《人工神经网络用于控制风力光伏发电系统综述.doc》由会员分享，可在线阅读，更多相关《人工神经网络用于控制风力光伏发电系统综述.doc（52页珍藏版）》请在三一办公上搜索。
1、人工神经网络用于控制风力光伏发电系统综述克里姆Karabacaka 努曼切廷b一屈塔希亚科学技术职业学院，Dumlupinar大学，屈塔希亚，土耳其b太阳能，埃格大学，伊兹密尔，土耳其研究所摘要如今，可再生能源系统正在发生比常规能源系统。尤其是，光伏发电系统和风能转换系统（WECS）正在提供在世界能源需要很大的作用。这些类型的可再生能源系统的效率正在试图通过使用不同的方法来改善。除了常规方法中，智能系统设计都似乎是提高可再生能源系统的效率更加有用。然而，人工神经网络（ANN）在建模，仿真和可再生能源系统的控制许多使用范围。人工神经网络是易于使用和实施的可再生能源系统的设计。在本文中，光伏，风能
2、转换系统和混合动力的可再生能源系统，包括光伏发电和风能转换系统的人工神经网络的应用介绍。神经网络结构，在这种类型的系统的使用已经驱使。关键词人工神经网络;可再生能源;光伏;风能;控制系统;混合动力系统1。介绍光伏发电系统，风力发电系统和混合动力系统，其中包括光伏发电和风力发电系统：对可再生能源发电系统在本文中人工神经网络（ANN）的应用程序在几个部分进行了说明。对于太阳能，研究的不断深入特别是在太阳辐照度的预测特定区域。太阳能发电系统的另一个人工神经网络的应用领域是上浆的应用。研究人员一直试图寻找光伏发电系统的最佳尺寸更好的方法，他们都试图优化这些类型的系统的安装成本。然而，太阳能电池的模型已
3、经开发了用于分析PV（光伏）电池元件的功率特性。人工神经网络也被用于最大功率点跟踪（MPPT）的模拟和光伏发电系统的应用。MPPTs尝试举办的最大功率电力系统人工神经网络的结构得到工作点。风能转换系统（WECS）人工神经网络的应用大多依赖于控制风力涡轮机的俯仰角。然而，人工神经网络已用于风力涡轮机的螺旋桨转向正确的方向，以获得从风能最大性能。由于光伏发电系统，风能转换系统也是一个应用领域的MPPT实现。风速和风向的预测是用于风力涡轮机的人工神经网络的应用程序的另一个工作区。人工神经网络的混合动力系统的应用是关于根据环境条件下的开关风能和光伏发电子系统的操作。在大多数研究中，人工神经网络试图决定
4、哪发电子系统将工作在实时性。混合动力系统的最大功率点跟踪应用人工神经网络的应用等焦点。根据不同的环境变化（太阳辐照度，湿度，温度，风力）太阳能发电和风力发电的工作比例应该有所改变。ANN控制器决定为连接到整个系统中的每个可再生能源模块这些发电百分比。2。人工神经网络控制工程的最终目标是实现一个自动系统，它可以随着独立于在非结构化和不确定的环境中的人类行为操作1。这样的制度可能会被命名为自治或聪明的一个。它只是将需要提出一个目标，将通过有关其行为反馈实现其目标，通过与环境的持续互动。这将继续调整和提高效率变化和不可预测的条件下执行任务。这也将是非常有用的，当直接的人机交互可能是危险的，容易出现故
5、障，甚至是不可能2。生物系统是这样一个自治系统的设计的可能框架。它们提供了几个线索所需要的此类系统鲁棒（高度稳定）的学习和适应算法的开发。生物系统不同于传统的控制方案处理信息，他们是无模型，并在处理不确定性和复杂性相当成功。它们不需要执行复杂任务的数学模型的发展。事实上，他们可以学习执行新的任务，轻松地适应不断变化的环境。如果计算嵌入在神经系统的基本原则是可以理解的，全新一代的控制方法可以发展远远超出了根据明确的数学模型，本技术的能力。这些新方法可以用来实现最终的智能系统2。2.1。生物神经网络神经细胞或神经细胞，是神经系统的构建块。虽然它们具有相同的一般组织和其他细胞的生化仪器，它们具有独特
