IJPgydF4y2Ba 国际期刊的PhotoenergygydF4y2Ba 1687 - 529 xgydF4y2Ba 1110 - 662 xgydF4y2Ba HindawigydF4y2Ba 10.1155 / 2021/6692598gydF4y2Ba 6692598gydF4y2Ba 研究文章gydF4y2Ba 的决心在Mono / Multicrystalline光伏电池输出功率gydF4y2Ba 刘gydF4y2Ba 夏gydF4y2Ba 1gydF4y2Ba https://orcid.org/0000 - 0003 - 3157 - 8502gydF4y2Ba 刘gydF4y2Ba YongqiugydF4y2Ba 1gydF4y2Ba https://orcid.org/0000 - 0001 - 5421 - 7086gydF4y2Ba 伊斯拉米gydF4y2Ba 默罕默德gydF4y2Ba 2gydF4y2Ba 穆罕默德•阿里gydF4y2Ba 哈菲兹gydF4y2Ba 1gydF4y2Ba 电气和机械工程学院gydF4y2Ba 广东科技大学gydF4y2Ba 东莞523083gydF4y2Ba 中国gydF4y2Ba gdst.ccgydF4y2Ba 2gydF4y2Ba 电子与计算机工程系gydF4y2Ba 袭分支gydF4y2Ba 伊斯兰自由大学gydF4y2Ba 袭gydF4y2Ba 伊朗gydF4y2Ba azad.ac.irgydF4y2Ba 2021年gydF4y2Ba 8gydF4y2Ba 5gydF4y2Ba 2021年gydF4y2Ba 2021年gydF4y2Ba 3gydF4y2Ba 1gydF4y2Ba 2021年gydF4y2Ba 11gydF4y2Ba 2gydF4y2Ba 2021年gydF4y2Ba 17gydF4y2Ba 4gydF4y2Ba 2021年gydF4y2Ba 8gydF4y2Ba 5gydF4y2Ba 2021年gydF4y2Ba 2021年gydF4y2Ba 版权©2021年夏刘et al。gydF4y2Ba 这是一个开放的文章在知识共享归属许可下发布的,它允许无限制的使用,分布和繁殖在任何媒介,提供最初的工作是正确的引用。gydF4y2Ba

在目前的工作,提出了两种基于人工智能的模型来确定两种类型的光伏电池的输出功率,包括multicrystalline(多)和单晶(mono -)。自适应神经模糊推理系统(简称ANFIS)和最小二乘支持向量机(LSSVM)申请输出功率的计算。估计结果非常接近实际数据基于图形和统计分析。确定的系数(gydF4y2Ba RgydF4y2Ba 2gydF4y2Ba LSSVM)的单晶电池输出功率,简称ANFIS模型是0.997和0.962,分别。另外,多单元的有gydF4y2Ba RgydF4y2Ba 2gydF4y2Ba 值0.999和0.995的LSSVM,简称ANFIS分别。可接受的值gydF4y2Ba RgydF4y2Ba 2gydF4y2Ba 和各种错误参数证明建议模型的准确性。这些比较澄清的可视化显示模型的准确性。此外,该模型与先前发表的机器学习方法。提出模型的准确性能与他人相比表明,我们的模型可以帮助评估工具的输出功率。此外,灵敏度分析的输入参数对输出功率的影响。灵敏度输出表明光强输出功率。这项研究的结果提供了有趣的工具在不同地区有潜在应用的可再生能源产业。gydF4y2Ba

 广东大学的主要研究项目的科学,2020年技术:智能电网供电恢复算法研究gydF4y2Ba gky - 2020 - kyzdk - 3所示gydF4y2Ba 1。介绍gydF4y2Ba

光伏电池发电作为可再生能源来源至关重要,因为它不仅是用来克服当前能源问题也是环保克服当前的环境问题(gydF4y2Ba 1gydF4y2Ba- - - - - -gydF4y2Ba 3gydF4y2Ba]。可再生能源技术的开发和研究可以减少全球变暖的问题和其他环境问题gydF4y2Ba 4gydF4y2Ba]。在文献中,有一些有价值的研究可再生能源的话题,例如实验调查的质量流率的影响nanofluid, nanofluid的体积分数,和体积储罐的进出水温差和真空管太阳能集热器的能源效率。此外,三种机器学习方法称为基因表达编程,模型树,多元自适应回归样条为预测开发这些目标参数(gydF4y2Ba 5gydF4y2Ba]。Sadeghi等人开发了一个建模调查真空管太阳能集热器。在工作中,基因表达编程被用来模拟各种卷的真空管太阳能集热器热储罐和太阳辐射强度(gydF4y2Ba 6gydF4y2Ba]。Akhter等人评估三种光伏技术的性能包括薄膜、单晶和poly-crystalline技术基于11个不同的性能参数gydF4y2Ba 7gydF4y2Ba]。gydF4y2Ba

设备温度和材料和太阳辐射强度是有效的参数对光伏电池的输出功率。例如,multicrystalline、单晶和非晶晶体硅太阳能光伏电池在操作条件下有不同的行为。因此,准确预测工具确定光伏电源和家庭电力需求是高度需要节约成本和时间gydF4y2Ba 8gydF4y2Ba- - - - - -gydF4y2Ba 10gydF4y2Ba]。在所有的预测工具,人工智能(AI)的方法有一个重要的地方权力的决心,因为人工智能方法,因为人工智能模型的预测能力的非线性动态系统的行为(gydF4y2Ba 11gydF4y2Ba]。在人工智能方法中,不需要使用任何基于物理派生或特定分析公式(gydF4y2Ba 12gydF4y2Ba]。它们不需要复杂的计算或高数量的调优参数,而且,他们有更好的性能比多元线性回归模型在非线性系统gydF4y2Ba 13gydF4y2Ba,gydF4y2Ba 14gydF4y2Ba]。总的来说,一个动态系统可以模拟喂养一个全面的数据集到一个有组织的网络。这个网络是训练,直到获得一个可以接受的精确度(gydF4y2Ba 15gydF4y2Ba]。gydF4y2Ba

根据智能方法的成功的背景在不同的工业参数的预测gydF4y2Ba 16gydF4y2Ba- - - - - -gydF4y2Ba 18gydF4y2Ba),在这个工作中,两个智能模型基于自适应神经模糊推理系统(简称ANFIS)和最小二乘支持向量机(LSSVM)提出了确定两种类型的光伏电池的输出功率包括multicrystalline和单晶。各种各样的比较进行了调查这些模型的性能。此外,一个有趣的灵敏度分析是用来确认温度和光照强度对输出功率的影响。gydF4y2Ba

 2。方法gydF4y2Ba 2.1。实验数据库gydF4y2Ba

训练上述模型,综合实验数据库是聚集在文献中从可靠的来源。实验设置和条件被用来获取这些数据点可以描述如下。gydF4y2Ba

利用单晶和multicrystalline光伏电池的大小gydF4y2Ba 2.8gydF4y2Ba 厘米gydF4y2Ba ×gydF4y2Ba 2.5gydF4y2Ba 厘米是由QS太阳能公司。对于数据采集,PV测试系统与数字囊在成都ZKY仪器生产公司氙气光源用于模拟阳光。六个部分拨动开关调整入射光的强度。这些部分的光强度约1100,1000,900,800,700,600 W / mgydF4y2Ba2gydF4y2Ba,分别。半导体制冷装置是用于温度控制房间的实验样品。gydF4y2Ba

