太阳能辐射数据预测的人工神经网络模型

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=XLMI，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）（ˆKH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，并应用此模型对光伏上浆系统。工具书类[1]s.a.rizvi，王龙和N。Mnasrabad，神经矢量预测网络结构，程序。的IEEE，84，1996，1513-1528。【2】A.maafi和A.adane，一二态马尔可夫模型全球照射适用于光伏转换，太阳能和风能技术，61989247-252。[3]M.benghanem等maafi，ajustementDES很éESd'insolationd'alger面值联合国è乐自回归模型，17è我日éEStunisiennesD’électrotechnique等d'automatique，1997,53-56。【4】A.maafi和A.adane，一二态马尔可夫全球照射适用于光伏模型转换。太阳能和风能技术，。61989。247-252。[5]美国阿马托，A.安德烈塔，B.bartolli，b.coluzzi，V.科莫，F.丰塔纳，和C.严重，马尔可夫过程与傅里叶分析作为一种工具来描述模拟太阳辐射，太阳能，371986，，197-201。[6]bguerrier，E.布瓦洛和C.伯纳德，分析统计和temporelledel'insolation琥珀全球quotidienne：国防部élisationD'UNE变量Réduiteàl'aidedeMODèLES的统计和ARMA，启。物理，应用。1980,15，93。[7]。j.aguiar，m.collares-perrira和s.p.conde，简单对于日常辐射值生成程序利用马尔可夫转移矩阵库。太阳能能源，491988，229-279。【8】A.Guessoum，美国boubkeur和A.maafi，全球利用径向基函数神经辐射模型网络。一个，英国，1998，332-336。[9]M.mohandes，A.balghonaim，M.拉赫曼kassas，S.与该halawani，用于径向基函数使用月平均日太阳辐射估算。太阳能能源，2000，68，161-168。[10]美国该，美国michanelides和F.tymois，最大soalar辐射的预测人工神经网络，过程。对一个七，德国2002，光盘。[11]者鲍威尔。径向基函数理论近似，在数值分析的进展。，电。charendon。出版社。1992，105-210[12]n.kasabov。基础的模糊神经网络系统与知识工程。（麻省理工学院。出版社。1996。[13]伦纳德，克莱默L.H安格硕士。使用径向基函数逼近功能它的误差界。IEEE跨。在神经网络。4。1992，624-627。[14]美国赫金，神经网络，综合基金会（麦克米兰，纽约，1994）。[15]艾吉多和洛伦佐M.。砂单独光伏上浆系统和提出的新方法综述。太阳能材料和太阳能电池，26199251—69。[16]升高，A，benghanem，M.，“阿拉伯，A.，和Guessoum，浆纱光伏A.建模利用人工神经网络的系统参数。过程。IEEE，CCA，伊斯坦布尔，1，2003，353-357。[17]benghanem和A.maafiM.。数据采集系统光伏系统的性能监测。IEEE反。仪器。与测量，11998，33。