电气能源由太阳能光伏系统所产生使用神经网络方法预测.docVIP

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 tingyu@mail.lhu.edu.tw 萧泽畅 电机工程学系 科学与龙华科技大学 台湾桃园 G982311010@mail.lhu.edu.tw 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