用于估计光伏模块的功率产生人工神经网络的模型

1、用于估计光伏模块的功率产生人工神经网络的模型A. Mellita，B，*，S。萨？ glamc，S.A. Kalogiroud 科学aFaculty和技术，可再生能源实验室，吉杰勒大学，奥拉德-Aissa，PO专栏0.98，吉杰勒18000，阿尔及利亚 bUnité德发展署DES EQUIPEMENTS solaires（UDES），Bousmail，提帕萨42000，阿尔及利亚 cTechnical教育学院，马尔马拉大学，34722伊斯坦布尔，土耳其 机械工程和材料科学与工程学院，塞浦路斯大学，PO的dDepartment 50329盒，3603利马索尔，塞浦路斯一个R T I C

2、 L E I N F O 文章历史： 收到二一二年十一月十八日 接受2013年4月23日 可在线2013年5月18日 关键词： 光伏组件 建模 电力生产 人工神经网络 预测A B式T R A C T在本文中，一种方法来估计一个50兆瓦级光伏硅 - 多晶硅的生产力量的轮廓光伏（PV）模块进行说明。为此，两个人工神经网络（ANN ）已分别在阴天和晴天使用而开发的。一年以上的测量数据（太阳能辐照度，空气温度，光伏模块的电压和PV模块的电流）已经记录在马尔马拉大学，伊斯坦布尔，土耳其（从2011年1月1日至24-2-2012 ）和用于培训和瓦利 - dation的车型。结果证实了研制人工神经网络的模型

3、来估计功率的能力制作合理准确。比较研究表明，人工神经网络的机型更好的表现比多项式回归，多元线性回归，分析和单二极管模型。它的优点人工神经网络 - 模型的是，他们不需要更多的参数或复杂的计算不像隐模型。建立的模型可用于预测所产生的电力的轮廓。虽然，本方法已应用于1的多晶光伏组件，它也可以被概括为大规模光伏电站以及其他光伏技术。？ 2013爱思唯尔有限公司保留所有权利。1引言据报道由国际能源署（IEA） 1 ，全球光伏产能已因为在超过40 的年均增长率增长2000年和它有显著潜力的长期增长在下一个十年。到2050年，光伏发电将提供全球电力的11 生产（每年4500太瓦时） ，对应3000吉瓦累计安

4、装的光伏装机容量。像土耳其，光伏研究和开发的国家活动仍主要采取通过一系列的大学，政府和行业的设施和项目，主要是由国家计委组织机构，研究计划资助化（ DPT）和科学与研究理事会（ TUBITAK ） 2,3 。作为光伏系统的性能是由影响在日照和大气条件的幅度，更交流光伏电池/组件的牧师模型需要估计所生产的电力和一般分析光伏系统的性能。作为光伏电池的建模/模块是oneOf的最重要领域inphotovoltaics研究，许多方法已经开发了用于建模的IEV特性和估算的最大功率。这些可以是一般分为两种类型：明确I ¼ F（V）和隐我¼ F（ I，V ）型号。明确的车型采用的是简单的分

5、析表达的基础上的假设，他们需要更少的计算努力。然而，隐式模型相对比更准确明确的，并且它们具有引入的缺点系列这是difficultor甚至不可能获得参数从太阳能电池单元的制造商（即，串联电阻，RS ;的分流电阻， RSH ;暗饱和电流， I0 ;照片产生的电流电流Iph和二极管理想因子，n ） 。即使这些参数可以根据经验而获得，光的设计者光伏系统经常会发现在应用这些模型的困难 4 。人工神经网络（ANN ） ，遗传算法（GA ） ，神经模糊推理系统（ ANFIS）和粒子群优化解，zation （ PSO）技术已经在为了模拟被查处并提取PV电池/模块的参数，以及估计最大功率。参考文献。 5 ，作者

