預(yù)測光伏系統(tǒng)神經(jīng)網(wǎng)絡(luò)在二十四小時(shí)提前發(fā)電的應(yīng)用

預(yù)測光伏系統(tǒng)神經(jīng)網(wǎng)絡(luò)在二十四小時(shí)提前發(fā)電的應(yīng)用淳Yona的，學(xué)生會(huì)員，IEEE，智信Senjyu，高級會(huì)員，IEEE，艾哈邁德優(yōu)素福軍刀，會(huì)員，IEEE，年壽船橋，高級會(huì)員，IEEE，關(guān)根英臣，和澈煥金，高級會(huì)員，IEEE摘要：近年來，重點(diǎn)是環(huán)境來自化石燃料的消耗造成的污染問題，例如，煤和石油。因此，介紹的替代能源的如太陽能預(yù)期。然而，日曬不常數(shù)和光伏輸出（PV）系統(tǒng)影響的受氣象條件。以預(yù)測的功率輸出用于光伏系統(tǒng)盡可能準(zhǔn)確，對于方法日照估計(jì)是必需的。在本文中，作者拿每月日曬考慮，并確認(rèn)利用神經(jīng)網(wǎng)絡(luò)由預(yù)測太陽輻射的有效性計(jì)算機(jī)模擬。該方法利用任何氣象-rological數(shù)據(jù)，并且不需要復(fù)雜的計(jì)算和數(shù)學(xué)模型。關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)，提前24小時(shí)預(yù)報(bào)，功率輸出光伏發(fā)電系統(tǒng)，太陽輻射預(yù)報(bào)。引言我???近年來，引進(jìn)替代能源如太陽能預(yù)期。太陽能是很好因?yàn)闆]有CO2排放被稱為清潔能源。因此，光伏（PV）系統(tǒng)得到了迅速的交流ceptance一些用于替代的最佳解決方案能源。然而，日射不是常數(shù)和光伏發(fā)電系統(tǒng)的輸出是由日照和天氣的影響條件。使用蓄電池是可行的措施，以穩(wěn)定的輸出功率的光伏系統(tǒng)。但是，它需要額外的費(fèi)用和結(jié)果在使用存儲(chǔ)額外的浪費(fèi)電池。但從提高了控制的點(diǎn)電力系統(tǒng)的性能，應(yīng)該有一個(gè)估計(jì)光伏發(fā)電系統(tǒng)的輸出盡可能準(zhǔn)確的。因此，需要一個(gè)良好的日照預(yù)測方法。雖然技術(shù)預(yù)測光伏發(fā)電系統(tǒng)的基礎(chǔ)發(fā)電功率對日曬的預(yù)測被認(rèn)為是一種有效的方法實(shí)際應(yīng)用中，微分方程需要解決通過使用大量的氣象數(shù)據(jù)。然后，執(zhí)行這些技術(shù)將導(dǎo)致更高的成本。淳的Yona和智信Senjyu與ELEC-部Trical公司與電子工程，工程，大學(xué)學(xué)院琉球，琉球，日本（電子郵箱：k068470@eve.u-ryukyu.ac.jp，b985542@tec.u-ryukyu.ac.jp）艾哈邁德優(yōu)素福軍刀是機(jī)電部和電腦工程，阿卜杜勒阿齊茲國王大學(xué)，KSA（電子郵件：aysaber@）。年壽船橋與明電舍株式會(huì)社，東京，日本（E-電子郵件：funabashi-t@mb.meidensha.co.jp）。關(guān)根英臣與教育技術(shù)系，學(xué)報(bào)-SITY琉球，琉球，日本（電子郵箱：Hsekine@）湯振輝金正日是電子與計(jì)算機(jī)工程學(xué)院，成均館大學(xué)，水原440-746，韓國和NPT中心（E-電子郵件：chkimskku@）。為了克服這些問題，有必要為預(yù)測-ING技術(shù)是廉價(jià)的和易于使用。應(yīng)用神經(jīng)網(wǎng)絡(luò)被稱為一個(gè)方便的方法進(jìn)行預(yù)測。這是可能的，只有氣象預(yù)報(bào)日照數(shù)據(jù)。