最大输出功率(拖把)和电流电压曲线测量温度的40岁,35岁,30岁,27岁,25、20、15、10、5 0 5和-10°C。因此,每个光强度tranch十二测量条件。例如,温度和光照强度的实验条件是-10°C和6笔,5°C和6级,0°C和6笔,5°C和6笔,10°C和第六部分,15°C和6笔,20°C和6级,25°C和第六部分,27°C和第六部分,30°C和6笔,35°C和6笔,和40°C和第六部分。收集72个实际点的总数,62人作为训练数据点,和10个数据点被用于评估模型的性能测试阶段的看不见的条件(gydF4y2Ba 10gydF4y2Ba]。gydF4y2Ba

 2.2。自适应神经模糊推理系统gydF4y2Ba

模糊逻辑(FL)包括推理策略和认知的不确定性。另一方面,人工神经网络具有并行分布结构,可以快速适应不同类型的问题。指的这些特征,这些结构的组合去噪方法创建。这个方法是受雇于高木涉第一次;在那之后,张成泽简称ANFIS求婚。该模型使用模糊和安的能力结构,提高其性能(gydF4y2Ba 19gydF4y2Ba]。换句话说,该模型结合了模糊结构特征和自适应系统。简称ANFIS模型的原理结构显示在图gydF4y2Ba 1gydF4y2Ba。在这个演示中,模糊规则的一阶Sugeno表达如下:如果gydF4y2Ba XgydF4y2Ba 1gydF4y2Ba =gydF4y2Ba 一个gydF4y2Ba 我gydF4y2Ba 和gydF4y2Ba XgydF4y2Ba 2gydF4y2Ba =gydF4y2Ba BgydF4y2Ba jgydF4y2Ba 是可以接受的,gydF4y2Ba fgydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 米gydF4y2Ba 我gydF4y2Ba XgydF4y2Ba 1gydF4y2Ba +gydF4y2Ba ngydF4y2Ba 我gydF4y2Ba XgydF4y2Ba 2gydF4y2Ba +gydF4y2Ba rgydF4y2Ba 我gydF4y2Ba 假定。在这,gydF4y2Ba rgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba 米gydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba ngydF4y2Ba 我gydF4y2Ba 在训练的过程中。以下图给了这个模型的分层结构的信息(gydF4y2Ba 20.gydF4y2Ba]:gydF4y2Ba

一个典型的简称ANFIS方法的结构。gydF4y2Ba

图层1gydF4y2Ba:在这一层,自适应节点存在。这些节点可以被视为语言术语的同行,与隶属函数的输出有一个关系(MF)如下:gydF4y2Ba (1)gydF4y2Ba OgydF4y2Ba 我gydF4y2Ba 1gydF4y2Ba =gydF4y2Ba βgydF4y2Ba XgydF4y2Ba =gydF4y2Ba 经验值gydF4y2Ba −gydF4y2Ba 1gydF4y2Ba /gydF4y2Ba 2gydF4y2Ba XgydF4y2Ba −gydF4y2Ba ZgydF4y2Ba 2gydF4y2Ba /gydF4y2Ba σgydF4y2Ba 2gydF4y2Ba 。gydF4y2Ba 在这个配方,gydF4y2Ba σgydF4y2Ba,gydF4y2Ba ZgydF4y2Ba ,gydF4y2Ba OgydF4y2Ba 差异,高斯隶属函数中心,分别和输出。gydF4y2Ba

层2gydF4y2Ba:这一层包括入口相乘信号来确定火灾强度:gydF4y2Ba (2)gydF4y2Ba OgydF4y2Ba 我gydF4y2Ba 2gydF4y2Ba =gydF4y2Ba WgydF4y2Ba 我gydF4y2Ba =gydF4y2Ba βgydF4y2Ba 一个gydF4y2Ba 我gydF4y2Ba XgydF4y2Ba 。gydF4y2Ba βgydF4y2Ba BgydF4y2Ba 我gydF4y2Ba XgydF4y2Ba 。gydF4y2Ba 第三层gydF4y2Ba:这一层包含了一些公司节点。节点确定发射强度比发射强度的总和。这一层的最终输出可以定义如下:gydF4y2Ba (3)gydF4y2Ba OgydF4y2Ba 我gydF4y2Ba 3gydF4y2Ba =gydF4y2Ba WgydF4y2Ba 我gydF4y2Ba ∑gydF4y2Ba WgydF4y2Ba 我gydF4y2Ba 。gydF4y2Ba 第四层gydF4y2Ba:可用在这一层是用来计算归一化自适应节点发射强度如下:gydF4y2Ba (4)gydF4y2Ba OgydF4y2Ba 我gydF4y2Ba 4gydF4y2Ba =gydF4y2Ba WgydF4y2Ba 我gydF4y2Ba ¯gydF4y2Ba fgydF4y2Ba 我gydF4y2Ba =gydF4y2Ba WgydF4y2Ba 我gydF4y2Ba ¯gydF4y2Ba 米gydF4y2Ba 我gydF4y2Ba XgydF4y2Ba 1gydF4y2Ba +gydF4y2Ba ngydF4y2Ba 我gydF4y2Ba XgydF4y2Ba 2gydF4y2Ba +gydF4y2Ba rgydF4y2Ba 我gydF4y2Ba 。gydF4y2Ba 5层gydF4y2Ba:最后一层包含一个节点,总结第四层的输出(gydF4y2Ba 21gydF4y2Ba,gydF4y2Ba 22gydF4y2Ba]:gydF4y2Ba (5)gydF4y2Ba OgydF4y2Ba 我gydF4y2Ba 5gydF4y2Ba =gydF4y2Ba YgydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba WgydF4y2Ba 我gydF4y2Ba ¯gydF4y2Ba fgydF4y2Ba 我gydF4y2Ba =gydF4y2Ba WgydF4y2Ba 1gydF4y2Ba ¯gydF4y2Ba fgydF4y2Ba 1gydF4y2Ba +gydF4y2Ba WgydF4y2Ba 2gydF4y2Ba ¯gydF4y2Ba fgydF4y2Ba 2gydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba WgydF4y2Ba 我gydF4y2Ba fgydF4y2Ba 我gydF4y2Ba ∑gydF4y2Ba WgydF4y2Ba 我gydF4y2Ba 。gydF4y2Ba

