神经网络训练的梯度下降算法:应用在太阳能电池上

文摘

这本文处理的参数确定太阳能电池通过使用人工神经网络训练在每一个时间,另外,通过梯度下降算法的优化算法之一(Levenberg-Marquardt高斯牛顿,拟牛顿,最陡下降和共轭梯度)。这种决心的问题是不同的温度和辐照度值。训练过程是被保险人的最小化错误生成的网络输出。因此,从每个梯度下降算法获得的结果,我们进行了一次整体的训练算法之间的比较研究,以了解哪些人最好的表现。结果Levenberg-Marquardt算法给出了最佳潜在相比,梯度下降的其他研究优化算法

引用

[1]
1. a . Jain a·卡普尔的精确解析解的参数使用兰伯特W-function真正的太阳能电池。太阳能材料与太阳能电池,2004年,81卷,第269 - 277页。
2. [2]H。秦,j·w·金博尔。从实地测试数据参数的确定光伏电池使用粒子群优化。IEEE 2011。
3. [3]Ikegami。T, Maezono。T f . y .录像。,Y. amagata, K. Ebihara, Estimation of equivalent circuit parameters of PV module and its application to optimal operation of PV system. Solar Energy Materials & Solar Cells, 2001, vol. 67, pp. 389-395.
4. [4]e . Karatepe m . Boztepe Colak。基于神经网络的太阳能电池模型。能量转换和管理,2006年,47卷,1159 - 1178。
5. [5]r . Zayani r . Bouallegue d··罗维拉Levenberg-Marquardt学习神经网络适应预失真时间与记忆——不同HPA在OFDM系统中,16日欧洲信号处理会议(EUSIPCO 2008), 2008年,25 - 29页。
6. [6]P . r .调光器、O P D, Cutteridge。二阶导数Gauss-Newton-based方法求解非线性联立方程。IEEPROC, 1980年12月,127年,卷6,278 - 283页。
7. [7]r . Setiono l . c . k .回族。使用的拟牛顿方法前馈神经网络构造算法。IEEE神经网络,1995年1月,6卷,页273 - 277。
8. y [8] l .龚c . Liu, f .元,训练前馈神经网络与最优Stepsize使用梯度下降的方法。计算信息系统学报,2012,8卷,第1359 - 1371页。
9. [9]x锣,w·s·h·徐共轭梯度方法与神经网络控制,IEEE 2010, pp.82 - 84
10. [10]a . j . Adeloye a . De Munari基于人工神经网络的广义storage-yield使用Levenberg-Marquardt算法可靠性模型。水利学报,2005年10月27日,362卷,第215 - 230页。

关键字

人工神经网络、培训、梯度下降优化算法,比较,电参数,太阳能电池。

我的介绍。

展览在辐照度、温度导致太阳能电池的内部特性的退化,防止光伏(PV)面板生成电力在其最佳性能。为了研究这些阻碍因素的影响,我们必须了解太阳能电池的内部行为,确定电气参数根据不同的辐照度值和温度。

光伏电流(IPV)生产太阳能电池的输出是一个非线性隐式与内部电气参数的关系。后者可以确定数值分析[1]或[2]为一个特定的温度和辐照度。在另一方面,研究太阳能电池的行为需要识别的参数不同的辐照度值和温度。因此,人工神经网络(ANN)看上去是最好的适应保险这个角色。

后面的选择使用安回到其产能预测结果的开发获得的数据。信息是由权重代表的值神经元之间的连接。安的运作需要一个算法的训练保险最小化错误生成的输出。

的目的来确定电参数值,在这项研究中我们比较之间的梯度下降法的优化算法,使培训的安。我们区分三种算法的二阶梯度(Levenberg-Marquardt、高斯牛顿和拟牛顿)和一阶的两种算法梯度(最陡下降和共轭梯度)。

2.1。单二极管太阳能电池模型

在我们的研究中太阳能电池是由电气建模模型[3]与一个二极管图1所示:

Rs:串联电阻表示损失的各种接触和联系。雷竞技网页版

Rsh:分流电阻二极管结的泄漏电流特征。

Iph:光电流取决于辐照度和温度。

是:二极管饱和电流。护士:二极管理想因素。

Vth:热电压(V。T问)th¯€½T:太阳能电池的开尔文温度。

2.2。照明下太阳能电池的操作过程

发光的太阳能电池产生一个特征IPV = f (VPV)为每个值的辐照度和温度。我们获得这个特征通过改变负载的值R(图2)。

太阳辐照度的变化在100 w / m²和1000 w / m²,细胞之间的温度18°C和65°C影响Rs 5电气参数的值,Rsh, Iph, n的太阳能电池。有效地,当前Iph根据不同辐照度和当前是根据温度的变化而Rs, Rsh和n根据气象因素变化[4]。

三世。常用的人工神经网络

内部电气参数的识别各种温度(T)和辐照度值(G)网络保险的安图3所示[4]。体系结构包括一个入口层、隐藏层和输出层。

入口层包含两个输入(T、G),隐藏层包含20个隐藏层神经元和神经元的输出包括5个输出相应的五个参数Rs, Rsh, Iph)和n的我们想要预测的值。

诉结果与讨论

网络的训练是由130年inputs-outputs分布在三组例子(学习、验证和测试)[10]。

图4显示了曲线的测试意味着获得的平方误差安。每个曲线对应五个优化算法之一。我们使用了对数刻度在迭代的轴以显示算法收敛性的行为。因此,安的LM算法允许良好的培训与其他算法相比(GN、QN CG和SD)。QN和CG硬斜率比SD,收敛缓慢(图4)。

表1包括安在每次训练后获得的结果由一个算法的五个优化算法。结果,SD收敛缓慢并确定五电参数的值的输出安离他们的目标5%的错误率。通过比较该算法的CG的结果,后者目前的快速收敛,但错误率为4%。两种算法QN和GN更重要的更正:99.51%和99.81%的先后。因此通过比较LM与SD的结果,CG, QN和GN算法,LM提出了更好的收敛速度训练的(时间)和更好的修正。

无花果。5 - 9显示参数的演变Rs, Rsh, Iph)和n根据辐照度的两个固定值温度(26°C和45°C)和无花果。10 - 14描述五个电参数根据温度的演变有两个固定的辐照度值(200 w和400 w / m / m²²)。我们观察到LM曲线更符合这些期望。通过比较和GN LM,后者给了或多或少的曲线接近想要的。在另一方面,GC将生成一个错误,更重要的是与GN观察。

SD低比其他的速度校正算法和最佳解释的振荡,从而防止收敛到最优解(图4和表1)。使用系数的一个¯¢¯€一个情商。(15),允许CG算法快速收敛和SD相比(表1)。QN和GN算法存在两个校正率更有趣比SD和CG算法。这种行为是由于QN和GN更好地了解他们的快速收敛接近最优。LM算法收敛的礼物最好的行为与其他算法相比,由于结合SD和大的特点。因此,LM表现为SD大λ的值,然后,它表现为小值λGN [6]

六。结论

Levenberg-Marquardt算法提供了有趣的表演训练的人工神经网络与其它优化算法相比的梯度下降法。实际上,它决定了五个电参数的值所需的太阳能电池如此接近的由于其容量优化的均方误差最小值在一个小的时间。