文摘
最大的挑战之一是确保大型光伏系统集成到建筑物。这项工作的目的是提出一个有关建筑的建筑一体化光伏系统功率预测不同方向基于机器学习的数据科学工具。该预测方法包括数据质量阶段,机器学习算法,气象聚类评估,评估准确性。结果表明,应用线性回归系数的预测输出光伏发电发展神经网络提高了光伏发电的预测输出。最终的模型是准确预测,展示在NN的均方根误差4.42%,在树QSVM 16.86%, 8.76%。结果给出了与建筑立面和屋顶应用程序如平屋顶、南立面,东立面和西立面。
1。介绍
经济增长引发了全球对电能生产和消费的需求增加。太阳能发电站是非常普遍的在可再生能源1- - - - - -4]。卫星技术允许我们环球飞行。除了容易安装在建筑物的屋顶,光伏模块将作为独立的太阳能发电机(5- - - - - -7]。安装光伏电池板近年来每年都在增加。在全球范围内,在2019年产生117千瓦太阳能光伏能源(8]。传统的基于网格的功率分布也有稳定的电源线路和一致的负载(9]。可以增强电网效率控制供应商和客户。太阳能光伏发电可以干扰常规发电,让传统一代不舒服甚至不可行(10- - - - - -14]。
机器学习在预测和分类已经越来越普遍,因为它可靠的流程复杂或非线性问题。他们可以区分输入和输出变量之间的关系,即使表示不太可能(15]。最常见的是人工神经网络(ANN) [16),模糊逻辑(FL) [17),支持向量机(SVM) [18),再算法(资讯)19),而决策树(DT) (20.)为基础的技术(包括随机森林(RF) (21]。具体地说,人工智能方法详细讨论了提高光伏性能预测模型(22]。红外热成像是最普遍接受的技术对划分光波兰人(23),集中在图像处理技术来区分健康和有缺陷的面板提供基于图像处理的方法。各种模式,挑战和机会的实现光安波兰人(突出显示24]。随机森林是最可靠的网站所使用的各种预测技术和区域预测(25]。一些数学模型是提高诊断的准确性(26]。同时,使用PHANN清楚天天空的导致5.3%的标准差。在[27),作者使用了递归神经网络(LSTM-RNN)来预测未来光伏发电,RMSE结果大约82.15 W 136.87 W,分别为两个单独的数据集。现在大多数光伏预测相对均方根误差超过10% (28]。
输入重量和偏见的榆树分配隐藏层。随机,然后测量最小二乘的迭代方法。榆树将有助于更好地获得信息和之间的过渡情况。许多ELM-based模型提出了能力,出色的能力验证在预测光伏发电(29日]。结果使用整体方法结合低上界估计(润滑油)和集成学习方法。考虑到融合的程度和预测精度30.),努力把榆树和熵的方法来构建一个对短期光伏发电的混合预测方法,这是优于径向基函数神经网络,全面深入学习网络(31日]。另一种multimodel光伏功率预测是基于榆树。预测对操作发电厂和其他公用事业[至关重要32]。feasibility-prospective预测模型也开发和证明有效地预测短期电力生产的光伏系统。某些参数随机分配在传统的人工神经网络(ANN),造成一定程度的误差和不确定性的预测性能。几个人工神经网络(ann)结合全面毁灭(GA)来解决这个问题。指出卷积神经网络系统是有效的在预测太阳辐照度,在遗传算法应用于优化hyperparameters有关。然而,在传统的人工神经网络,许多参数必须仔细优化建立学习策略(33]。
开发的算法来预测光伏发电(34]。时间序列分解为高,低频组件。DBN模型将被用来提供高频率的趋势。最后,总结了预测趋势组件最终的结果。GA算法是最常用来解决非线性优化问题。遗传算法进化理论和计算个体适应度函数是进化理论的预测。GA涉及迭代选择精英个体,交叉应用程序和突变(35]。支持向量机(SVM)来预测短期使用Meta-SVM太阳能光伏发电和优化支持向量机参数优化器(36]。
由于支持向量机使用二次规划,支持向量机训练需要很长时间,当物品的数量很大。能源预测基于神经网络很好预测太阳能由于其强大的任务调度())和杰出的映射能力。联合方法预测光伏电力消耗与安和模拟集成研究[37]。榆树是开发和使用神经网络前馈(模糊神经网络)。榆树可以训练在不改变其权重和阈值。它的特点是快速训练速度和概括能力强和强大的应用程序(38]。榆树模型可以有效地解决复杂的非线性回归问题。这个模型已经被用来预测的光辉和光伏系统的输出功率。解释光伏功率波动的特定目的使用一个图形化的方法基于榆树模型报道(39]。相似性光伏模块功率预测模型使用可用的开发历史数据(40]。ANN模型用于预测月度全球太阳能辐射有关电力预测基于地理位置(41]。光伏模块的性能不同的地理位置。光伏系统的预测是基于机器学习算法的发展,和模型的稳定性进行了验证42]。开发的算法来预测电网负荷调度连接光伏系统的微型智能电网" (43]。
