預測光伏系統(tǒng)神經(jīng)網(wǎng)絡在二十四小時提前發(fā)電的應用

預測光伏系統(tǒng)神經(jīng)網(wǎng)絡在二十四小時提前發(fā)電的應用淳Yona的，學生會員，IEEE，智信Senjyu，高級會員，IEEE，艾哈邁德優(yōu)素福軍刀，會員，IEEE，年壽船橋，高級會員，IEEE，關根英臣，和澈煥金，高級會員，IEEE摘要：近年來，重點是環(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。以預測的功率輸出用于光伏系統(tǒng)盡可能準確，對于方法日照估計是必需的。在本文中，作者拿每月日曬考慮，并確認利用神經(jīng)網(wǎng)絡由預測太陽輻射的有效性計算機模擬。該方法利用任何氣象-rological數(shù)據(jù)，并且不需要復雜的計算和數(shù)學模型。關鍵詞：神經(jīng)網(wǎng)絡，提前24小時預報，功率輸出光伏發(fā)電系統(tǒng)，太陽輻射預報。引言我???近年來，引進替代能源如太陽能預期。太陽能是很好因為沒有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，它需要額外的費用和結果在使用存儲額外的浪費電池。但從提高了控制的點電力系統(tǒng)的性能，應該有一個估計光伏發(fā)電系統(tǒng)的輸出盡可能準確的。因此，需要一個良好的日照預測方法。雖然技術預測光伏發(fā)電系統(tǒng)的基礎發(fā)電功率對日曬的預測被認為是一種有效的方法實際應用中，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)行這些技術將導致更高的成本。淳的Yona和智信Senjyu與ELEC-部Trical公司與電子工程，工程，大學學院琉球，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)素福軍刀是機電部和電腦工程，阿卜杜勒阿齊茲國王大學，KSA（電子郵件：aysaber@）。年壽船橋與明電舍株式會社，東京，日本（E-電子郵件：funabashi-t@mb.meidensha.co.jp）。關根英臣與教育技術系，學報-SITY琉球，琉球，日本（電子郵箱：Hsekine@）湯振輝金正日是電子與計算機工程學院，成均館大學，水原440-746，韓國和NPT中心（E-電子郵件：chkimskku@）。為了克服這些問題，有必要為預測-ING技術是廉價的和易于使用。應用神經(jīng)網(wǎng)絡被稱為一個方便的方法進行預測。這是可能的，只有氣象預報日照數(shù)據(jù)。大多數(shù)的論文報道應用飼料的前饋神經(jīng)網(wǎng)絡（FFNN）為日照預測[1-3]。然而，這是難以用FFNN預測暴曬。本文提出的光伏功率輸出預測根據(jù)日照預測在24小時領先對手系統(tǒng)使用三種不同的神經(jīng)網(wǎng)絡模型。選定機型FFNN，徑向基函數(shù)神經(jīng)網(wǎng)絡（RBFNN）和復發(fā)神經(jīng)網(wǎng)絡（RNN）。RBF神經(jīng)網(wǎng)絡是選擇了它的結構簡單性和通用逼近性[4,5]。自RNN被稱為時間序列數(shù)據(jù)預測的好工具[6,7]，RNN選擇在本文中。一個很大的努力已經(jīng)取得了對太陽輻射和利用神經(jīng)網(wǎng)絡發(fā)電預測方法。Neverthe-少，筆者想探討進一步可能性，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)絡的日曬預測。有一個有效的論據(jù)。由于太陽輻射的波動根據(jù)天氣情況，依據(jù)的預測結果利用神經(jīng)網(wǎng)絡通常是在逐案。所提出的技術應用神經(jīng)網(wǎng)絡的了解只有氣象數(shù)據(jù)，并根據(jù)預測日進行測試。輸出功率光伏系統(tǒng)的計算方法中脫穎而出，鑄造日照數(shù)據(jù)。該方法的有效性通過比較上述的預測能力的證實提到神經(jīng)網(wǎng)絡的計算機模擬在24小時反超。在電力公司，日照預測是一個重要的工具，用于利用所述混合動力系統(tǒng)與存儲電池，太陽能電池，風力發(fā)電機等，例如，量的蓄電池能量很容易被預測的數(shù)據(jù)來確定。這些決定有利于混合動力的有效運作動力系統(tǒng)，因此其盈利能力取決于預測技術。二。神經(jīng)網(wǎng)絡圖。圖1示出的學習算法的流程圖NN本文采用。