电气能源由太阳能光伏系统所产生的使用神经网络方法的预测

电气能源由太阳能光伏系统所产生的使用神经网络方法的预测定中宇电机工程学系科学与龙华科技大学台湾桃园[e-mail]萧泽畅电机工程学系科学与龙华科技大学台湾桃园[e-mail]摘要：本文的目的是为了预测电使用的方法由光伏系统所产生的能量神经网络。一个数据库，其中包括实际测量电能和气象条件的参数可以影响由光伏产生的电能系统（光伏系统），被预先建立，以用于在电能的预测。在MATLAB/Simulink软件在本文中用于建立与一个神经网络模型为了学习的反向传播网络算法预测光伏系统产生的电能。后观察电能的预测和分歧的结果评价，可以发现，所提出的神经网络模型能够准确地预测所产生的电功率和不同天气条件下的输出电流。可行性并提出预测系统的精确度，然后验证。关键词：光伏系统，神经网络，反向传播网络。一引言目前，电能量的主要来源，如火电和核电发电通常会导致环境的污染并带来对地球造成严重损害。因此，许多新兴的绿色能源进入存在并把公众的关注。太阳能是一个无公害能源，并且可以被转换成电能很容易地通过太阳能电池。因为有许多因素，如辐射，太阳能电池气温，日照升高，屏蔽覆盖率，空气质等，可以影响发电光伏系统。因此，很难获得准确的仅由表象金额光伏能源天气条件。本文的目的是建立一个完成预测系统，可以估算电由PV系统的长时间内产生的能量。建议的预报系统是基于已建立的神经网络反向传播的学习规则为了准确估计电网（BPN）受天气下的有限光伏系统发电量条件。很多文献[1,2,3,4,5]相关的神经网络已经提出了在这些年。E.C.王中提到他的研究[1]，神经网络比更准确传统的时间序列方法很长一段时间的预测。J.M.王和XH亮[3]采用的神经网络方法以GDP（国内生产总值）的预测。结果表明相当不错的预测值均高于更准确这些预测的趋势外推法。在文献中[4]提出由L.王，W·吕和S.江，不同的预测方法，如回归分析，指数平滑，灰色理论，神经网络等方面均比较了预测导弹的故障时间。神经网络方法被证明有最好的预测效度根据在文献中所示的结果。而且，有它来源于神经许多研究方法网络，如遗传算法（GAS）[5]，小脑模型关节控制器（CMAC）等等。由于光伏系统产生的电能的量影响容易由于天气的变化。因此，可以发现从李某的研究[6]认为训练数据对预测方法，如比较重要的神经网络。训练数据的选择会影响到输出的神经网络和预测效度。它应该有为了足够的数据和相应的参数选择有对神经网络方法准确预测。本文共分为五章。第1章简要介绍本文的背景，动机与目的。第2章介绍了神经网络，该理论的结构反向传播网络和培训的排序方法数据。该系统结构，模型建立和学习本文采用的方法列在第3章的的预测和测量电能的比较是在第4章所示。最后一章是讨论和结论。二。结构的神经网络神经网络也被称为人工神经网络。在简单地说，人工神经网络是基于人类的想法神经元，并使用人工神经元的数量很多模仿神经网络的生物功能。神经网络是一种计算系统，包括硬件和软件。它可以学习，记忆和建立通过处理外部信息的方式系统模型为了预言和自诊断功能。该人工神经网络的基本结构示于图1。图。1可以转化为数学方程来说明人工神经元的输入和输出的关系。神经元输入（激活）：神经元的输出：电话号码：网络输入向量;W：互连权重（突触）;B：偏见;F：传递函数;一：网络输出。人工神经网络的图1基本结构为了使神经网络的正常运行，这是必要的神经网络使用适当的培训方法反复学习，直到每个输入正确对应于期望的输出。神经的输出网络是喧嚣的网络进行训练之前。该在神经网络的互连权重将逐步随着越来越多的培训时间，以调整最小化的目标值和输出之间的误差神经网络的值。反向传播网络是最普遍的1并且在神经网络代表学习规则。这是基于多层，前馈拓扑结构，与监督学习。一反向传播的基本结构网络示于图2，本算法可以划分为前馈和反向传播阶段。