6、的功能。它们具有独特的形状，能够产生电脉冲的一个外膜，以及独特的结构：突触从一个神经元传送信息到其他神经元。它可以区分三个区域在此专门的细胞2：细胞体，树突，和轴突。池体，或体细胞，提供了支持功能和细胞结构，它收集和处理来自其他神经元接收到的信息。轴突延伸远离细胞体，并提供到其他神经元的信息的旅行路径。树突是管像的扩展，分支反复和周围形成单元主体浓密树，它们提供在其上的神经元接收即将到来的信息的主路径。神经冲动被触发时，在轴突的起源，通过细胞体响应于所接收的信息;沿着轴突的脉冲扫描直到它到达末尾。与另一个神经元树突轴突的连接点被称为突触，它由两部分组成：像轴突终端与受体区域的旋钮。在这里，信息
7、是借助于化学递质，可被到达的神经冲动，释放转达了神经元到神经元的图。1示出了主要的神经元部件的方案2。图。1。生物神经元模型2。神经元的大量的互连构成生物神经网络中呈现图。2。图。2。一种生物神经网络层2。看更详细的神经元，我们可以把它看作是一个微型电池。事实上，神经元，并填写由含有溶解的化学物质的液体所包围，里面的液体是一个很大的对比，一组在外面。内部和周围的细胞体或体细胞是钙（Ca + +），氯化物（Cl-），钾（K +）和钠（Na +）。K +离子的浓缩的神经元内部和它的Na +那些以外，这些离子是负责产生神经脉冲。在一个未激励状态，只有一个最小的离子电流通过该膜，并用内部的神经网络结构
8、上的电压就向外侧（膜电位）7靠在恒定在大约-70毫伏。如果细胞体是由一个电压大于某一阈值的刺激下，离子电流被建立：钠离子进入细胞体和K +，就把它由膜电位的增加改变了细胞体的内部状态。突触的方案示于图。3。在信息处理方面的突触进行神经冲动列车频率到电压的转换2。图。3。神经冲动的产生2。图。4示出了沿轴突神经冲动的进 展。图。4。神经冲动的2。2.2。神经元模型人工神经网络（ANN）是一个大规模并行分布式处理器从生物神经网络的启发，它可以存储实验知识，并使其可供使用3。它与大脑某些相似之处，如1。知识是通过学习的过程获得的。2。命名为突触加权Interneuron连通，用于存储这样的知识。为学
9、习过程的步骤被称为一个学习算法。它的功能是修改，以达到一个预先设定的目标的网络的突触权重。权重的修改提供了传统的方法，神经网络的设计和实施。神经元是神经网络。的操作的基本单位图5提出了一个神经元方案。有三个基本要素：1。一组的突触连接，其特征在于具有通过其自身重量的每个元素。2。为求和输入加法器的信号分量，再乘以相应的权重联会。3。一种非线性激活函数变换所述加法器的输出到神经元的输出。图。5。一个神经元的非线性模型2。图。6，其特点是输入节点，它提供输入信号，对神经元。神经元是由一个单一的节点，命名为一个计算一个表示。通信链路互连的输入节点和计算的。图。6。一个神经元的简化方案2。2.3。神经
10、网络结构其中，神经网络的神经元相互连接的方式决定了它的结构。对于识别和控制的目的，最常用的结构如下：1。单层前馈网络。2。多层前馈网络。3。径向基网络。4。动态（差分）或递归神经网络。2.3.1。单层前馈网络它是最简单的前馈网络的形式。它只有一个层的神经元，如图所示。7。其中最著名的是所谓的感知。基本上它是由具有可调节突触加权值和阈值的单个神经元的2。图。7。单层前馈网络2。2.3.2。多层前馈神经网络他们区分自己被一个或多个隐层（存在图8），其计算节点被称为隐藏的神经元。典型地，在每一层中的神经元有前一层作为它们的输入的输出信号。如果在每一层中的每个神经元被连接到相邻的前层中的每个神经元，则
11、神经网络被命名为完全连接，在相反的情况下，它被称为连接部分2。图。8。多层前馈网络2。2.3.3。径向基函数神经网络径向基函数（RBF）神经网络有三种完全不同的（图9）。1。输入层由输入节点。2。隐层，具有足够高的多个节点（神经元）的。每个节点执行输入的一个非线性变换，由径向基函数的手段。3。输出层，它是隐藏的输入神经 元的线性组合。径向基函数中首次 引入的多元插值问题的解决，这种方法的早期作品都在接受调查的4。径向基函数的第一个应用神经网络设计中报告5。图。9。径向基函数神经网络2。2.3.4。递归神经网络为使用静态神经网络编码的时间信息的一个常见方法是将包括延迟输入和输出。然而，这种表示是