2.3。最小二乘支持向量机gydF4y2Ba

支持向量机(SVM)的基石是结构风险最小化和机器学习的概念。该算法可以检测各种模式的可用数据和调查(其中基于一种合适的方式gydF4y2Ba 23gydF4y2Ba]。Seykens等人升级SVM算法和最小二乘支持向量机(LSSVM)。新算法的重要点是使用一个线性方程系统来解决这个问题。这一点使它的速度比支持向量机算法。下面的公式描述LSSVM的成本函数方法(gydF4y2Ba 24gydF4y2Ba]:gydF4y2Ba (6)gydF4y2Ba 最小值gydF4y2Ba ωgydF4y2Ba ,gydF4y2Ba bgydF4y2Ba ,gydF4y2Ba egydF4y2Ba JgydF4y2Ba ωgydF4y2Ba ,gydF4y2Ba egydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 2gydF4y2Ba ωgydF4y2Ba TgydF4y2Ba ωgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba 2gydF4y2Ba γgydF4y2Ba ∑gydF4y2Ba kgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba NgydF4y2Ba egydF4y2Ba kgydF4y2Ba 2gydF4y2Ba 。gydF4y2Ba 以下限制为成本函数定义:gydF4y2Ba (7)gydF4y2Ba ygydF4y2Ba kgydF4y2Ba =gydF4y2Ba ωgydF4y2Ba TgydF4y2Ba φgydF4y2Ba xgydF4y2Ba kgydF4y2Ba +gydF4y2Ba bgydF4y2Ba +gydF4y2Ba egydF4y2Ba kgydF4y2Ba ,gydF4y2Ba kgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba ⋯gydF4y2Ba ,gydF4y2Ba NgydF4y2Ba 。gydF4y2Ba

在这,gydF4y2Ba bgydF4y2Ba 和gydF4y2Ba wgydF4y2Ba 分别的偏见和线性回归斜率值。gydF4y2Ba ϒgydF4y2Ba 代表了正则化参数。gydF4y2Ba xgydF4y2Ba 和gydF4y2Ba ygydF4y2Ba 输入和输出。gydF4y2Ba TgydF4y2Ba 和gydF4y2Ba φgydF4y2Ba 转置矩阵和特征映射。在下面定义的拉格朗日方程是:gydF4y2Ba (8)gydF4y2Ba lgydF4y2Ba ωgydF4y2Ba ,gydF4y2Ba bgydF4y2Ba ,gydF4y2Ba egydF4y2Ba ,gydF4y2Ba αgydF4y2Ba =gydF4y2Ba JgydF4y2Ba ωgydF4y2Ba ,gydF4y2Ba egydF4y2Ba −gydF4y2Ba ∑gydF4y2Ba kgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba NgydF4y2Ba αgydF4y2Ba kgydF4y2Ba ωgydF4y2Ba TgydF4y2Ba φgydF4y2Ba xgydF4y2Ba kgydF4y2Ba +gydF4y2Ba bgydF4y2Ba +gydF4y2Ba egydF4y2Ba kgydF4y2Ba −gydF4y2Ba ygydF4y2Ba kgydF4y2Ba 。gydF4y2Ba 在这,gydF4y2Ba αgydF4y2Ba kgydF4y2Ba 是拉格朗日乘数估计基于偏微分法的概念:gydF4y2Ba (9)gydF4y2Ba ∂gydF4y2Ba lgydF4y2Ba ωgydF4y2Ba ,gydF4y2Ba bgydF4y2Ba ,gydF4y2Ba egydF4y2Ba ,gydF4y2Ba αgydF4y2Ba ∂gydF4y2Ba ωgydF4y2Ba =gydF4y2Ba 0gydF4y2Ba ⟶gydF4y2Ba ωgydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba kgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba NgydF4y2Ba αgydF4y2Ba kgydF4y2Ba φgydF4y2Ba xgydF4y2Ba kgydF4y2Ba ,gydF4y2Ba ∂gydF4y2Ba lgydF4y2Ba ωgydF4y2Ba ,gydF4y2Ba bgydF4y2Ba ,gydF4y2Ba egydF4y2Ba ,gydF4y2Ba αgydF4y2Ba ∂gydF4y2Ba bgydF4y2Ba =gydF4y2Ba 0gydF4y2Ba ⟶gydF4y2Ba ∑gydF4y2Ba kgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba NgydF4y2Ba αgydF4y2Ba kgydF4y2Ba =gydF4y2Ba 0gydF4y2Ba ,gydF4y2Ba ∂gydF4y2Ba lgydF4y2Ba ωgydF4y2Ba ,gydF4y2Ba bgydF4y2Ba ,gydF4y2Ba egydF4y2Ba ,gydF4y2Ba αgydF4y2Ba ∂gydF4y2Ba egydF4y2Ba kgydF4y2Ba =gydF4y2Ba 0gydF4y2Ba ⟶gydF4y2Ba αgydF4y2Ba kgydF4y2Ba =gydF4y2Ba γgydF4y2Ba egydF4y2Ba kgydF4y2Ba ,gydF4y2Ba kgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba ⋯gydF4y2Ba ,gydF4y2Ba NgydF4y2Ba ,gydF4y2Ba ∂gydF4y2Ba lgydF4y2Ba ωgydF4y2Ba ,gydF4y2Ba bgydF4y2Ba ,gydF4y2Ba egydF4y2Ba ,gydF4y2Ba αgydF4y2Ba ∂gydF4y2Ba αgydF4y2Ba kgydF4y2Ba =gydF4y2Ba 0gydF4y2Ba ⟶gydF4y2Ba ygydF4y2Ba kgydF4y2Ba =gydF4y2Ba ωgydF4y2Ba TgydF4y2Ba φgydF4y2Ba xgydF4y2Ba kgydF4y2Ba +gydF4y2Ba bgydF4y2Ba +gydF4y2Ba egydF4y2Ba kgydF4y2Ba kgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba ⋯gydF4y2Ba ,gydF4y2Ba NgydF4y2Ba ,gydF4y2Ba