光伏输出功率决定使用各种算法预测精度。短期,日前电力预测分析和一个长期和日前电力预测气候条件有关。建筑光伏系统的研究需要。在这项研究中,基于实验研究的光伏输出正常。机器学习算法用于预测建筑一体化光伏系统的效率不同取向有关。系统安装平,南部和东部为导向,面向西方的外墙。人工神经网络、决策树和二次支持向量机算法预测BIPV短期功率预测系统的性能。
2。机器学习算法
最先进的太阳能技术将只有建立预测可以预测多少太阳能可以在给定的时间在一个特定的位置。建造模式可以复制,因为它只包含环境数据与地理位置无关。机器学习模型与三种类型的培训开发,验证和测试集根据设计的本质。工作流程图如图1。
2.1。人工神经网络
人工神经网络(ann)可以描述非线性、复杂,通过投入产出增量行为训练模式。一个安描述是基于一个架构,显示了节点之间的连接,权重的确定方法和激活函数。
人工神经网络的学习能力从大样本使得神经网络可以解决几个主要的和复杂的问题(44]。最常见的神经网络前馈结构的结构。一个典型的神经网络是由不同的计算组件叫做神经元。输入和输出层的权值和偏差是相互优化,直到内神经元的输出值是清除错误的推理错误的可能性。这种方法已成功应用于回归问题的响应(45]。这种前馈网络模型提出了数字2和3。每一层有一个隐藏层和许多隐层节点,而用户定义函数类型如表所示1。ANN方法可以处理非线性系统。不过,过度拟合的问题,局部最小值,随机初始数据,强化训练数据需求,增加了复杂性,由于多层架构的限制(46,47]。
支持向量机(SVM)在多个领域已经成为受欢迎的,因为它使用软计算。支持向量机的基本概念是通过非线性优化应用优化在某些领域。对于分类数据,支持向量回归(SVR)了。内核函数SVM的突出特点,使数据高维空间的一部分产品的低维输入空间项目高维输出。几个非线性核函数可以用于回归的应用程序。作为一个内核函数,径向基函数(RBF)非常高效。帮助向量机是用于分类和回归问题。帮助向量机可用于线性和非线性回归。支持向量机的目的是尽可能多的飞机之间的模式。支持向量机是基于不同的方法。 Quadratic Kernel Trick has been implemented in this model due to its low interpretability and medium model versatility. QSVM is more sensitive, that is a major limitation of the proposed model [46]。二次SVM算法如图4(一)。
(一)
(b)
2.2。决策树
决策树建立的回归模型或分类,应当详细在树的层次结构。首先,数据分解成子组的小数字,而与此同时,一个人工创建子矩阵,并在其新子集。结果是一场精心策划的树顶在决策节点和叶节点。决策树可以遭受过度拟合问题和内存限制。计算更加困难,当树结构是更深入46]。决策树算法如图4 (b)。
3所示。能源性能指标
NN-QSVM-TREE模型评估的结果,我们需要比较预期的能力值与实验的实际结果。机构的性能,因此,由这三种不同的评估指标(48]。
3.1。均方根误差(均方根误差)
根意味着平方误差仅仅是广场的平方根的意思是所有的错误。RMSE是一个很好的测量精度,但只适用于比较模型的预测数据和不变量之间的关系。
3.2。广场
这是一个统计指标,描述的不确定性解释为一个独立的变量。
3.3。日军(平均绝对百分比误差
平均绝对百分比误差(日军)是一种测量统计预测方法的准确性。
是总数的预测,实际的测试值,NN-QSVM-TREE模型的预测值。
4所示。结果和讨论
这种方法的效率是使用机器学习算法建模和评估。机器学习算法是决策树、人工神经网络和二次SVM。三个算法可以找到的细节部分。(提供的实验数据49- - - - - -51为此应使用。光伏电池板的输出功率变化由于环境条件的改变位置。给出了统计每五分钟。研究输入参数被认为是入射太阳辐射和环境温度图所示5。