12、有限的，因为它只能编码先前测量的输出和输入施加一个有限的数字，而且，它往往需要比登天大量的内存，从而阻碍其用于所有，但相对低位的动力系统。作为一个非常有效和很有前途的替代，国际研究界一直在探索利用经常性或动态神经网络2（图10）。图。10。离散时间递归神经网络1。复发性或动态神经网络由静态神经网络中，他们至少有一个反馈回路中脱颖而出。一个结构的第一调查，学习算法和这种神经网络的应用给出了6。在那里，它被暗示，神经网络，其结构包括反馈，从人工神经网络的非常早期的发展现状，事实上，在7，麦卡洛克和皮茨开发的前馈网络模型，它具有时间依赖性和时间延迟但是，这些网络分别与阈值逻辑神经元实现。然后，他们在
13、网络扩展到那些与动态内存，这些网络有反馈。后来，这些网络被建模为有限自动机与正则语言8，它通常引用为对这种自动机的第一部作品。2.4。在控制神经网络在参考在控制神经网络，以下特征和性质是重要的2：1。非线性系统：神经网络提供了在非线性控制领域一个很大的希望。这源于他们的理论能力，逼近任意非线性函数。2。并行分布处理：神经网络具有高度并行的结构，它允许直接并行实现。3。学习和适应能力：神经网络是由正在研究利用从系统数据训练。经过充分培训的神经网络具有归纳为没有出现在训练数据输入的能力。此外，它们也可以适于与设备。4。多变量系统：神经网络具有处理多个输入和输出的能力，他们是很容易适用于多变量系统。
14、3。人工神经网络使用风能，太阳能或混合动力系统连日来，人工智能技术正在上升的，而不是常规的控制和优化方法的优化和可再生能源发电系统的控制权。它们是提高可再生能源发电的效率。在文献中，多目标函数和约束的风险分析，采取重要的地位。Nayeripour等人9在一个分配网络提出了一种新的基于Pareto的多目标问题的多个微型涡轮机的位置和大小，以改善系统的暂态稳定性指数除了损失和电压分布。为了计算暂态稳定指数，故障发生在不同地点的费率予以考虑。此外，负载被建模为两个恒定功率和电压依赖性的情况。为了识别的优化问题，基于粒子群优化（PSO）和混洗青蛙跳跃了一种新的混合进化算法Pareto最优解（SFL）算
15、法。Aghaei等人10研究了智能电力装备有可再生能源的需求量的答复。在世界各地成功的需求响应的实现进行了分析。Gitizadeh等人11介绍了GEP问题的一个新的多目标框架。建议MOGEP模式，拥有混合整数线性规划的制定，包括成本函数，废气排放和燃料价格作为竞争目标函数的风险。此外，该结果表明所提出的目标之间的折衷。因此，决策者能够选择在其需要的植物的最佳组合。以配合MOGEP问题，已经提出了名为为：MnBi一个新的多目标框架的字典优化（用于更有效的支付表的计算）和NMI方法组成。Ghadikolaei等人12认为风险计量和混合风/水电发电调度，让发电商来管理日常的领先能源/备用市场风力发电
16、的风险及市场价格的不确定性管理模型的实用方法。建议的风险约束的市场模式是基于风险考虑约束小说，加权风险系数为最大预期的下行风险存在预期利润的最大化的优化过程。与随机资源和不确定的市场价格有关的风险权重的不同的子案件在不同量的允许的风险承受能力，并提出风险约束WHPS模型进行了研究每个个案。该报告的结果表明，预计净利润和由于风险约束的利润损失取决于所考虑的不确定参数的重要系数是不同的。可以看出在目前的工作中，当重要性权重的过程中WHPS风险管理模型风力发电的不确定性增加，GENCO可能与已被精确地由GENCO的所有者，在实际情况下，调查意外利润宽容面对。与拟议的风险约束WHPS市场模型的应用，G
17、ENCO能够采取不同的风险控制投标策略，以获得可以接受的利益/风险权衡的金融活动的预期收益和多大的风险，愿意承担的。Aghaei等人13提出了多期多目标发电扩建规划（MMGEP）模型的电力电子系统，包括可再生能源（RES）。该模型同时优化多个目标（即最小化总成本，排放，能源消耗和投资组合的投资风险，以及系统可靠性最大化）。的混合整数线性规划（MILP）被用于所提出的优化和高效的线性化技术，提出了非线性可靠性度量转换成一组线性表达式。多目标数学规划（MMP）的框架内提出的解决方案包括一个混合动力增强加权小量约束和字典优化方法得到的MMGEP问题的帕累托最优或有效的解决方案。最后，模糊决策的实施是
