太阳能辐射数据预测人工神经网络模型系列
- 格式：doc
- 大小：33.00 KB
- 文档页数：15
太阳能辐射数据预测的人工神经网络模型：应用浆纱独立光伏发电系统 摘要每天全球太阳能辐射预测 许多太阳能应用的数据是非常重要的，可能的 应用程序可以被发现在气象学中，可再生能源 和太阳能转换能量。在本文中，我们探讨 利用径向基函数（RBF）网络来 找到一个每天全球太阳能辐射数据模型 日照和气温。这种方法是 被认为适合预测时间序列。使用 每天的日照时间数据库，空气的温度和 全球太阳能辐射数据对应的典型 基准年（尝试）。RBF模型进行训练的基础 对300个已知数据的尝试，以这种方式，网络 训练有素的接受和处理了一些不寻常的 例。已知的数据随后被用于研究 预测精度。随后，未知 验证数据集产生非常精确的估计，与 平均相对误差（MRE）不超过1.5%之间 实际数据和预测数据，且相关系数 用于验证数据集得到的是98.9%，这一结果 表明该模型可以成功地用于 用于预测和每天全球太阳能辐射模型 数据从日照和气温。一个 对于独立光伏系统的施胶的应用已 本文提出以显示的重要性 这种建模。 关键词建模，预测，径向基函数 网络，全球太阳能辐射数据，上浆的光伏发电系统 一、引言 每天全球太阳能辐射数据被认为是如 气象学中的最重要的参数，太阳能 转换，和可再生能源，特别是对的 大小的独立光伏（PV）系统。这种类型的数据被视为时间序列，其 先进的按时间，时间序列建模包括 随机预测领域，信号的最优预测 样品（在最小均方意义上），给出了有限 过去的样本数。它是有条件的期望[ 1 ]，但 的条件期望的计算要求 对当前样本的联合概率的知识与 过去的样本，一般是不知道的。因为这个， 和条件期望是非一般的事实— 线性，找到解决问题的方法是数学棘手。 因此，对非线性信号设计方法 的预测都是次优的，他们只会尝试 近似的当前样本的条件期望。 这些次优的方法，如自回归（AR）[ 2 ] 预测，马尔可夫链[4-5]和ARMA模型[ 6 ]是 基于简化的统计假设 这并不总是真实的测量数据，这些数据也可以 用马尔可夫转移矩阵生成方法（MTM） [ 7 ]利用输入唯一的月平均辐射数据 （HM）。神经网络方法提供了一个很好的解决方案 这样的问题，因为它的设计是基于训练 因此，无统计学假设为源所需要的 数据。神经网络被广泛接受的技术 提供另一种解决复杂和不明确的方式 问题。它们可以被训练来预测结果 的例子。他们能够处理非线性问题，并 一旦训练可以在非常高的速度进行预测。的 一些研究人员利用神经网络 每天全球太阳能辐射数据的预测： Guessoum等人[ 8 ]利用RBF神经网络预测 阿尔及利亚太阳辐射数据，在他们的研究中，输入 输出对应于天小时太阳辐射数据（J） 第二天，H（J + 1），RBF模型预测太阳 1.36% k.s.statistics辐射数据的准确性。 mohandes等人[ 9 ]使用的数据来自41个记录站 沙乌地阿拉伯，到网络的输入值的纬度， 经度，海拔、日照时间，为了预测 月平均太阳辐射数据，测试结果 测站在16%。该等人[ 10 ]用 递归神经网络预测的最大的太阳 从相对湿度和温度的辐射，得到 结果表明，相关系数的差异 98.58%和98.75。 这项工作的目的是开发一个模型 每天全球太阳能辐射数据预测 日照时数和使用RBF空气温度 模型。 II。收集的数据 我们在这项工作中使用的气象数据 每日空气温度，日照时数和 全球太阳能辐射。这些数据被记录的 气象站位于阿尔及尔（阿尔及利亚） 在1980到2000期间相应。通过这个 我们组成了一个典型的数据库基准年。作为一个 例如，图1显示了一个全球性的一个典型的例子 每天的太阳辐射序列（全球辐射 在一个水平面上的每一天我，嗨），空气温度 （T）和日照时间（秒）。 三、径向基函数网络
RBF网络变得非常流行，由于几个 在传统的多层重要的优势 多层感知器（MLP）[ 11 ]： • 在径向基函数的特征提取的地方 隐藏神经元，允许使用聚类 算法和独立的RBF网络整定 参数 为一层非线性元件的充分性 建立任意的输入输出映射 • 聚类问题的解决方案可以执行 独立于体重在输出层 • 在几乎没有训练区输入RBF网络输出 空间是不是随机的，而是取决于密度 在训练数据集对[ 13 ]。 这些性质导致潜在的更快的学习 多层感知器训练的比较— 传播（BP）。在某种程度上，RBF网络允许我们 实现一个经典的思想训练层。 人工神经网络（ANN）计算可以 分为两个阶段：学习阶段和测试阶段。的 学习形式的迭代更新的突触相 基于BP算法[ 14 ]量。 