在图所示的相关情节6。光伏预测基于NN-QSVM-Tree模型可能会发生。预测模型是基于平均绝对百分比误差分级(日军)和均方根误差(RMSE)。的广泛应用于统计数据。这个模型是不稳定的ROI时系数为零。当 ,首先,该模型是由使用数据可以从实验数据进行(49- - - - - -51向公众)。图5介绍了太阳辐射的预测曲线。图6显示第1阶段的统计学习算法相关的情节选择光伏功率预测的功能。其他两个模型的错误的处理阶段预测控制在指定的值(-8%,8%);NN-QSVM-Tree模型的错误也有很大不同,支持向量机模型的误差几乎是25%。NN-QSVM-Tree模型的错误出现在±3的范围内。NN-QSVM -3%和3%的相对误差50%样本。
NN-QSVM-Tree模型的预测结果为平屋顶图所示7。阳光下输出功率的预测曲线NN-QSVM-Tree模型第一阳光明媚的白天呈现在图7。每一个模型将光伏功率曲线的显示类似的模式。同时,树模型估计的误差估计的早期观察是30%。NN-QSVM-Tree模型的预测误差下降主要是在±2的范围内。NN-QSVM-Tree模型的相对误差值(-1%、1%)占总测试样本的97.18%和93%。NN-QSVM-Tree模型评估使用数据从典型的夏日。输出功率是模型的训练数据,作为测试数据。新量表的测试结果如图所示8。这个研究表明NN-QSVM-Tree模型显示显著的预测错误的预测过程。树和SVM模型的拟合效果的后期阶段预测较低。通过分析网络,发现过程仍将比预期的好很多预测图中的错误9。均方根误差(RMSE) NN-QSVM-Tree模型(-2%、2%)计算范围为39.44%,17.43%,和10.09%的总评价样本。这个问题是由于多云的天气导致较低的电力生产。预测的预测图所示10。在west-orientated外墙光伏生产曲线波动很大。所有三个权力模型大致镜像输出功率曲线的波动模式。高预测错误的一个重要原因是east-oriented立面的电力生产的不确定性。东——或者west-orientated facade,预测模型误差会更深刻。在数据9和10,在预测的初始阶段,这三个模型的预测稳定性低,高的中期和后期阶段的预测。根据结果显示,三种模型的精度之间有显著差异在图10。NN-QSVM-TREE模型的相对误差值范围(-3%、3%)占17.78%,11.87%,和13.88%的总测试样品。因此,这三个模型的预测误差也增加了,尽管研究。评价结果如表所示2。
表2展示了各种结果的几个模型对不同方向的立面和水平表面条件。RMSE值和日军NN-QSVM-TREE模型的值总是在不同条件下的最小。对三种不同的天气条件下,NN-QSVM-TREE模型的平均RMSE值是6.51%,5.54%,10.83%,13.10%,和14.35%。NN-QSVM-TREE模型的最小均方误差设置,这意味着模型的预测稳定性最佳。此外,由于光伏输出功率曲线在立面和屋顶安装,可变性和随机性模型的输出有一个更大的预测误差。平均日军值是3.67%,7.70%,8.45%。它可以注意到日军NN-QSVM-TREE模型的价值更低。日军如图11,支持的假设一个NN-QSVM-TREE模型是有用的在不同方向建筑安装的条件。对于这个评价指标,在阳光明媚的天气大大高于在立面安装。在三种情况下,平均水平NN-QSVM-TREE模型是88.3%,88.43%,88.230%。NN-QSVM-TREE模型有很强的拟合效果优越。早期开发模型的权值进行比较,表中列出3。
5。结论
最先进的太阳能技术只会建立预测是否能可靠地预测多少太阳能将在特定的地点在一个特定的时间(预测全球水平辐照度、环境温度和太阳的仰角和方位角计算)。建立模型是可复制的,因为它只包含环境数据与地理位置无关。根据创造的本质,机器学习模型是开发有三个培训,验证集和测试集。结果表明,模型运行始终为一个特定的时间和地点。神经网络预测时,线性回归系数的应用将提高预测的准确性。最终的模型是准确预测,展示在NN的均方根误差4.42%,在树QSVM 16.86%, 8.76%。这些方面的预测过程显示了模型的位置和配置独立的。最后,一个支持性的太阳能系统与一个稳定的电源断开连接的晚上。更多的计算机化的管理电网预计将增加电网管理过程的性能和可靠性。新规定也将有助于增加的参与可再生能源生产商和电力市场的聚合器。
数据可用性
使用的数据来支持本研究的结果包括在本文中。
的利益冲突
作者宣称没有利益冲突,关于这篇文章的出版。