在这,gydF4y2Ba ygydF4y2Ba =gydF4y2Ba ygydF4y2Ba 1gydF4y2Ba ⋯gydF4y2Ba ygydF4y2Ba NgydF4y2Ba TgydF4y2Ba ,gydF4y2Ba αgydF4y2Ba =gydF4y2Ba αgydF4y2Ba 1gydF4y2Ba ⋯gydF4y2Ba αgydF4y2Ba NgydF4y2Ba TgydF4y2Ba ,gydF4y2Ba 1gydF4y2Ba NgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ⋯gydF4y2Ba 1gydF4y2Ba TgydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba 是单位矩阵。gydF4y2Ba ΩgydF4y2Ba kgydF4y2Ba lgydF4y2Ba 代表gydF4y2Ba φgydF4y2Ba xgydF4y2Ba kgydF4y2Ba TgydF4y2Ba φgydF4y2Ba xgydF4y2Ba lgydF4y2Ba =gydF4y2Ba KgydF4y2Ba xgydF4y2Ba kgydF4y2Ba ,gydF4y2Ba xgydF4y2Ba lgydF4y2Ba 。gydF4y2Ba (10)gydF4y2Ba 0gydF4y2Ba 1gydF4y2Ba vgydF4y2Ba TgydF4y2Ba 1gydF4y2Ba vgydF4y2Ba ΩgydF4y2Ba +gydF4y2Ba γgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba 我gydF4y2Ba bgydF4y2Ba αgydF4y2Ba =gydF4y2Ba 0gydF4y2Ba ygydF4y2Ba 。gydF4y2Ba LSSVM理论可以安排在其他形式:gydF4y2Ba (11)gydF4y2Ba ygydF4y2Ba xgydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba kgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba NgydF4y2Ba αgydF4y2Ba kgydF4y2Ba KgydF4y2Ba xgydF4y2Ba ,gydF4y2Ba xgydF4y2Ba kgydF4y2Ba +gydF4y2Ba bgydF4y2Ba 。gydF4y2Ba 在这,gydF4y2Ba KgydF4y2Ba xgydF4y2Ba ,gydF4y2Ba xgydF4y2Ba kgydF4y2Ba 是内核函数,径向基函数的形式:gydF4y2Ba (12)gydF4y2Ba KgydF4y2Ba xgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba xgydF4y2Ba jgydF4y2Ba =gydF4y2Ba egydF4y2Ba −gydF4y2Ba xgydF4y2Ba 我gydF4y2Ba −gydF4y2Ba xgydF4y2Ba jgydF4y2Ba 2gydF4y2Ba /gydF4y2Ba σgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba 哪一个gydF4y2Ba σgydF4y2Ba 2gydF4y2Ba 代表径向基宽度计算在训练过程中。确定调优参数的过程如图gydF4y2Ba 2gydF4y2Ba(gydF4y2Ba 25gydF4y2Ba]。粒子群优化(PSO)用于确定这些参数。gydF4y2Ba

结构LSSVM-PSO方法。gydF4y2Ba

 2.4。粒子群优化gydF4y2Ba

第一次进行PSO算法是由埃伯哈特(gydF4y2Ba 26gydF4y2Ba]。主要的方法是确定最佳条件非线性和复杂的问题。粒子的运动是找到全局最优的基本方法。每个粒子代表可能的答案。优化过程中,粒子的位置和速度。gydF4y2Ba ggydF4y2Ba 最好的gydF4y2Ba 被称为最优解的算法,然后呢gydF4y2Ba pgydF4y2Ba 最好的gydF4y2Ba 是最好的粒子的位置定义的域。下面的公式显示方式,粒子位置和速度决定:gydF4y2Ba (13)gydF4y2Ba XgydF4y2Ba pdgydF4y2Ba itergydF4y2Ba +gydF4y2Ba 1gydF4y2Ba =gydF4y2Ba XgydF4y2Ba pdgydF4y2Ba itergydF4y2Ba +gydF4y2Ba VgydF4y2Ba pdgydF4y2Ba itergydF4y2Ba +gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba vgydF4y2Ba idgydF4y2Ba tgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba =gydF4y2Ba wgydF4y2Ba vgydF4y2Ba idgydF4y2Ba tgydF4y2Ba +gydF4y2Ba cgydF4y2Ba 1gydF4y2Ba rgydF4y2Ba 1gydF4y2Ba pgydF4y2Ba 最好的gydF4y2Ba ,gydF4y2Ba idgydF4y2Ba tgydF4y2Ba −gydF4y2Ba XgydF4y2Ba iidgydF4y2Ba tgydF4y2Ba +gydF4y2Ba cgydF4y2Ba 2gydF4y2Ba rgydF4y2Ba 2gydF4y2Ba ggydF4y2Ba 最好的gydF4y2Ba ,gydF4y2Ba dgydF4y2Ba tgydF4y2Ba −gydF4y2Ba XgydF4y2Ba idgydF4y2Ba tgydF4y2Ba 。gydF4y2Ba VgydF4y2Ba 我gydF4y2Ba tgydF4y2Ba 和gydF4y2Ba XgydF4y2Ba 我gydF4y2Ba tgydF4y2Ba 代表粒子的速度和位置,分别。gydF4y2Ba cgydF4y2Ba 1gydF4y2Ba 和gydF4y2Ba cgydF4y2Ba 2gydF4y2Ba 秀的学习条件可以控制粒子的速度。gydF4y2Ba wgydF4y2Ba 作为以前的速度和当前值之间的联系。gydF4y2Ba rgydF4y2Ba 1gydF4y2Ba 和gydF4y2Ba rgydF4y2Ba 2gydF4y2Ba 是随机值在0和1之间(gydF4y2Ba 27gydF4y2Ba,gydF4y2Ba 28gydF4y2Ba]。还有其他的优化算法在文献中。遗传算法和混合遗传算法和PSO (HGAPSO)是众所周知的算法可用于优化LSSVM和简称ANFIS算法。与这些预测工具的组合创建不同的模型预测流程的行业(gydF4y2Ba 24gydF4y2Ba,gydF4y2Ba 25gydF4y2Ba]。gydF4y2Ba

 3所示。结果与讨论gydF4y2Ba

在目前的情况下,输出的模型和实验输出大国对于这两种类型的细胞相比,保证模型的精度和能力。为此,图形和统计进行比较。首先,对于图形比较,预测和实际输出功率的同时插图monocell和多单元的数据所示gydF4y2Ba 3gydF4y2Ba和gydF4y2Ba 4gydF4y2Ba简称ANFIS和LSSVM模型,分别。这些对比表明,模型输出与实验值有一个协议。gydF4y2Ba

预测的最大输出功率,简称ANFIS monocell (a)和(b)多单元的。gydF4y2Ba

最大输出功率预测的LSSVM monocell (a)和(b)多单元的。gydF4y2Ba

十字架的情节为这些模型中描述的人物gydF4y2Ba 5gydF4y2Ba和gydF4y2Ba 6gydF4y2Ba。回归monocell和多单元的显示他们有类似的方程gydF4y2Ba ygydF4y2Ba =gydF4y2Ba xgydF4y2Ba 线。确定参数的系数对这些行是接近1。因此,测定的准确性提出了模型输出功率是可以接受的。讨论的细节行数据所示gydF4y2Ba 5gydF4y2Ba和gydF4y2Ba 6gydF4y2Ba。输出功率的压实平分线附近的数据点显示,模型输出功率的确定有足够的精度。gydF4y2Ba

十字架的实验和预测最大输出功率,简称ANFIS monocell (a)和(b)多单元的。gydF4y2Ba

十字架上的实验和预测最大输出功率的LSSVM monocell (a)和(b)多单元的。gydF4y2Ba

简称ANFIS预测和实验值之间的相对偏差和LSSVM模型图所示gydF4y2Ba 7gydF4y2Ba和gydF4y2Ba 8gydF4y2Ba。浓度的相对偏差gydF4y2Ba xgydF4y2Ba 设在线表明,提出的模型有很大的准确性在广泛的输出大国。作为明显点,训练模型有更好的预测精度的多单元的输出功率值。最佳的性能属于LSSVM算法预测的多单元的相对误差低于2%。gydF4y2Ba

