样本的第二输入项和输出项构造第一训练样本，根据所述第一输入项、第一预测样本的第二输入项和输出项构造第一预测样本。

针对突变天气下光伏输出功率的预测误差较大的问题，本发明提出了一种小波分析和集成学习的光伏输出功率短期预测方法。首先按照天气状况将光伏输出功率数据分成晴天、阴雨天和多云天三种类型，保证了样本数据的一致性；并采用小波分析将以上三种光伏输出功率数据分解为一系列的随机项分量和趋势项分量，降低了数据的波动性；然后，通过算法优势互补建立组合预测模型。其中，趋势项采用SVM算法，随机项采用BP算法进行预测处理；并考虑到随机项的非平稳性和BP算法的固有缺点，将集成学习引入随机项的预测模型，进一步提高了模型的预测效果；最后将各分量的预测结果进行叠加得到最终预测结果。本发明方法从数据预处理和模型优化两个方面进行处理，有效的提高了模型的预测精度，可较好的运用于工程实际问题。

与已有技术相比，本发明的有益效果体现在：

1、本发明引入小波分解降低数据的波动性，原理简单，结果准确，有效提高了预测精度；

2、本发明一方面针对单一算法预测突变天气的光伏输出功率时误差较大的问题，通过算法优势互补建立组合预测模型；另一方面考虑到随机项的非平稳性影响预测效果以及BP算法的固有缺点，对随机项的预测模型引入集成学习，通过对具有一定预测精度的弱学习器组合形成具有很高预测精度的强学习器，进一步提升了预测模型的性能，提高了对突变天气下光伏输出功率预测的精度。

本发明的光伏输出功率预测系统与本发明的光伏输出功率预测方法一一对应，在上述光伏输出功率预测方法的实施例阐述的技术特征及其有益效果均适用于光伏输出功率预测系统的实施例中，特此声明。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

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 (10)

1.一种光伏输出功率预测方法，其特征在于，包括以下步骤：

根据获取光伏功率数据时的天气特征将光伏功率数据划分为不同天气类型对应的光伏功率数据，将预设范围内的光伏功率数据分解为若干个随机项分量和趋势项分量；

根据随机项分量构造第一训练样本和第一预测样本，根据所述第一训练样本和第一预测样本建立随机项分量的第一预测模型，并根据所述第一训练样本对所述第一预测模型进行训练；

根据趋势项分量构造第二训练样本和第二预测样本，根据所述第二训练样本和第二预测样本建立趋势项分量的第二预测模型，并根据所述第二训练样本对所述第二预测模型进行训练；

将预测样本的输入导入训练后的第一预测模型和训练后的第二预测模型，分别获取待预测的光伏功率的随机项分量的第一预测值和趋势项分量的第二预测值，将第一预测值和第二预测值进行叠加求和，获得待预测的光伏输出功率的预测功率。