18、为选择基于决策者的目标（DMS）的Pareto解中最首选的解决方案。合成测试系统，包括七种候选单位是在6年的规划考虑这里的GEP。所提出的修改的有效性进行详细说明。支持上述优化技术，人工神经网络有很多的应用领域在建模，仿真和可再生能源系统的控制权。在本文中，其应用领域被分类为光伏，风和混合动力系统。3.1。光伏发电系统光伏系统的神经网络应用大多是基于太阳辐射和光伏系统的大小的预测。然而，有几个应用程序和模拟的太阳能电池模型，最大功率点跟踪（MPPT）和主动需求设计的控制器设计。3.1.1。人工神经网络太阳辐射预测ANN结构具有根据旧的输入值和输出值预测未来系统的输出值的功能。然而，太阳辐射是用
19、于太阳能系统的非常重要的。发电太阳能系统是成比例的太阳辐射的强度。因此，神经网络结构已经被用在许多应用中，用于预测太阳辐照度。Chen等人14开发了用于预测24小时提前发电的利用径向基函数网络（RBFN）一个简单的方法。阿尔莫纳西等人15采用的神经网络结构，从光伏电池板的一个停车场，不同的建筑物估算太阳能。Voyant等人16设计了一个最佳的ANN的每日全球辐射的多元预测。详细的系统设计用于预测太阳辐照度给出了图。11。图。11。详细的整体实际系统预测16。Mellit等人17也设计了一个人工神经网络的24小时预报太阳辐照度。多层前馈网络结构已被用于这项研究。图。12显示测量和预测太阳辐射。图
20、。12。测量和预测太阳辐照度的比较值开始前24小时的里雅斯特意大利在期间5月20-23日2009（晴天）17。保利等。使用的多层感知器和一个特设的时间序列进行预处理，以制定全球太阳辐射的每日预测的方法，在水平表面上18。表1示出了神经网络和其它预测方法的比较。表1中。评价所有的预测方法预测的质量，预测1988年和1989年，每日1次地平线18。预测方法NRMSE（）95的集成电路均方根误差（兆焦耳/米2）MAE（兆焦耳/米2）2MBE（兆焦耳/米2）天真的预测（持久性）26.130.004.653.030.69-0.001天真predicto R（日平均）22.520.004.013.110.
21、75-0.39马尔可夫链（3阶）25.850.004.593.030.69-0.23贝叶斯（3阶）25.570.004.553.010.69-0.13-NN（顺序10）25.200.004.483.190.70-0.03AR（8）21.180.003.772.850.78-0.61人工神经网络8， 3和120.970.153.732.820.79-0.58Mellit等。提出了一种基于地理坐标合适的自适应神经模糊推理系统（ANFIS）模型估算月平均晴空指数序列（查看数学ML电源K，t）和隔离场所总太阳辐射数据。太阳辐射的量值为上浆光伏（PV）系统中最重要的参数。该ANFIS模型是使用基于模糊逻
22、辑（FL）规则的多层感知器（MLP）的培训。该ANFIS的输入是纬度，经度和海拔高度，而输出是月平均晴空指数12查看值的数学ML电源K，万吨。这些数据已收集来自阿尔及利亚60的位置。实验结果表明，该方法在的月平均晴空指数的预测性能查看数学ML电源K，t的相比毫不逊色的测量值。的均方根误差（RMSE）测量值和估计值0.0215和0.0235，平均绝对误差百分比（MAPE）小于2.2之间变化之间19。在Mellit的另一项研究等，人工神经网络用于建模和预测由安装在的里雅斯特市（北纬4540N，东经1346的屋顶20 kWp的GCPV工厂生产的电力E），意大利。气候（光照和空气温度）和电气（电力输送
23、到电网）从1月29日的数据至2009年5月25日的实验数据库已被使用。两个人工神经网络模型已经被开发和实验的气候和电气数据来实现。第一种是基于太阳辐射和空气温度的多变量模型，而第二个是，它使用作为输入参数只有太阳辐射的单变量模型。3437模式的数据库被分成两组：第一（2989模式）被用于训练不同的人工神经网络模型，而第二个（459模式）被用于测试和验证建议的人工神经网络模型。措施，如相关系数（预测性能）和平均偏差错误（MBE）呈列。结果表明，在所测量的和由20瓦数GCPV植物产生的电力预测值之间获得了良好的效果。事实上，他们发现相关系数的范围是98-99，而介乎3.1和5.4，平均偏差误差变化