6、用一个神经网络来估计从光伏组件使用的最大发电环境心理信息。建议的网络可以用于在第二天的一代从光伏系统由预测使用从天气办公室的预测信息。雅阁ing的作者，所提出的方法给出更精确的预措辞相比通过使用获得的预测的传统的多元回归模型。径向基函数（RBF）的太阳能电池阵列的应用建模和最大功率点（MPP ）预测被预艾尔 - 阿莫迪和张sented 6 。建议RBF模型的导致节能，它可以准确计算的MPP无摸索最佳功率点。Abdulhadi等。 7 已经开发出一种神经模糊模型预计太阳能电池的短路电流和开路电压。据作者表示，该模型可以扩展超出了测得的数据通过将先验知识范围来自理论和制造商的数据。参考文献。 8

7、，作者采用了基于神经网络的方法用于改进的电气等效电路的精度光伏组件。一个光伏模块的等效电路的参数主要取决于太阳辐射和温度。该关于环境因素对电路参数的依赖通过使用一组currentevoltage曲线的影响。这是所示，这两个参数之间的关系是非线性的，不能由任何分析很容易地表达方程。阿尔莫纳西等。 9 开发了一种方法来获取字符光伏组件在使用MLP任何给定的条件teristic曲线考虑到的电压可以表示为的函数目前，辐照和模块的温度。它一直报道称，建议人工神经网络引入了一个准确的预测对硅晶光伏组件的性能比较与测量值。粒子群优化算法（PSO）和集群进行分析，以适应计算currentevoltage炭火a

8、cteristic由Sandrolini等光伏模块。 10 。这种方法允许人们获得的一组参数，这是合理的和代表物理系统的。参考文献。 11笔者采用遗传算法来识别PV电池/模块的电气参数，这被用于确定的最大功率。据作者表示，遗传算法是一种非常有效的技术，相对于其他方法。在智能光伏组件的实现可重新配置的现场可编程门阵列（FPGA ）为发育 - 通过Mekki等OPED 。 12 。作者设计了一个MLP-光生伏打模块，其允许在性能评价仅使用环境参数PV模块和在volves较少的计算工作量。据作者表示，去副也可用于预测输出的电能从PV模块和实时仿真。阿尔莫纳西等。 13 开发了一个人工神经网络模型来生

9、成薄膜太阳能铜铟硒（ CIS ）模块IEV曲线对于任何太阳辐照度和模块电池温度。根据的作者，得到的结果是非常有前途和发达人工神经网络执行更好比其他常规技术。广义回归神经网络（ GRNN ）来预测光伏模块的操作电流是在发达参考。 14。建议GRNN模型接受作为输入的光伏电池温度，光照和PV电压，而光伏电流是网络的输出。结果表明， GRNN提供了更好的预测电流的比的五参数分析模型。参考文献。 15笔者使用的ANFIS建模与仿真，特征研光伏供电系统。该ANFIS是发育 - OPED通过模型的交付和消费发电光伏电源（光伏发电系统）的系统。它已被证明如此，开发模型可以预测和模拟不同在光伏发电系统，系统只

10、从环境温度下的电气数据ATURE ，太阳辐射和晴空指数。RBF网络被用于预测的输出特性商业光伏模块，利用作为输入的太阳辐照度和温度 16 。结果表明，该数值计算IEV和PEV特征密切相匹配的OB-从实验数据tained 。 RBF神经网络，也可以用于太阳能电池，如5或其它建模的目的七条电路的参数估计。最近，在文献。 17 基于人工一种新颖的方法神经网络提出了确定光伏的IEV曲线模块不同的条件下操作。主要贡献化包括在将光谱的测量为该模型的输入端。根据tothe作者，表现训练与光谱信息网络提高对一个没有光谱信息。如可以从上面的简要回顾，建模的缔结光伏电池/阵列的基础上，如人工智能技术人工神经网络，

11、遗传算法，粒子群算法，神经模糊等，在不同的CIR-施cumstances 。这些技术已被证明是更有利比经典款专门从视图的角度简单性和准确性。本文的主要目的是开发一个简单和交流副牧师人工神经网络模型考虑到了那种天气（多云或晴天），然后检查其性能，以便估计该制作了一个50兆瓦级光伏硅多晶光伏电源的配置文件模块。为了这个目的， 2神经网络为基础的模型已经研究中，第一个（ ANN模型1）用于估计功率在阴天的情况下产生的，而第二个（ ANN模型2 ）用于阳光明媚的日子。以评估的性能所设计的模型，多项式之间的比较回归 - 锡永，一个二极管，分析和多元线性回归模型是进行。本文的其余部分安排如下。第2条规定使

