邢毓华，李凡菲

(西安理工大学自动化与信息工程学院，陕西 西安 710048)

1 引言

太阳能具有清洁、来源广、可再生等优点，近些年来成为重点开发的对象[1，2]。光伏充电站具有安全可靠、无噪声、无污染、成本低等优点，是未来充电站的主要发展方向之一[3，4]。随着光伏充电站数量的急剧增加，其故障问题愈发突出，因而对故障的维修显得格外重要。而不同技能的维修人员维修不同难度的设备所用的时间不相同，因此，对已发生故障的设备进行维修时间预测，及时得到反馈信息，可为故障设备的维修及维修人员的调度提供指导与依据。

当前用于数据预测的模型主要有时间序列模型[5]、线性回归模型[6]、灰色模型[7，8]、神经网络[9-12]等。由于神经网络具有良好的非线性及灵活性，能学习和储存大量输入输出模式的映射关系，并且不需要描述这种映射关系的数学方程，因此在预测模型中应用的最为广泛。参考文献[13]针对电力负荷预测方面的问题，提出了一种基于粒子群优化算法，小波变换和神经网络的组合预测模型，来实现对风力发电量的预测。参考文献[14]采用BP神经网络预测了电动汽车的剩余电量，但最大预测误差达到了57%，不能准确预测期望值。参考文献[15]采用BP神经网络预测了光伏发电功率，预测的相对误差在25%～30%。由于BP神经网络初始权值和阈值的不同，易导致计算不收敛或陷入局部极值点，从而使得预测误差较大。而通过遗传算法优化BP神经网络的初始权值和阈值[16-18]，可有效避免算法陷入局部极值点，达到提高计算精度的目的。……