24、20。Benghanem等。使用径向基函数（RBF）网络进行建模和使用其它气象数据，例如气温，日照时间和相对湿度预测每日总太阳辐射数据。这些数据是在Al-麦地那（沙特阿拉伯）由国家可再生能源实验室记录在1998-2002年期间。四RBF-模型已经被开发用于预测每日太阳总辐射。结果发现，该RBF-模型，它使用的日照时间和空气温度作为输入参数给出准确的结果作为相关系数在这种情况下是98.8021。Wang等人。提出了一种新颖的基于ANN的太阳辐照度预测模型采用辐照度和环境温度的统计特征参数。根据太阳辐照度变化的描述，表面辐照度和外星辐射之间的关系是想通了。输入矢量被重建，并且仅由五部分组成。因此，
25、输入尺寸而没有数据丢失信息有效地降低。模拟和讨论进行了验证了该模型。会上还讨论了新模型的不同的工作机制和其他模型的分析。测得的数据与预测值的比较表明，该模型是可靠和更加有效。此外，模拟结果还显示，预测精度由新模式多变的天气条件下，大大提高22。费尔南德斯-希门尼斯等。提出了一种新的统计的短期预报系统的并网光伏（PV）工厂。所提出的系统包括两个数值天气预报模式的由三个模块和人工神经网络为基础的模式。第2模块被用来预测所用的第三模块，该模块已经被选择从一组不同型号的天气变量。最后的预测数值是每小时能生产的光伏电站。该预测时间范围为139小时，覆盖了所有接下来的日子里23。Mellit等。开发将用于
26、通过结合人工神经网络（ANN）和马尔可夫转移矩阵（MTM）方法库来预测每日太阳总辐射数据的混合模型。发达的模型可以使用最小的输入数据（纬度，经度和海拔高度）生成全局太阳辐射数据的序列，尤其是在分离的站点。每日太阳总辐射数据的数据库已经收集了从阿尔及利亚60个气象台站1991-2000年期间。也是一个典型气象年（TMY）已建成从这个数据库中。首先，神经网络块已经根据从典型气象年60月已知太阳辐射数据训练。在这种方式中，网络被训练来接受，甚至处理一些不寻常的情况下。神经网络可以生成每月太阳辐射数据。其次，这些数据都被为了得到每月清晰度指数值除以相应地外值。在此基础上每月清晰度指标和使用MTM块的库
27、，我们可以每天生成清晰索引的顺序。已知的数据随后被用来研究预测的准确性。此外，对未知的验证数据集合产生的非常准确的预测，与RMSE误差不会在测量和预测数据之间超过8。相关系数为90和92，已取得;也是这个模型已经比较传统的AR模型，ARMA模型，马尔可夫链，MTM和测量数据。得到的结果表明，该模型可以成功地用于日常的太阳辐射数据在阿尔及利亚的任何位置的估计通过使用作为输入的海拔高度，经度和纬度。此外，该模型可以概括为在世界上的任何位置。上浆光伏系统隔离场所的应用，以确认该模型的有效性得到了应用24。MAQSOOD等。提出不同的神经网络模型的预测温哥华，不列颠哥伦比亚省，加拿大的天气比较研究。为
28、发展模式，一年的数据被用于包括每天的最高和最低温度和风速。一种多层感知器（MLP）和Elman回归神经网络（ERNN）采用了单步割线和列文伯格-马夸特算法训练。为确保神经计算技术的有效性，我们还使用不同的挖掘和测试数据集测试了不同的联结模式。得到的实验结果表明，径向基函数网络（RBFN），产生最精确的预测模型相比，ERNN和MLP25。在另一项研究中，MAQSOOD等。调查了可靠，高效的神经计算技术的发展来预测天气的峰值在温哥华，不列颠哥伦比亚省，加拿大。为发展模式，一年的数据，包括日 最高气温，风速和能见度的使用。实验结果表明，神经预测模型显示了很好的预测性能和方法是有效的，可靠的26。MA
