的决心在Mono / Multicrystalline光伏电池输出功率

文摘

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( )LSSVM的单晶电池输出功率和简称ANFIS模型为0.997和0.962,分别。另外,多单元的有值0.999和0.995的LSSVM,简称ANFIS分别。可接受的值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。

1。介绍

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(1- - - - - -3]。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4]。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(5]。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(6]。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7]。

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8- - - - - -10]。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(11]。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(12]。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13,14]。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(15]。

根据智能方法的成功的背景在不同的工业参数的预测16- - - - - -18),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。

2。方法

2.1。实验数据库

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。

利用单晶和multicrystalline光伏电池的大小 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 / m²,分别。半导体制冷装置是用于温度控制房间的实验样品。

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(10]。

2.2。自适应神经模糊推理系统

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(19]。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1。在这个演示中,模糊规则的一阶Sugeno表达如下:如果 和 是可以接受的, 假定。在这, , ,和在训练的过程中。以下图给了这个模型的分层结构的信息(20.]:

图层1: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: 在这个配方,σ, ,和差异,高斯隶属函数中心,分别和输出。

层2:这一层包括入口相乘信号来确定火灾强度: 第三层: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: 第四层: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: 5层:最后一层包含一个节点,总结第四层的输出(21,22]:

2.3。最小二乘支持向量机

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23]。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(24]: 以下限制为成本函数定义:

在这,和分别的偏见和线性回归斜率值。代表了正则化参数。和输入和输出。和转置矩阵和特征映射。在下面定义的拉格朗日方程是: 在这,是拉格朗日乘数估计基于偏微分法的概念:

在这, , , ,和是单位矩阵。代表 。 LSSVM理论可以安排在其他形式: 在这, 是内核函数,径向基函数的形式: 哪一个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2(25]。粒子群优化(PSO)用于确定这些参数。

2.4。粒子群优化

第一次进行PSO算法是由埃伯哈特(26]。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。被称为最优解的算法,然后呢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: 和代表粒子的速度和位置,分别。和秀的学习条件可以控制粒子的速度。作为以前的速度和当前值之间的联系。和是随机值在0和1之间(27,28]。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(24,25]。

3所示。结果与讨论

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3和4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。

十字架的情节为这些模型中描述的人物5和6。回归monocell和多单元的显示他们有类似的方程 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5和6。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。

简称ANFIS预测和实验值之间的相对偏差和LSSVM模型图所示7和8。浓度的相对偏差 - - - - - -轴心线表明,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%。

确定的系数( ),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(29日- - - - - -31日]: 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1。

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monocell值和多单元的LSSVM的0.997和0.999,分别。计算简称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(10]。

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(25,32]: 在此, , , ,和代表““th输出,输出平均,th的输入,平均的输入(21]。估计每个输入显示在图的相关性因素9它表明最有效的参数对电池的输出功率是光强度值为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。

4所示。结论

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( )LSSVM的单晶电池输出功率和简称ANFIS模型确定为0.997和0.962,分别。另外,多单元的有值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。