12、用的数据库和系统描述的信息。该开发基于神经网络模型的方法，提出在第3节。评价人工神经网络的模型，并进行了比较研究是第4节中。2，系统监控和数据库该系统由一个PV模块（ ASE-50-DG/16 ）和一个中MPP单元连接到100 U， 5的负载电阻所示图。 1，在该实验中，系统的电流和电压值是具有功率分析仪测量。功率分析仪连接通过RS232串口的PC。为了避免可能出现的问题停电，电脑和电源分析仪是由UPS供电。欧姆表测量显示，设定的电阻值是5.5 ü包括接触电阻。功率分析仪（路创DW- 6090 ）数据记录器被用于记录数据，每2分钟（ PV电流和电压的PV ） 。气象台（戴维斯华帝Pr

13、o2的加号）已被用于录制5分钟的时间间隔（空气中的气象数据温度和太阳辐射） 。这些都被记录在马尔马拉大学，伊斯坦布尔，土耳其从2011年1月1日至24-2-2012 。所记录的数据，图的一个例子。 2显示了太阳能的发展辐照度，空气温度，光伏发电，光伏电流和电压的PV（ 20阴天和晴天16天） 。3 。模型开发用来估计基于ANN的原理框图所产生的PV模块的功率的轮廓示于图3 。所采用的人工神经网络有3层，输入层，一个隐层和一个输出层。输入层有2个输入：图。 2，监测数据的例子（太阳辐射，气温，光伏发电，光伏发电 电流和电压的PV）。太阳的辐照度和空气温度，并且它的输出层的单一输出节点是由光伏模块

14、所产生的功率。因此，问题是要找到输入之间的关系并包括在基于实验数据的输出数据库之前所述。换言之，这个问题可以配制成，是否可以找到一种简单的公式，这可能是有用的产生的功率基于太阳能来估计辐射和空气温度。所调查的关系可以表示为：其中， f是一个近似函数。预处理包括数据集中的数据进行通过使用下面的表达式：其中XMIN ？ X' xmaxand YMIN ？ ？ YMAX ， x是原始数据值，y是相应的归一化变量。该参eters yminand ymaxhave被假定为？ 1和1分别。本上的数据（输入/输出）的预处理步骤允许互联来执行更有效。从上面描述的数据集时，两个子数据库已经摘录：- 第一

15、个由数据（ T，G和P ） ，已满足的条件是日平均太阳辐射较低或等于400 W/m2/day （视为阴雨天） 。在这个子数据库中有5760的样品，样品的70 已用于训练网络（ANN模型1 ） ，而其余的30 是用于验证网络。大多数这些天是从期间从9月16日至5月14日。- 第二组包括数据，其中有一个条件，即平均日太阳辐照高于400 W/m2/day（视为阳光明媚的日子） 。在这个子数据库中有2280样品，样品的70 已被用于训练网络（ANN模型2） ，而其余的30被用于验证网络。大多数这些天都是从期间从5月15日至9月15日。图。3，基于神经网络的示意性框图因此，我们试图开发两个人工神经网络的

16、模型：- 人工神经网络模型1用于估算电源所产生的个人资料在阴天的情况下。- 人工神经网络模型2用于估算电源的轮廓亲在诱导晴天的情况下。一组处理前的输入和输出数据用于训练在训练步网络。应用程序的每个输入后，网络计算其输出（P） ，然后用较目标输出，以产生误差（ e）所示。性能功能用于训练前馈神经网络是平均值 E中给出方差与正规化性能功能如18 ：其中g是性能比。该修改的误差是用在LevenbergeMarquardt OPTI-mization来更新网络的权重和偏移。后足够数量的迭代之间的均方误差目标和网络输出稳定到一个最小值。线性，对数S型和双曲正切S型是三种最常见的传递函数。在这项研究中，线