29、QSOOD等。检查的Hopfield模型（HFM）的萨斯喀彻温省南部，加拿大气象预报的适用性。该模型的性能对比与多层感知器网络（MLPN），Elman回归神经网络（ERNN）和径向基函数网络（RBFN）。温度的数据，风速和相对湿度分别用来训练和测试的四款车型。每个型号，24小时提前预测分别为冬季，春季，夏季制作和秋天的季节。此外，通过四个预测输出，是最接近实际值之间选择最佳值生成这些模型的合奏。性能和模型的可靠性，然后通过多种统计方法进行评价。该结果表明，该HFM是相对较不准确的天气预报的问题。相比之下，神经网络和径向基函数网络的合奏生产的最准确的预测27。MAQSOOD等。提出了不同的联结和
30、统计模型的比较分析，预测加拿大温哥华的天气。为发展模式，一年的数据，包括每天的温度和风速被使用。一种多层感知器网络（MLPN）和Elman回归神经网络（ERNN）采用了单步割线和Levenberg-Marquardt算法训练。径向基函数网络（RBFN）作为一种替代，以检验其适用性天气预报。为确保神经计算技术的有效性，该联结模型进行了培训，并使用不同的数据集进行测试。此外，通过使用算术平均值和加权平均方法相结合的MLPN，ERNN和RBFN生成神经网络的合奏。随后，联结主义模型及其合奏的性能与完善的统计方法进行了比较。获得的实验结果表明，径向基函数网络生成最准确的预测模型相比ERNN和MLPN。
31、总体而言，建议集成方法产生了最准确的预测，而统计模型相对不太准确的天气预测问题的考虑28。MAQSOOD等。检查转正前向选择（RFS） -向前子集选择和零阶正规化的组合。有效实施RFS的成要么删除-1或广义交叉验证可以注册成立，为正则化参数的重新估算公式进行了讨论。模拟，显示出改进的泛化性能由于在正向选择的径向基函数的中心的正则化29给出。表2示出了神经网络的使用，由于太阳辐射的按照升序年的预测的列表。表2。人工神经网络的使用，由于太阳辐射的预测名单。号主题年参考。没有。1使用联结学习范式加拿大天气分析2002252神经计算基于加拿大的天气分析2002263使用联结模式的智能气象监测系统200
32、2274产生全球太阳能辐射数据的隔离场所的序列简化模型：利用人工神经网络与马尔可夫转换库矩阵的方法2005245软计算模型在萨斯喀彻温省南部每小时天气分析中的应用2005296方法用于预测的月平均晴空指数和偏远地区的日太阳辐射数据序列：申请上浆独立光伏发电系统2007197使用联结学习范式合奏天气分析2007288利用人工神经网络的光伏发电机的能量估计2009159致力于为全球每天辐射的多变量预测的人工神经网络的优化2010161024小时预报人工神经网络的太阳辐照度：申请在意大利的里雅斯特并网光伏电站的性能预测20101711预处理后的日太阳辐射的时间序列利用神经网络预测20101812在的
33、里雅斯特（意大利）利用人工神经网络20 kWp的并网光伏电站性能预测20102013径向基函数网络为基础的全球太阳辐射数据的预测：应用在Al-麦地那，沙特独立光伏发电系统的大小20102114利用人工神经网络根据天气类型划分上线24小时太阳能功率预测20111415使用基于统计特征参数的人工神经网络对短期太阳辐照度预测模型20122216短期功率预测系统，光伏电站2012233.1.2。建模与仿真光伏系统根据自然阳光光伏组件行为的预测可以通过数字或代数方法进行。Caamao等。提供一种方法，其中包括技术和合同的程序，既密切相关30。Wagner等人。用数学方法中的方法与太阳辐射的分布31。某指
34、引的光伏电站由Blaaser等评估准备。32。在另一项研究中，太阳能电池的理论讨论33。光伏性能测量翻译在另一项研究中讨论34。过程温度和辐照度修正测量V-我的晶体硅光伏器件的特点是通过传统的方法给出35。是光伏电站的评估准则也参考来确定。36。在参考文献。37，38，线性内插法被用于电流-电压曲线的翻译。PVUSA光伏系统是在参考文献中讨论。39。数值和代数方法领域的经验列在参考文献40。然而，人工神经网络是模拟这样的光伏模块参数和特性的替代方法。Balzani和Reatti41提出了模拟光伏组件人工神经网络的应用程序。前馈神经网络由两个隐藏层被用在这个模拟。这项工作的结果是估计立地生产力并