2.根据权利要求1所述的光伏输出功率预测方法，其特征在于，将预设范围内的光伏功率数据分解为若干个随机项分量和趋势项分量的步骤包括：

对波预设范围内的光伏功率数据进行小波分析，获取离散细节信号和离散逼近信号；

将所述离散细节信号设为随机项分量，将所述离散逼近信号设为趋势项分量。

3.根据权利要求1所述的光伏输出功率预测方法，其特征在于，根据随机项分量构造第一训练样本和第一预测样本的步骤包括：

根据预设时间内获取的光伏功率数据构造第一训练样本和第一预测样本的第一输入项；

根据光伏功率预测的影响因子的历史数据构造第一训练样本的第二输入项，根据光伏功率预测的影响因子的预测数据构造第一预测样本的第二输入项；

根据预设时间内获取的光伏功率数据的随机项分量构造第一训练样本和第一预测样本的输出项；

根据所述第一输入项、第一训练样本的第二输入项和输出项构造第一训练样本，根据所述第一输入项、第一预测样本的第二输入项和输出项构造第一预测样本。

4.根据权利要求1所述的光伏输出功率预测方法，其特征在于，根据所述第一训练样本和第一预测样本建立随机项分量的第一预测模型的步骤包括：

设置若干个弱学习器，初始化所述第一训练样本的样本权重，根据初始化的第一训练样本对各个弱学习器进行训练，获取各个弱学习器的预测函数；

采用预设的测试集对所述预测函数进行测试，得到各个弱学习器的预测误差，根据所述预测误差更新所述样本权重；

重复根据初始化的第一训练样本对各个弱学习器进行训练的步骤，直到达到预设的训练次数，或所述预测误差小于预设的误差期望值；

将各个弱学习器的预测函数进行集成，得到随机项分量的预测函数。

5.根据权利要求4所述的光伏输出功率预测方法，其特征在于，根据所述预测误差更新所述样本权重的步骤包括：

根据如下公式更新所述样本权重：

$D_{t+1}\left(i\right)=\frac{D_t\left(i\right)}{Z_t}\&times;\left\{\begin{array}{c}{e}^{-{\mathrm{\&alpha;}}_t},if|y_i-h_t\left(i\right)|\&le;\mathrm{\&xi;}\\ e^{+{\mathrm{\&alpha;}}_t},if|y_i-h_t\left(i\right)|>\mathrm{\&xi;}\end{array}\right.;$

其中，

式中，D_t(i)为更新前的样本权重，D_t+1(i)为更新后的样本权重，ξ为误差期望指，Z_t为归一化因子，h_t(i)为第t个弱学习器的预测函数，t为弱学习器的个数，ε_t为预测误差，y_i为第一训练样本的输出项，i为当前训练次数。

6.根据权利要求1所述的光伏输出功率预测方法，其特征在于，根据所述第二训练样本对所述第二预测模型进行训练的步骤包括：

根据所述第二训练样本设定所述第二预测模型的模型参数；其中，所述模型参数包括SVM的核函数；

建立支持向量机模型，根据所述模型参数确定支持向量机的最优核宽和惩罚因子；

将所述最优核宽和惩罚因子代入SVM的核函数建立所述第二预测模型。

7.根据权利要求1所述的光伏输出功率预测方法，其特征在于，还包括以下步骤：

计算所述第一预测值的第一相对误差和第一平均绝对值百分误差，计算所述第二预测值的第二相对误差和第二平均绝对值百分误差；

根据所述第一相对误差和第一平均绝对值百分误差对所述第一预测值进行误差分析，根据所述第二相对误差和第二平均绝对值百分误差对所述第二预测值进行误差分析。

8.一种光伏输出功率预测系统，其特征在于，包括：

分解模块，用于根据获取光伏功率数据时的天气特征将光伏功率数据划分为不同天气类型对应的光伏功率数据，将预设范围内的光伏功率数据分解为若干个随机项分量和趋势项分量；

第一训练模块，用于根据随机项分量构造第一训练样本和第一预测样本，根据所述第一训练样本和第一预测样本建立随机项分量的第一预测模型，并根据所述第一训练样本对所述第一预测模型进行训练；

第二训练模块，用于根据趋势项分量构造第二训练样本和第二预测样本，根据所述第二训练样本和第二预测样本建立趋势项分量的第二预测模型，并根据所述第二训练样本对所述第二预测模型进行训练；

预测模块，用于将预测样本的输入导入训练后的第一预测模型和训练后的第二预测模型，分别获取待预测的光伏功率的随机项分量的第一预测值和趋势项分量的第二预测值，将第一预测值和第二预测值进行叠加求和，获得待预测的光伏输出功率的预测功率。

9.根据权利要求8所述的光伏输出功率预测系统，其特征在于，所述分解模块包括：

小波分析单元，用于对波预设范围内的光伏功率数据进行小波分析，获取离散细节信号和离散逼近信号；

设置单元，用于将所述离散细节信号设为随机项分量，将所述离散逼近信号设为趋势项分量。

10.根据权利要求8所述的光伏输出功率预测系统，其特征在于，所述第一训练模块包括：

第一构造单元，用于根据预设时间内获取的光伏功率数据构造第一训练样本和第一预测样本的第一输入项；

第二构造单元，用于根据光伏功率预测的影响因子的历史数据构造第一训练样本的第二输入项，根据光伏功率预测的影响因子的预测数据构造第一预测样本的第二输入项；

第三构造单元，用于根据预设时间内获取的光伏功率数据的随机项分量构造第一训练样本和第一预测样本的输出项；

第四构造单元，用于根据所述第一输入项、第一训练样本的第二输入项和输出项构造第一训练样本，根据所述第一输入项、第一预测样本的第二输入项和输出项构造第一预测样本。