预测光伏系统神经网络在二十四小时提前发电的应用

预测光伏系统神经网络在二十四小时提前发电的应用淳Yona的，学生会员，IEEE，智信Senjyu，高级会员，IEEE，艾哈迈德优素福军刀，会员，IEEE，年寿船桥，高级会员，IEEE，关根英臣，和澈焕金，高级会员，IEEE摘要：近年来，重点是环境来自化石燃料的消耗造成的污染问题，例如，煤和石油。因此，介绍的替代能源的如太阳能预期。然而，日晒不常数和光伏输出（PV）系统影响的受气象条件。以预测的功率输出用于光伏系统尽可能准确，对于方法日照估计是必需的。在本文中，作者拿每月日晒考虑，并确认利用神经网络由预测太阳辐射的有效性计算机模拟。该方法利用任何气象-rological数据，并且不需要复杂的计算和数学模型。关键词：神经网络，提前24小时预报，功率输出光伏发电系统，太阳辐射预报。引言我Ñ近年来，引进替代能源如太阳能预期。太阳能是很好因为没有CO2排放被称为清洁能源。因此，光伏（PV）系统得到了迅速的交流ceptance一些用于替代的最佳解决方案能源。然而，日射不是常数和光伏发电系统的输出是由日照和天气的影响条件。使用蓄电池是可行的措施，以稳定的输出功率的光伏系统。但是，它需要额外的费用和结果在使用存储额外的浪费电池。但从提高了控制的点电力系统的性能，应该有一个估计光伏发电系统的输出尽可能准确的。因此，需要一个良好的日照预测方法。虽然技术预测光伏发电系统的基础发电功率对日晒的预测被认为是一种有效的方法实际应用中，微分方程需要解决通过使用大量的气象数据。然后，执行这些技术将导致更高的成本。淳的Yona和智信Senjyu与ELEC-部Trical公司与电子工程，工程，大学学院琉球，琉球，日本（电子邮箱：[e-mail]，[e-mail]）艾哈迈德优素福军刀是机电部和电脑工程，阿卜杜勒阿齐兹国王大学，KSA（电子邮件：[e-mail]）。年寿船桥与明电舍株式会社，东京，日本（E-电子邮件：[e-mail]）。关根英臣与教育技术系，学报-SITY琉球，琉球，日本（电子邮箱：[e-mail]）汤振辉金正日是电子与计算机工程学院，成均馆大学，水原440-746，韩国和NPT中心（E-电子邮件：[e-mail]）。为了克服这些问题，有必要为预测-ING技术是廉价的和易于使用。应用神经网络被称为一个方便的方法进行预测。这是可能的，只有气象预报日照数据。大多数的论文报道应用饲料的前馈神经网络（FFNN）为日照预测[1-3]。然而，这是难以用FFNN预测暴晒。本文提出的光伏功率输出预测根据日照预测在24小时领先对手系统使用三种不同的神经网络模型。选定机型FFNN，径向基函数神经网络（RBFNN）和复发神经网络（RNN）。RBF神经网络是选择了它的结构简单性和通用逼近性[4,5]。自RNN被称为时间序列数据预测的好工具[6,7]，RNN选择在本文中。一个很大的努力已经取得了对太阳辐射和利用神经网络发电预测方法。Neverthe-少，笔者想探讨进一步可能性，这对彼等所知从来没有被审查。在任何其他纸张，似乎被什么缺乏的是表现比较几种类型的神经网络的日晒预测。有一个有效的论据。由于太阳辐射的波动根据天气情况，依据的预测结果利用神经网络通常是在逐案。所提出的技术应用神经网络的了解只有气象数据，并根据预测日进行测试。输出功率光伏系统的计算方法中脱颖而出，铸造日照数据。该方法的有效性通过比较上述的预测能力的证实提到神经网络的计算机模拟在24小时反超。在电力公司，日照预测是一个重要的工具，用于利用所述混合动力系统与存储电池，太阳能电池，风力发电机等，例如，量的蓄电池能量很容易被预测的数据来确定。这些决定有利于混合动力的有效运作动力系统，因此其盈利能力取决于预测技术。二。神经网络图。图1示出的学习算法的流程图NN本文采用。NN表示为如图中图的左边。一，在比较预测的目的每个应用神经网络的结果，输入数据的基础上，同样的气象数据。