太阳能辐射数据预测人工神经网络模型系列

1、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

2、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

3、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 一 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，

4、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

5、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

6、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 一 传播（BP）。在某种程度上，RBF网络允许我

7、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： 在入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b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

8、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。b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b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,皿，2和3吓学习率。 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

9、，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 ) (?K 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

10、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

11、选择了一个连续施胶方法15,16站一 独立太阳能光伏系统为了说明的重要性 这一预测。在ISO的比较一 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

12、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

13、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。M nasrabad,神经 矢量预测网络结构，程序。的 IEEE，84, 1996，1513-1528。 【2】A. maafi和A

14、. adane，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，61989 247-252。 3 M. benghanem 等 maafi, ajustement DES 很 dES din solation dalger面值联合国 e乐自回归模型， 17 e我日 e ES tunisiennes D e heCqurie等 dautomatique， 1997,53-56。 【4】A. maafi和A. adane，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.coluz

15、zi，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 temporelle de linsolation 琥珀全球 quotidienne :国防部 disation DUNE 变量 Reduite a laide de MOD LES的统计和 ARMA，启。物理，应用。 1980,15, 93。 7 。j.aguiar, m.collares-perrira 禾口 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

16、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