在数学上，处理元件的功能可以 表示为： 其中B是偏差值，无线网络的突触权重，西是 输入数据。该节点的值的状态是由 激活函数F申请我们的实现，我们 选择物流激活功能： 在λ确定过渡区域的陡度。 RBF神经网络（图2）有一个相同的结构 只具有一个隐藏层的MLP，RBF神经网络应用于 隐藏层[ 14 ]它作为高斯的定义 平均“M”及其σ²方差，输出层可以是线性的 或非线性函数。网络的测定 参数具有相同的程序作为MLP，它也是一个 万能逼近器。也就是说，一个向量x有‘我’ 组件许继形成的RBF输入层，也就是 说一个隐藏层包含“H”和输出层的神经元， 输出层给出了： 在MI =（1，MI2，.......，Mik）的矢量平均 隐藏神经元的'我'，而我是重元素 输入“J”和“我的隐藏神经元之间。σ²是方差 从隐藏的神经元的'我'和Wi是体重的结合 隐藏神经元的'我'到输出层。测定的 我σ参数，我，和无线利用PB算法做了。 的目标是最小化误差（E）的定义： 其中n是一些例子，EI是错误 测量和预测数据之间的。 其中d = XL MI，K，µ1，2和3µµ学习率。 图2。神经网络的结构，采用 （径向基函数网络） 四、建立的模型 图3显示了图块的开发 模式365模式，总一直用这个 从这组研究，300种模式被用于训练 的网络和65作为测试 验证我们的模型。这给了建筑 最好的结果如图2所示。它有两个神经元 在输入层和输出层神经元。 然而，在隐藏层的神经元个数 必须在学习阶段的调整，使 网络可以有效的训练。开发的模型可以 可以产生每天全球太阳能辐射数据 只有温度和日照时数。 图3。开发的模型图块 在哪儿 ） （ˆK H 是预测每天全球太阳能辐射数据。 五、结果与讨论 一旦输入输出映射一个满意的程度 被达到，RBF网络的训练是冷冻和集 完全是一个未知的测试数据，应用 验证。许多不同的结构模拟后，我们 发现有一一个隐藏的获得最佳的性能 9层神经元。验证的最佳模型 预测结果和实际测量之间的比较 全球太阳能辐射数据，如图4所示。我们 观察到有几乎之间的完整协议 两个系列。
表1显示的统计特征（均值，方差 相关系数和MRE）每天测量之间的 全球太阳能辐射数据和我们的模型预测，它 被发现之间没有显著差异 预测和实测数据的统计特征 的观点。得到的相关系数为 验证数据集98.9%。同时，平均相对误差 不超过1.5%。在这方面，紧密团结这些 价值观是更好的预测精度。 表1。比较之间的预测 和测量每天全球太阳能辐射数据 六、光伏系统的施胶的应用 在这一节中我们将对一个应用程序 独立光伏系统的大小，以获得每日 全球太阳能辐射数据，通过我们的2001年度模型。在 我们选择了一个连续施胶方法[15,16]站— 独立太阳能光伏系统为了说明的重要性 这一预测。在ISO的比较— 可靠性曲线分别由我们的模型 测得的数据（这些数据记录使用 网络系统[ 17 ]）。图5显示的演变 根据存储容量的发电机容量 阿尔及尔的位置。这个ISO可靠性曲线允许 大小的独立光伏系统的2001年。据 一个注意这些ISO可靠性曲线，我们得到的 好的结果，这表明的重要性 预测全球太阳能辐射数据建模 仅从空气温度和日照时间。 ISO可靠性曲线图 表二显示最佳尺寸参数独立 光伏系统获得在阿尔及利亚的4个地点，这些 参数已经从ISO的可靠性曲线计算 4点对应。从这个参数我们可以判断 一些太阳能电池板和蓄电池的必要 给定的负载 表二 最佳尺寸参数 七。结论 本文介绍了如何可以预测和 每天全球太阳能辐射数据建模，是统计学 区分真正的存在是后来的 比较。序列的预测是一个非常 简单的方式，利用径向基函数网络，和 开始只有一个最小的输入数据，即 日照和温度的空气。可能的应用 被发现在气象学中，可再生能源和太阳能 转换能量。所开发的模型进行训练，预测 每天全球太阳能辐射数据。模型的验证 具有未知数据进行的，该模型没有 见过。1.34%的平均相对误差的预测 得到的。这种精度在可接受的水平 用于设计工程师。这种模式的优点是可以 预测序列和每天的太阳辐射数据的估计 只有空气温度和日照时数，这是 总是可用。 该模型的局限性表现在收敛性 时间，如果增加超过300的样本数据 收敛过程变得缓慢，因此它仍然使用 为了更快的算法来获得良好的收敛性（如快速 反向传播算法），或采用模块化网络。在 为了改善这些结果有关的其他参数的太阳 辐射必须被添加到网络的输入。 结果已经获得了阿尔及利亚气象 数据，但该方法可以适用于任何地理 地区。 今后的工作将包括适宜性研究 用于生成每天的太阳辐射数据的模糊神经网络模型，
