Abstract The ever increasing proportion of photovoltaic (PV), which is, in effect, a random and intermittent energy source, makes PV power forecasting increasingly important for power grid stability. Artificial neural networks (ANN) have become one of the commonly utilized methods in PV power prediction. Since there is no ideal theoretical guidance as yet on the determination of the number of hidden layers and hidden units, there are always abundant neurons in traditional neural networks in order to learn as many data characteristics as possible, which often results in overfitting and high computational costs. The dendritic model proposed in recent years has the characteristics of simple structure, fast convergence and better fitting ability. This paper proposes a PV power forecasting model based on the dendritic neuron networks, which seeks to improve the computational efficiency and prediction accuracy. In order to better extract characteristics of different frequencies of the input data, the approach introduces a wavelet transform. Firstly, the data is decomposed into high-frequency and low-frequency components via a wavelet transform. Thereafter, the input data of different frequencies obtained by the decomposition are transmitted respectively to different sub-models. Finally, the results of sub-models are reconstructed to obtain the final output. The proposed PV power forecasting model was tested upon actual photovoltaic datasets. Results obtained through simulation demonstrate significant improvement in terms of accuracy and efficiency.

中文翻译：

---

基于树突神经元网络的小波变换辅助光伏功率预测模型

摘要 光伏（PV）实际上是一种随机和间歇性能源，随着光伏（PV）比例的不断增加，光伏功率预测对于电网稳定变得越来越重要。人工神经网络（ANN）已成为光伏功率预测中常用的方法之一。由于隐层数和隐单元数的确定目前还没有理想的理论指导，传统神经网络中总是存在丰富的神经元，以便尽可能多地学习数据特征，这往往导致过拟合和高计算量成本。近年来提出的树突模型具有结构简单、收敛速度快、拟合能力较好的特点。本文提出了一种基于树突神经元网络的光伏功率预测模型，旨在提高计算效率和预测精度。为了更好地提取输入数据不同频率的特征，该方法引入了小波变换。首先，通过小波变换将数据分解为高频和低频分量。此后，将分解得到的不同频率的输入数据分别传送给不同的子模型。最后，重建子模型的结果以获得最终输出。所提出的光伏功率预测模型在实际光伏数据集上进行了测试。通过仿真获得的结果表明，在准确性和效率方面有显着提高。为了更好地提取输入数据不同频率的特征，该方法引入了小波变换。首先，通过小波变换将数据分解为高频和低频分量。此后，将分解得到的不同频率的输入数据分别传送给不同的子模型。最后，重建子模型的结果以获得最终输出。所提出的光伏功率预测模型在实际光伏数据集上进行了测试。通过仿真获得的结果表明，在准确性和效率方面有显着提高。为了更好地提取输入数据不同频率的特征，该方法引入了小波变换。首先，通过小波变换将数据分解为高频和低频分量。此后，将分解得到的不同频率的输入数据分别传送给不同的子模型。最后，重建子模型的结果以获得最终输出。所提出的光伏功率预测模型在实际光伏数据集上进行了测试。通过仿真获得的结果表明，在准确性和效率方面有显着提高。分解得到的不同频率的输入数据分别传送到不同的子模型。最后，重建子模型的结果以获得最终输出。所提出的光伏功率预测模型在实际光伏数据集上进行了测试。通过仿真获得的结果表明，在准确性和效率方面有显着提高。分解得到的不同频率的输入数据分别传送到不同的子模型。最后，重建子模型的结果以获得最终输出。所提出的光伏功率预测模型在实际光伏数据集上进行了测试。通过仿真获得的结果表明，在准确性和效率方面有显着提高。