实验和预测之间的相对偏差最大输出功率,简称ANFIS monocell (a)和(b)多单元的。gydF4y2Ba

实验和预测之间的相对偏差最大输出功率的LSSVM monocell (a)和(b)多单元的。gydF4y2Ba

确定的系数(gydF4y2Ba RgydF4y2Ba 2gydF4y2Ba ),平均相对误差(绝笔),均方误差(为了),相对均方误差(rmse)和标准差(性病)制定如下(gydF4y2Ba 29日gydF4y2Ba- - - - - -gydF4y2Ba 31日gydF4y2Ba]:gydF4y2Ba (14)gydF4y2Ba RgydF4y2Ba 2gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba −gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba NgydF4y2Ba XgydF4y2Ba 我gydF4y2Ba 实际gydF4y2Ba −gydF4y2Ba XgydF4y2Ba 我gydF4y2Ba 预测gydF4y2Ba 2gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba NgydF4y2Ba XgydF4y2Ba 我gydF4y2Ba 实际gydF4y2Ba −gydF4y2Ba XgydF4y2Ba 实际gydF4y2Ba ¯gydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba 绝笔gydF4y2Ba =gydF4y2Ba One hundred.gydF4y2Ba NgydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba NgydF4y2Ba XgydF4y2Ba 我gydF4y2Ba 预测gydF4y2Ba −gydF4y2Ba XgydF4y2Ba 我gydF4y2Ba 实际gydF4y2Ba ,gydF4y2Ba 均方误差gydF4y2Ba =gydF4y2Ba One hundred.gydF4y2Ba NgydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba NgydF4y2Ba XgydF4y2Ba 我gydF4y2Ba 实际gydF4y2Ba −gydF4y2Ba XgydF4y2Ba 我gydF4y2Ba 预测gydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba RMSEgydF4y2Ba =gydF4y2Ba One hundred.gydF4y2Ba NgydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba NgydF4y2Ba XgydF4y2Ba 我gydF4y2Ba 实际gydF4y2Ba −gydF4y2Ba XgydF4y2Ba 我gydF4y2Ba 预测gydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba 性病gydF4y2Ba 错误gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba NgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba NgydF4y2Ba 错误gydF4y2Ba −gydF4y2Ba 错误gydF4y2Ba ¯gydF4y2Ba 0.5gydF4y2Ba 。gydF4y2Ba 确定以上参数显示了模型的预测精度光伏电池的输出功率。插入表的计算参数gydF4y2Ba 1gydF4y2Ba。gydF4y2Ba

统计评估模型。gydF4y2Ba

RgydF4y2Ba 2gydF4y2Ba 绝笔(%)gydF4y2Ba 均方误差gydF4y2Ba RMSEgydF4y2Ba 性病gydF4y2Ba
MonocellgydF4y2Ba LSSVMgydF4y2Ba 火车gydF4y2Ba 0.997gydF4y2Ba 1.232gydF4y2Ba 0.37366882gydF4y2Ba 0.6113gydF4y2Ba 0.3621gydF4y2Ba
测试gydF4y2Ba 0.997gydF4y2Ba 1.097gydF4y2Ba 0.413593905gydF4y2Ba 0.6431gydF4y2Ba 0.4053gydF4y2Ba
总gydF4y2Ba 0.997gydF4y2Ba 1.198gydF4y2Ba 0.383650091gydF4y2Ba 0.6431gydF4y2Ba 0.3705gydF4y2Ba
多单元的gydF4y2Ba 火车gydF4y2Ba 0.999gydF4y2Ba 0.617gydF4y2Ba 0.131896651gydF4y2Ba 0.3632gydF4y2Ba 0.2304gydF4y2Ba
测试gydF4y2Ba 0.999gydF4y2Ba 0.570gydF4y2Ba 0.104762187gydF4y2Ba 0.3237gydF4y2Ba 0.2049gydF4y2Ba
总gydF4y2Ba 0.999gydF4y2Ba 0.605gydF4y2Ba 0.125113035gydF4y2Ba 0.3237gydF4y2Ba 0.2232gydF4y2Ba
MonocellgydF4y2Ba 简称ANFISgydF4y2Ba 火车gydF4y2Ba 0.973gydF4y2Ba 2.496gydF4y2Ba 3.282398807gydF4y2Ba 1.8117gydF4y2Ba 1.4126gydF4y2Ba
测试gydF4y2Ba 0.924gydF4y2Ba 3.460gydF4y2Ba 8.918576686gydF4y2Ba 2.9864gydF4y2Ba 2.5967gydF4y2Ba
总gydF4y2Ba 0.962gydF4y2Ba 2.737gydF4y2Ba 4.691443277gydF4y2Ba 2.9864gydF4y2Ba 1.7726gydF4y2Ba
多单元的gydF4y2Ba 火车gydF4y2Ba 0.995gydF4y2Ba 1.370gydF4y2Ba 0.573499732gydF4y2Ba 0.7573gydF4y2Ba 0.4360gydF4y2Ba
测试gydF4y2Ba 0.994gydF4y2Ba 1.603gydF4y2Ba 0.860051592gydF4y2Ba 0.9274gydF4y2Ba 0.5437gydF4y2Ba
总gydF4y2Ba 0.995gydF4y2Ba 1.428gydF4y2Ba 0.645137697gydF4y2Ba 0.9274gydF4y2Ba 0.4652gydF4y2Ba

可以看到,LSSVM模型具有更好的准确性相比,简称ANFIS模型。的决定gydF4y2Ba RgydF4y2Ba 2gydF4y2Ba monocell值和多单元的LSSVM的0.997和0.999,分别。计算gydF4y2Ba RgydF4y2Ba 2gydF4y2Ba 简称ANFIS模型报道值0.962和0.995 monocell和多单元的分别。此外,LSSVM的MSE值0.3836和0.1251 monocell和多单元的分别。4.6914和0.6451的均方误差值报告monocell和多单元的分别。此外,其他误差参数非常低的LSSVM模型。因此,这个算法的准确性和性能是可接受的对光伏电池的输出功率的估计。肖等人使用ANN算法结构的不同输出功率的估计。最好的预测结构的工作8和9隐层单元平均相关系数为单晶和multicrystalline 0.97和0.988。我们建议的模型有更好的性能比这些ANN-based方法(gydF4y2Ba 10gydF4y2Ba]。gydF4y2Ba

的一个著名的分析进行的这项研究是输入的相关性因素的估计。相关性因素考虑输入参数的描述了影响光伏电池的输出功率。这个因素可以制定如下(gydF4y2Ba 25gydF4y2Ba,gydF4y2Ba 32gydF4y2Ba]:gydF4y2Ba (15)gydF4y2Ba rgydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ngydF4y2Ba XgydF4y2Ba kgydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba −gydF4y2Ba XgydF4y2Ba kgydF4y2Ba ¯gydF4y2Ba YgydF4y2Ba 我gydF4y2Ba −gydF4y2Ba YgydF4y2Ba ¯gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ngydF4y2Ba XgydF4y2Ba kgydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba −gydF4y2Ba XgydF4y2Ba kgydF4y2Ba ¯gydF4y2Ba 2gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ngydF4y2Ba YgydF4y2Ba 我gydF4y2Ba −gydF4y2Ba YgydF4y2Ba ¯gydF4y2Ba 2gydF4y2Ba 。gydF4y2Ba 在此,gydF4y2Ba YgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba YgydF4y2Ba ¯gydF4y2Ba ,gydF4y2Ba XgydF4y2Ba kgydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba XgydF4y2Ba kgydF4y2Ba ¯gydF4y2Ba 代表“gydF4y2Ba 我gydF4y2Ba “th输出,输出平均,gydF4y2Ba kgydF4y2Ba th的输入,平均的输入(gydF4y2Ba 21gydF4y2Ba]。估计每个输入显示在图的相关性因素gydF4y2Ba 9gydF4y2Ba它表明最有效的参数对电池的输出功率是光强度gydF4y2Ba rgydF4y2Ba 值为0.97。此外,输出功率的值会增加如果光强度增加。另一方面,温度的负相关性的因素表明,有一个反向温度和输出功率之间的关系。gydF4y2Ba