大多數(shù)的論文報(bào)道應(yīng)用飼料的前饋神經(jīng)網(wǎng)絡(luò)（FFNN）為日照預(yù)測[1-3]。然而，這是難以用FFNN預(yù)測暴曬。本文提出的光伏功率輸出預(yù)測根據(jù)日照預(yù)測在24小時(shí)領(lǐng)先對手系統(tǒng)使用三種不同的神經(jīng)網(wǎng)絡(luò)模型。選定機(jī)型FFNN，徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)（RBFNN）和復(fù)發(fā)神經(jīng)網(wǎng)絡(luò)（RNN）。RBF神經(jīng)網(wǎng)絡(luò)是選擇了它的結(jié)構(gòu)簡單性和通用逼近性[4,5]。自RNN被稱為時(shí)間序列數(shù)據(jù)預(yù)測的好工具[6,7]，RNN選擇在本文中。一個(gè)很大的努力已經(jīng)取得了對太陽輻射和利用神經(jīng)網(wǎng)絡(luò)發(fā)電預(yù)測方法。Neverthe-少，筆者想探討進(jìn)一步可能性，這對彼等所知從來沒有被審查。在任何其他紙張，似乎被什么缺乏的是表現(xiàn)比較幾種類型的神經(jīng)網(wǎng)絡(luò)的日曬預(yù)測。有一個(gè)有效的論據(jù)。由于太陽輻射的波動(dòng)根據(jù)天氣情況，依據(jù)的預(yù)測結(jié)果利用神經(jīng)網(wǎng)絡(luò)通常是在逐案。所提出的技術(shù)應(yīng)用神經(jīng)網(wǎng)絡(luò)的了解只有氣象數(shù)據(jù)，并根據(jù)預(yù)測日進(jìn)行測試。輸出功率光伏系統(tǒng)的計(jì)算方法中脫穎而出，鑄造日照數(shù)據(jù)。該方法的有效性通過比較上述的預(yù)測能力的證實(shí)提到神經(jīng)網(wǎng)絡(luò)的計(jì)算機(jī)模擬在24小時(shí)反超。在電力公司，日照預(yù)測是一個(gè)重要的工具，用于利用所述混合動(dòng)力系統(tǒng)與存儲(chǔ)電池，太陽能電池，風(fēng)力發(fā)電機(jī)等，例如，量的蓄電池能量很容易被預(yù)測的數(shù)據(jù)來確定。這些決定有利于混合動(dòng)力的有效運(yùn)作動(dòng)力系統(tǒng)，因此其盈利能力取決于預(yù)測技術(shù)。二。神經(jīng)網(wǎng)絡(luò)圖。圖1示出的學(xué)習(xí)算法的流程圖NN本文采用。NN表示為如圖中圖的左邊。一，在比較預(yù)測的目的每個(gè)應(yīng)用神經(jīng)網(wǎng)絡(luò)的結(jié)果，輸入數(shù)據(jù)的基礎(chǔ)上，同樣的氣象數(shù)據(jù)。在FFNN，學(xué)習(xí)資料發(fā)送到每個(gè)層之間的一個(gè)方向FFNN和RBF神經(jīng)網(wǎng)絡(luò)之間的不同之處在于徑向基神經(jīng)網(wǎng)絡(luò)具有徑向基功能隱藏層。神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)NN的計(jì)算I0打印預(yù)測值I神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)FFNNRNN隱藏層輸出層教學(xué)信號D218小時(shí)后在過去48天氣象數(shù)據(jù)前18小時(shí)太陽輻射數(shù)據(jù)輸入氣象數(shù)據(jù)氣象數(shù)據(jù)D1前18小時(shí)在過去48天輸入層RBF神經(jīng)網(wǎng)絡(luò)1。學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)算法另一方面，RNN具有一個(gè)反饋結(jié)構(gòu)，從隱藏的信息傳遞層在學(xué)習(xí)算法輸入層。