NN表示為如圖中圖的左邊。一，在比較預測的目的每個應用神經(jīng)網(wǎng)絡的結果，輸入數(shù)據(jù)的基礎上，同樣的氣象數(shù)據(jù)。在FFNN，學習資料發(fā)送到每個層之間的一個方向FFNN和RBF神經(jīng)網(wǎng)絡之間的不同之處在于徑向基神經(jīng)網(wǎng)絡具有徑向基功能隱藏層。神經(jīng)網(wǎng)絡的學習NN的計算I0打印預測值I神經(jīng)網(wǎng)絡的學習FFNNRNN隱藏層輸出層教學信號D218小時后在過去48天氣象數(shù)據(jù)前18小時太陽輻射數(shù)據(jù)輸入氣象數(shù)據(jù)氣象數(shù)據(jù)D1前18小時在過去48天輸入層RBF神經(jīng)網(wǎng)絡1。學習神經(jīng)網(wǎng)絡算法另一方面，RNN具有一個反饋結構，從隱藏的信息傳遞層在學習算法輸入層。即主FFNN和RNN之間的差異。神經(jīng)網(wǎng)絡學習通過重復這些信息傳輸。在太陽輻射預報，氣象數(shù)據(jù)使用對于學習每個NN是相同的（為48的周期天）。預測結果是通過使用每個神經(jīng)網(wǎng)絡與獲得上述學習算法和預測技NIQUE。對于應用更詳細的結構和技術每個神經(jīng)網(wǎng)絡都提到了第二部分A，B和C。A.前饋神經(jīng)網(wǎng)絡圖。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值。產(chǎn)量隱層單位由轉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）的方法是采用學習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。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需要評估。2，最后，以盡量減少均方誤差余量，每個連接權重和每個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算法采用更新每個連接重量單位[8]。動量和學習系數(shù)項是參神經(jīng)網(wǎng)絡eters。在動量項促進學習速度并通過改變單元，每個單元的連接權重迅速作用。學習系數(shù)參數(shù)最好是大的。然而，如果它太大，則網(wǎng)絡變得不穩(wěn)定。我們假定神經(jīng)網(wǎng)絡模型的均方誤差范圍不應該是不穩(wěn)定的。圖。2。前饋神經(jīng)網(wǎng)絡圖。3。徑向基函數(shù)神經(jīng)網(wǎng)絡。圖。4。遞歸神經(jīng)網(wǎng)絡（艾爾曼類型的模型作者通過確定這些參數(shù)試錯法。B.徑向基函數(shù)神經(jīng)網(wǎng)絡圖。圖3示出具有l(wèi)和m單元的RBF神經(jīng)網(wǎng)絡在輸入層與隱含層和n個單位的產(chǎn)出層。產(chǎn)量隱藏單元嗯是由徑向基函數(shù)進行轉換。確切的插值問題需要每一個輸入向量，精確地對相應的目標向量映射。該為RBFN下面的解釋是從總結[4]。從一個d維輸入空間x考慮的映射到一維目標空間噸。該數(shù)據(jù)集由N輸入向量XP，連同相應的目標TP。該目標是找到一個函數(shù)h（x），使得該RBF神經(jīng)網(wǎng)絡方法引入了一組N個基函數(shù)，1對于每個點，它的形式為φ（ΔX-xp的？）因此，該第p個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重wpin式。（3）被設置為給定值由方程。（4）中，函數(shù)h（x）表示的連續(xù)不同設備可微面精確地通過每一個數(shù)據(jù)點。幾種形式的基礎功能已被認為是，對于例如，（5）。其中，σ是一個參數(shù)，其值可控制的平滑度該插值函數(shù)φ的性質(zhì)（x）的。雖然學習在輸出單元基于RBF神經(jīng)網(wǎng)絡是在本文中，隱層單元采用BP像FFNNHmofRBF神經(jīng)網(wǎng)絡采用的方法的解釋續(xù)集。學習RBF神經(jīng)網(wǎng)絡的目標是盡量減少求和，平方誤差函數(shù)的定義由式。（6），其最小，可以發(fā)現(xiàn)在一個線性方程的解的條件（7）。權重的形式解由下式給出其中P是格局指數(shù)，T（=DPK）是目標信號，OPK是輸出，W是加權矩陣，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[4]。