新光伏发电技术及其应用 教学课件 魏学业 第七章.pptVIP

BP网络隐含层单元的输入与输出之间是单调上升的非线性函数，要求隐含层单元数必须是一个合理的数目。隐含层单元数太少，则训练出的网络有可能不收敛，也可能无法提取样本的准确特征，没有训练的样本识别率低，容错性差；隐含层单元数过多，则会导致网络规模过于庞大，结构复杂，从而增加网络的训练时间，甚至不收敛。另外，单元数太多，会使特征空间划分过细，网络的判决曲面将只包含训练样本，导致网络没有泛化能力，降低对训练样本以外的样本识别率。隐含层节点数应根据具体问题，通过试验确定。所以设置多少个隐节点取决于训练样本数的多少、样本噪声的大小以及样本中蕴涵规律的复杂程度。在单隐含层不能满足要求时，可以考虑增加隐含层数目。确定最佳隐节点数的一个常用方法是试凑法，可用一些确定隐节点数的经验公式： （7-13） ? （7-14） ? （7-15） 式（7-13）～式（7-15）中，m为隐含层节点数；n为输入层节点数；l为输出节点数；a为l～10之间的常数。 对于隐含层和输出层每个神经元的输出函数为 ? （7-16） 式中，函数用来定义神经元的输入-输出特性；是用第k个采样样本训练时，神经元i的输入信号。是前一层输出的加权和，即 ? （7-17） 式中，为神经元j和i间的连接权值；为神经元j的输出信号。 2．BP神经网络算法的学习过程 神经网络能够通过对样本的反向学习训练，不断改变网络的连接权值以及拓扑，使网络的输出值不断地接近期望的输出。反向传播用于逐层传递误差，修改神经元间的连接权值，以使网络对于输入信息经过计算后得到的输出能达到期望的误差要求。 学习的方法是使用一组训练样本对网络的连接权值进行，每一个样本中都包括输入与期望输出两部分。在正向传播算法中，首先将训练样本的输入信息输入到网络中，输入信息从输入层经过隐层节点逐层计算处理后传至输出层。在计算处理过程中，每一层神经元的状态只影响下一层神经元的状态，如果在输出层得到的结果不是所期望的输出，那么就转向反向传播。反向传播把误差信号沿路经反向传回，并按一定的原则对各层神经元的权值进行修正，直到第一个隐层。这时再开始正向传播，利用刚才的输入信息进行正向网络计算，如果网络的输出达到了误差要求，学习过程结束，如果达不到要求，就再进行反向传播的连接权值调整。 在训练网络的学习阶段，设有N个训练样本，首先假定用其中某一个样本p的输入{xp}和输出{tp}对网络进行训练，隐含层的第i个神经元在样本p作用下的输入为 ? （7-18） 式中， 和 分别为输入节点j在样本p作用时的输入和输出，对输入节点而言两者相当；为输入层神经元j与隐含层神经元i之间的连接权值；为隐含层神经元i的阈值；M为输入层的节点数，即输入个数。 隐含层第i个神经元的输出为 ? （7-19） 式中， 为激活函数；net为整个输入量的加权求和的值。 3．算法仿真分析 算法仿真的步骤如下： （1）确定学习样本和目标样本 由光伏模型可知，如果环境温度T和光强G已知，就可确定最大功率点。在设计BP神经网络的MPPT算法时，使用环境温度T、光强G和测试得到的对应最大功率点数据作为初始样本数据。 （2）建立BP神经网 选择隐层和输出层的神经元传递函数分别为tansig和purelin，网络算法采用Levenberg—Marquardt算法trainlm。 （3）训练网络直到其达到预定误差精度 在网络进行训练之前，需要设置训练参数，设学习率为10%，训练时间为50s，训练误差为0.01，其余参数使用默认值。为了避免误差落入的是误差曲面的局部最小值，并显示出算法的优劣性，确定最大训练次数要足够大（1000次以上），并选择合适的训练函数，以便能更好地跟踪最大功率点电压。 （4）网络测试 对训练好的网络进行仿真，绘制网络输出曲线并与原