35、着手对整个光伏系统的正确设计和优化是有用的。实际值和预测值之间的误差的平均值，列于表3中。表3。实际与预测值之间的误差41。测试集绝对误差电压当前测试设置10.25170.0509测试设置20.30220.0625测试设置30.35890.0357。Mellit等人42使用了两种类型的人工神经网络：MLP与径向基函数用于从SAPV电信号的建模和仿真。图。13示出了RBF网络与IIR滤波器用于估计SAPV的电信号。作者还用RBF网络用于从独立光伏系统的监测预测信号43。图。13。RBF-IIR模型从光伏系统产生的信号43。此外，自适应神经网络已用于实验的光伏系统的建模与仿真44。对于光伏发电系统
36、的每个部件，一个人工神经网络模型开发（ANN-PV发电机，ANN电池和人工神经网络调节器）。图。35显示了用于光伏发电系统的建模与仿真不同的人工神经网络模型。通过模型估计的实验和人工神经网络结果之间的MRE为2.5和8.5之间。作者用一个神经网络相结合的Levenberg-Marquardt算法（LM）具有无限脉冲响应（IIR）滤波器，以加速网络的收敛在另一项研究45。一种自适应人工神经网络的独立光伏发电系统的建模与仿真46和独立光伏电源系统的人工智能为基础的建模和仿真也由Mellit等人给出47。Karatepe等人48所用的神经网络为基础的方法用于提高PV模块的电气等效电路的准确性。一个光
37、伏模块的等效电路的参数，主要取决于太阳辐射和温度。关于环境因素对电路参数的依赖性是通过使用一组电流-电压曲线的影响。它表明，它们之间的关系是非线性的，并且不能由任何分析方程。容易地表示图。14提出建议的光伏模型的基本结构。测量值和所提出的模型结果的比较显示精度比所有操作条件下的传统模式更高。图。14。建议的光伏模型的基本结构48。大泽等人49应用人工神经网络的光伏柴油系统的操作和控制。埃尔- Tamaly和Elbaset50提出了一个完整的从研究的角度可靠性点确定互连光伏/风能系统（WES）的混合电力系统（HEPS）到公用电网（UG）的影响。PV / WES / UG的四种不同的配置进行了调查
38、和这四种不同配置之间的比较研究已经进行了。整个系统被分成三个子系统，含在UG，PV和WES。发电容量停运表已建成的每个子系统的配置。UG，光伏/ UG，WES / UG和PV / WES / UG的容量停运表计算和更新纳入其波动的能源生产。甲FL技术被用于计算和评估系统的可靠性。阿尔莫纳西等。表征硅晶光伏组件通过人工神经网络51。一个神经网络已经开发了能够产生V-我思晶光伏组件的任何辐照度和模块电池温度的曲线。实验结果表明，该人工神经网络引入了一个很好的准确预测硅晶光伏模块的性能，当与实测值进行比较。表4显示了MSE（均方误差）之间的回归分析V-我在不同的户外实测曲线条件和那些由MLP在训练过
39、程中获得的，在学习模块。在该表中，其示出了MSE小于6.67以下，且平均MSE为约约1.55。表4。在MSE和之间的回归分析V-我在不同的户外条件和那些由MLP在训练过程中得到的测量，在学习模块曲线51。摹（瓦/米2）（）MSE（）最佳线性拟合：一个=mT的+b值ISOFOTON I-106200.3741.046.67一=（0.9974）+（0.0146）1.0000226.5018.470.05一=（0.9990）+（0.0090）1.0000600.0854.803.90一=（0.9971）+（0.0349）1.0000700.5022.710.04一=（1.0027）+（-0.0426
40、）1.0000801.3150.770.04一=（0.9966）+（0.0020）1.0000841.3724.250.27一=（1.0091）+（-0.0655）0.99981000.3557.624.20一=（1.0054）+（-0.0419）0.99981087.4430.210.02一=（1.0075）+（-0.0363）1.00001227.7126.290.27一=（0.9808）+（0.1665）0.99971284.8947.040.06一=（1.0000）+（-0.0200）0.9999壳牌RMS 100S236.4718.811.34一=（0.9994）+（-0.0029）