输入参数对输出功率的影响monocell (a)和(b)的多单元的。gydF4y2Ba

 4所示。结论gydF4y2Ba

在这个工作中,两种人工智能的方法开发了基于ANFIS-PSO和LSSVM-PSO确定两种类型的光伏电池的输出功率。采用模型显示图形和统计的准确性比较。确定的系数(gydF4y2Ba RgydF4y2Ba 2gydF4y2Ba LSSVM)的单晶电池输出功率,简称ANFIS模型确定为0.997和0.962,分别。另外,多单元的有gydF4y2Ba RgydF4y2Ba 2gydF4y2Ba 值0.999和0.995的LSSVM,简称ANFIS分别。错误值较低,表明本模型有很大的电池输出功率预测的准确性。图形比较也用来更好的演示协议预计和实际输出功率值。之后,进行了敏感性分析显示输入参数和输出功率之间的关系这些细胞。根据获得的结果,目前的工作提供有用的信息输出功率的确定,为不同类型的细胞。建议的模型可以确定该参数通过使用最少的时间和成本。这些方法的主要限制是,他们需要一个全面的数据集训练模型和获得调优参数。如果使用有限数量的实验数据点在培训阶段,在看不见的测定条件下模型的性能将是有限的。根据这一事实,一个全面的和大型实验数据库涵盖范围广泛的操作条件应提供。gydF4y2Ba

