1.一种基于灰色神经网络的太阳能收集功率预测方法，其特征在于，包括以下步骤：步骤(1)收集若干天每天同一时刻太阳能数据及影响太阳能因素数据，影响太阳能因素包括温度、湿度、风速；

步骤(2)建立灰色预测模型：运用灰色模型对原始太阳能训练数据序列进行预测，得到中间预测结果；

具体步骤如下：

①设 为原始数据序列，经过一次累加生成1-AGO序列 记为

②将原始训练数列 表示为x(t)，一次累加后的生成的数列 表示为y(t)，预测的结果用z(t)表示，建立微分方程式中y2,y3,..,yn为系统输入参数，y1为系统输出参数，a,b1,b2,...,bn-1为微分方程系数；

其中参数列 可用最小二乘估计得到为其中，

③求解微分方程

微分方程对应的时间响应式为

令

则 即为灰色预测得到的太阳能收集功率序列 此处的预测结果是中间预测结果，将作为神经网络模型的一个输入；

步骤(3)建立神经网络模型；

将灰色预测得到的太阳能收集功率序列 和原始影响太阳能因素训练数据序列作为BP神经网络的输入，原始太阳能训练预测数据序列作为网络的输出，建立BP神经网络模型；

在对BP神经网络进行训练之前，要对样本数据进行归一化处理，避免隐含层某神经元处于饱和状态以及数据间数量级的差异；在使用经过学习后的网络时，对网络的输出数据还应进行反归一化，恢复最终的预测值；

步骤(4)预测太阳能；

预测时，调用已训练好的BP神经网络，输入原始太阳能样本数据序列和原始影响太阳能因素样本数据序列，得到灰色神经网络预测值至此，经过步骤(1)，(2)，(3)，(4)，就建立了灰色神经网络的太阳能预测模型。

2.根据权利要求1所述的基于灰色神经网络的太阳能收集功率预测方法，其特征在于，所述的步骤3包括①对样本数据进行归一化处理

归一化的公式：

式中sn表示映射后的数据；s表示所收集的一组数据；maxs表示这组数据的最大值；mins表示这组数据的最小值；

②对网络的输出数据进行反归一化处理，恢复最终的预测值反归一化的公式：

s'＝mins+a(maxs-mins)式中s’表示最终预测值；a表示经过神经网络预测的预测值；

③反复训练，建立映射关系

用基本反向传播算法来训练网络，设置训练目标误差，以得到隐含层和输出层相应的权值，实现误差可控；经过反复训练后，神经网络就是原始太阳能训练数据序列和太阳能收集功率灰色预测结果的映射关系。