1.考虑天气影响因素的GRNN光伏发电预测方法，其特征在于，包括步骤如下：

(1)考虑温度湿度天气因素对GRNN网络输入神经元进行加权修正建模，即采用温度、湿度这两种天气影响因素对等间隔采样的光伏发电参数进行加权修正，分别采用三种天气模型进行建模，将该修正网络与GRNN模型的组合称之为修正GRNN模型；所述三种天气模型为一次模型、二次模型与指数模型；

所述的步骤(1)中，以一组特定加权系数组合修正的输入神经元组合来训练GRNN网络，选择预测误差最小的做为相对最优修正GRNN模型；由于温度与光伏发电参数呈正相关，故温度参数的加权系数在0～1之间，而湿度与其呈负相关，故湿度参数的加权系数在‑1～0之间，原始数据为光伏发电参数X，经过加权修正模型之后的参数为I，预测之后得到的参数为X＝(X1,X2,…,Xi,…,Xa)，Xi＝(Xi,1,Xi,2,…,Xi,j,…,Xi,b),I＝(I1,I2,…,Ii,…,Ia)，Ii＝(Ii,1,Ii,2,…,Ii,j,…,Ii,b)，其中i代表天数的序号，总天数为a，j代表一天中的原始样点序号，一天的总原始样点数为b；

一次模型的计算公式为

Iij＝(1+a1×tij+a2×hij)×Xij     (1)

二次模型的计算公式为

2 2

Iij＝(1+a11×tij+a12×tij+a21×hij+a22×hij)×Xij    (2)指数模型的计算公式为

以上公式中，tij为归一化温度参数，hij为归一化湿度参数，a1为一次模型的温度参数的加权系数，a2为一次模型的湿度参数的加权系数，a11,a12为二次模型的温度参数的加权系数，a21,a22为二次模型的湿度参数的加权系数，a3为指数模型的温度参数的加权系数，a4为指数模型的湿度参数的加权系数；

(2)对天气预报的各种天气类型条件下的光伏数据，根据灰色关联度的大小选取单日和多日训练模型下的训练数据；

(3)利用步骤(2)得到的训练数据，分别针对点预测和小时预测确定GRNN输入输出的神经元构成，所述点预测表示预测目标为以最小采样间隔定标的一个数据点，即GRNN输出的为一个神经元；所述小时预测表示预测目标为以小时为单位的若干段以最小采样间隔相邻的连续数据点，即GRNN输出的神经元个数为大于1的整数；

(4)基于修正GRNN模型进行训练，分别获得各种天气类型条件下的单日或多日训练模型下的三种天气模型的所有组合，其中在每一种组合下相对最小预测误差下的最优系数组合及神经网络模型即为全局相对最优修正GRNN模型；

所述的步骤(4)中，首先确定神经网络的输入输出神经元，以设定的步长在加权系数的取值范围内改变取值，要求遍历相应各步长下的所有系数组合，记录每一组系数训练获得的相对最优修正GRNN模型下的最小预测误差，上述最小预测误差中最小值所对应的加权系数组合即为相对最优加权系数；

(5)用上述训练好的每一种组合下的全局相对最优修正GRNN模型来对测试样本进行预测；对同一种天气类型的点预测或小时预测，分别比较单日或多日训练模型下的三种天气模型及系数组合的预测误差，所得的最小误差对应的全局相对最优修正GRNN模型为最终相对最优模型。

2.根据权利要求1所述的GRNN光伏发电预测方法，其特征在于，在步骤(2)中，I是规模为a×b的向量矩阵即a天的修正数据序列，将a组b维序列作为比较序列，参考序列A也是一b维序列，序列的每一个元素是I矩阵中对应序号列的所有元素的平均值，参见公式：式中i代表天数的序号，j代表一天中的原始样点序号；

所述根据灰色关联度的大小选取单日和多日训练模型下的训练数据的具体步骤是：对于单日训练模型，将与参考序列灰色关联度最高的比较序列即某一日的修正数据作为修正GRNN模型的训练数据源，其余各比较序列即其余各日的修正数据依次作为修正GRNN模型的测试数据源；在多日训练模型中，采用c天的修正数据作为修正GRNN模型的训练数据源，其中c≥0.5a，该c天的修正数据是由比较序列与参考序列进行灰色关联度排序得到的前c名比较序列组成的规模为c×b的向量矩阵，剩余d天且d＝a‑c的修正数据作为修正GRNN模型的测试数据源。

3.根据权利要求2所述的GRNN光伏发电预测方法，其特征在于，步骤(3)中,在点预测过程中，采用一个小时的数据预测一个点数据，即若一小时点数为n，第1到第n个点作为输入，对应的输出为第n+1个点，第2到第n+1个点输入，对应的输出为第n+2个点，每次移动一点滚动建立输入样本；输入神经元为n个，输出神经元为1个；

在小时预测过程中，采取k个小时的数据按点滚动预测f个小时数据,其中k﹥f且f≥1；

此处按点滚动预测的具体做法：若一小时点数为n，输入为1到k×n个点，对应的输出为k×n+1到(k+f)n点，第2到第k×n+1个点输入，对应的输出为第k×n+2到(k+f)×n+1个点，每次移动一点滚动建立输入样本；则输入神经元为k×n个，输出神经元为f×n个。

4.根据权利要求3所述的GRNN光伏发电预测方法，其特征在于，步骤(5)中，用上述训练好的全局最优修正GRNN模型来对测试样本进行预测；与实际曲线进行比较，得到预测误差；

针对三种天气模型所得的误差，通过比较，选择相对最优模型；单日测试模型以及多日测试模型下的均方根误差计算方式均与训练时计算方式相同；

单日训练模型下，在训练完毕，对每一种天气模型仅获得唯一一组相对最优加权系数组合，依次将除训练数据外的任意一天作为测试样本，记录下每次预测的光伏参数序列再将a‑1天预测的光伏参考序列 以及对应实际的光伏参考序列分别拼接成一个整体，计算误差，比较一次模型、二次模型和指数模型得到的最小误差选择相对最优模型；

多日训练模型下，记录下最优加权系数组合以及误差；比较一次模型、二次模型和指数模型得到的最小误差来选择相对最优模型。