在FFNN，学习资料发送到每个层之间的一个方向FFNN和RBF神经网络之间的不同之处在于径向基神经网络具有径向基功能隐藏层。神经网络的学习NN的计算I0打印预测值I神经网络的学习FFNNRNN隐藏层输出层教学信号D218小时后在过去48天气象数据前18小时太阳辐射数据输入气象数据气象数据D1前18小时在过去48天输入层RBF神经网络1。学习神经网络算法另一方面，RNN具有一个反馈结构，从隐藏的信息传递层在学习算法输入层。即主FFNN和RNN之间的差异。神经网络学习通过重复这些信息传输。在太阳辐射预报，气象数据使用对于学习每个NN是相同的（为48的周期天）。预测结果是通过使用每个神经网络与获得上述学习算法和预测技NIQUE。对于应用更详细的结构和技术每个神经网络都提到了第二部分A，B和C。A.前馈神经网络图。图2示出具有l和m的单位FFNN在输入层和隐藏层和n个单位输出层。这些单元是用线性耦合和x1〜xlare输入数据到连接NN。有各单元之间的连接权值。产量隐层单位由转换为非线性值双曲正切S型函数。该功能是作为如下：他输入的数据。反向传播（BP）的方法是采用学习NN。通常，BP被解释如下。首先，在隐层单元嗯的输出被发送到输出机。然后，输出单元的输出与比较针对在图中所示的信号的技术需要评估。2，最后，以尽量减少均方误差余量，每个连接权重和每个单元的输出值在直线方向改变行从输出层到输入层。在本文中，列文伯格-Marquardt算法采用更新每个连接重量单位[8]。动量和学习系数项是参神经网络eters。在动量项促进学习速度并通过改变单元，每个单元的连接权重迅速作用。学习系数参数最好是大的。然而，如果它太大，则网络变得不稳定。我们假定神经网络模型的均方误差范围不应该是不稳定的。图。2。前馈神经网络图。3。径向基函数神经网络。图。4。递归神经网络（艾尔曼类型的模型作者通过确定这些参数试错法。B.径向基函数神经网络图。图3示出具有l和m单元的RBF神经网络在输入层与隐含层和n个单位的产出层。产量隐藏单元嗯是由径向基函数进行转换。确切的插值问题需要每一个输入向量，精确地对相应的目标向量映射。该为RBFN下面的解释是从总结[4]。从一个d维输入空间x考虑的映射到一维目标空间吨。该数据集由N输入向量XP，连同相应的目标TP。该目标是找到一个函数h（x），使得该RBF神经网络方法引入了一组N个基函数，1对于每个点，它的形式为φ（ΔX-xp的？）因此，该第p个这样的功能取决于之间的欧氏距离x和XP。输出映射，然后取为线性的基函数的组合由方程给出的插值条件。然后（3）可以是写成矩阵形式为当重wpin式。（3）被设置为给定值由方程。（4）中，函数h（x）表示的连续不同设备可微面精确地通过每一个数据点。几种形式的基础功能已被认为是，对于例如，（5）。其中，σ是一个参数，其值可控制的平滑度该插值函数φ的性质（x）的。虽然学习在输出单元基于RBF神经网络是在本文中，隐层单元采用BP像FFNNHmofRBF神经网络采用的方法的解释续集。学习RBF神经网络的目标是尽量减少求和，平方误差函数的定义由式。（6），其最小，可以发现在一个线性方程的解的条件（7）。权重的形式解由下式给出其中P是格局指数，T（=DPK）是目标信号，OPK是输出，W是加权矩阵，和Φ†是伪逆的Φ。由此，重量可以由快速，线性矩阵中找到反演技术[4]。C.回归神经网络图。图4显示的Elman型神经网络的递归神经网络模型。单位RNN的特性是一样的FFNN，并它学会用BP。然而，RNN有一个上下文层。这层中含有隐层有延时线的副本，并增加一条，作为反馈结构。上下文层反射输入和输出层的信息的结构RNN，由隐层中间的反馈结构。由此，在过去的信息被保持到RNN随着学习的进展。在图4，Ytis的输出隐层和YTN是上下文层的输出。YTN由下面的等式表示：其中，r被称为残存率。r的值之间变化0和1。