17、性功能用于输出层而双曲正切乙状结肠传递函数是用于输入和隐层由下式给出：网络权重和偏移是基于更新下面的表达式：其中J是雅可比矩阵，其中包含的一阶导网络错误相对于所述权重和偏移，E是一个矢量网络错误和m是马夸特调整参数。因此，网络的训练完成，现在网络是准备用于评价所产生的电力。软计算程序产生的powerof的hourlyestimation所考虑的光伏组件是MATLAB下开发？ （版本7.8 ，2009 ） 19。4结果与讨论4.1 。评价的人工神经网络 - 模型不同的体系结构进行了评估，最好的一个被选择的试验和错误。优化1由2个单位在输入层， 3个单元中的隐藏层和一个单元中的如图所示的输出层。

18、4 。这种结构适用于两个人工神经网络的模型具有不同的重量和偏见。因此，输入和之间的关系输出可以被配制为：W00 我; W0 我1块; W0 我;2顷的权重和B00; B0 iare的偏置值 网络。权重和偏置值，这两个神经网络模型的报道附录。为了检查所设计的神经网络模型的能力来估计所产生的电力的轮廓准确四天为每个类（晴天和阴天）已得到审议。这些都不被用于神经网络的训练。图。图5示出了进化化的性能误差为ANN-模型。由于可所观察到的均方误差（测量与估计烯能量）在训练过程大约是10 ？ 4因为第一种模式，而第二种模式是大约10 7 。这些结果表明该网络的权值和网络偏见是很好调整，模型可以与再现的输出

19、数据良好的精度特别是对在的情况下使用的第二模型阳光明媚的日子。图。图6示出了监视之间的叠加曲线和估计的光伏模块所产生的功率的访问。如可以看出，所监视的功率值是比较接近的估计那些为ANN-模型。然而，以评估每性能设计的人工神经网络的模型，相关系数（R），均方根误差（RMSE） ，和平均偏置误差（ MBE ）之间的监视（实际）和预测产生的能量（此值是沿天的功率值的cumulativesum ）估计。这些结果列于表1。采用参照第一神经网络模型1 （阴天） ，但应注意的是，相关性系数介于93 和97 ，这意味着，这两个测量和估计的能量都比较接近分子束外延各不相同在0.7和1.1 ，且均方根误差范围为小

20、于0.2。关于第二个模型人工神经网络模型2 （晴天） ，该相关系数是介于96 和97 时，分子束外延在0.94和0.98 的范围内变化，并且RMSE也小于0.2。图。 4，同时用于人工神经网络模型的多层感知器架构图。5，进化的性能错误。两者都是在可接受的性能值。参照上述的结果，可以清楚地示出第二ANN模型2 （晴天）相对更交流副牧师比第一人工神经网络模型1 （阴天），这是通过绘制在MSE的表现证实了进化图。 5 。人工神经网络模型的平均误差小于2 ，因此考虑到太阳能电池的测量精度辐照度，空气温度，光伏模块的电流，电压和损耗在连接线，这是约3 ，因此，总的误差为约5。应当指出的是，天之分类成晴天

21、和阴天，显著提高了人工神经网络为基础的模型，不同的是包含所有的日子单一数据库，报道在几乎所有审查论文，用人工神经网络。因此，人工神经网络模型1可以在期间应用九月16日至5月14日，而人工神经网络模型2是合适的期间从5月15日至9月15日。然而，在一些天（通常发生在春秋时期） ，其中平均每日平均太阳辐射是大约的范围内350 W/m2/day和450 W/m2/day这两种模式之间可以被使用。评价步骤之后，人工神经网络模型可以与使用5用于估计产生的轮廓近似误差电源。此外，开发了神经网络模型canalso用来预测所产生的电力的基础上预测的轮廓太阳辐射和空气温度。在这种情况下，数值天气预报（NWP ）

22、模型可以用来预测太阳辐射和空气温度。总误差是总和通过人工神经网络模型和预报模型产生的错误，所以这误差应在电源中产生的估计予以考虑。如果人工神经网络的模型来预测电力亲诱导（基于预测的太阳辐射和空气温度由NWP TURE ） ，平均每天太阳照射可为了选择而计算的人工神经网络模型（阴天或晴天天）是适宜的每一天。此外，设计人工神经网络的模型可以被用来基于功率损耗检测光伏组件的故障（测量和预测之间的比较） ，然后将亲cedure可以被集成在为了检测哪一种故障是发生， （影子，光伏组件退化，灰尘堆积，图。测量（监测数据），并估计四天（阴天和晴天）所采用的光伏组件产生的电能的（ANN）的配置文件之间6。比较