数据可用性

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。

的利益冲突

作者宣称没有利益冲突。

确认

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)。

引用

1. 邹x, y, y,“绿色插电式混合动力电动汽车将可再生能源和快速的系统优化,“能源卷,111年,第980 - 971页,2016年。视图:出版商的网站|谷歌学术搜索
2. J.-T。刘,X.-H。邓、w·杨和j·李,“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,”物理化学化学物理,17卷,不。5,3303 - 3308年,2015页。视图:出版商的网站|谷歌学术搜索
3. g·k·辛格,”由PV(光伏)太阳能发电技术:复习一下,”能源卷,53 1-13,2013页。视图:出版商的网站|谷歌学术搜索
4. m . n . Akhter s Mekhilef h . Mokhlis n·m·沙阿,”回顾预测基于机器学习和metaheuristic的光伏发电技术,”专业可再生发电,13卷,不。7,1009 - 1023年,2019页。视图:出版商的网站|谷歌学术搜索
5. g . Sadeghi m . Najafzadeh和m .譬如“真空管太阳能集热器的热特性与线圈内:一个实验研究进化算法,”可再生能源卷,151年,第588 - 575页,2020年。视图:出版商的网站|谷歌学术搜索
6. g . Sadeghi m . Najafzadeh h . Safarzadeh,“利用基因表达编程造型真空管太阳能集热器的热性能,”杂志的能量储存,30卷,p。101546年,2020年。视图:出版商的网站|谷歌学术搜索
7. m . n . Akhter s Mekhilef h . Mokhlis l . Olatomiwa和m·a·默罕默德”三个发电的光伏系统的性能评估,以及容量6.575千瓦_p在马来西亚,“《清洁生产,277卷,2020年。视图:出版商的网站|谷歌学术搜索
8. k . Gajowniczek和t . Ząbkowski电力预测在个人家庭层面上增强的基于活动模式,”《公共科学图书馆•综合》,12卷,不。4、2017。视图:出版商的网站|谷歌学术搜索
9. 吴x, x,莫拉,x, v . Pickert,“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,”能源杂志卷,333年,第212 - 203页,2016年。视图:出版商的网站|谷歌学术搜索
10. w·肖已满,h, h . Wu和f·陈,“一个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,”《公共科学图书馆•综合》,12卷,不。9日,2017年。视图:出版商的网站|谷歌学术搜索
11. a . Mellit和s . a . Kalogirou光伏应用人工智能技术:一个评论,”能量和燃烧科学的进步,34卷,不。5,574 - 632年,2008页。视图:出版商的网站|谷歌学术搜索
12. z Lei, w . Zhenpo h .本期和d . g .雷尔,“剩余容量估算的超级电容电动车使用人工神经网络,”IFAC诉讼卷卷,47号3、3899 - 3904年,2014页。视图:出版商的网站|谷歌学术搜索
13. d . a . Fadare”造型的太阳能潜力在尼日利亚使用人工神经网络模型中,“应用能源,卷86,不。9日,第1422 - 1410页,2009年。视图:出版商的网站|谷歌学术搜索
14. e·伊兹吉代总统a . Oztopal b . Yerli m . k . Kaymak公元Şahin,“Short-mid-term太阳能利用人工神经网络预测,“太阳能,卷86,不。2、725 - 733年,2012页。视图:出版商的网站|谷歌学术搜索
15. e·f·费尔南德斯f . Almonacid n . Sarmah·罗德里戈·t·k·Mallick和p . Perez-Higueras“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,”太阳能卷,100年,第158 - 148页,2014年。视图:出版商的网站|谷歌学术搜索
16. m . Najafzadeh和h . m . Azamathulla”去噪GMDH预测冲刷桩组由于波浪,“计算机在土木工程杂志》上卷,29号5,2015。视图:出版商的网站|谷歌学术搜索
17. m . Najafzadeh a . Etemad-Shahidi郑胜耀Lim,”冲刷预测在长期使用简称ANFIS和支持向量机,收缩”海洋工程卷,111年,第135 - 128页,2016年。视图:出版商的网站|谷歌学术搜索
18. m . Najafzadeh和a . Zahiri”去噪GMDH-based进化算法来预测流连续放电复合渠道,”水文工程杂志,20卷,不。12日,2015年。视图:出版商的网站|谷歌学术搜索
19. js。r .张成泽C.-T。太阳,e .弘水谷”去噪和软计算计算方法学习和机器智能(书评),“IEEE自动控制,42卷,不。10日,1482 - 1484年,1997页。视图:出版商的网站|谷歌学术搜索
20. js。r .张成泽“简称ANFIS: adaptive-network-based模糊推理系统,”IEEE系统,人,控制论,23卷,不。3、665 - 685年,1993页。视图:出版商的网站|谷歌学术搜索
21. a . Bemani》就讲述a Baghban, a·h·穆罕默迪”建模的洞察的酸性气体含硫量在超临界区域,”石油科学与工程》杂志上,第184卷,第106459页,2020年。视图:出版商的网站|谷歌学术搜索
22. m a r . Daneshfar Bemani》就讲述Hadipoor et al .,“估计使用安非牛顿ionanofluid系统的热容,简称ANFIS,和SGB树算法,”应用科学,10卷,不。18,6432年,页2020。视图:出版商的网站|谷歌学术搜索
23. k . Pelckmans j . a . Suykens t . Van Gestel et al .,“LS-SVMlab: matlab / c为最小二乘支持向量机工具箱,”教程KULeuven-ESAT,比利时的鲁汶,2002。视图:谷歌学术搜索
24. a . Bemani》就讲述熊,a . Baghban Habibzadeh, a·h·穆罕默迪和m . h . Doranehgard”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,”可再生能源卷,150年,第934 - 924页,2020年。视图:出版商的网站|谷歌学术搜索
25. r·哈扎维a Bemani》就讲述a Baghban, a·h·穆罕默迪”建模ofCO2absorption氨基酸的功能解决方案使用一个计算方案,“环境的进步与可持续能源,39卷,不。6、2020。视图:出版商的网站|谷歌学术搜索
26. 进行r·埃伯哈特和j·肯尼迪,“一个新的优化器使用粒子群理论,肉类”95”学报第六微机器和人类科学国际研讨会页,39-43名古屋,日本,1995年。视图:谷歌学术搜索
27. js。邱,工程学系。蔡,M.-T。刘:“PSO-based自适应模糊意义的。”仿真建模实践和理论卷26日49-59,2012页。视图:出版商的网站|谷歌学术搜索
28. y史进行r·埃伯哈特:“修改粒子群优化器”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)安克雷奇,页69 - 73年,正义与发展党,美国,1998。视图:出版商的网站|谷歌学术搜索
29. m . Najafzadeh和f . Saberi-Movahed GMDH-GEP预测自由跨度扩张率低于管道在海浪下,“海洋Georesources &印度尼西亚,37卷,不。3、375 - 392年,2019页。视图:出版商的网站|谷歌学术搜索
30. f m . Najafzadeh Saberi-Movahed s Sarkamaryan”NF-GMDH-based自组织系统来预测桥墩冲刷深度泥石流的影响下,“海洋Georesources &印度尼西亚,36卷,不。5,589 - 602年,2018页。视图:出版商的网站|谷歌学术搜索
31. f . Saberi-Movahed m . Najafzadeh, a . Mehrpooya”获得更准确的预测纵向分散系数水管道:培训组的数据处理方法使用极端的学习机器概念,“水资源管理,34卷,不。2、529 - 561年,2020页。视图:出版商的网站|谷歌学术搜索
32. 大肠Khamehchi和a . Bemani》就讲述“预测在不同的两相流的压力条件:机器学习应用,”测量,173卷,2021年。视图:出版商的网站|谷歌学术搜索

版权

版权©2021年夏刘et al。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。