C.回歸神經(jīng)網(wǎng)絡圖。圖4顯示的Elman型神經(jīng)網(wǎng)絡的遞歸神經(jīng)網(wǎng)絡模型。單位RNN的特性是一樣的FFNN，并它學會用BP。然而，RNN有一個上下文層。這層中含有隱層有延時線的副本，并增加一條，作為反饋結構。上下文層反射輸入和輸出層的信息的結構RNN，由隱層中間的反饋結構。由此，在過去的信息被保持到RNN隨著學習的進展。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學習的結果，過去的信息是反映到RNN。在時間序列數(shù)據(jù)預測，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構，所述圖。5。時間框架的學習天選擇。圖。6。大氣暴曬D.神經(jīng)網(wǎng)絡的設計在本文中，要比較的預測性能每個神經(jīng)網(wǎng)絡仿真，神經(jīng)網(wǎng)絡的學習每一個參數(shù)，例如，單位，學習系數(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)絡的輸出誤差由仿真結果利用學習數(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]。本文試錯方法被用來確定隱單元的適當數(shù)量。因此隱藏層單元的數(shù)目由下式確定使用事先預測的學習資料。詳情學習在第二節(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)用于學習的神經(jīng)網(wǎng)絡。如該圖所示。5，過去從16天前一天預測的前一天，和過去的16天，后預測一天前一年被認為是為選擇學習日的神經(jīng)網(wǎng)絡。在每過去一天，NN是由每一個圖案數(shù)據(jù)了解到24小時前24小時，超前。如果預測一天改變了，學習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，很難對預測的日照同樣的研究條件。因此，與神經(jīng)網(wǎng)絡關聯(lián)和日照數(shù)據(jù)預測是通過使用數(shù)據(jù)加強在大氣中的日照量?！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。在日照預測，變成有效地使時間的推移學習神經(jīng)網(wǎng)絡與大氣暴曬。此外，預測溫度作為神經(jīng)網(wǎng)絡的學習資料。由于溫度強烈由日照變化的影響，日照預測是通過使用預測溫度神經(jīng)網(wǎng)絡的相關性提高?？紤]到輸入數(shù)據(jù)，該研究基地的面積預測在那霸市，沖繩縣在日本。神經(jīng)網(wǎng)絡的學習數(shù)據(jù)從宏偉的觀測數(shù)據(jù)和網(wǎng)格點導出在2003-2004年的周期值（GPV）的數(shù)據(jù)，可從日本氣象業(yè)務支撐中心[10]。

圖。7.GPV和預測區(qū)域。

圖。8。

GPV（溫度）的具體數(shù)據(jù)。

圖。9。

觀察GPV的時間間隔。當然預測數(shù)據(jù)與實際的地面觀測相比數(shù)據(jù)。嚴格地說，GPV為日常營運天氣預測的數(shù)值預報提供的數(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)值天氣預報產(chǎn)品天氣預報（NWP）的輸出數(shù)據(jù)。中尺度數(shù)值預報模型（MSM）的數(shù)據(jù)被用于提前24小時預測模擬本文。圖。圖7示出了GPV區(qū)域R1和預測區(qū)域P1中，用于本文中的數(shù)據(jù)。圖。8顯示了GPV的18小時觀察時間。該P1和R1之間很強的相似性是由圖證實。8，另外，GPV和相關系數(shù)大系觀測數(shù)據(jù)（2003）被示于表Ⅰ的相關性通過計算系數(shù)克里斯：其中n是數(shù)據(jù)的數(shù)量，i是預測時間，X和Y是意思是X和Y的值，σX和σY是標準偏差表IGPV和大基觀測相關系數(shù)數(shù)據(jù)（2003年）。