matlab

% 步骤1：加载光伏发电功率数据
load(‘solar_power_data.mat’); % 假设数据存储在变量power_data中

% 步骤2：数据预处理
% 将数据归一化到[-1, 1]的范围
minPower = min(power_data);
maxPower = max(power_data);
normalizedData = (power_data - minPower) / (maxPower - minPower) * 2 - 1;

% 步骤3：划分训练集和测试集
trainRatio = 0.7; % 训练集比例
trainSize = floor(trainRatio * length(normalizedData));
trainData = normalizedData(1:trainSize);
testData = normalizedData(trainSize+1:end);

% 步骤4：创建BP神经网络
hiddenLayerSize = 10; % 隐藏层神经元数量
net = feedforwardnet(hiddenLayerSize);

% 步骤5：训练BP神经网络
net = train(net, trainData, trainData);

% 步骤6：使用BP神经网络进行光伏发电功率预测
predictedData = sim(net, testData);

% 步骤7：反归一化预测结果
predictedData = (predictedData + 1) / 2 * (maxPower - minPower) + minPower;

% 步骤8：绘制预测结果曲线
figure;
plot(power_data, ‘b’, ‘LineWidth’, 2);
hold on;
plot(trainSize+1:length(power_data), predictedData, ‘r–’, ‘LineWidth’, 2);
xlabel(‘时间’);
ylabel(‘光伏发电功率’);
legend(‘实际值’, ‘预测值’);
grid on;
请注意，以上代码仅为示例代码，实际应用中可能需要根据具体情况进行修改和优化。此外，代码中使用的数据集和参数需要根据实际情况进行调整。另外，神经网络的训练过程可能需要更多的参数调整和模型优化步骤，这里仅提供了一个基本的示例。