23、。表1 在这两个阴天间测量（实际）和人工神经网络预测比较能源 和晴天模式。等）。此应用程序是更有利于大型光伏 植物。4.2 。比较研究在本小节中，我们尝试比较的性能设计人工神经网络的型号，不同型号（如多项式回归，多元线性回归，分析和1 - 二极管）。一每个模型的简要回顾如下。4.2.1 。多元线性回归模型多重线性回归（MLR ） ，之间的关系的输入和输出可表示为：其中a和bjare系数， Xiand Yiare测量变量和iare的错误。最小二乘方法用于估算的系数。在我们的例子中，我们有两个输入变量和一个输出变量，这样，方程（7）可写为：相同的数据库已经被用于估计的系数由方程给出的多元线性回归模

24、型。 （8） 。该国土资源部设计的型号为晴天和阴天给出如下：4.2.2 。多项式回归模型一个普通的多项式回归（ PR）的模型来模拟选定的光伏系统的性能受国际恩给能量机构20 ：其中A，B ， C和D是多项式系数。各种变化的空气温度和辐照度，细胞TEM-温度（以） ，可以相当准确地估计与线性近似，由下式给出：相同的数据库也已用于估计上述由公式给出的多项式回归模型的系数。（10） 。所设计的模型晴天和阴天给出如：4.2.3 。一个二极管模型一个单结太阳能电池的公知的等效电路如图所示。 7，光伏模块的IEV特征是给出Markvart 21 ：其中： Iphis电池的光电流; I0is的暗饱和电流的二

25、极管，n为二极管理想因子， VTIS热电压和Ns是串联连接的电池的数目。热电压由下式给出：其中：K是玻尔兹曼常数， q是电子的电荷，TSTCð ？ KTH 。如式（13）是一个隐式的I ¼ F（ I，V ）式中，迭代方法（ NewtoneRaphson ）用于识别的五个参数（ I0，电流Iph ，RS，一个二极管模型的rsh和n），并且然后我们计算最大功率为不同的光照和光伏电池的温度。图。图8示出了光生伏打的IEV和PEV特征面板STC条件下使用。估计最大功率为51.02 W，而所提供的额定功率之间的误差在数据表和一个由估计制造商一二极管型号是约0.05。在PV的确定五个参

26、数的值面板使用的是：硫醇¼ 675.9409 （U ），RS ¼ 0.1991 （ U）I0 ¼ 3.3963 ？ 10 ？ 7 （A ） ，电流Iph ¼ 3.3010 （ A）和N = 1.3925 。4.2.4 。分析模型一个简化的代数方程，提出了文献。 22 ，得到最大功率：下标'号'是指标准测试条件（格列夫¼ 1000W/M2 ，温度Tref ¼ 25 ）和g是最大功率的修正系数温度;它的取值范围为？ 0.005 ？ 0.003 - C - 1英寸晶线硅，而好结果有实现假设G¼ ？ 0.0035 -

27、 C - 1 。为了使人工神经网络模型和之间的比较上述模型（多元线性回归，多项式回归分析和单二极管模型） ，初二（阴天和晴天）已经选择了未包括在该子在培养步骤中使用的数据库图。7，其中1个二极管的等效电路图。8，在STC条件下使用的光生伏打模块的IEV和PEV特性。仿真结果示于图9，可以看出，本 通过人工神经网络 - 模型估计的功率分布非常接近 测量一个为两天。表2报告的平均相对 之间测得的（实际）误差和相关系数 与估算的能量。图。9。通过不同的模型（多项式，人工神经网络，一测量与估计功率 二极管，在一天内多次线性回归分析模型）参照表2 ，以下关键语句即可制作：- 基于神经网络模型估算产生的电