風速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小時前GPV數(shù)據(jù)（輸入）X2溫度在1-18小時內(nèi)提前（R1）計算值（輸入）X3在未來1-18個小時大氣暴曬大基觀測（輸出）T1日照在未來1-18個小時T2溫度在未來1-18個小時的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性，而不是其他的數(shù)據(jù)。因此，在預測的溫度數(shù)據(jù)被用于訓練神經(jīng)網(wǎng)絡在本文中。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中進行說明。圖。圖8和9，18Z通過協(xié)調(diào)世界時（UTC）表示。如果它是變更為日本標準時間（JST），這將是凌晨3:00在本文中，預測時間是凌晨4:00后開始24小時超前。雖然缺乏數(shù)據(jù)的預測中，預計時，有可能獲得太陽輻射的預測值利用從先前的時間數(shù)據(jù)的分布。三。仿真結果表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)絡的學習。在本文中，以比較每個神經(jīng)網(wǎng)絡的預測性能仿真，每個NN，例如，學習系數(shù)和輸入數(shù)據(jù)的參數(shù)，是有限的。學習的迭代次數(shù)被決定，例如該神經(jīng)網(wǎng)絡的學習不應該過分學習。然而，本隱層單元的數(shù)量決定，以盡量減少神經(jīng)網(wǎng)絡通過學習數(shù)據(jù)的仿真結果輸出錯誤。它始于1單元，然后逐漸增加數(shù)量并計算學習錯誤。神經(jīng)網(wǎng)絡的學習進行出，直到達到最低的學習錯誤。圖。10所示預測誤差與學習誤差對數(shù)隱層單元在2003年和2004年。這些錯誤進行評估由均方根誤差（RMSE）為這項研究。均方根誤差：表示為其中N是數(shù)據(jù)的數(shù)量，皮FIS的預測值，和PiAIS實際值，i是預測時間數(shù)。如該圖所示。10，如果隱層單元的數(shù)目增加時，學習誤差減小。在本文中，圖。10。預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學習系數(shù)0.2慣性系數(shù)0.4學習迭代次數(shù)1000表四自曝2004年的標準偏差。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，預測誤差增大。特別是，為了使徑向基神經(jīng)網(wǎng)絡可以插學習數(shù)據(jù)正確，RBF神經(jīng)網(wǎng)絡在很大程度上受到在學習數(shù)據(jù)的影響預測的時間。因此，為了提高預測準確度，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)絡得到的預測誤差是小于FFNN，而學習FFNN和RNN的錯誤顯示沒有差異。該RNN的有效性被確認在這種情況下。然而，圖圖10示出了每年的評價。接下來的討論是模擬的結果在各月。圖。圖11示出在24小時的模擬結果提前日照預測在十一月。注意，水平軸表示模擬時間為5,814?5903小時。這是假定1天=1?18個小時，還，1年=1?18×365小時。輸入神經(jīng)網(wǎng)絡選擇過去18小時暴曬數(shù)據(jù)，并輸出為NN是在18小時日照數(shù)據(jù)根據(jù)預測一天。因此，神經(jīng)網(wǎng)絡的輸出是由過去的18小時日照變化的影響。的影響在輸出的神經(jīng)網(wǎng)絡被確認圖。11在模擬時間為5,820?5840小時。然而，良好的預測結果從圖所證實。11通過使用神經(jīng)網(wǎng)絡，而日曬波動與一小時。日照預測是通過使用3種類型的神經(jīng)網(wǎng)絡模擬在2004年，每個月得到的均方根誤差如圖表四顯示的標準偏差，SD，根據(jù)計算，通過實際的暴曬。在圖12，我們可以證實，均方根誤差通過RBF神經(jīng)網(wǎng)絡在四月和六月取得比FFNN大和RNN。在另一方面，RBF神經(jīng)網(wǎng)絡優(yōu)于FFNN在一月。如該圖所示。13，RNN跑贏FFNN10:00點?下午2:00時間t[小時]利用RBF神經(jīng)網(wǎng)絡實際使用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小時日照預測（2004/Nov）。月均方根誤差[兆焦耳/平方米2]利用RBF神經(jīng)網(wǎng)絡利用模糊神經(jīng)網(wǎng)絡使用RNN2004年，在那霸圖。