即主FFNN和RNN之間的差異。神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)通過重復(fù)這些信息傳輸。在太陽輻射預(yù)報(bào)，氣象數(shù)據(jù)使用對于學(xué)習(xí)每個(gè)NN是相同的（為48的周期天）。預(yù)測結(jié)果是通過使用每個(gè)神經(jīng)網(wǎng)絡(luò)與獲得上述學(xué)習(xí)算法和預(yù)測技NIQUE。對于應(yīng)用更詳細(xì)的結(jié)構(gòu)和技術(shù)每個(gè)神經(jīng)網(wǎng)絡(luò)都提到了第二部分A，B和C。A.前饋神經(jīng)網(wǎng)絡(luò)圖。圖2示出具有l(wèi)和m的單位FFNN在輸入層和隱藏層和n個(gè)單位輸出層。這些單元是用線性耦合和x1?xlare輸入數(shù)據(jù)到連接NN。有各單元之間的連接權(quán)值。產(chǎn)量隱層單位由轉(zhuǎn)換為非線性值雙曲正切S型函數(shù)。該功能是作為如下：他輸入的數(shù)據(jù)。反向傳播（BP）的方法是采用學(xué)習(xí)NN。通常，BP被解釋如下。首先，在隱層單元嗯的輸出被發(fā)送到輸出機(jī)。然后，輸出單元的輸出與比較針對在圖中所示的信號的技術(shù)需要評估。2，最后，以盡量減少均方誤差余量，每個(gè)連接權(quán)重和每個(gè)單元的輸出值在直線方向改變行從輸出層到輸入層。在本文中，列文伯格-Marquardt算法采用更新每個(gè)連接重量單位[8]。動(dòng)量和學(xué)習(xí)系數(shù)項(xiàng)是參神經(jīng)網(wǎng)絡(luò)eters。在動(dòng)量項(xiàng)促進(jìn)學(xué)習(xí)速度并通過改變單元，每個(gè)單元的連接權(quán)重迅速作用。學(xué)習(xí)系數(shù)參數(shù)最好是大的。然而，如果它太大，則網(wǎng)絡(luò)變得不穩(wěn)定。我們假定神經(jīng)網(wǎng)絡(luò)模型的均方誤差范圍不應(yīng)該是不穩(wěn)定的。圖。2。前饋神經(jīng)網(wǎng)絡(luò)圖。3。徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)。圖。4。遞歸神經(jīng)網(wǎng)絡(luò)（艾爾曼類型的模型作者通過確定這些參數(shù)試錯(cuò)法。B.徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)圖。圖3示出具有l(wèi)和m單元的RBF神經(jīng)網(wǎng)絡(luò)在輸入層與隱含層和n個(gè)單位的產(chǎn)出層。產(chǎn)量隱藏單元嗯是由徑向基函數(shù)進(jìn)行轉(zhuǎn)換。確切的插值問題需要每一個(gè)輸入向量，精確地對相應(yīng)的目標(biāo)向量映射。該為RBFN下面的解釋是從總結(jié)[4]。從一個(gè)d維輸入空間x考慮的映射到一維目標(biāo)空間噸。該數(shù)據(jù)集由N輸入向量XP，連同相應(yīng)的目標(biāo)TP。該目標(biāo)是找到一個(gè)函數(shù)h（x），使得該RBF神經(jīng)網(wǎng)絡(luò)方法引入了一組N個(gè)基函數(shù)，1對于每個(gè)點(diǎn)，它的形式為φ（ΔX-xp的？）因此，該第p個(gè)這樣的功能取決于之間的歐氏距離x和XP。輸出映射，然后取為線性的基函數(shù)的組合由方程給出的插值條件。然后（3）可以是寫成矩陣形式為當(dāng)重wpin式。（3）被設(shè)置為給定值由方程。（4）中，函數(shù)h（x）表示的連續(xù)不同設(shè)備可微面精確地通過每一個(gè)數(shù)據(jù)點(diǎn)。