41、1.0000252.7338.811.33一=（0.9995）+（0.0161）1.0000606.5042.101.22一=（1.0002）+（0.0023）1.0000695.8224.160.78一=（1.0036）+（-0.0242）1.0000818.7555.040.67一=（0.9991）+（-0.0794）1.0000819.0833.080.14一=（0.9999）+（0.0594）1.00001007.6831.320.33一=（0.9940）+（0.0638）0.99991024.2856.461.61一=（1.0011）+（-0.0962）0.99991100.8362
42、.050.03一=（0.9990）+（0.0500）1.00001213.0927.690.035一=（1.0018）+（0.0266）1.0000表选项还有其他一些作品，模型和模拟光伏发电系统。MOHD萨米等。仿照光伏太阳能集成系统与人工神经网络52。阿尔莫纳西等。相比光伏CIS组件的人工神经网络与其他方法的特征53。博南诺等。使用径向基函数神经网络的方法对电气特性估计光伏组件的54。表5显示了对光伏系统的建模和仿真研究的总结。表5。使用人工神经网络建模和仿真光伏系统的名单。号主题年参考。没有。1光伏/柴油发电系统通过神经网络的优化运行1993492利用自适应神经网络模型的独立光伏系统的监测
43、预测和模拟信号2004423自适应径向基函数网络用于从独立光伏系统的监测预测模型信号2004434光伏阵列光伏发电系统的最佳性能的神经网络为基础的模式2005415建模与仿真基于人工神经网络的独立光伏发电系统2005446一种自适应的人工神经网络建模和模拟一个独立的光伏发电系统2005467基于人工智能的建模和仿真的独立光伏电源系统2006478基于神经网络的太阳能电池模型2006489互连光伏/风系统的使用模糊方案对他们的可靠性效用的影响20065010建模与仿真使用自适应人工神经网络的独立光伏发电系统20074511优化光伏太阳能集成系统通过神经网络和建模20085212硅晶光伏组件通过人
44、工神经网络表征20095113通过人工神经网络的光伏CIS组件表征20105314对于电气特性估计光伏组件的径向基函数神经网络为基础的方法2012543.1.3。最大功率点跟踪在可再生能源发电系统的神经网络的另一种使用面积是光伏组件的最大功率点跟踪。Veerachary和Yadaiah55提出了一种人工神经网络用于光伏的最佳工作点的识别应用单独提供给他励直流电动机驱动两个不同的负载扭矩。甲梯度下降算法来训练神经网络控制器，用于太阳能电池阵列（SCA），合并的系统的总机械能操作的最大功率点的识别。利用人工神经网络自适应控制器测试套不同太阳辐射和结果接近的计算值。在开发的控制器也可以被扩展为提供P
45、M和系列电动机的PV值。据作者表示，神经网络提供了最佳的操作点高度精确的识别/追踪，即使随机变化的太阳辐射56。桧山和北林57用神经网络的使用环境信息从光伏组件估算的最大发电。建议的网络可以通过使用从天气办公室的预测信息被用于第二天的一代从光伏系统的预测。根据作者，相对于使用传统的多元回归模型获得的预测所提出的方法给出更精确的预测56。一种新的鲁棒控制方法及其应用，以提供给装有一个恒定的扭矩励直流电动机光伏文献进行了讨论。58。的鲁棒控制器通过使用通用学习网络（ULNs）的所述第一和第二有序衍生物设计对负载转矩的变化。仿真结果表明，该控制系统的鲁棒性得到提高，尽管在该控制级的电动机负荷转矩，是有别于在训练阶段56。西奥多等人59使用了人工神经网络的MPPT太阳能电动汽车。该MPPT是基于一种高效的升压转换器，绝缘栅双极晶体管（IGBT）功率开关。是由一个人工神经网络获得具有梯度下降动量算法的参考电压的MPPT。实验和仿真结果表明，该算法是高效
