数据包括历史光伏逆变器数据，首先利用pycaret筛选模型，后使用tensorflow-keras框架构建lstm完成光伏发电预测

基于GA_BP神经网络的光伏出力预测 基于GA_BP神经网络的光伏出力预测 详细请见：https://blog.csdn.net/weixin_56691527/article/details/127998147?csdn_share_tail=%7B%22type%22%3A%22blog%22%2C%22rType%22%3A%22article%22%2C%22rId%22%3A%22127998147%22%2C%22source%22%3A%22weixin_56691527%22%7D

对光伏出力预测的优化设计，实现了部分功能

采用自回归滑动平均模型进行风电预测，采用多元线性回归预测算法进行光伏预测，采用分段线性化法处理微型燃气轮机燃料费用与发电功率的关系，建立考虑充放电效率与状态的蓄电池模型。以微电网内燃料费用最低和从外部电网购电费用最低为优化目标，调用蓄电池储放能，优化微电网的运行控制策略。使用CPLEX软件求解优化函数并给出优化运行结果，结果表明所提的运行优化策略发挥了蓄电池逢电价低储能、逢电价高放能的作用，比传统的仅考虑燃料费用的控制策略节省了运行费用。

基于神经网络的短期光伏预测方法通常需要大量训练样本，对于新投运的光伏电站，历史运行数据的不足使得常规短期光伏预测方法难以应用。针对该问题，提出一种适用于小样本的双层神经网络单步光伏预测方法。根据光伏发电各环节影响因素的解耦特性，将常规单层神经网络拆分为双层网络，使每层网络具有简化的结构；用单步预测代替多步预测，降低神经网络的输入输出维数；基于统计分析，将天气影响因素有效整合到预测模型中，简化输入输出之间的映射关系。使用实际数据对所提光伏预测模型进行训练和验证，结果表明，所提方法可有效减少对训练样本数量的需求，同时保证预测的准确度。

python书中的代码，可以很快的习得BP神经网络，并且其中提供了修改后的预测程序