幾種形式的基礎(chǔ)功能已被認(rèn)為是，對于例如，（5）。其中，σ是一個(gè)參數(shù)，其值可控制的平滑度該插值函數(shù)φ的性質(zhì)（x）的。雖然學(xué)習(xí)在輸出單元基于RBF神經(jīng)網(wǎng)絡(luò)是在本文中，隱層單元采用BP像FFNNHmofRBF神經(jīng)網(wǎng)絡(luò)采用的方法的解釋續(xù)集。學(xué)習(xí)RBF神經(jīng)網(wǎng)絡(luò)的目標(biāo)是盡量減少求和，平方誤差函數(shù)的定義由式。（6），其最小，可以發(fā)現(xiàn)在一個(gè)線性方程的解的條件（7）。權(quán)重的形式解由下式給出其中P是格局指數(shù)，T（=DPK）是目標(biāo)信號，OPK是輸出，W是加權(quán)矩陣，和Φ?是偽逆的Φ。由此，重量可以由快速，線性矩陣中找到反演技術(shù)[4]。C.回歸神經(jīng)網(wǎng)絡(luò)圖。圖4顯示的Elman型神經(jīng)網(wǎng)絡(luò)的遞歸神經(jīng)網(wǎng)絡(luò)模型。單位RNN的特性是一樣的FFNN，并它學(xué)會(huì)用BP。然而，RNN有一個(gè)上下文層。這層中含有隱層有延時(shí)線的副本，并增加一條，作為反饋結(jié)構(gòu)。上下文層反射輸入和輸出層的信息的結(jié)構(gòu)RNN，由隱層中間的反饋結(jié)構(gòu)。由此，在過去的信息被保持到RNN隨著學(xué)習(xí)的進(jìn)展。在圖4，Ytis的輸出隱層和YTN是上下文層的輸出。YTN由下面的等式表示：其中，r被稱為殘存率。r的值之間變化0和1。如由RNN學(xué)習(xí)的結(jié)果，過去的信息是反映到RNN。在時(shí)間序列數(shù)據(jù)預(yù)測，就很難通過使用簡單的FFNN維持過去的信息。但RNN的組合物具有反饋結(jié)構(gòu)，所述圖。5。時(shí)間框架的學(xué)習(xí)天選擇。圖。6。大氣暴曬D.神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)在本文中，要比較的預(yù)測性能每個(gè)神經(jīng)網(wǎng)絡(luò)仿真，神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)每一個(gè)參數(shù)，例如，單位，學(xué)習(xí)系數(shù)和輸入數(shù)據(jù)數(shù)目是固定的。隱單元的數(shù)目Hmare決定，以盡量減少神經(jīng)網(wǎng)絡(luò)的輸出誤差由仿真結(jié)果利用學(xué)習(xí)數(shù)據(jù)。也有一些方法用于獲得數(shù)隱層單元，HM，然而，不存在通用的解決方案針對此問題[7]。本文試錯(cuò)方法被用來確定隱單元的適當(dāng)數(shù)量。因此隱藏層單元的數(shù)目由下式確定使用事先預(yù)測的學(xué)習(xí)資料。詳情學(xué)習(xí)在第二節(jié)E.數(shù)據(jù)的解釋E.輸入數(shù)據(jù)總共48天的氣象數(shù)據(jù)用于學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)。如該圖所示。5，過去從16天前一天預(yù)測的前一天，和過去的16天，后預(yù)測一天前一年被認(rèn)為是為選擇學(xué)習(xí)日的神經(jīng)網(wǎng)絡(luò)。在每過去一天，NN是由每一個(gè)圖案數(shù)據(jù)了解到24小時(shí)前24小時(shí)，超前。如果預(yù)測一天改變了，學(xué)習(xí)的日子選定以相同的方式。太陽輻射的變化有很大季節(jié)變化。因此，很難對預(yù)測的日照同樣的研究條件。