在所述前馈现阶段，反向传播网络开始以随机比重在它的突触。然后将其暴露于训练集输入数据和输出的应顺应每个输入。在反向传播阶段，网络的权重是增量调节和之间的误差目标值和输出值传播回网络。反向传播网络的理论基础上，梯度最速下降法修改网络的想法权重。网络权值沿负感动性能函数来获取至少梯度的意思方误差。等式用于计算最小均方误差可以表示为：？：估计;？：估计的参数;VAR：方差;偏见：偏见的估计。在训练过程的第一步骤中进行反向传播网络是建立网络的相关参数和初始化权重和偏置随机号码。接下来的步骤包括训练数据的输入，输出以及误差计算隐藏层和输出层，并且重量调整隐层和输出层。完成后，网络的训练过程中，目标值的收敛性被检查。如果收敛达到极限，训练程序停止，得到的输出。否则，该训练过程将重复进行，直到达到收敛极限。图。3是一个反向传播的培训流程图网络。图2：基本一个反向传播网络的结构反向传播网络图3。培训流程图本文采用隐层的传递函数是双曲正切函数。输出层采用线性传递函数来改变一个神经元的内部激活到它的输出。双曲正切函数可以是表示为（4），并在图中所示。4。自的双曲正切函数的值是在的-1和1的范围，因此，在训练数据应该是使用它们的网络中之前归一化。数据归一化是之前的输入和目标数据的缩放网络培训。方程（5）是用于计算表达数据归一化。网络的训练后的输出也是一组归一化数据。它需要以被规格化以获得的实际输出数据。该公式用于计算数据非规范化如下，PN：归一化数据;号码：原始数据;MAXP：最大的原始数据;MINP：最小的原始数据;病人：非规范化数据;T：神经网络的输出值。的双曲正切函数的图4。图三。架构FORECASE体系及地点中提出的预测系统的建立过程在本文中，实际的数据由光伏系统测量安装在科学和技术在龙华大学台湾桃园用于网络训练和验证。光伏系统的额定输出功率为6.8KW。功率产生数据和光伏系统的气象数据被记录成存储在计算机中的数据库。太阳能的数据产生的辐照度，太阳能电池的温度，电流和功率由PV系统从所说的数据库中提取以上是预报系统的训练数据。太阳的辐照度和太阳能电池的温度被设定为输入网络的变量。电流和功率被设定为网络的输出变量。如果该预测系统被建立，该预测的电能可以是的天气条件下的测试数据之后获得的输入。在为了验证该预报系统的精度，预测值和实际测得的电能将相比于本文。实际测得的数据从2006/1/1至2006/12/31的曾经是本文提出的神经网络的训练数据。他们是从四季的数据库中提取平均为了使预报系统能准确预测电能常年。此外，不合理，无意义的数据应被排除训练数据来防止错误的结果。包括在Matlab/Simulink的神经网络工具箱用在本文中以建立与一个神经网络模型反向传播学习规则，这是示于图5。隐含层和输出层采用双曲正切函数和线性函数作为其传递函数分别。可以得到建议的预报系统经过神经网络模型已经被训练。图5：在Simulink反向传播网络的结构一组4128的数据被用在本文中是训练神经网络的数据。一般而言，网络的隐蔽层被设置为一个或两个层，并且将具有最佳收敛作用[7]。反向传播的隐藏层本文所采用的网络被设置为1层。后反复测试网络的预测效果，数在隐藏层所用的神经元被设置为4的神经元。此外，培训时间和动量修正系数也会影响的预测值的精确度。在同样，经过反复测试培训时间和动量修正系数被设定为500和0.01分别。有在神经网络的许多训练方法。其中，最速下降法[8]有一个体面的当数据是远离最佳点收敛。然而，当数据是接近最佳点的速度收敛速度越来越慢，由于较小的梯度。牛顿迭代法[9]具有优良的收敛而数据接近最佳点。采用Levenberg马奎德方法（LM方法）[10,11]相结合的优点最速下降法，牛顿拉夫逊法，并且是在本文中使用。当LM方法是用来调整网络的权重，网络具有快速的效果收敛。