 数据可用性gydF4y2Ba

的数据支持本研究的发现可以从相应的作者,在合理的请求。gydF4y2Ba

 的利益冲突gydF4y2Ba

作者宣称没有利益冲突。gydF4y2Ba

 确认gydF4y2Ba

这项研究为广东的主要研究项目资助大学,2020年技术:智能电网供电恢复算法研究(gky - 2020 kyzdk - 3)。gydF4y2Ba

 胡gydF4y2Ba X。gydF4y2Ba 邹gydF4y2Ba Y。gydF4y2Ba 杨gydF4y2Ba Y。gydF4y2Ba 环保充电式混合动力电动汽车将可再生能源和快速的系统优化gydF4y2Ba 能源gydF4y2Ba 2016年gydF4y2Ba 111年gydF4y2Ba 971年gydF4y2Ba 980年gydF4y2Ba 10.1016 / j.energy.2016.06.037gydF4y2Ba 2 - s2.0 - 84974839102gydF4y2Ba 刘gydF4y2Ba J.-T。gydF4y2Ba 邓gydF4y2Ba X.-H。gydF4y2Ba 杨gydF4y2Ba W。gydF4y2Ba 李gydF4y2Ba J。gydF4y2Ba 完美的光捕获在纳米半导体薄膜厚度谐振反射器和spectrum-splitting结构gydF4y2Ba 物理化学化学物理gydF4y2Ba 2015年gydF4y2Ba 17gydF4y2Ba 5gydF4y2Ba 3303年gydF4y2Ba 3308年gydF4y2Ba 10.1039 / C4CP04717FgydF4y2Ba 2 - s2.0 - 84921678456gydF4y2Ba 25523334gydF4y2Ba 辛格gydF4y2Ba g·K。gydF4y2Ba 太阳能发电的光伏技术:一个回顾gydF4y2Ba 能源gydF4y2Ba 2013年gydF4y2Ba 53gydF4y2Ba 1gydF4y2Ba 13gydF4y2Ba 10.1016 / j.energy.2013.02.057gydF4y2Ba 2 - s2.0 - 84876076496gydF4y2Ba AkhtergydF4y2Ba m . N。gydF4y2Ba MekhilefgydF4y2Ba 年代。gydF4y2Ba MokhlisgydF4y2Ba H。gydF4y2Ba 沙阿gydF4y2Ba n·M。gydF4y2Ba 回顾预测基于机器学习的光伏发电和metaheuristic技术gydF4y2Ba 专业可再生发电gydF4y2Ba 2019年gydF4y2Ba 13gydF4y2Ba 7gydF4y2Ba 1009年gydF4y2Ba 1023年gydF4y2Ba 10.1049 / iet-rpg.2018.5649gydF4y2Ba 2 - s2.0 - 85065232583gydF4y2Ba SadeghigydF4y2Ba G。gydF4y2Ba NajafzadehgydF4y2Ba M。gydF4y2Ba 譬如gydF4y2Ba M。gydF4y2Ba 热特性的真空管太阳能集热器与线圈内:一个实验研究进化算法gydF4y2Ba 可再生能源gydF4y2Ba 2020年gydF4y2Ba 151年gydF4y2Ba 575年gydF4y2Ba 588年gydF4y2Ba 10.1016 / j.renene.2019.11.050gydF4y2Ba SadeghigydF4y2Ba G。gydF4y2Ba NajafzadehgydF4y2Ba M。gydF4y2Ba SafarzadehgydF4y2Ba H。gydF4y2Ba 利用基因表达编程建模真空管太阳能集热器的热性能gydF4y2Ba 杂志的能量储存gydF4y2Ba 2020年gydF4y2Ba 30.gydF4y2Ba 101546年gydF4y2Ba 10.1016 / j.est.2020.101546gydF4y2Ba AkhtergydF4y2Ba m . N。gydF4y2Ba MekhilefgydF4y2Ba 年代。gydF4y2Ba MokhlisgydF4y2Ba H。gydF4y2Ba OlatomiwagydF4y2Ba lgydF4y2Ba 默罕默德gydF4y2Ba m·A。gydF4y2Ba 三个发电的光伏系统的性能评估,以及容量6.575千瓦gydF4y2BapgydF4y2Ba在马来西亚gydF4y2Ba 《清洁生产gydF4y2Ba 2020年gydF4y2Ba 277年gydF4y2Ba 10.1016 / j.jclepro.2020.123242gydF4y2Ba GajowniczekgydF4y2Ba K。gydF4y2Ba ZąbkowskigydF4y2Ba T。gydF4y2Ba 电力预测在个人家庭层面上增强的基于活动模式gydF4y2Ba 《公共科学图书馆•综合》gydF4y2Ba 2017年gydF4y2Ba 12gydF4y2Ba 4gydF4y2Ba 10.1371 / journal.pone.0174098gydF4y2Ba 2 - s2.0 - 85017706702gydF4y2Ba 28423039gydF4y2Ba 吴gydF4y2Ba X。gydF4y2Ba 胡gydF4y2Ba X。gydF4y2Ba 莫拉gydF4y2Ba 年代。gydF4y2Ba 阴gydF4y2Ba X。gydF4y2Ba PickertgydF4y2Ba V。gydF4y2Ba 随机控制的智能家庭能源管理与插件电动汽车电池储能和光伏阵列gydF4y2Ba 能源杂志gydF4y2Ba 2016年gydF4y2Ba 333年gydF4y2Ba 203年gydF4y2Ba 212年gydF4y2Ba 10.1016 / j.jpowsour.2016.09.157gydF4y2Ba 2 - s2.0 - 84991764840gydF4y2Ba 肖gydF4y2Ba W。gydF4y2Ba 已满gydF4y2Ba G。gydF4y2Ba 吴gydF4y2Ba H。gydF4y2Ba 张gydF4y2Ba H。gydF4y2Ba 程gydF4y2Ba F。gydF4y2Ba 基于神经网络的计算模型来预测不同类型的光伏电池的输出功率gydF4y2Ba 《公共科学图书馆•综合》gydF4y2Ba 2017年gydF4y2Ba 12gydF4y2Ba 9gydF4y2Ba 10.1371 / journal.pone.0184561gydF4y2Ba 2 - s2.0 - 85029413560gydF4y2Ba 28898271gydF4y2Ba MellitgydF4y2Ba 一个。gydF4y2Ba KalogirougydF4y2Ba 美国一个。gydF4y2Ba 人工智能技术为光伏应用程序:一个回顾gydF4y2Ba 能量和燃烧科学的进步gydF4y2Ba 2008年gydF4y2Ba 34gydF4y2Ba 5gydF4y2Ba 574年gydF4y2Ba 632年gydF4y2Ba 10.1016 / j.pecs.2008.01.001gydF4y2Ba 2 - s2.0 - 47149095417gydF4y2Ba LeigydF4y2Ba Z。gydF4y2Ba ZhenpogydF4y2Ba W。gydF4y2Ba 本期gydF4y2Ba H。gydF4y2Ba 多雷尔gydF4y2Ba d·G。gydF4y2Ba 剩余容量估算的超级电容电动车使用人工神经网络gydF4y2Ba IFAC诉讼卷gydF4y2Ba 2014年gydF4y2Ba 47gydF4y2Ba 3gydF4y2Ba 3899年gydF4y2Ba 3904年gydF4y2Ba 10.3182 / 20140824 - 6 - za - 1003.00657gydF4y2Ba FadaregydF4y2Ba d . A。gydF4y2Ba 造型太阳能的潜力在尼日利亚使用人工神经网络模型gydF4y2Ba 应用能源gydF4y2Ba 2009年gydF4y2Ba 86年gydF4y2Ba 9gydF4y2Ba 1410年gydF4y2Ba 1422年gydF4y2Ba 10.1016 / j.apenergy.2008.12.005gydF4y2Ba 2 - s2.0 - 63449096455gydF4y2Ba 伊兹吉代总统gydF4y2Ba E。gydF4y2Ba OztopalgydF4y2Ba 一个。gydF4y2Ba YerligydF4y2Ba B。gydF4y2Ba KaymakgydF4y2Ba m·K。gydF4y2Ba ŞahingydF4y2Ba 答:D。gydF4y2Ba Short-mid-term太阳能利用人工神经网络预测gydF4y2Ba 太阳能gydF4y2Ba 2012年gydF4y2Ba 86年gydF4y2Ba 2gydF4y2Ba 725年gydF4y2Ba 733年gydF4y2Ba 10.1016 / j.solener.2011.11.013gydF4y2Ba 2 - s2.0 - 84855801266gydF4y2Ba 费尔南德斯gydF4y2Ba e . F。gydF4y2Ba AlmonacidgydF4y2Ba F。gydF4y2Ba SarmahgydF4y2Ba N。gydF4y2Ba 罗德里戈gydF4y2Ba P。gydF4y2Ba MallickgydF4y2Ba t·K。gydF4y2Ba Perez-HiguerasgydF4y2Ba P。gydF4y2Ba 基于人工神经网络模型预测的低浓度的最大功率光伏模块构建集成gydF4y2Ba 太阳能gydF4y2Ba 2014年gydF4y2Ba One hundred.gydF4y2Ba 148年gydF4y2Ba 158年gydF4y2Ba 10.1016 / j.solener.2013.11.036gydF4y2Ba 2 - s2.0 - 84891053883gydF4y2Ba NajafzadehgydF4y2Ba M。