因此，與神經(jīng)網(wǎng)絡(luò)關(guān)聯(lián)和日照數(shù)據(jù)預(yù)測是通過使用數(shù)據(jù)加強(qiáng)在大氣中的日照量?！按髿馊丈洹笆怯衍姶蜻^來，以單位面積上的大氣層外，即“大氣太陽總輻射”[9]。如圖所示圖。6，在恒定的大氣暴曬變化規(guī)律性每年。在日照預(yù)測，變成有效地使時(shí)間的推移學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)與大氣暴曬。此外，預(yù)測溫度作為神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)資料。由于溫度強(qiáng)烈由日照變化的影響，日照預(yù)測是通過使用預(yù)測溫度神經(jīng)網(wǎng)絡(luò)的相關(guān)性提高?？紤]到輸入數(shù)據(jù)，該研究基地的面積預(yù)測在那霸市，沖繩縣在日本。神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)數(shù)據(jù)從宏偉的觀測數(shù)據(jù)和網(wǎng)格點(diǎn)導(dǎo)出在2003-2004年的周期值（GPV）的數(shù)據(jù)，可從日本氣象業(yè)務(wù)支撐中心[10]。

圖。7.GPV和預(yù)測區(qū)域。

圖。8。

GPV（溫度）的具體數(shù)據(jù)。

圖。9。

觀察GPV的時(shí)間間隔。當(dāng)然預(yù)測數(shù)據(jù)與實(shí)際的地面觀測相比數(shù)據(jù)。嚴(yán)格地說，GPV為日常營運(yùn)天氣預(yù)測的數(shù)值預(yù)報(bào)提供的數(shù)據(jù)迪維-日本氣象廳（NPD/JMA）的錫永用于本案例研究。NPD/日本氣象廳生產(chǎn)多種航空這是從派生的數(shù)值天氣預(yù)報(bào)產(chǎn)品天氣預(yù)報(bào)（NWP）的輸出數(shù)據(jù)。中尺度數(shù)值預(yù)報(bào)模型（MSM）的數(shù)據(jù)被用于提前24小時(shí)預(yù)測模擬本文。圖。圖7示出了GPV區(qū)域R1和預(yù)測區(qū)域P1中，用于本文中的數(shù)據(jù)。圖。8顯示了GPV的18小時(shí)觀察時(shí)間。該P(yáng)1和R1之間很強(qiáng)的相似性是由圖證實(shí)。8，另外，GPV和相關(guān)系數(shù)大系觀測數(shù)據(jù)（2003）被示于表Ⅰ的相關(guān)性通過計(jì)算系數(shù)克里斯：其中n是數(shù)據(jù)的數(shù)量，i是預(yù)測時(shí)間，X和Y是意思是X和Y的值，σX和σY是標(biāo)準(zhǔn)偏差表IGPV和大基觀測相關(guān)系數(shù)數(shù)據(jù)（2003年）。風(fēng)速0.4105溫度0.9230壓力0.8633相對濕度0.5424表二輸入氣象數(shù)據(jù)。大基觀測（輸入）X1日照在1-18小時(shí)前GPV數(shù)據(jù)（輸入）X2溫度在1-18小時(shí)內(nèi)提前（R1）計(jì)算值（輸入）X3在未來1-18個(gè)小時(shí)大氣暴曬大基觀測（輸出）T1日照在未來1-18個(gè)小時(shí)T2溫度在未來1-18個(gè)小時(shí)的X和Y。如果Cr是接近1.0之間的相似性P1andR1are高。如表I所示，可以看出該溫度具有較高的相關(guān)性，而不是其他的數(shù)據(jù)。因此，在預(yù)測的溫度數(shù)據(jù)被用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)在本文中。輸入數(shù)據(jù)的觀測間隔被表示在圖9，和輸入的數(shù)據(jù)在表II中進(jìn)行說明。圖。