28、力的轮廓合理准确。- 人工神经网络模型2 （晴天）比人工神经网络的更准确模式1 （阴天）- 多项式回归分析，多元线性回归和analyt -iCal的模型提供了良好的业绩阳光灿烂的日子，因为COR-相关系数（R）为94 96 ，平均相对误差（ MRE ）不超过5 ，但也不是那么准确为阴天。多元线性回归模型是最不准确的。- 单二极管模型提供了两个几乎相同的MRE （ 4.4 ）天，而且还提供了阳光明媚的日子了良好的效果。在STC的条件下，一个二极管模型提供了良好的精确重sults （误差为0.05 ），但是，在室外测试再sults是不准确的。- 根据给MRE的模型的精度可以被分类为：乙阳光明媚的日

29、子：人工神经网络模型，多项式回归模型，分析模型，一个二极管模型和多元线性回归模型。乙多云天： ANN模型，多元线性回归模型，单二极管模型和分析模型多项式回归 - 锡永模型。可用一年的数据集的分裂的效力 成两个不同的人代表了两种典型天（晴天 和阴天）已被证明。因为事实证明，这提高了 建立的模型的预测精度。表2 测量和估计的能量人工神经网络模型和其他的比较 模型（多项式回归，分析，多元线性回归和一个二极管 模型）两日考虑5 ，结论一个简单的神经网络体系结构已经发展为建模和推定由一个50兆瓦产生的功率的轮廓多晶光伏模块。人工神经网络的能力估计生产的光伏发电已被证实与合理的精度（误差为约5）。它一直妖

30、strated了人工神经网络的模型表现得比较好的多项式回归，多元线性回归，分析和1二极管模型。发达人工神经网络模型可以应用于预测光伏基于预测太阳辐照度和空气动力产生的温度（例如，从预报或数值天气预报型号） 。此外，如果我们考虑开发人工神经网络模型为所采用的光伏电池板的基本特定的模式，他们可能是还用来估计所产生的功率输出的PV阵列中独立或并网光伏系统在这位置。该人工神经网络的模型的优点是，他们不需要附加的参数，这并不总是可用的，不像需要更复杂的计算和隐式模型参数这是不容易获得。例如， IM-plicit模型需要计算，这是更复杂和某些参数（如， Rsand硫醇），它们不是由给定的制造商（在数据表中

31、） 。这些参数可以是估计实验，这是困难的，或者通过数值方法。简单性，准确性和实用性是主要优势发达人工神经网络模型的时足够量的实验数据是可用来估计所产生的光伏发电。虽然该方法已被应用于多晶硅，它也可以用于其他类型的光伏技术，例如为的a-Si ， CIGS ， CIS和CdTe 。致谢 第一作者要感谢国际理论物理中心，的里雅斯特（意大利）为 提供材料和电脑设备实现的 目前的工作。 附录 人工神经网络模型1（阴天）参考文献 1 国际能源署（IEA） 。技术路线图，太阳光伏能源。巴黎：经合组织/ IED ; 2010 2 Dincer的楼在光伏发电技术现状与展望概述土耳其。可再生和可持续能源评论201

32、1 ; 15:3768 E79 。 3 IIcli S， Cubukcu M，乔拉克M.光伏技术的现状和前景。在：国际集 - 际能源署（IEA ） É光伏发电系统程序（光伏发电系统） ，2009年年度报告。页。 114e6 。 4 马西帕A， Mellit A，德皮耶里D， Lughi五，关于失配影响的研究由于大型太阳能利用不同的光伏组件类园区。在光伏进展：研究与应用2012包含/10.1002/pip.2266 。 5 桧山T，最大的北林K.基于神经网络估计宝WER代使用环境信息的光伏组件。 IEEE在能源转换1997交易; 12:241 E7 。 6 阿尔 - 阿莫迪A，径向基函数网络的张L.应用太阳能阵列建模和最大功率点的预测。的独立外部评价程序发电输电和配电2000 ; 147:310 E6 。 7 Abdulhadi M，易卜拉欣上午， Virk GS 。模糊神经基础的太阳能电池模型。IEEE交易在能源转换2004年19:619 E24 。 8 Karatepe E， Boztepe M，乔拉克M.基于神经网络的太阳能电池模型。恩能量转换和2006管理; 47:1159 E78 。 9 阿尔莫纳西楼罗斯C， Hontoria L，富恩特斯米， Nofuentes G.表征硅晶光伏组件通过人工神经网络