gydF4y2Ba AzamathullagydF4y2Ba h . M。gydF4y2Ba 去噪GMDH预测由于海浪冲刷桩组gydF4y2Ba 计算机在土木工程杂志》上gydF4y2Ba 2015年gydF4y2Ba 29日gydF4y2Ba 5gydF4y2Ba 10.1061 /(第3期)cp.1943 - 5487.0000376gydF4y2Ba 2 - s2.0 - 84939441532gydF4y2Ba NajafzadehgydF4y2Ba M。gydF4y2Ba Etemad-ShahidigydF4y2Ba 一个。gydF4y2Ba LimgydF4y2Ba s Y。gydF4y2Ba 冲刷预测长期收缩使用简称ANFIS和支持向量机gydF4y2Ba 海洋工程gydF4y2Ba 2016年gydF4y2Ba 111年gydF4y2Ba 128年gydF4y2Ba 135年gydF4y2Ba 10.1016 / j.oceaneng.2015.10.053gydF4y2Ba 2 - s2.0 - 84947710486gydF4y2Ba NajafzadehgydF4y2Ba M。gydF4y2Ba ZahirigydF4y2Ba 一个。gydF4y2Ba 去噪GMDH-based进化算法来预测流连续放电复合渠道gydF4y2Ba 水文工程杂志gydF4y2Ba 2015年gydF4y2Ba 20.gydF4y2Ba 12gydF4y2Ba 10.1061 /(第3期)he.1943 - 5584.0001185gydF4y2Ba 张成泽gydF4y2Ba js。R。gydF4y2Ba 太阳gydF4y2Ba C.-T。gydF4y2Ba 弘水谷gydF4y2Ba E。gydF4y2Ba 去噪和软计算的计算方法来学习和机器智能(书评)gydF4y2Ba IEEE自动控制gydF4y2Ba 1997年gydF4y2Ba 42gydF4y2Ba 10gydF4y2Ba 1482年gydF4y2Ba 1484年gydF4y2Ba 10.1109 / TAC.1997.633847gydF4y2Ba 张成泽gydF4y2Ba js。R。gydF4y2Ba 简称ANFIS: adaptive-network-based模糊推理系统gydF4y2Ba IEEE系统,人,控制论gydF4y2Ba 1993年gydF4y2Ba 23gydF4y2Ba 3gydF4y2Ba 665年gydF4y2Ba 685年gydF4y2Ba 10.1109/21.256541gydF4y2Ba 2 - s2.0 - 0027601884gydF4y2Ba BemanigydF4y2Ba 一个。gydF4y2Ba BaghbangydF4y2Ba 一个。gydF4y2Ba 穆罕默gydF4y2Ba a . H。gydF4y2Ba 建模的洞察的酸性气体含硫量在超临界区域gydF4y2Ba 石油科学与工程》杂志上gydF4y2Ba 2020年gydF4y2Ba 184年gydF4y2Ba 106459年gydF4y2Ba 10.1016 / j.petrol.2019.106459gydF4y2Ba DaneshfargydF4y2Ba R。gydF4y2Ba BemanigydF4y2Ba 一个。gydF4y2Ba HadipoorgydF4y2Ba M。gydF4y2Ba SharifpurgydF4y2Ba M。gydF4y2Ba 阿里gydF4y2Ba h . M。gydF4y2Ba MahariqgydF4y2Ba 我。gydF4y2Ba AbdeljawadgydF4y2Ba T。gydF4y2Ba 估计使用安非牛顿ionanofluid系统的热容,简称ANFIS, SGB树算法gydF4y2Ba 应用科学gydF4y2Ba 2020年gydF4y2Ba 10gydF4y2Ba 18gydF4y2Ba 6432年gydF4y2Ba 10.3390 / app10186432gydF4y2Ba PelckmansgydF4y2Ba K。gydF4y2Ba SuykensgydF4y2Ba j . A。gydF4y2Ba 范GestelgydF4y2Ba T。gydF4y2Ba 德布拉班特省gydF4y2Ba J。gydF4y2Ba 卢卡斯gydF4y2Ba lgydF4y2Ba 哈默尔gydF4y2Ba B。gydF4y2Ba 德摩尔人gydF4y2Ba B。gydF4y2Ba ”gydF4y2Ba J。gydF4y2Ba LS-SVMlab: matlab / c对最小二乘支持向量机工具箱gydF4y2Ba 教程gydF4y2Ba 2002年gydF4y2Ba 比利时鲁汶gydF4y2Ba KULeuven-ESATgydF4y2Ba BemanigydF4y2Ba 一个。gydF4y2Ba 熊gydF4y2Ba Q。gydF4y2Ba BaghbangydF4y2Ba 一个。gydF4y2Ba HabibzadehgydF4y2Ba 年代。gydF4y2Ba 穆罕默gydF4y2Ba a . H。gydF4y2Ba DoranehgardgydF4y2Ba m . H。gydF4y2Ba 建模的十六烷的生物柴油脂肪酸甲酯(名声)信息使用GA - PSO和HGAPSO - LSSVM模型gydF4y2Ba 可再生能源gydF4y2Ba 2020年gydF4y2Ba 150年gydF4y2Ba 924年gydF4y2Ba 934年gydF4y2Ba 10.1016 / j.renene.2019.12.086gydF4y2Ba 哈扎维gydF4y2Ba R。gydF4y2Ba BemanigydF4y2Ba 一个。gydF4y2Ba BaghbangydF4y2Ba 一个。gydF4y2Ba 穆罕默gydF4y2Ba a . H。gydF4y2Ba 建模ofCO2absorption氨基酸的功能解决方案使用一个计算方案gydF4y2Ba 环境的进步与可持续能源gydF4y2Ba 2020年gydF4y2Ba 39gydF4y2Ba 6gydF4y2Ba 10.1002 / ep.13430gydF4y2Ba EberhartgydF4y2Ba R。gydF4y2Ba 肯尼迪gydF4y2Ba J。gydF4y2Ba 一个新的优化器使用粒子群理论,肉类的95gydF4y2Ba 1995年gydF4y2Ba 学报第六微机器和人类科学国际研讨会gydF4y2Ba 1995年gydF4y2Ba 日本名古屋gydF4y2Ba 39gydF4y2Ba 43gydF4y2Ba 邱gydF4y2Ba js。gydF4y2Ba 蔡gydF4y2Ba 工程学系。gydF4y2Ba 刘gydF4y2Ba M.-T。gydF4y2Ba PSO-based自适应模糊意义的gydF4y2Ba 仿真建模实践和理论gydF4y2Ba 2012年gydF4y2Ba 26gydF4y2Ba 49gydF4y2Ba 59gydF4y2Ba 10.1016 / j.simpat.2012.04.001gydF4y2Ba 2 - s2.0 - 84862564264gydF4y2Ba 史gydF4y2Ba Y。gydF4y2Ba EberhartgydF4y2Ba R。gydF4y2Ba 修改后的粒子群优化器gydF4y2Ba 1998年IEEE国际会议上进化计算程序。IEEE国际代表大会上计算智能(猫。No.98TH8360)gydF4y2Ba 1998年gydF4y2Ba 美国安克雷奇,正义与发展党gydF4y2Ba 69年gydF4y2Ba 73年gydF4y2Ba 10.1109 / ICEC.1998.699146gydF4y2Ba NajafzadehgydF4y2Ba M。gydF4y2Ba Saberi-MovahedgydF4y2Ba F。gydF4y2Ba GMDH-GEP预测自由跨度扩张率低于管道下波gydF4y2Ba 海洋Georesources &印度尼西亚gydF4y2Ba 2019年gydF4y2Ba 37gydF4y2Ba 3gydF4y2Ba 375年gydF4y2Ba 392年gydF4y2Ba 10.1080 / 1064119 x.2018.1443355gydF4y2Ba 2 - s2.0 - 85043718928gydF4y2Ba NajafzadehgydF4y2Ba M。gydF4y2Ba Saberi-MovahedgydF4y2Ba F。gydF4y2Ba SarkamaryangydF4y2Ba 年代。gydF4y2Ba NF-GMDH-based自组织系统来预测泥石流作用下桥墩冲刷深度gydF4y2Ba 海洋Georesources &印度尼西亚gydF4y2Ba 2018年gydF4y2Ba 36gydF4y2Ba 5gydF4y2Ba 589年gydF4y2Ba 602年gydF4y2Ba 10.1080 / 1064119 x.2017.1355944gydF4y2Ba 2 - s2.0 - 85028559297gydF4y2Ba Saberi-MovahedgydF4y2Ba F。gydF4y2Ba NajafzadehgydF4y2Ba M。gydF4y2Ba MehrpooyagydF4y2Ba 一个。gydF4y2Ba 获得更准确的预测纵向分散系数水管道:培训组使用极端的学习机器概念的数据处理方法gydF4y2Ba 水资源管理gydF4y2Ba 2020年gydF4y2Ba 34gydF4y2Ba 2gydF4y2Ba 529年gydF4y2Ba 561年gydF4y2Ba 10.1007 / s11269 - 019 - 02463 - wgydF4y2Ba KhamehchigydF4y2Ba E。gydF4y2Ba BemanigydF4y2Ba 一个。gydF4y2Ba 预测在不同的两相流的压力条件:机器学习应用gydF4y2Ba 测量gydF4y2Ba 2021年gydF4y2Ba 173年gydF4y2Ba 10.1016 / j.measurement.2020.108665gydF4y2Ba