圖8和9，18Z通過協(xié)調(diào)世界時(shí)（UTC）表示。如果它是變更為日本標(biāo)準(zhǔn)時(shí)間（JST），這將是凌晨3:00在本文中，預(yù)測時(shí)間是凌晨4:00后開始24小時(shí)超前。雖然缺乏數(shù)據(jù)的預(yù)測中，預(yù)計(jì)時(shí)，有可能獲得太陽輻射的預(yù)測值利用從先前的時(shí)間數(shù)據(jù)的分布。三。仿真結(jié)果表II中示出了輸入數(shù)據(jù)，和表III中示出了參數(shù)神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)。在本文中，以比較每個(gè)神經(jīng)網(wǎng)絡(luò)的預(yù)測性能仿真，每個(gè)NN，例如，學(xué)習(xí)系數(shù)和輸入數(shù)據(jù)的參數(shù)，是有限的。學(xué)習(xí)的迭代次數(shù)被決定，例如該神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)不應(yīng)該過分學(xué)習(xí)。然而，本隱層單元的數(shù)量決定，以盡量減少神經(jīng)網(wǎng)絡(luò)通過學(xué)習(xí)數(shù)據(jù)的仿真結(jié)果輸出錯(cuò)誤。它始于1單元，然后逐漸增加數(shù)量并計(jì)算學(xué)習(xí)錯(cuò)誤。神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)進(jìn)行出，直到達(dá)到最低的學(xué)習(xí)錯(cuò)誤。圖。10所示預(yù)測誤差與學(xué)習(xí)誤差對數(shù)隱層單元在2003年和2004年。這些錯(cuò)誤進(jìn)行評估由均方根誤差（RMSE）為這項(xiàng)研究。均方根誤差：表示為其中N是數(shù)據(jù)的數(shù)量，皮FIS的預(yù)測值，和PiAIS實(shí)際值，i是預(yù)測時(shí)間數(shù)。如該圖所示。10，如果隱層單元的數(shù)目增加時(shí)，學(xué)習(xí)誤差減小。在本文中，圖。10。預(yù)測誤差為隱藏層單元數(shù)。表三LEARNINGNN的參數(shù)。輸入層單元的數(shù)3隱層單元數(shù)18輸出層單元數(shù)量2學(xué)習(xí)系數(shù)0.2慣性系數(shù)0.4學(xué)習(xí)迭代次數(shù)1000表四自曝2004年的標(biāo)準(zhǔn)偏差。月123456SD[MJ/m2]0.4780.9980.7741.1610.9971.176月789101112SD[MJ/m2]1.1711.0381.0840.8740.7610.682作者決定隱層的優(yōu)化數(shù)單位為m=18。而圖圖10示出該數(shù)隱層單元的增加，預(yù)測誤差增大。特別是，為了使徑向基神經(jīng)網(wǎng)絡(luò)可以插學(xué)習(xí)數(shù)據(jù)正確，RBF神經(jīng)網(wǎng)絡(luò)在很大程度上受到在學(xué)習(xí)數(shù)據(jù)的影響預(yù)測的時(shí)間。因此，為了提高預(yù)測準(zhǔn)確度，就需要選擇更合適的數(shù)據(jù)。在另一方面，通過遞歸神經(jīng)網(wǎng)絡(luò)得到的預(yù)測誤差是小于FFNN，而學(xué)習(xí)FFNN和RNN的錯(cuò)誤顯示沒有差異。該RNN的有效性被確認(rèn)在這種情況下。然而，圖圖10示出了每年的評價(jià)。接下來的討論是模擬的結(jié)果在各月。圖。圖11示出在24小時(shí)的模擬結(jié)果提前日照預(yù)測在十一月。注意，水平軸表示模擬時(shí)間為5,814?5903小時(shí)。這是假定1天=1?18個(gè)小時(shí)，還，1年=1?18×365小時(shí)。