如由RNN学习的结果，过去的信息是反映到RNN。在时间序列数据预测，就很难通过使用简单的FFNN维持过去的信息。但RNN的组合物具有反馈结构，所述图。5。时间框架的学习天选择。图。6。大气暴晒D.神经网络的设计在本文中，要比较的预测性能每个神经网络仿真，神经网络的学习每一个参数，例如，单位，学习系数和输入数据数目是固定的。隐单元的数目Hmare决定，以尽量减少神经网络的输出误差由仿真结果利用学习数据。也有一些方法用于获得数隐层单元，HM，然而，不存在通用的解决方案针对此问题[7]。本文试错方法被用来确定隐单元的适当数量。因此隐藏层单元的数目由下式确定使用事先预测的学习资料。详情学习在第二节E.数据的解释E.输入数据总共48天的气象数据用于学习的神经网络。如该图所示。5，过去从16天前一天预测的前一天，和过去的16天，后预测一天前一年被认为是为选择学习日的神经网络。在每过去一天，NN是由每一个图案数据了解到24小时前24小时，超前。如果预测一天改变了，学习的日子选定以相同的方式。太阳辐射的变化有很大季节变化。因此，很难对预测的日照同样的研究条件。因此，与神经网络关联和日照数据预测是通过使用数据加强在大气中的日照量。“大气日射“是友军打过来，以单位面积上的大气层外，即“大气太阳总辐射”[9]。如图所示图。6，在恒定的大气暴晒变化规律性每年。在日照预测，变成有效地使时间的推移学习神经网络与大气暴晒。此外，预测温度作为神经网络的学习资料。由于温度强烈由日照变化的影响，日照预测是通过使用预测温度神经网络的相关性提高。考虑到输入数据，该研究基地的面积预测在那霸市，冲绳县在日本。神经网络的学习数据从宏伟的观测数据和网格点导出在2003-2004年的周期值（GPV）的数据，可从日本气象业务支撑中心[10]。图。7.GPV和预测区域。图。8。GPV（温度）的具体数据。图。9。观察GPV的时间间隔。当然预测数据与实际的地面观测相比数据。严格地说，GPV为日常营运天气预测的数值预报提供的数据迪维-日本气象厅（NPD/JMA）的锡永用于本案例研究。NPD/日本气象厅生产多种航空这是从派生的数值天气预报产品天气预报（NWP）的输出数据。中尺度数值预报模型（MSM）的数据被用于提前24小时预测模拟本文。图。图7示出了GPV区域R1和预测区域P1中，用于本文中的数据。图。8显示了GPV的18小时观察时间。该P1和R1之间很强的相似性是由图证实。8，另外，GPV和相关系数大系观测数据（2003）被示于表Ⅰ的相关性通过计算系数克里斯：其中n是数据的数量，i是预测时间，X和Y是意思是X和Y的值，σX和σY是标准偏差表IGPV和大基观测相关系数数据（2003年）。风速0.4105温度0.9230压力0.8633相对湿度0.5424表二输入气象数据。大基观测（输入）X1日照在1-18小时前GPV数据（输入）X2温度在1-18小时内提前（R1）计算值（输入）X3在未来1-18个小时大气暴晒大基观测（输出）T1日照在未来1-18个小时T2温度在未来1-18个小时的X和Y。如果Cr是接近1.0之间的相似性P1andR1are高。如表I所示，可以看出该温度具有较高的相关性，而不是其他的数据。因此，在预测的温度数据被用于训练神经网络在本文中。输入数据的观测间隔被表示在图9，和输入的数据在表II中进行说明。图。图8和9，18Z通过协调世界时（UTC）表示。如果它是变更为日本标准时间（JST），这将是凌晨3:00在本文中，预测时间是凌晨4:00后开始24小时超前。虽然缺乏数据的预测中，预计时，有可能获得太阳辐射的预测值利用从先前的时间数据的分布。三。仿真结果表II中示出了输入数据，和表III中示出了参数神经网络的学习。在本文中，以比较每个神经网络的预测性能仿真，每个NN，例如，学习系数和输入数据的参数，是有限的。学习的迭代次数被决定，例如该神经网络的学习不应该过分学习。然而，本隐层单元的数量决定，以尽量减少