与其他训练方法，LM相比方法可以有相对较小的均方误差。四。仿真结果与比较从数据库中提取关于2008年3月15日的气象数据，2008年6月15日，2008年9月15日和2008年12月15日分别被用作在神经网络的模拟测试数据。实际电流和功率的光伏系统产生的测量数据在这些特定的日子将与模拟相比在建议的预测系统，以验证其预测有效性。测量和预测之间的比较数据示于图6至图9。均方误差（MSE），相关系数和指数的协议（IOA）用于本文中来评价实际测量与预测数据之间的分歧。后训练提出预报系统，MSE获得是0.0062301，训练和测试相关系数分别为0.98683分别0.98987。索引的结果协议实际测得的数据和预测数据通过所提出的系统的模拟中列出了表Ⅰ。从图中所示的结果。6至图9，可以发现在本文提出的预测系统可以准确预测的光伏系统中所有产生的电流和功率一年四季，它的准确度，然后验证。中这些预测数据，其中一些已略有啤酒错误。这些错误是由下列可能引起原因：（1）训练数据的数量是不够的，并且它会影响网络输出的准确性;（2）数输入变量是不够的。除太阳辐射和太阳电池的温度，太阳光的仰角和遮光率太阳能电池也影响由所产生的电能光伏系统。据认为，所提出的预测系统将有更准确的结果，如果上述因素考虑。电流和功率的测量和预测数据的图6。比较电流和功率的测量和预测数据的图7。比较电流和功率的测量和预测数据的图8。比较电流和功率的测量和预测数据的图9。比较表一协议实际测量数据的索引和模拟了所提出的系统预测数据协议索引日期当前功率五。结论本文的目的是建立一个预报系统可使用预测光伏系统的电能神经网络方法。这一预测系统采用回传播学习规则来训练神经网络，以准确地估计所产生的电流和功率。从比较和发散评价图中所示在前面的章节中，可以看出，所提出预测系统能够准确地估计电能由光伏系统产生的所有全年。精度并提出预报系统的可行性，然后验证。在比较数字，一个数的预测数据与较大错误可能是由于该原因，培训数据的数量而在网络训练使用的输入变量是不够的。据认为，所提出的预测系统将具有更准确的结果，如果提到的原因可以考虑和在今后的研究改进参考[1]颜周王，人工神经网络的应用和时间一系列关于环境空气质量（PM10）在台南的预测地区，硕士论文，立德大学，台湾，2006。[2]Z.才庆，问：若男，和Q之文，“比较BP和RBF神经网络预测由居民消费水平MATLAB中，“国际计算机与电气会议工程，2008（ICCEE2008），pp.169-172，20-222008年12月。[3]JM王，XH亮，能源需求的“人工的预测神经网络，人工智能“国际会议计算智能，2009（AICI09），第31〜35，2009年11月7日至八日。导弹[4]王凌，W.吕，S.江，“数据融合预测模型基于人工神经网络，“国际故障时间会议计算，控制与工业工程（CCIE），2010年，第二卷，:24-27，2010年6月5-6日。[5]刘春梅，“价格预测黄金期货基于GA-BP神经网络方面，“国际会议管理与服务科学，2009（MASS'09），页4，2009年9月20日至22日。[6]云周利，鉴定和利用颤振导数预测人工神经网络，硕士论文，中原大学，台湾，2004。[7]易程野，神经网络的应用与实现型号，台北：汝林出版公司，2009。[8]一月A.Snyman先生，实用数学优化导论以基本优化理论与古典的新的基于梯度的算法，纽约：施普林格出版社，2005。[9]R·弗莱彻，优化的实用方法，纽约（第2版）：约翰·威利父子，1987。[10]K.文伯格，“对于某些非线性的解决方法问题最小二乘，“应用数学季刊，第二卷，pp.164-168，1944。[11]德国之声马夸特，“一个Algorthim为最小二乘估计非线性参数“杂志社的工业与应用数学，第11卷，第2期，pp.431-441，1963年6月。