輸入神經(jīng)網(wǎng)絡(luò)選擇過去18小時(shí)暴曬數(shù)據(jù)，并輸出為NN是在18小時(shí)日照數(shù)據(jù)根據(jù)預(yù)測一天。因此，神經(jīng)網(wǎng)絡(luò)的輸出是由過去的18小時(shí)日照變化的影響。的影響在輸出的神經(jīng)網(wǎng)絡(luò)被確認(rèn)圖。11在模擬時(shí)間為5,820?5840小時(shí)。然而，良好的預(yù)測結(jié)果從圖所證實(shí)。11通過使用神經(jīng)網(wǎng)絡(luò)，而日曬波動(dòng)與一小時(shí)。日照預(yù)測是通過使用3種類型的神經(jīng)網(wǎng)絡(luò)模擬在2004年，每個(gè)月得到的均方根誤差如圖表四顯示的標(biāo)準(zhǔn)偏差，SD，根據(jù)計(jì)算，通過實(shí)際的暴曬。在圖12，我們可以證實(shí)，均方根誤差通過RBF神經(jīng)網(wǎng)絡(luò)在四月和六月取得比FFNN大和RNN。在另一方面，RBF神經(jīng)網(wǎng)絡(luò)優(yōu)于FFNN在一月。如該圖所示。13，RNN跑贏FFNN10:00點(diǎn)?下午2:00時(shí)間t[小時(shí)]利用RBF神經(jīng)網(wǎng)絡(luò)實(shí)際使用FFNN使用RNN11月19日至11月24日，2004，那霸日照我[兆焦耳/平方米2]圖。11提前24小時(shí)日照預(yù)測（2004/Nov）。月均方根誤差[兆焦耳/平方米2]利用RBF神經(jīng)網(wǎng)絡(luò)利用模糊神經(jīng)網(wǎng)絡(luò)使用RNN2004年，在那霸圖。12。根均在每個(gè)月（日照）方誤差。時(shí)間t[小時(shí)]均方根誤差[兆焦耳/平方米2]利用RBF神經(jīng)網(wǎng)絡(luò)利用模糊神經(jīng)網(wǎng)絡(luò)使用RNN2004年，在那霸（JST）2122圖。13。均方根誤差與每小時(shí)（日曬）。如表IV所示，我們可以證實(shí)，日照在四月和六月強(qiáng)烈波動(dòng)，而波動(dòng)日曬是小一月份。在這個(gè)案例中，RBF神經(jīng)網(wǎng)絡(luò)在小曝曬月份跑贏FFNNfluc-tuation。在大太陽輻射波動(dòng)，RNN月跑贏大盤FFNN。如上所述，的有效性提出的技術(shù)是由圖證實(shí)。12和13。如在圖的討論。10，為了使RBF神經(jīng)網(wǎng)絡(luò)可插補(bǔ)后期學(xué)習(xí)數(shù)據(jù)正確，RBF神經(jīng)網(wǎng)絡(luò)在很大程度上受到影響在預(yù)測的時(shí)間學(xué)習(xí)資料。因此，選擇更“合適的數(shù)據(jù)”提高預(yù)測精度。在本文中，的“合適的數(shù)據(jù)”被認(rèn)為是更精確的GPV數(shù)據(jù)。在使用預(yù)測數(shù)據(jù)（GPV），只有溫度數(shù)據(jù)被用于該研究。由于GPV是氣象數(shù)據(jù)（除日照）分布約10公里處的形狀一個(gè)晶格點(diǎn)的，它可以包含由噪聲影響的數(shù)據(jù)不確定的預(yù)測誤差。如果NN試圖了解這些數(shù)據(jù)，學(xué)習(xí)和預(yù)測之間產(chǎn)生差異的錯(cuò)誤為NN。因此，當(dāng)預(yù)測數(shù)據(jù)的精度（GPV）改善，該提案獲得的預(yù)測誤差技術(shù)得到改進(jìn)時(shí)間t[小時(shí)]光伏發(fā)電量PS[千瓦/米2]利用RBF神經(jīng)網(wǎng)絡(luò)實(shí)際使用FFNN使用RNN11月19日至11月24日，2004，那霸圖。14。