12。根均在每個月（日照）方誤差。時間t[小時]均方根誤差[兆焦耳/平方米2]利用RBF神經(jīng)網(wǎng)絡利用模糊神經(jīng)網(wǎng)絡使用RNN2004年，在那霸（JST）2122圖。13。均方根誤差與每小時（日曬）。如表IV所示，我們可以證實，日照在四月和六月強烈波動，而波動日曬是小一月份。在這個案例中，RBF神經(jīng)網(wǎng)絡在小曝曬月份跑贏FFNNfluc-tuation。在大太陽輻射波動，RNN月跑贏大盤FFNN。如上所述，的有效性提出的技術是由圖證實。12和13。如在圖的討論。10，為了使RBF神經(jīng)網(wǎng)絡可插補后期學習數(shù)據(jù)正確，RBF神經(jīng)網(wǎng)絡在很大程度上受到影響在預測的時間學習資料。因此，選擇更“合適的數(shù)據(jù)”提高預測精度。在本文中，的“合適的數(shù)據(jù)”被認為是更精確的GPV數(shù)據(jù)。在使用預測數(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公里處的形狀一個晶格點的，它可以包含由噪聲影響的數(shù)據(jù)不確定的預測誤差。如果NN試圖了解這些數(shù)據(jù)，學習和預測之間產(chǎn)生差異的錯誤為NN。因此，當預測數(shù)據(jù)的精度（GPV）改善，該提案獲得的預測誤差技術得到改進時間t[小時]光伏發(fā)電量PS[千瓦/米2]利用RBF神經(jīng)網(wǎng)絡實際使用FFNN使用RNN11月19日至11月24日，2004，那霸圖。14。24小時提前功率輸出光伏系統(tǒng)預測（2004/Nob）。月均方根誤差[千瓦/米2]利用RBF神經(jīng)網(wǎng)絡利用模糊神經(jīng)網(wǎng)絡使用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]時間t[小時]利用RBF神經(jīng)網(wǎng)絡使用FFNN使用RNN2004年，在那霸（JST）2122圖。16。均方根誤差與每小時（輸出功率的光伏。四。輸出功率預測結果用于光伏發(fā)電系統(tǒng)在本節(jié)中，計算功率的方法，根自曝預測值憂思光伏系統(tǒng)如圖是由神經(jīng)網(wǎng)絡獲得。擬議的有效性方法被證實。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)進行預測。在本文中，它假定總和曝曬會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，假設太陽電池陣列η的轉換效率為15.7％，陣列面積S為1平方米。所示的（11），轉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)被計算為預測的溫度數(shù)據(jù)Y2，這是日照預測溫度，。在光伏系統(tǒng)的預測功率的輸出結果十一月的太陽輻射預報誤差進行了改進如圖所示。14，輸出功率光伏系統(tǒng)的可從曝氣量預測的預測，如圖。14。輸出功率光伏系統(tǒng)在每個月的誤差為圖。15，動力輸出為光伏的均方根誤差系統(tǒng)在一年每小時示于圖16，如在圖1-3的結果所示。15和16，因為RBF神經(jīng)網(wǎng)絡和RNN跑贏FFNN在某些月份，的有效性提出的技術可以得到證實。五，結論本文提出的功率輸出預測光伏系統(tǒng)基于預測的日照通過使用神經(jīng)網(wǎng)絡。優(yōu)點所提出的方法是，它不需要復雜的計算與只氣象-數(shù)學模型邏輯數(shù)據(jù)。在日照預測的那段時間，有可能通過使用唯一的氣象數(shù)據(jù)來縮短預測時間。選定機型FFNN，RBF神經(jīng)網(wǎng)絡，并RNN。RBF神經(jīng)網(wǎng)絡是選擇了它的結構簡單，通用逼近屬性。由于RNN被稱為時間序列的好工具數(shù)據(jù)預測，RNN選擇在本文中。雖然結果混合在每個月份，仿真結果表明該RBF神經(jīng)網(wǎng)絡和RNN跑贏FFNN的結果在某些一個月。實際上，能夠通過預測優(yōu)選的結果用很短的時間只有氣象數(shù)據(jù)。有效性擬議NN是在24小時預報證實模擬。參考[1]菲利普·瑟曼，神經(jīng)計算：理論與實踐，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)絡的酯酶使用從光伏組件t