24小時(shí)提前功率輸出光伏系統(tǒng)預(yù)測（2004/Nob）。月均方根誤差[千瓦/米2]利用RBF神經(jīng)網(wǎng)絡(luò)利用模糊神經(jīng)網(wǎng)絡(luò)使用RNN2004年，在那霸圖。15。均方根誤差（輸出功率的光伏系統(tǒng)）。均方根誤差[千瓦/米2]時(shí)間t[小時(shí)]利用RBF神經(jīng)網(wǎng)絡(luò)使用FFNN使用RNN2004年，在那霸（JST）2122圖。16。均方根誤差與每小時(shí)（輸出功率的光伏。四。輸出功率預(yù)測結(jié)果用于光伏發(fā)電系統(tǒng)在本節(jié)中，計(jì)算功率的方法，根自曝預(yù)測值憂思光伏系統(tǒng)如圖是由神經(jīng)網(wǎng)絡(luò)獲得。擬議的有效性方法被證實(shí)。在光伏系統(tǒng)中[11]，單位面積輸出功率為PSIS代表：PS=ηSI（1-0.005（至+25））[-2KWM]（12）其中η是太陽電池陣列（％）的轉(zhuǎn)換效率，S是陣列面積（m2），我是日照（KWM-2），以是外部空氣溫度（?C）。如果上述等式光伏發(fā)電系統(tǒng)的使用，該功率輸出的PV系統(tǒng)的可只用氣象數(shù)據(jù)進(jìn)行預(yù)測。在本文中，它假定總和曝曬會(huì)落在太陽能電池和陣列，并且它不考慮發(fā)病日照和太陽能電池陣列的角度。此外，假設(shè)太陽電池陣列η的轉(zhuǎn)換效率為15.7％，陣列面積S為1平方米。所示的（11），轉(zhuǎn)換效率太陽能電池的η和陣列面積S是恒定的。因此，本功率輸出的PSI外部空氣溫度的給功能和暴曬一，在本文中，輸出功率光伏系統(tǒng)被計(jì)算為預(yù)測的溫度數(shù)據(jù)Y2，這是日照預(yù)測溫度，。在光伏系統(tǒng)的預(yù)測功率的輸出結(jié)果十一月的太陽輻射預(yù)報(bào)誤差進(jìn)行了改進(jìn)如圖所示。14，輸出功率光伏系統(tǒng)的可從曝氣量預(yù)測的預(yù)測，如圖。14。輸出功率光伏系統(tǒng)在每個(gè)月的誤差為圖。15，動(dòng)力輸出為光伏的均方根誤差系統(tǒng)在一年每小時(shí)示于圖16，如在圖1-3的結(jié)果所示。15和16，因?yàn)镽BF神經(jīng)網(wǎng)絡(luò)和RNN跑贏FFNN在某些月份，的有效性提出的技術(shù)可以得到證實(shí)。五，結(jié)論本文提出的功率輸出預(yù)測光伏系統(tǒng)基于預(yù)測的日照通過使用神經(jīng)網(wǎng)絡(luò)。優(yōu)點(diǎn)所提出的方法是，它不需要復(fù)雜的計(jì)算與只氣象-數(shù)學(xué)模型邏輯數(shù)據(jù)。在日照預(yù)測的那段時(shí)間，有可能通過使用唯一的氣象數(shù)據(jù)來縮短預(yù)測時(shí)間。選定機(jī)型FFNN，RBF神經(jīng)網(wǎng)絡(luò)，并RNN。RBF神經(jīng)網(wǎng)絡(luò)是選擇了它的結(jié)構(gòu)簡單，通用逼近屬性。由于RNN被稱為時(shí)間序列的好工具數(shù)據(jù)預(yù)測，RNN選擇在本文中。雖然結(jié)果混合在每個(gè)月份，仿真結(jié)果表明該RBF神經(jīng)網(wǎng)絡(luò)和RNN跑贏FFNN的結(jié)果在某些一個(gè)月。實(shí)際上，能夠通過預(yù)測優(yōu)選的結(jié)果用很短的時(shí)間只有氣象數(shù)據(jù)。有效性擬議NN是在24小時(shí)預(yù)報(bào)證實(shí)模擬。參考[1]菲利普·瑟曼，神經(jīng)計(jì)算：理論與實(shí)踐，新見：全國萊因霍爾德，1989。[2]高橋檜山修，肯北林，“基于神經(jīng)網(wǎng)絡(luò)的酯酶使用從光伏組件t